仔細觀察你最優秀的員工工作一段時間，你會發現一些規律。他們都有自己的一套模式。
一位頂尖的業務人員在處理重要通話時，對什麼是關鍵有著清晰的判斷。他們會回顧上一次的對話內容，找出真正的決策者，挖掘出未明說的異議，並追溯某個三週前做出的承諾——而這個承諾從未出現在任何記錄中。
一位優秀的支援主管看待客戶升級問題的方式與眾不同。除了案件本身，他們還會留意語氣、歷史記錄、帳戶價值、產品痛點，以及那些暗示一個小問題即將演變成更大麻煩的細微訊號。
一位財務主管不會只看報表上的數字。他們明白哪些變動至關重要，哪些只是雜訊，哪些則需要在董事會會議前準備好一個完整的故事。
這些是大多數公司每天都依賴的工作，但往往難以被捕捉、整理和學習。
人們稱之為經驗、判斷力、品味或機構知識，但在實踐中，這些特質有時會變成一種包裝精美的理由，用來合理化那些只是強化既有假設和偏好的決策。
AI 公司開始稱之為「技能」。
我將在週五上午 10 點（太平洋時間）現場深入探討這個主題。如果你想了解實務層面的內容，請報名參加「Skills 101」。
什麼是技能。它適用在哪裡。如何停止向 Claude 和 ChatGPT 反覆解釋同樣的工作。免費報名 Skills 101。
工作本身自有其方法
每家公司做事的方式，都比它們自己意識到的要更具體。
業務團隊如何準備續約。
產品團隊如何將客戶反饋轉化為優先事項。行銷團隊如何判斷一個活動是否真的有效。支援團隊何時決定需要升級問題。工程團隊審查高風險變更的流程。財務團隊如何理解業務中發生的變化。
其中一部分有文件記錄。但大部分都散落在文件、Slack 討論串、範本、舊簡報、入職培訓電話，以及那些待得夠久、更懂行的員工腦海裡。
這些知識通常被視為背景資訊，但它們即將成為基礎設施。
Agent 只有在理解任務本身之外的更多資訊時，才能發揮作用。它們需要理解任務背後的方法。
存取只是最簡單的部分
使用 AI 時，人們通常從存取資料開始。
將 Agent 連接到 CRM。設定 Slack 整合。提供 Google Drive 的存取權限。啟用與 GitHub 的連接。建立與資料倉儲的連線。
這些都很重要。沒有存取權限的 Agent 大多只能猜測。
但存取權限本身並不能創造出好的工作成果。一個 Agent 可以讀取所有銷售記錄，卻仍然可能錯失一筆交易的整體樣貌。
它可以搜尋所有支援案件，卻仍然無法識別出需要立即關注的客戶。一個模型可以打開所有產品文件，卻仍然可能產出一份聽起來合理、但實際上錯過了真正決策的 PRD。
真正的挑戰在於幫助 Agent 理解你的公司如何處理工作，而不僅僅是擴展 Agent 存取資訊的範圍。
這就是技能重要的地方。
技能是一種可重複使用的工作方式
技能不僅僅是一個提示詞。
提示詞告訴 Agent 在特定時刻要做什麼，而技能則捕捉了一種可重複的工作方式。
這使得 Agent 能夠在每次遇到類似任務時，都應用相同的方法。
它可以包含指令、範例、範本、檢查清單、腳本、參考資料和經驗法則。技術形式可以多種多樣。Anthropic 的版本使用一個簡單的資料夾，裡面包含一個 SKILL.md 檔案和可選的輔助檔案。其他系統則會使用自己的格式。
技能將流程打包。
它捕捉了某人遵循的步驟以及他們運用的判斷力。它也記錄了他們留意的邊緣案例以及他們期望的品質標準。
銷售通話準備技能可能涵蓋如何閱讀帳戶歷史、需要揭露哪些風險、如何構建開放式問題，以及一份有用的簡報應該是什麼樣子。
對於事件事後檢討，一項技能可能涵蓋如何重建時間線。它還可以教導人們區分原因和症狀，不帶指責地書寫，並將學到的教訓轉化為行動。
在製作董事會簡報時，一項技能可能涵蓋哪些指標重要。它可以展示如何解釋變化、哪些內容屬於附錄，以及故事通常在哪裡出現問題。
技能就是讓方法變得可重複使用。
資料、連接器、技能，以及向 Plugin 的演進
AI 系統面臨的第一個挑戰是存取。
模型需要一種方式來接觸到實際工作發生的資訊和系統。這導致了連接器、MCP、API 和資料整合的出現，這些技術可以將文件、資料庫、應用程式和業務記錄暴露給 AI。
這是必要的一步。但僅有存取權限並不能創造有用的行為。
一個連接器可以存取 Salesforce，但它無法教導 Agent 你的團隊如何進行預測審查。
Google Drive 可能也已連接，但這本身並不能告訴 Agent 哪個舊的董事會簡報值得複製，哪個應該被忽略。
一個 API 可以回傳支援案件，但它無法解釋你最有效的支援經理是如何判斷哪些問題真正緊急。
這就是技能登場的地方。
資料和連接器提供背景資訊。
技能提供判斷力、流程和可重複的工作方式。
Plugin 實際上是這兩者的結合。它們將對系統的存取與執行操作和工作流程的能力捆綁在一起。
從這個意義上說，Plugin 是這個演進過程的一部分。
首先是資料和連接器。
然後是技能。
下一代則將兩者結合，形成能夠存取資訊、理解工作如何完成並採取行動的智慧系統。
這是我將在週五現場深入探討的部分。存取權限讓 Agent 能夠參與工作。技能則教導它們工作如何完成。
我將展示技術堆疊、工作流程，以及從何處開始。
這個模式比 AI 更古老
這種情況在運算領域不斷發生。
Unix 指令讓有用的操作變得可重複使用。
Shell 腳本讓序列變得可重複使用。
函式庫讓程式碼變得可重複使用。
API 讓服務變得可重複使用。
工作流程讓業務流程變得可重複使用。
技能讓判斷力變得可重複使用。
這是值得關注的部分。
AI 並沒有發明封裝專業知識的渴望。軟體一直朝著這個方向發展。
改變的是執行者。
幾十年來，人類必須閱讀劇本並加以應用。現在，Agent 可以載入劇本、使用工具、檢查檔案、執行腳本，並持續運作。
劇本可以變得活躍起來。
這改變了記錄工作完成方式的價值。
技能庫將成為核心資產
想像兩家公司使用同一個前沿模型。
一家公司將模型連接到其系統。
另一家公司將模型連接到其系統，並提供一個由公司最佳工作成果建構的技能庫。
第二家公司擁有不同的資產。
它的 Agent 知道公司如何準備銷售通話、審查合約、撰寫發布簡報、調查錯誤、處理升級問題、總結研究以及解釋財務表現。
不是完美或神奇地做到。
而是達到足以產生影響的一致性。
每一項技能都成為一個小小的營運槓桿點。
一個好的技能可以防止同一個錯誤被修正兩次。
一個更好的技能可以提升所有使用者的基本水準。
一個偉大的技能則能捕捉到過去需要多年才能建立的判斷力。
這就是為什麼技能庫可以作為公司實際可用的操作手冊。
最有價值的技能將是私有的
將會出現公開的技能市集。
有些會有用。大多數會很通用。
最有價值的技能將存在於公司內部，因為最有價值的方法都是特定的。
你的客戶升級流程、銷售資格審查標準和產品審查標準。
你用於董事會更新報告的格式、你依賴的法律備用立場，以及定義你品牌的聲音。
甚至是你決定什麼重要的方式。
這些是競爭對手無法下載的知識。
一個通用的 Agent 可能帶著廣泛的銷售、支援、財務、產品和工程知識到來。
讓它在你的公司內部變得有用的，是學習你的團隊隨著時間累積的特定流程、決策和經驗教訓。
從工作本身開始
這就是為什麼每家公司的第一個 AI 策略都應該是一個技能庫。
在選擇平台之前，先繪製重複性工作的地圖。
找出那些經驗豐富的員工總是能表現得比其他人更好的工作流程。
尋找那些涉及判斷力而不僅僅是努力的工作。
銷售通話、客戶研究、支援升級、PRD、事件事後檢討、合約、預測、產品發布、競爭分析、發布說明。這些都不是工作的全部。它們是圍繞著工作的所有一切。
然後問問團隊中表現最好的人做了什麼不同的事，以及其他人往往忽略了什麼。
他們首先注意到的是什麼？
什麼東西容易被忽略？
哪些範例塑造了他們的方法？
哪些問題會反覆出現？
他們試圖避免哪些錯誤？
他們如何定義成功？
這就是原始素材。將其轉化為技能，投入使用，持續改進，並讓技能的所有者貼近實際工作。
一家公司需要一些技能來讓重要的工作更一致。
技能庫可以從那裡開始成長。
真正的 AI 策略
當公司不再將 AI 視為散佈在業務各處的通用智慧層，而是將其深度嵌入能夠驅動實際成果的工作流程中時，它們才能從 Agent 中獲得最大價值。
做一些更實際的事情。
教導 Agent 業務實際上是如何運作的。
將重複的判斷力轉化為可重複使用的系統。
讓頂尖執行者的方法更容易應用、更容易改進、也更難流失。
這就是轉變。
一家公司的 AI 優勢將來自於它教導模型做好的工作，而不是來自於它選擇了哪個模型。
每家公司都有自己的運作方式。
其中大部分是看不見的。
技能讓它變得可見。
技能庫讓它變得可重複使用。
你的公司已經擁有技能。
它們存在於舊文件、Slack 討論串、客戶通話、審查儀式、入職培訓筆記，以及那些真正了解工作如何完成的人們的腦海中。
週五上午 10 點（太平洋時間），我將現場進行 Skills 101 的講解。
我將展示如何停止向 Claude 和 ChatGPT 反覆解釋同樣的工作，並開始打包指令，讓 AI 能夠再次以你的方式完成工作。
