给AI智能体写个“说明书”，怎么让它十次有九次都干得漂漂亮亮？这问题困扰过每一个尝试自定义AI工具的开发者。Matt Pocock把他编写和调用最多的那份Skill指南公开了，这事儿本身就像给混乱的黑箱操作递了一把螺丝刀——它不玄学，它有图纸。
这份指南为什么是工程而非玄学
太多人把编写AI Skill当作一种“调教”艺术，靠的是反复试错和神秘的prompt咒语。Pocock的指南开宗明义：目标是过程可预测。这意味着你写的不是一段祈祷词，而是一份带有验收标准的施工蓝图。它把模糊的“智能体能用”，变成清晰的“在什么条件下，以什么步骤，一定能产出什么结果”。
触发器：说明书的第一行字决定了谁来读
Skill分两种：model-invoked（模型自动触发）和user-invoked（用户手动调用）。它们的description字段根本不是给人看的“简介”，而是给模型看的触发器。一个写给模型自动调用的Skill，它的描述必须精准勾勒出它能解决哪类场景，让模型在无数能力中瞬间识别并选择它。这就像在工具箱上贴标签，标签贴错，再好的扳手也永远在箱底吃灰。
信息架构：别一股脑把所有说明书塞进工具箱
人的注意力有限，模型的上下文窗口同样是稀缺资源。指南提出三层信息结构：核心主步骤、详细参考、外部文件。这实现了“渐进式披露”。模型先理解主干动作，需要时再调取细节，而非一次性被海量信息淹没。这直接呼应了拆分Skill的核心哲学——控制模型的注意力。你把一个庞大任务拆成多个小Skill，本质是帮模型聚焦，避免它在处理复杂指令时“走神”或遗漏关键步骤。
核心方法论：从写代码到写流水线
把写Skill当成写代码，容易陷入功能实现的细节；把它当成设计一条工业流水线，视野就完全不同了。Pocock的方法论正是后者，关注点从“实现什么”转向了“如何稳定地实现”。
完成标准：每一步的“绿灯”亮在哪里
这是该指南最具实操价值的概念之一。每个步骤必须有明确的完成标准。不是“处理数据”，而是“将输入表格解析为JSON对象，并存储到变量`data`中，且无报错”。这为模型（和人类）提供了清晰的检查点。没有完成标准，模型就像在没有里程碑的高速公路上行驶，它不知道自己开对了没有，何时该进入下一阶段，最终容易在中途徘徊或提前结束。
Leading Word：一个词定义一种行为模式
这是压缩行为要求的精妙技巧。与其用长句描述“你需要以严谨、逐步、带验证的方式工作”，不如直接给它一个leading word，比如“严谨模式”。这个词像一个行为模式的开关，告诉模型调用哪种内在的行为倾向。这比冗长的约束描述更高效，也更不容易被模型在执行中遗忘或曲解。它将行为约束抽象成了一个可复用的“指令宏”。
失败模式诊断：你的Skill为什么失灵
当AI表现不及预期，人们常归咎于“模型不够聪明”。Pocock的指南则冷静地列出了五种典型的工程故障，让你有迹可循地排查。
“过早完成”与“无意义操作”：两个极端
Premature completion（过早完成）是模型以为自己做完了，但实际漏了关键步骤。根源常在于完成标准模糊或缺失。No-op（无意义操作）则是模型执行了一堆动作，但对任务推进毫无贡献。指南甚至提供了“No-op测试”：用一个句子描述动作，如果去掉这个句子，任务结果不会有任何变化，那么这个句子就是无效的指令。这能帮你剔除冗余步骤，保持Skill的精简高效。
“重复”、“沉淀”与“蔓延”：过程失控
Duplication（重复）是模型在循环中做了同一件事两遍。Sediment（沉淀）是无关信息或中间结果在上下文中堆积，干扰模型的后续判断。Sprawl（蔓延）则是Skill的功能边界不断模糊扩大，试图做太多不相干的事。这三种失败模式，都指向了Skill定义不清晰、过程约束不严格的问题。解决它们，需要回到最基础的工程思维：明确边界、清理缓存、设计循环跳出条件。
从自定义工具到智能体基石
Pocock的指南表面上是一份写Skill的手册，但其内核是构建可靠AI智能体的微观蓝图。一个智能体就是由一系列稳定、可预测的技能（Skill）组合而成的。当每个Skill都像精密齿轮一样咬合准确时，整个智能体系统才有可能稳定运转。
它提醒我们，在追逐大模型参数的竞赛之外，真正的落地战场在于这些“最后一公里”的工程实践。如何给AI设计清晰的接口、如何管理它的注意力、如何定义它的成功与失败——这些才是决定AI工具从“演示惊艳”走向“生产可用”的关键。这份指南的价值，不在于教你写出更漂亮的prompt，而在于它提供了一套让AI行为变得可调试、可迭代、可信赖的工程语言。
