2026/9/30
AI工具 AI自動化 AI Agent從 Prompt 到 Skill Library：我從吳奇老師的 Agent Skill 講座學到什麼？以及如何打造自己的 AI 工作能力庫
最近我看了「數位敘事力期刊」舉辦的一場直播講座，主講人是吳奇老師，主題是： 《Agent skill：為何需要 skill？與 skill 的極限》 直播原始影片： YouTube｜Agent skill：為何需要 skill？與 skill 的極限 看完之後，我最大的感受不是「又多了一個 AI 新名詞」，反而是很多我最近一直在做的事情突然被串起來了。 這一兩年我們從 Prompt、GPTs、Gems、MCP、Agent，一路走到 Skills。 表面上工具一直換，但底層其實是在解決同一件事： 怎麼讓 AI 不只是回答問題，而是學會「我們平常到底怎麼工作」。 尤其我自己最近大量使用 Codex、Claude Code、Agent、MCP 做課程教材、簡報、網站、影片、自動化工作流，更能感受到一件事： 真正有價值的，已經慢慢不是那一句「神 Prompt」。 而是： 你有沒有辦法把自己做事的方法，整理成 AI 可以重複使用的 Skill。 這篇文章就是我從吳奇老師直播中吸收之後，再搭配目前 OpenAI、Anthropic 與 Agent Skills 官方規格，重新整理出來的一套理解。 最後也會實際設計我準備使用的： 「享哥 Skill Library」 一、先用一句話理解什麼是 Agent Skill我目前最喜歡的理解方式是： Tool / MCP 告訴 AI「你可以做什麼」，Skill 告訴 AI「這件事情應該怎麼做」。 例如我今天給 Agent： Gmail Google Drive Calendar Browser Terminal Python ImageGen 這代表它有很多工具。 但是： 有工具，不代表會工作。 就像今天公司請了一位新員工，給他： 電腦 Gmail ERP Excel 公司帳號 不代表他就知道： 收到客戶詢問後，可以依序判斷： 先確認什麼？ 哪些資料要查？ 哪些狀況要升級處理？ 最後要填哪張表、寄什麼格式的信？ 這中間缺的就是： SOP、判斷規則、範本與經驗。 而 Skill 就是在做這件事。 OpenAI 現在也把 Skill 定義為可重複使用的工作流程，讓 ChatGPT 或 Agent 不需要每一次都重新被解釋流程。 二、我會把 AI Agent 能力拆成四層從吳奇老師直播裡的 Workspace、Tools / MCP、Skill 架構，我自己重新整理成下面四層。 層級 解決問題 可以怎麼理解 Model AI 會不會思考 大腦 Workspace / Runtime AI 在哪裡工作 辦公室 Tool / MCP AI 可以操作什麼 工具 Skill AI 應該怎麼做 SOP＋教師手冊 例如： 1234567GPT / Claude↓Codex / Claude Code / VM↓Google Drive / Gmail / Browser / CLI↓我的課程製作 Skill 這四層要放在一起看。 因為 Skill 並不是魔法。 假設 Skill 裡面寫： 打開瀏覽器登入後台，把資料輸入 ERP。 但是這個 Agent 根本： 沒 Browser 沒 Computer Use 沒帳號 沒權限 那 Skill 寫得再漂亮，也執行不了。 所以 Skill 能力永遠是： 123456789模型能力×執行環境×工具×權限×Skill 三、MCP 跟 Skill 到底差在哪？這是很多人第一次接觸 Skill 最容易混在一起的地方。 假設 MCP 提供三個工具： 123search_customer()check_calendar()send_email() 這代表 AI： 能查客戶、能查行事曆、能寄信。 可是它不知道什麼時候該用哪一個。 Skill 就可以寫： 12345678當使用者要求安排客戶會議時：1. 先搜尋客戶資料。2. 確認上次聯絡紀錄。3. 查詢雙方可用時段。4. 產生 3 個候選時段。5. 使用者確認後才建立行程。6. 建立完成後寄出確認信。 所以： 12MCP = CapabilitySkill = Workflow OpenAI 官方文件也把兩者定位為互補層：MCP Server 提供即時資料、授權與受控動作；Skill 則說明何時呼叫工具、依什麼順序處理，以及如何處理不完整結果與整理輸出。我會把它簡化記成：MCP 提供能力，Skill 描述工作流程。可參考 OpenAI Developers：Skills 與 MCP 的分工。 這個觀念非常重要。 因為我們以前很容易覺得： 「接上 MCP 就完成 Agent 了。」 其實不是。 MCP 比較像把工具箱交給 Agent。 Skill 才是在告訴它： 「我們公司拿這套工具到底怎麼做事情。」 四、Skill 不只是一個比較長的 Prompt第一次看到 Skill 很容易想： 那不就是把 Prompt 存成 Markdown？ 某種程度沒錯。 但如果只這樣理解，又會低估 Skill。 一個正式 Skill 通常是一個資料夾。 目前 Agent Skills 開放規格要求每個 Skill 至少包含 SKILL.md；scripts/、references/、assets/ 則依需求加入： 12345my-skill/├── SKILL.md├── scripts/├── references/└── assets/ 其中： SKILL.md核心操作說明。 定義： 這個 Skill 做什麼 什麼時候使用 需要哪些輸入 工作流程 判斷規則 輸出格式 完成前檢查 references/參考知識。 例如： 123456課綱品牌規範公司 SOPAPI 文件報價規則產品規格 assets/可重複使用的素材。 例如： 123456PPTX 模板Word 模板CSV 樣板品牌 LogoJSON Schema範例檔案 scripts/需要確定性執行的程式。 例如： 123456PythonJavaScriptBash資料轉換檔案檢查格式驗證 這些目錄名稱對應 Agent Skills 開放規格列出的常見支援資源；除了 SKILL.md 之外，其餘目錄都是可選。 五、真正重要的設計：Progressive Disclosure吳奇老師直播中，我非常認同的一個關鍵概念叫： Progressive Disclosure中文可以理解成： 漸進式揭露。 以前我們很常幹一件事情： 把所有規則全部塞進 System Prompt。 例如： 123450 頁品牌規範30 頁課綱20 個範例100 條 SOP 然後每一次對話全部讀。 結果就是： Token 增加 Context 變亂 AI 抓不到重點 不相關的規則互相干擾 Skill 的做法不同。 第一層： 12namedescription AI 只先知道： 「有這個 Skill 存在。」 第二層： 只有判斷目前任務需要它時，才載入： 1SKILL.md 第三層： 真的遇到某種工作，才讀： 123references/assets/scripts/ Anthropic 把這套機制明確稱為 Progressive Disclosure；Agent Skills 官方規格也建議 Skill 啟動前先只載入名稱與描述，啟動後才載入完整 SKILL.md，需要時才讀其他資源。 所以好的 Skill Architecture 不是： 1一個 50,000 字 SKILL.md 而是： 12345678910SKILL.md↓需要才讀references/course-design.md需要才讀references/brand-guide.md需要才用assets/template.pptx 這一點對大型工作流非常重要。 六、Skill 真正封裝的是四種知識這是我看完直播之後，自己再整理出來最重要的一個框架。 一個成熟 Skill，其實可能封裝四種東西。 第一層：Declarative Knowledge也就是： 「知道什麼」例如： 1234AI 課程有哪些工具？公司的品牌色是什麼？勞基法規定是什麼？國中課綱有哪些素養指標？ 這些比較適合放： 1references/ 第二層：Procedural Knowledge也就是： 「知道怎麼做」例如： 12345678910111213收到課程需求↓確認學員↓確認程度↓確認時數↓設計學習目標↓安排實作↓建立 Slide Manifest 這就是： 1SKILL.md 真正主要封裝的內容。 第三層：Executable Knowledge也就是： 「真的幫我做」例如： 1234scripts/├── export-pptx.py├── validate-csv.py└── generate-index.js 這時 Skill 不只是叫 AI： 「記得檢查。」 而是直接： 「執行檢查程式。」 這會比靠 LLM 自己判斷穩定很多。 第四層：Decision Knowledge這一層我認為最值錢。 也就是： 「專家為什麼這樣判斷？」例如我在規劃 AI 課程時，真正有價值的不只是： 12先做課綱再做簡報 而是： 123456789101112如果學員第一次接觸 Agent→ 不要先講架構→ 先做成功案例如果只有 3 小時→ 不做完整工作流如果行政人員居多→ Gmail / Excel / Drive 優先如果學員超過 50 人→ 降低需要逐一登入帳號的實作 這些東西不一定寫在書裡。 它們來自： 做過很多次之後形成的經驗。 而這也是我認為 Skill 最有價值的一件事： 把 Human Skill 慢慢轉成 Agent Skill。 七、直播裡提到的 5 種 Skill 建立方式吳奇老師整理了幾種 Skill 的建構方式。 我把它們重新整理一下。 方法一：Manual最直接。 自己寫： 1234SKILL.mdreferences/assets/scripts/ 適合： 本來就已經有完整 SOP 的人。 方法二：生成式建構不是自己從空白開始。 直接讓 Agent 幫你建立。 OpenAI 現在也有 Skill Creator。 在 Codex 裡可以呼叫： 1$skill-creator OpenAI 官方文件目前也推薦使用內建的 Skill Creator 開始建立 Skill。 例如： 1234567891011121314151617181920212223$skill-creator幫我建立 course-design skill。用途：將企業提供的課程需求轉換成完整 AI 課程架構。輸入：- 課程時數- 學員職務- AI 程度- 人數- 預期成果輸出：- 課程定位- 學習目標- 單元- 時數- 實作- 使用工具如果資料不足，先列出缺少資訊。 接著 Agent 就可以協助建立基本架構。 方法三：逆向工程／工作流蒸餾這是我自己最推薦的方法。 因為大部分人： 會做工作，但不一定會寫 SOP。 那怎麼辦？ 先跟 AI 把工作做一次。 例如： 1234567891011討論需求↓修改課程架構↓調整簡報↓發現問題↓修正↓得到滿意結果 做到最後直接告訴 Agent： 1234567891011分析我們剛才完整的工作流程。找出：1. 固定步驟2. 判斷規則3. 必要輸入4. 常見錯誤5. 成功輸出格式6. 可以重複使用的參考資料把這套成功流程整理成 Agent Skill。 這件事情我會叫： Workflow Distillation工作流蒸餾。 它其實非常符合現在 Vibe Coding 的工作方式。 方法四：Record & Replay這種比較像： 「不要聽我解釋，看我做一次。」 例如： 123456登入網站→ 建立活動→ 填寫表單→ 上傳圖片→ 設定時間→ 發布 Agent 透過： Browser Use Computer Use RPA 學會操作順序。 這類 Skill 未來會跟 GUI Agent 高度整合。 方法五：Decision Distillation這比 Record & Replay 更進階。 不是觀察： 「你按哪個按鈕？」 而是觀察： 「你為什麼做這個決定？」 例如蒐集一位資深講師過去的： 12345650 個課程案例20 次退件30 次修改報價課綱學員反應 再抽出： 1234什麼情況用 A什麼情況不用 B什麼情況必須詢問什麼情況可以直接決定 這就從： 操作自動化 進化到： 決策經驗數位化。 八、其實這 5 種方法可以再濃縮成三類我後來發現，它們本質上就是： 1234567891011第一種我知道怎麼做→ 寫成 Skill第二種我已經做成功→ 把成功流程蒸餾成 Skill第三種觀察專家怎麼做→ 推導成 Skill 也就是： 123WriteDistillObserve 這樣一來 Skill 就不只是 AI 工程師的東西。 任何專業工作者都可以做。 九、Skill 跟 GPTs / Gems 有什麼不同？直播裡用了一個很好懂的方式，把 GPTs / Gems 理解成預設 Prompt，而 Skill 是完整工作流程。 這樣入門非常好懂。 不過如果要更精確，我會稍微補充。 GPT / Gem 比較像： 「一個已經設定好的 AI 助手」裡面可以包含： Instructions Knowledge Tools Persona 對話設定 Skill 比較像： 「這個 AI 助手可以學會的能力模組」例如： 123456789一個 Agent可以同時會：researchpresentationbrand-designcourse-designdata-analysis 所以我自己會用更簡單的方式教： GPT 比較像員工。 Skill 比較像員工會的技能。 而且 Skill 更強調： 模組化、可組合、可攜與按需載入。 目前 OpenAI 已支援 Agent Skills 開放格式，官方也把 SKILL.md 定義成可移植、可分享、可版本管理的工作流程格式。 十、Skill 最大的問題：不是越多越好這也是我最近特別有感的事情。 GitHub 現在 Skill 越來越多。 我前陣子也研究過一次： 146 個免費 Agent Skills。 第一反應很容易是： 全部裝！ 但是其實這不一定是好事。 例如你裝： 123456presentation-designpptx-designbeautiful-slidesproduct-designslide-makerpresentation-pro 每一個 Description 都寫： 做簡報時使用。 那 Agent 到底選哪個？ 這會產生： Trigger Collision所以一個 Skill 最容易被低估的欄位其實不是 Instructions。 而是： 1description: 因為它其實也是： RouterAgent Skills 官方規格明確要求 description 不只寫 Skill 做什麼，還應寫出「什麼情況使用」。OpenAI 也指出 Agent 主要根據 Skill 的 name 與 description 判斷是否需要呼叫。 例如不要寫： 1description: Helps create presentations. 而是： 1234description: > Converts a completed Slide Manifest into a structured presentation. Use only after the course outline and Slide Manifest have been approved. 這就清楚很多。 十一、Skill 有自己的極限看完直播後，我把 Skill 的極限整理成七個。 1. Model CeilingSkill 不會讓能力差的模型突然變成頂級模型。 它只能讓模型： 更了解怎麼使用既有能力。 2. Tool Ceiling沒有 Browser： 就不能瀏覽網站。 沒有 CLI： 就不能執行 Terminal。 3. Permission Ceiling有 Gmail Tool： 不代表有你的 Gmail 權限。 4. Context CeilingSkill 太長、太多： 還是可能造成 Context 干擾。 5. Knowledge CeilingSkill 不會自動擁有你的專業經驗。 你沒有把經驗整理進去： 它就不知道。 6. Environment Ceiling同一個 Skill 放到： 12345CodexClaude CodeChatGPTCursorComputer Use Agent 可以執行的內容未必完全相同。 因為環境能力不同。 7. Security Ceiling尤其外部 Skill 要非常小心。 因為 scripts/ 可能做： 123456執行 Bash下載程式讀 Environment Variable存取檔案呼叫外部 API刪除資料 OpenAI 現在也特別提醒，使用外部 Skills 前應檢查 Skill 與其支援檔案，尤其具有網路或 Shell 權限時，可能產生提示注入或資料外洩風險。 十二、模型越強，Skill 反而應該越薄這是一個很有趣的現象。 以前模型比較弱，我們寫： 12345第一步做什麼第二步想什麼第三步不要忘記什麼第四步怎麼判斷第五步…… 寫 300 條。 但模型越強之後： 很多事情其實它自己已經知道。 OpenAI 在 2026 年 9 月甚至特別發文提醒，新的模型能力提升後，要重新檢查累積已久的 Skill、AGENTS.md 與 Prompt，因為過度 scaffolding 可能造成 Context 膨脹與不必要限制。 所以未來好的 Skill 可能反而更像： 12345678910111213GoalInputsConstraintsDecision boundariesResourcesOutputQuality checks 而不是： 12345滑鼠往右 10px↓按一下↓等待 這很像管理人。 員工能力越強： 管理者越不應該 Micro Management。 十三、我自己認為真正的 Skill 成熟度，可以分成 8 層整理完直播內容後，我自己建立了一個 Skill 成熟度模型。 123456789101112131415161718192021222324252627282930313233343536373839404142434445Level 0Prompt這一次怎麼做？↓Level 1Template照這個格式做↓Level 2Workflow照這個流程做↓Level 3Skill以後遇到這類工作都這樣做↓Level 4Skill Library有很多能力可以選↓Level 5Agent自己判斷使用什麼 Skill 與 Tool↓Level 6Multi-Agent不同 Agent 分工合作↓Level 7AI Organization形成完整數位組織 我覺得這套分類也很好跟之前談過的： RPA Level 1～5 放在一起。 因為兩者其實描述兩個不同維度。 1234567Automation Level=AI 自己能做多少Skill Level=我們把多少工作知識交給 AI 十四、最終一定會走向 Multi-Agent直播最後談到： 1234校長 Agent教務 Agent學務 Agent總務 Agent 不同 Agent 各自帶著自己的 Skill。 表面是在講 Multi-Agent。 但我反而覺得真正的問題是： Organization Design因為你要回答： 12345678910111213誰負責什麼？誰能讀什麼資料？誰能修改資料？誰可以批准？什麼事情需要升級？工作完成交給誰？出錯誰負責處理？ 也就是企業本來就在做的： 123456角色權限SOPRACI流程組織架構 所以未來 Multi-Agent 最大的問題可能根本不是： 「我要用 GPT 還是 Claude？」 而是： 「這份工作到底怎麼拆？」 這才是 Skill 往下一層走真正困難的地方。 十五、看完這場直播，我決定不要再只是收藏 Skill這就是整場直播對我自己最大的啟發。 最近我一直在研究： Codex Claude Code Agent Harness MCP Presentation Skill Product Design Slide Manifest Video Skill GSAP Skill 各種 GitHub Skill 如果一直照現在的方式，很容易變成： 12345收藏 50 個↓收藏 100 個↓收藏 500 個 結果： 真正屬於自己的工作方法沒有留下來。 所以我接下來比較想做的是： 「享哥 Skill Library」把這幾年真正累積的工作流程，一個一個數位化。 十六、享哥 Skill Library 不應該按照工具分類我不打算這樣分： 1234Gemini SkillClaude SkillCodex SkillChatGPT Skill 因為工具會換。 今年 Claude 強。 半年後可能 Codex 強。 再半年又有新東西。 真正不容易過時的是： 工作場景。所以我的 Skill Library 應該按照： 1我要完成什麼工作？ 來分類。 十七、第一版「享哥 Skill Library」我目前會先規劃下面這些。 1234567891011121314151617181920212223xiang-skill-library/├── course-intake/│├── course-design/│├── slide-manifest/│├── presentation/│├── student-handout/│├── social-article/│├── social-visual/│├── video-script/│├── course-review/│├── workflow-distiller/│└── skill-security-review/ 01｜course-intake用途： 收到邀課需求之後，先判斷資訊是否足夠。 輸入： 12345678910單位對象程度人數時數主題場地裝置AI 帳號預期成果 輸出： 12345已知條件缺少條件限制風險推薦課程方向 02｜course-design用途： 123需求↓完整課程架構 包含： 定位 學習目標 單元 時數 工具 實作 成果 前置能力 03｜slide-manifest這個是我最近特別重要的一個 Skill。 以前常遇到： 課程大綱跟最後 PPT 不一致。 所以現在增加中間層： 12345Course Outline↓Slide Manifest↓Presentation Slide Manifest 應記錄： 123456789slide_idtitlepurposekey_messagecontentvisualdemoexercisespeaker_notes 讓後續所有教材都吃同一份「簡報真相來源」。 04｜presentation輸入： 1Slide Manifest 輸出： 1PPTX 同時加入： 我的簡報 DNA 字體 圖文比例 圖像風格 排版 ImageGen 規則 Speaker Notes 這樣就不需要每次重新解釋： 「我喜歡什麼簡報。」 05｜student-handout把： 123課程內容↓Notion / Word 講義 並且保留： 123456提示詞變數實作注意事項摺疊區延伸練習 06｜social-article把： 12345研究課程實驗工具心得 轉換成我的部落格與社群文章。 裡面可以慢慢累積： 12345我的語氣文章結構用詞不要使用的 AI 味CTA 07｜social-visual輸入： 1文章 判斷： 1234567主視覺概念標題畫面構圖人物場景色彩ImageGen Prompt 08｜video-script把文章轉： 1234567891011Hook↓30–90 秒腳本↓分鏡↓旁白↓字幕↓影像提示詞 09｜course-review這個我覺得會非常重要。 每次教材完成後： 不要直接交件。 由另一個 Skill 做： 1對抗式 Review 檢查： 時數合理嗎？ 新手做得完嗎？ 工具有沒有過時？ 提示詞太長嗎？ 實作真的能執行嗎？ Slide Manifest 跟 PPT 一致嗎？ 講義跟簡報一致嗎？ 10｜workflow-distiller我覺得這會變成整套系統裡最重要的一個 Skill。 它的工作不是直接處理業務。 而是： 幫我製造 Skill。流程： 12345678910111213141516171819讀完整對話↓找成功工作流程↓找重複步驟↓找判斷規則↓找 Input / Output↓找 Edge Cases↓建立 SKILL.md↓建立 references↓建立 assets↓建立測試 也就是： Skill Factory。 11｜skill-security-review這是我另外會加的。 任何 GitHub 下載下來的 Skill： 先不要直接安裝。 全部先過： 1skill-security-review 檢查： 12345678910SKILL.mdscripts/外部網址ShellNetworkEnvironment Variables檔案讀寫刪除命令依賴套件Prompt Injection 這會是未來 Skill 越來越普及之後，很實際的一個需求。 十八、實際開始：不要一次做 20 個 Skill我反而建議： 從一個最常重複的工作開始。對我而言，第一個很可能就是： 1course-design 十九、第一步：先找一個「已經成功過」的案例不要幻想 SOP。 直接找： 「我上一次做得很好的課程。」 把： 123456邀課需求對話課綱修改紀錄簡報學員實作 全部交給 Agent。 然後問： 123456789101112131415161718分析這個專案。不要只摘要內容。請逆向分析我實際採用的工作方法，包括：1. 任務輸入2. 固定工作步驟3. 決策點4. 我做過哪些修改5. 哪些判斷可以一般化6. 哪些只是這次案例特殊條件7. 最終輸出格式8. 常見錯誤9. 哪些內容適合放 SKILL.md10. 哪些內容應拆到 references / assets / scripts目標是把我的工作方法整理成可重複使用的 Agent Skill。 二十、第二步：請 Skill Creator 建立 Skill在 Codex 可以直接： 1$skill-creator 然後： 12345678910111213141516171819202122Create a skill named course-design.Goal:Turn training requirements into a practical AI course structure.The skill must:- identify missing requirements- classify learner skill level- determine realistic scope from course duration- prioritize hands-on exercises- avoid overloading beginners- generate structured course modules- include tool requirements- include learner outputsUse the attached successful course projects as reference examples.Separate:- workflow into SKILL.md- detailed teaching heuristics into references/- reusable course templates into assets/ 二十一、我會讓 SKILL.md 長這樣1234567891011121314151617181920212223242526272829303132333435363738394041424344454647484950515253545556575859---name: course-designdescription: > Designs practical AI training courses from client requirements. Use when planning a new workshop, corporate training session, or revising an existing course structure.---# GoalConvert training requirements into a realistic,hands-on course structure.# Required Inputs- audience- learner level- duration- number of learners- available devices- tool/account restrictions- expected outcome# Workflow1. Parse requirements.2. Identify missing information.3. Classify learner level.4. Define realistic learning outcomes.5. Divide the course into modules.6. Assign duration.7. Design hands-on exercises.8. Verify total duration.9. Produce final course outline.# Decision RulesIf learners are beginners:- reduce tool switching- prioritize one successful workflowIf duration <= 3 hours:- do not design a full multi-agent projectIf learner count > 50:- avoid exercises requiring individual account configuration# OutputReturn:- course positioning- audience- prerequisites- learning outcomes- module table- hands-on exercises- required tools- risks 你會發現： 真正好的 Skill 不一定要很長。 二十二、把詳細經驗拆出去例如： 1234567891011121314151617course-design/├── SKILL.md├── references/│ ├── beginner-course.md│ ├── corporate-training.md│ ├── course-duration-rules.md│ └── exercise-design.md├── assets/│ ├── course-outline-template.md│ └── course-intake-form.md└── examples/ ├── admin-course.md └── marketing-course.md 當課程是行政人員： 才讀： 1corporate-training.md 當課程是新手： 才讀： 1beginner-course.md 這就是 Progressive Disclosure。 二十三、第三步：一定要測試「什麼時候不該啟動」很多人測 Skill 只測： 「它會不會啟動？」 其實還要測： 「它會不會亂啟動？」 例如 course-design： 應該啟動： 1幫我規劃一堂 6 小時 Codex 課程 應該啟動： 1這堂 AI 課只有 3 小時，怎麼調整？ 不應啟動： 1幫我查明天天氣 不應啟動： 1幫我修這段 JavaScript 這就是： Skill Routing Test。 二十四、Skill 不是做好就結束，而是要做 Evals這也是我認為下一階段很重要的觀念。 OpenAI 已經專門提出： Testing Agent Skills Systematically with Evals因為只靠感覺： 「好像 V2 比 V1 好。」 是不夠的。 應該建立固定測試題。 例如： 1234510 個應該啟動10 個不應該啟動10 個正常案例5 個極端案例5 個資料不完整案例 測： 1234567Trigger AccuracyWorkflow AccuracyOutput CompletenessError Handling OpenAI 官方現在也建議用 Evals 系統化測試 Skill 是否正確觸發、是否漏步驟，以及不同版本是否發生 Regression。 二十五、Skill 也應該像軟體一樣 Versioning例如： 12course-designv1.0 使用一段時間後發現： 人數超過 50 人的實作常失敗。 加入規則。 變成： 1v1.1 後來又發現： Windows / Mac 混合班不能設計太多 OS-specific 操作。 再加入： 1v1.2 久了之後： Skill 就變成： 我的數位工作經驗。 二十六、這其實才是 AI 時代真正的個人資產模型會換。 Prompt 會過時。 工具會消失。 今天： 1Claude 明天： 1Codex 後天： 又有新的 Agent。 但是： 12345678910111213我怎麼設計課程我怎麼判斷學員程度我怎麼做簡報我怎麼設計實作我怎麼 Review 教材我怎麼寫文章我怎麼做影片 這些東西： 才是真正屬於自己的。 而 Skill 做的事情，就是： 把 Human Skill 變成可以被 AI 使用的 Digital Asset。 二十七、我現在會把整個發展路線理解成這樣123456789101112131415Prompt↓Template↓Workflow↓Skill↓Skill Library↓Agent↓Multi-Agent↓AI Organization 以前大家問： 「Prompt 要怎麼寫？」 接下來可能會開始問： 「你的 Skill Library 裡面有什麼？」 再下一階段可能變成： 「你的 AI Organization 有哪些角色與能力？」 我覺得這才是 Agent 時代真正開始有趣的地方。 二十八、我的下一步：不是再找更多 Skill，而是開始蒸餾自己的工作看完吳奇老師這場直播之後，我最大的改變是： 以前看到： 146 個免費 Skill 我的第一反應可能是： 趕快下載。 現在我的第一個問題會變成： 「這個 Skill 能不能補我的工作流程？」 如果不能： 其實沒有必要裝。 真正值得做的反而是： 每完成一個重要專案，就問一次： 1這次有哪些做法值得留下來？ 然後： 1234567891011Project↓Experience↓Workflow↓Distillation↓Skill↓Skill Library 如果一年做 100 個專案： 不需要留下 100 個 Skill。 但也許可以留下： 20 個真正代表自己工作方法的高品質 Skill。 那個東西的價值，很可能遠高於收藏 1,000 個別人的 Skill。 最後如果要我用三句話總結這次學到的內容： 第一句： MCP 給 Agent 工具，Skill 教 Agent 怎麼工作。 第二句： Skill 最有價值的地方，不是把 Prompt 存起來，而是把人的工作流程與判斷經驗保存下來。 第三句： 真正值得建立的，不是全世界最大的 Skill 收藏庫，而是最了解自己工作的 Skill Library。 所以我接下來真正想做的事情，就是： 享哥 Skill Library不是一次做完。 而是一個專案、一個流程、一個判斷慢慢累積。 最終把： 1234567我的課程我的簡報我的文章我的影片我的 Vibe Coding我的自動化我的顧問經驗 逐漸變成一組 AI 可以真正理解、呼叫、組合與執行的能力。 我覺得這才是 Skill 時代真正值得玩的地方。 延伸閱讀與參考資料1. 本文主要學習來源「數位敘事力期刊」直播講座，吳奇老師主講： 《Agent skill：為何需要 skill？與 skill 的極限》 YouTube 直播影片 2. OpenAI Academy｜Using Skills適合第一次理解 Skill。 OpenAI 把 Skill 定義成可以重複使用、分享的工作流程。 OpenAI Academy：Using skills 3. OpenAI API｜Skills比較技術面的官方規格，包括： SKILL.md references scripts assets Skills API Agent Sandbox Skill Discovery OpenAI Developers：Skills 4. OpenAI｜Build Skills想使用 Codex 建立 Skill，這篇非常值得看。 包含： 1$skill-creator 以及 Skill 如何搭配 MCP。 OpenAI Developers：Build skills 5. OpenAI｜Testing Agent Skills Systematically with EvalsSkill 做好之後不要只靠感覺測試。 這篇專門講： 123Skill EvalsTrigger TestingRegression Testing OpenAI Developers：Testing Agent Skills Systematically with Evals 6. OpenAI｜Rethinking skills and prompts模型能力變強之後，Skill 不一定要越寫越長。 這篇很適合理解為什麼 Skill 也需要定期「瘦身」。 OpenAI Developers：Rethinking skills and prompts for GPT-6 Astra 7. Anthropic｜Agent SkillsAnthropic 對 Agent Skills 的完整概念說明。 包含： Skill 架構 Progressive Disclosure VM Scripts References Skill Trigger Anthropic：Agent Skills 官方文件 8. Anthropic Engineering｜Equipping agents for the real world with Agent Skills想理解 Progressive Disclosure，非常推薦這篇。 Anthropic Engineering：Equipping agents for the real world with Agent Skills 9. Agent Skills Open Standard如果你要自己開發 Skill，非常建議直接收藏規格。 目前核心格式就是： 12345skill-name/├── SKILL.md├── scripts/├── references/└── assets/ Agent Skills Specification 10. Agent Skills GitHub開放規格、文件與相關開源內容。 Agent Skills GitHub 11. OpenAI Developers｜Skills 與 MCPOpenAI 對 Skills 與 MCP Server 分工的說明，可對照本文第三節。 OpenAI Developers：Skills 給自己的提醒以後再看到新的 Skill，不要第一時間問： 「我要不要安裝？」 先問： 「它解決的是我的哪一個工作流程？」 而每一次自己把一件事情做到滿意之後，也不要直接關掉對話。 最後多問 Agent 一句： 「把我們這次成功的流程蒸餾成一個 Skill。」 長期累積下來，那才會真正變成自己的 AI 能力庫。 常見問答 (FAQ)Q1：MCP 和 Agent Skill 的差別是什麼？MCP Server 提供 Agent 可使用的即時資料、工具、授權與受控動作；Skill 則描述完成一類工作的步驟、工具使用順序、判斷點與輸出要求。簡單記法是 MCP 提供能力，Skill 說明如何把能力用在工作流程裡。 Q2：建立自己的 Skill Library，第一步應該做什麼？先挑一個經常重複、而且已有成功案例的工作。整理它的輸入資料、固定步驟、決策規則、常見例外與成功輸出，再把穩定流程寫成一個 Skill；細節資料則視需要拆到 references/、assets/ 或 scripts/。 Q3：Skill 是不是越多越好？不是。從一個常見工作開始，確認它確實能減少重複說明或提升流程一致性，再逐步擴充。Skill 數量增加時，也要檢查描述是否重疊、觸發時機是否清楚，並用代表性案例測試它該啟動與不該啟動的情境。 Q4：使用外部 Skill 前需要檢查什麼？先閱讀 SKILL.md 和支援檔案，特別檢查 scripts/、依賴套件、網路請求、檔案讀寫、環境變數及刪除操作。只有在了解它會執行什麼、存取哪些資料與權限後，才決定是否使用。
