一句话看懂：知名工程师 Matt Pocockuk 发布了一份名为“/writing-great-skills”的 Skill 编写指南，专门教导开发者如何构建行为稳定的 AI 工作流，把模糊提示词转化为可预测、可分层的工程化技能模块。这份指南已经在开源社区获得超过 152K Stars，成为目前最热的 AI 工程实践之一。
事件核心：发生了什么
Matt Pocockuk 在 2026 年 7 月 1 日更新了他的 Skill 仓库，核心新增“/writing-great-skills”。这是一份针对 AI 模型（尤其是大语言模型）的 Skill 设计方法论，强调从工程角度而非提示工程角度编写技能。其核心理念包括：
• Skill 的目标是“过程可预测”，而非知识库或提示词堆叠。它要求开发者明确区分模型自动调用（Model-invoked）与用户手动调用（User-invoked），并严格根据触发成本选择触发方式。
• 提出三层信息结构（SKILL.md 步骤 → 参考规则 → 外部文件），采用渐进式披露避免注意力稀释。
• 每个步骤必须附带完成标准（Completion Criterion），防止模型过早进入下一步（Premature Completion）。
• 引入“Leading Word”概念——用模型预训练中熟悉的强概念词（如“快速”“确定”）压缩行为要求，节省 Token 并稳定唤起模型已有模式。
• 列出常见失败模式：过早完成、重复、沉积、散乱、无操作（No-op），其中 No-op 测试最具操作性：删除一句话后模型行为不变，这句话就不该存在。
为什么重要
这份指南标志着 AI 技能开发从“写提示词”向“设计工作流”的转变。与大多数提示工程课程不同，它不教怎么写更好 prompt，而是教怎样让模型在多次调用中保持行为一致性——这是当前大模型落地中最难啃的骨头。目前主流 AI 应用普遍面临“这次认真、下次敷衍”的波动问题，而这份指南给出了一套可复用的诊断和修复框架。对于开源社区而言，它也可能成为 AI Skill 开发的“代码规范”，推动开发者从凭感觉写提示走向结构化工程。
对用户/开发者/创作者的影响
对于 AI 应用开发者，尤其是使用基于大型模型的工具链或 Agent 框架的团队，这份指南提供了具体的行为控制手段。例如可以通过拆分 Skill 来控制模型的“认知视野”，避免它提前优化后续步骤；也可以通过完成标准来校准模型是否真的完成了当前任务。对于内容创作者或个体用户，理解这些原则有助于识别那些看似有用但实际无效的提示——比如“be thorough”如果只是模型默认行为，就属于 No-op。对于企业采购 AI 工具，可以依据这套标准来评估某个 Skill 是否稳定，减少靠运气跑结果的风险。
AI 工具推荐
想把多个 AI 模型放在一个入口？
GamsGo AI 集成 ChatGPT、DeepSeek、Gemini、Claude、Midjourney、Veo 等常用模型，适合写作、绘图、视频和日常 AI 工作流。
推广链接：通过此链接购买，我可能获得佣金，不影响你的价格。
值得关注的后续
1. 这套方法论是否会被主流 AI 框架（如 OpenAI 的 Assistant API、LangChain、AutoGPT 等）采纳或内化，形成行业标准。
2. 其 No-op 测试和完成标准是否会被工具化，例如开发者能否用自动化测试验证自己的 Skill 是否包含无操作语句。
3. Matt Pocockuk 是否会推出对应的模板或 CLI 工具，降低开发者按照这套标准编写 Skill 的门槛，从而扩大社区生态。
