我用AI「写」了一个软件，零代码

前两天，我干了一件挺魔幻的事。

我用三个 Markdown 文件，搭了一套自动化选题系统。没写一行代码，但这玩意儿真的能跑。

每天早上，我只需要对着电脑说一句「开始今日选题生成」，它就会自动帮我从 Twitter、即刻、知乎、Hacker News 这些平台上扒热点，然后筛选、打分、排序，最后给我吐出来 5-8 个选题建议。

连标题都帮我想好了，三个备选，随便挑。

我当时看到这个效果的时候，人都麻了。

这特么也太离谱了吧。

我一个文科生，居然用写文档的方式，「写」出了一个软件？

这篇文章，我想跟你聊聊这个叫 AI Skills的东西。

如果你是 AI 小白，别怕，我会用人话给你讲清楚。如果你是老玩家，也可以看看我的实战经验，说不定有点启发。

先说说我为什么要搞这个东西。

作为一个自媒体作者，选题是最痛苦的环节。

每天早上起来，我得先花 2-3 个小时，把 Twitter、Reddit、GitHub、即刻、知乎、微博、小红书、B 站这些平台全刷一遍。

看到有意思的东西，就截图、记笔记。

然后再从这一堆素材里，挑出几个值得写的选题。

再想想怎么切入，标题怎么取。

这个过程，说实话，特别消耗精力。

而且很容易漏掉好东西。毕竟人的注意力是有限的，刷着刷着就走神了。

我就想，能不能让 AI 帮我干这个活？

于是我开始研究各种 AI 工具。

GPTs 试过，太简单了，干不了复杂的活。

LangChain 看过，太复杂了，我一个文科生搞不定。

直到我发现了 Claude Code 的 Skills功能。

这玩意儿，怎么说呢，就像是给 AI 写了一份「工作手册」。

你告诉它：遇到什么情况，该怎么做，按什么流程来，输出什么格式。

然后它就真的按你说的来了。

我给你看看我写的这个选题系统长什么样。

整个系统就三个文件：

topic-hunt/├── SKILL.md           # 主文件，定义整个流程└── references/    ├── platforms.md   # 平台配置，告诉它去哪采集    ├── scoring.md     # 评分规则，告诉它怎么筛选    └── output-template.md  # 输出模板，告诉它怎么呈现

就这么简单。

没有 Python，没有 JavaScript，没有任何编程语言。

全是 Markdown，就是你写笔记用的那种格式。

我给你看看主文件 SKILL.md 里写了什么（简化版）：

# AI 选题猎手## 触发词当用户说「开始今日选题生成」时，激活此技能。## 执行流程阶段 1：信息采集- 用 WebSearch 搜索各平台热点- 标准化数据格式阶段 2：筛选分析- 热度评分- 价值评估- 去重排序阶段 3：选题输出- 生成标题建议- 提供切入角度- 草拟内容大纲

看到没？

就是用人话告诉 AI：你要干什么，怎么干，按什么顺序干。

它就真的照做了。

你可能会问：这跟写个提示词有什么区别？

区别大了。

普通的提示词，是一次性的。你问一句，它答一句，完事了。

但 Skills 不一样。

它是持久化的。你写好一次，以后随时可以用。

它是模块化的。你可以把复杂的任务拆成几个小模块，分别定义。

它是可扩展的。想加新功能？再写个文件就行。

更重要的是，它有渐进式加载的设计。

这个设计特别聪明，我给你解释一下。

AI 的「脑容量」是有限的，专业术语叫「上下文窗口」。

你塞太多东西进去，它就记不住了，或者变慢了。

所以 Claude 的 Skills 设计了三层结构：

第一层：名字和描述（永远在脑子里，大概 100 个字）    ↓第二层：主文件 SKILL.md（触发时才加载，最多 5000 字）    ↓第三层：参考文件（需要时才读取，想放多少放多少）

这就像什么呢？

就像你是个老板，你不需要记住公司所有的规章制度。

你只需要知道：有这么个制度，放在哪个文件夹里。

等真的需要用的时候，再去翻就行。

AI 也是这样。它平时只记住「我有个选题技能」，等你真的说「开始选题」的时候，它才去读详细的操作手册。

这样既省脑容量，又不影响功能。

好，理论讲完了，来点实战的。

我教你怎么从零开始，搭一个自己的 AI Skills。

第一步：想清楚你要干什么

别急着动手，先想清楚几个问题：

• • 这个技能要解决什么问题？
• • 触发条件是什么？（用户说什么话的时候启动）
• • 执行流程是什么？（分几步，每步干什么）
• • 输出是什么？（最后给用户看什么）

拿我的选题系统举例：

• • 问题：每天选题太费时间
• • 触发：「开始今日选题生成」
• • 流程：采集 → 筛选 → 输出
• • 输出：5-8 个选题建议，带标题和大纲

第二步：创建文件夹结构

在你的 Claude 配置目录下，创建一个 skills 文件夹：

~/.claude/skills/你的技能名/├── SKILL.md└── references/（可选）

第三步：写主文件 SKILL.md

这是最关键的一步。

文件开头要有一个「元数据」区域：

---name: 你的技能名description: 一句话描述这个技能干什么，什么时候用---

这个描述很重要。AI 就是靠这个来判断「用户现在说的话，是不是要用这个技能」。

然后就是正文，用人话写清楚：

• • 什么时候触发
• • 执行什么流程
• • 输出什么格式

第四步：测试和迭代

写完之后，直接试。

对着 Claude 说你的触发词，看它是不是按你想的来。

不对？改。

哪里不对改哪里。

这就是 Skills 最爽的地方：改个文档就生效，不用重新部署，不用编译，不用等。

我再给你几个实用的小技巧。

技巧 1：用表格来定义规则

AI 特别擅长理解表格。

比如我定义评分规则的时候，就用了表格：

| 来源类型 | 权重 ||---------|------|| 官方账号 | 30 分 || 知名 KOL | 25 分 || 普通用户 | 15 分 |

比写一大段文字清晰多了。

技巧 2：用流程图来展示步骤

ASCII 画的流程图，AI 也能看懂：

用户输入 → 采集数据 → 筛选分析 → 生成报告 → 保存文件

技巧 3：给例子

如果你想让 AI 输出特定格式，最好的办法就是给它一个例子。

「我想要这样的标题」，然后贴三个例子。

比你写一百字的描述都管用。

技巧 4：分层存放

复杂的内容，放到 references 文件夹里。

主文件只写流程和逻辑，细节让它「按需查阅」。

这样主文件保持简洁，AI 也不会被太多信息搞晕。

说到这，你可能会问：这玩意儿有什么用？

我觉得，它代表了一种新的「软件」形态。

过去，你想让电脑帮你干活，得写代码。

写代码这事，门槛太高了。大部分人一辈子都学不会。

但现在，你只需要用人话描述清楚「我要什么」，AI 就能帮你实现。

这不就是「软件」吗？

只不过，它不是用代码写的，是用自然语言写的。

我把这个叫做 Prompt 即软件。

你的提示词，就是你的程序。

你的描述，就是你的代码。

这对普通人来说，是一个巨大的机会。

以前，你有个好想法，但不会写代码，只能干瞪眼。

现在，你只要能把想法描述清楚，AI 就能帮你实现。

当然，这不是说程序员要失业了。

复杂的系统、高性能的应用、底层的基础设施，还是需要专业的程序员来搞。

但对于个人工作流、小工具、自动化脚本这些东西，Skills 这种方式已经够用了。

而且，它的迭代速度快得离谱。

我那个选题系统，从想法到能用，就花了一个下午。

如果让我写代码实现，可能得搞一个星期。

最后，我想说说这个东西的局限性。

第一，它不是万能的。

Skills 本质上还是在调用 AI 的能力。AI 做不到的事，它也做不到。

比如，它没法真的「登录」你的微博账号去爬数据。它只能用公开的搜索接口。

第二，它有不确定性。

AI 不是程序，它不会每次都给你一模一样的结果。

同样的输入，可能输出略有不同。

如果你需要 100% 确定性的结果，还是得写代码。

第三，它需要调试。

别指望一次就写对。

你得多试几次，看看 AI 理解得对不对，输出的格式对不对。

不对就改，改到满意为止。

但总的来说，这个东西的性价比太高了。

用写文档的时间，换一个能自动干活的「软件」。

这买卖，怎么算都不亏。

所以啊，如果你也有一些重复性的工作，想让 AI 帮你自动化。

不妨试试 Skills 这个东西。

不需要会写代码，只需要会写文档。

把你的需求描述清楚，把流程拆解明白，AI 就能帮你干活。

这可能是普通人距离「写软件」最近的一次。

未来的软件，可能不是写出来的，而是说出来的。

以上，既然看到这里了，如果觉得不错，随手点个赞、转发吧，如果想第一时间收到推送，也可以加个关注～谢谢你看我的文章，我们，下次再见。