把经验变成代码：我封装了 3 个 Agent Skills

最近 Agent Skills 实在是太火了。
我也没忍住，拿手头的一个数据分析项目试了试水。

过程有点折腾，但结果却超出预期。
它让我重新思考：
AI 时代，我们管理知识的方式是不是该升级了？

---
1. 铁打的文档，流水的兵

带过团队的人都有体会，
为了沉淀经验，我们习惯写各种文档、画流程图、制定详细的SOP。

但现实往往骨感：
越是详细的文档，越是没人愿意认真看；
就算看了，也往往记不住。

究其原因，文档是静态的。
它依赖人的自觉性去阅读、理解和执行。
只要有人参与，就一定会有执行方差。
最后往往是：文档明明写了，新人还是做错了；SOP 明明有，执行起来还是走样了。

---
2. 从"给人看"到"给机器跑"

这次尝试，我换了个思路：
把流程化的复盘分析经验，
拆解并封装成了3 个 Agent Skills：
一个负责数据分析，一个专职前端呈现，还有一个实现网页部署。

数据清洗规则，写成 Python 脚本；
分析逻辑和避坑指南，塞进 System Prompt；
视觉呈现和可视化图表，做成前端模板。

这就是把“经验”变成了“可执行的能力”。

以前，SOP 是文档，你得刻意练习才能做到 80 分；
现在，SOP 是程序，运行一遍就能做到 80 分。

它不会因为一时疏忽就算错指标，
也不会因为状态不佳而漏掉重要的内容。
（见图 2）

---
3. 是工程，不是魔法

如果说 Prompt 是魔法，
那 Agent Skills 就是工程项目。

你需要像开发软件一样，
梳理需求、开发调试、测试验证，而且还要遵循开发规范。（见图 3 ）

说实话，
封装一个 Skill 的前期成本，
远比写一篇文档要高得多。
但这个成本是值得的。

用文档来记录思考，
用 Skills 来交付结果。


---

这次实践下来，我有个很强烈的感受：
AI 时代，知识管理有了新的选择。

对于那些高频、标准、易出错的流程，
不妨试着把它们从文档里解放出来，
做成一个个可执行的 Agent Skills。

能让机器干的事儿，
就别再难为人了。