全网都在吹 Skills，但没人敢说这个真相：你的经验正在被"合法收割"
用过 Claude Opus 或者 GPT 这类顶级模型的人应该都有一个体感：让它写个函数、改个 bug、解释一段代码，表现确实很强，甚至比很多中级工程师都好。但是一旦你把问题的尺度放大，让它做一个真实业务系统的架构设计，比如设计一个高并发交易系统的整体分层、做一个复杂业务的领域建模、规划一个遗留系统的渐进式重构路径，它的表现就会断崖式下降。输出的东西看起来什么都沾一点，但全是教科书式的正确废话，缺乏真正在生产环境中摔过跤之后才会形成的那种判断力。
这个现象背后的原因其实很简单，但很少有人认真想过。AI 模型的能力来自训练数据，而互联网上公开的信息有一个巨大的结构性盲区：真正有价值的架构设计经验、系统演进的决策过程、踩坑之后的取舍逻辑，这些东西几乎从来不会被公开发表。你在技术博客上能看到的，要么是已经被抽象到失去细节的方法论，要么是某个具体技术组件的使用教程。但一个资深架构师之所以值钱，靠的不是他知道哪些设计模式，而是他在特定业务约束、团队能力、历史包袱、时间压力下，能做出一个”不完美但最合理”的判断。这种判断力来自大量不可言说的实践经验，来自无数次在真实项目中做错了选择之后积累的直觉。这些东西从来不会出现在 Stack Overflow 上，不会出现在任何论文里，甚至很多时候连公司内部的文档都不会写清楚。
换句话说，AI 在狭窄的、定义清晰的小问题上表现优异，恰恰是因为这些问题的解法在公开数据中大量存在。而它在架构设计层面表现差，也恰恰是因为这个领域最关键的知识根本就不在它的训练数据里。这不是模型能力不够，是数据本身有缺口。那些未公开的、沉淀在少数资深从业者脑子里的经验，才是这个行业真正的稀缺资源，也是 AI 目前最难逾越的护城河。
想清楚这一层之后，再回过头看最近 AI 圈爆火的 Skills，你会突然觉得事情没那么简单。
2025 年底 Anthropic 推出 Agent Skills，紧接着 OpenAI、微软、字节跳动纷纷跟进，整个行业都在鼓励用户把自己的工作流程、专业经验、执行步骤封装成标准化的 Skills 模块。表面上的叙事非常动听：你的经验可以复用了，你再也不用每次都从头教 AI 了，你的隐性知识变成了可流通的数字资产。Skills 商店里各种技能包琳琅满目，大家互相分享，效率飞升，皆大欢喜。
但如果你从 AI 公司的视角来看这件事，逻辑链条就完全不一样了。AI 巨头们比任何人都清楚自己模型的短板在哪里。它们花了数十亿美元训练出来的模型，在很多真正值钱的领域依然表现平庸，原因就是前面说的，核心经验不公开，训练数据里没有。这个问题靠扩大模型规模解决不了，靠爬更多网页也解决不了，因为这些知识本来就不在互联网上。
那怎么办？最聪明的办法就是让用户自己把这些经验交出来。
Skills 的设计简直就是为这个目的量身定做的。它用一个极低的门槛鼓励你把自己最核心的工作方法论、行业 know-how、业务判断逻辑写成结构化的文档。你以为你是在给自己建一个效率工具库，但你同时也在帮 AI 公司填补它们最急需的数据缺口。每一个 Skills 文件夹里的 SKILL.md，每一段你精心编写的执行步骤，每一个你反复迭代优化后的工作流，本质上都是此前从未公开过的高质量专业经验的结构化表达。这些东西对 AI 公司来说，价值远远超过互联网上随便爬来的一万篇技术博客。
更妙的是，Skills 商店和社区分享机制让这个过程变成了一种自发的、大规模的众包。你看到别人分享的 Skills 觉得有用，你也愿意分享自己的，社区的正反馈循环一旦建立起来，大量原本封锁在个人和企业内部的隐性知识就会以标准化格式源源不断地流入平台。AI 公司甚至不需要偷偷摸摸地去获取这些数据，用户会心甘情愿地、甚至带着成就感地主动上传。
这里面有一个更深层的不对称性值得注意。你封装一个 Skills，获得的是个人效率的线性提升。但 AI 公司把成千上万个用户贡献的 Skills 汇聚起来，获得的是模型能力的指数级增强。当这些来自各行各业真实从业者的专业经验被用于模型训练或微调之后，AI 在架构设计、商业决策、行业分析这些原来表现差的领域会突然变强。而到了那个时候，你原来靠这些独特经验建立起来的个人壁垒就被稀释了。你花了十年踩坑总结出来的东西，现在 AI 用几秒钟就能输出一个差不多的版本。你的 Skills 帮你提了一年的效，却帮 AI 公司提了十年的能。
再想远一点，这个逻辑不只是个人层面的问题。对于企业来说，风险可能更大。一家公司最核心的竞争力往往就是那些内部沉淀的 SOP、业务判断标准、决策流程，这些东西合在一起构成了组织的隐性知识壁垒。如果企业为了提效大规模使用 Skills，把这些核心流程都封装进去，那么这些信息就有可能通过平台被间接获取。即使 AI 公司的隐私政策声称不会使用用户数据进行训练，但在商业利益面前，数据边界的模糊性本身就是一个巨大的风险敞口。更何况，即使不直接用于训练，平台对用户 Skills 的聚合分析本身就能产出巨大的行业洞察价值。
所以如果我们把整件事的链条串起来，它看起来是这样的：AI 在高价值领域表现不好，因为缺乏非公开的实践经验数据。AI 公司推出 Skills 机制，用”个人效率提升”和”知识资产化”的叙事包装，降低用户分享核心经验的心理门槛。用户主动将隐性知识结构化并上传平台。AI 公司获得了原本无法获取的高质量训练数据。模型能力大幅增强，用户原有的经验壁垒被削平。最终 AI 公司成为最大的赢家，而贡献了核心经验的用户和企业却在不知不觉中交出了自己最值钱的东西。
这并不是说 Skills 本身是一个坏东西，它确实在短期内能帮助个人和团队大幅提效，这一点毫无疑问。但在享受便利的同时，每个人都应该清醒地意识到这个交换的本质：你用自己最稀缺的经验换来了效率，而 AI 公司用一个工具框架换走了你最稀缺的经验。在这场交易里，谁的收益更大，谁在为谁做嫁衣，值得每一个正在兴奋地封装自己 Skills 的人停下来想一想。
真正聪明的做法也许是，把 Skills 当作一个内部工具来用，封装自己的经验来提高自己的效率，但对分享和上传这件事保持足够的警惕。你最值钱的东西，不应该被一个精心设计的产品机制不知不觉地抽走。