【硬核】把经验装进Skills的正确姿势：我的3轮踩坑实录

【硬核】把经验装进Skills的正确姿势：我的3轮踩坑实录

很多人说Claude Code 只会写代码，其实根本不是这样

它也能Chat问答、写作、数据分析、读写Obsidian笔记，甚至还能批量处理你的20,000条知识库。

更重要的是，它是系统级Agent，权限很大。只要是电脑能完成的任务，它基本都可以完成，只需要一句大白话指令即可。

这是我跑了9个月，处理了20,000条笔记之后，发现的真相。

但这里面一直有一个绕不开的话题，之前没有单独展开说。

那就是：怎么把你的知识沉淀逻辑，真正装进Claude Code里，让它输出的内容不只是"看起来能用"，而是"真的能复用"。

很多人会有一个很自然的疑问：AI已经这么强了，为什么还要强调"把自己的经验喂给它"？这听起来好像有点自以为是。

其实不是。

更准确地说，你不是在教AI变聪明，而是在给它一个边界、一个约束、一个参考。你是在告诉它，什么才叫符合你的知识管理现实，什么才叫符合你的沉淀标准，什么才是你真正想要的输出结果。

否则，它当然也能给你答案，而且往往还会给得很完整、很漂亮。但问题是，那些内容未必属于你，未必适合你的知识库，甚至可能只是"高大上"，却和实际沉淀没什么关系。

这篇文章，就是想聊这件事。

为什么我会开始折腾这个问题

拿一个很真实的场景来说。

作为一个被信息焦虑逼出来的人，我的Obsidian知识库里躺着20,000条笔记。这个数字听起来很唬人，但现实是：90%的笔记，从未被复用过一次。

每个月少则要新增300条笔记，多的时候可能有500条。每次整理，少则1小时，多则一整天。它既重复，又高频，还特别内耗。

你如果不认真管理，只是给笔记打个标签，比如"AI工具"，下次搜索时你会发现：这个标签下有800条笔记，根本找不到想要的。

可你如果认真去做，又会很快陷入另一个现实：费了不少时间整理，最终真正能在创作时被调用的笔记，可能连5%都不到。

这就是一个特别典型、也特别适合用Claude Code去解决的问题。

但真正开始写的时候，很快就会发现，事情没那么简单。一个看起来"很明确"的需求，要做成一个稳定可用的Skill，背后其实很讲究。不是把需求描述给AI，就能自然得到一个符合预期的结果。

我前后调了50多个版本，写废过一个Skill，又拿100个完全不同的真实笔记反复验证，才慢慢调出一个能真正投入工作的版本。

回过头来看，真正决定结果的，不是提示词写得多长，而是你有没有把自己的知识沉淀方法论讲清楚。

这也是这篇文章的由来。想把这个过程完整分享给你，或许能帮你少走一点弯路。

第一轮调试：一个AI工作流干太多事

最开始调试的时候，我其实犯了一个很常见的错：希望一个AI工作流一次性把所有问题都解决。

我当时的想法很直接。输入一条碎片笔记，让它同时完成分类、打标签、关联相关笔记、生成内容、再顺便发到各个平台。听起来很合理，甚至还有点"一步到位"的味道。

结果也确实能出东西。它会给我3到5个分类建议，每个分类后面还附带一份关联笔记列表。

但真正一看，就发现问题很明显。

第一个问题，是分类结果偏差非常大。原本经验判断应该属于"AI编程"的笔记，它给出来的方案一可能是"生活记录"，方案二甚至能到"读书笔记"。表面上看是在"多方案分析"，实际上是分类基准已经飘了。

第二个问题，是拆得太细，而且太机械。它会把很多笔记内部的元数据直接摊出来，比如创建时间、文件名之类。这样的结果拿去创作，未必能帮助生成有效内容，反而更容易把知识库带偏。

后来再回头看，这一轮失败几乎是必然的。因为我实际上是在让一个工作流同时承担"知识管理"和"内容创作"两种不同职责。一个偏收敛，一个偏发散，本来就不该混在一起。

第二轮调试：拆开职责，但只给规则，不给逻辑

第一轮结果不符合预期之后，我开始拆分职责。

说到底，问题有两个。一个是不符合AI工作流的设计常识，也就是一个模块最好只做一件事。另一个更关键，是我虽然给了很多规则，却没有把背后的沉淀逻辑讲给它。

于是第二轮，我把它拆成了至少两个Skill。一个负责知识管理，一个专门负责内容创作。

这次，我把约束加得很强，也明确告诉它一些经验判断。比如笔记90天内被引用≥3次才算有效，比如每个主题下笔记密度保持在20-50条之间，比如简单标签1个，复杂标签不超过3个。

然后，我拿一条真实笔记去测它：

整理知识库：这条笔记是关于"Claude Code处理Obsidian标签"的，背景是目前系统已有两种处理方式，一种是手动打标签，一种是通过Python脚本自动提取关键词，但还不支持根据语义关联自动推荐标签。

本来以为这次会比第一轮好，结果反而有点弄巧成拙。

同一条经验判断应该属于"AI编程"的笔记，它直接给我打上了"工具教程""代码片段""Obsidian"三个标签。而且它还特别"听话"，几乎完全照着我给的比例去套。标签看起来很规整，逻辑也似乎说得通，但结果明显不对。

那一刻我才真正意识到，只给比例、不给逻辑，问题会更大。因为它会非常认真地执行约束，却不一定真的理解你为什么这么约束。

你有没有过类似体验？你给一个新人很多规则，结果对方每条都记住了，但做出来的东西还是不对。问题不在执行力，而在于他没有建立判断框架。

AI也是一样的。

第三轮调试：给它经验，更要给它判断逻辑

前两轮调试之后，我慢慢发现了一个核心问题：

不是AI不够聪明，而是我对它有不切实际的期待。

我一开始太希望它像"肚子里的蛔虫"，既能自动读懂笔记，又能自己掌握拆解知识、管理标签的方法论。可现实是，这几乎等于你期待一个刚接触你知识库的新手，在不了解背景、不熟悉结构的情况下，直接产出一份完全符合你预期的结果。

哪怕这个工具再强大，也不现实。

所以第三轮，我索性推倒重来，从0到1重新写了一个全新的Skill，目标非常单一：只做知识管理的沉淀逻辑。

这一次，我不再一味加强硬约束，而是开始把真正的方法论告诉它。

最核心的，是下面这几件事。

第一，要遵循 "输入是碎片，输出是系统" 的原则。也就是说，在笔记没搞清楚来源之前，不能直接打标签；在关联没建立之前，也不能直接生成内容。必须先问清上下文，再确认知识网络，最后才输出。

第二，要有一套明确的拆解路径。我给它的是 "碎片→概念→主题→库→工作流" 这条链路，并补充了拆解原则。比如一个概念只做一件事、链路要闭环、不要为了拆而拆。

第三，要告诉它如何一步步拆。我把知识沉淀定义成一个 "五步法" ，按照收集、提炼、关联、复用、自动化的顺序逐层展开，而不是一上来就按标签拍脑袋分类。

第四，可以给经验，但不要给死。比如知识活度标准，90天内被引用≥3次才算有效。小主题20条笔记，中等主题50条，大主题不超过100条。 它们应该是参考系，而不是铁律。

这一次，我干脆单独新开了一个项目，从零开始重建，工具也从纯Python换成了 Claude Code+Obsidian+VS Code 的三件套，把这些拆解原则和方法论都明确写进去了。

结果比前两轮明显好很多，但还是没有一步到位。

同一条笔记输进去之后，它虽然开始更像回事了，可输出方式还是不符合我想要的工作习惯。它会按标签逐项分类，每个标签都给一整份说明，看上去很完整，但不够适合直接拿去创作。

于是，我又继续调。

第一次微调，重点是约束最终输出形式。把"自动生成"改成"AI辅助创作"，同时把输出逻辑改成按主题来组织。每一行对应一个知识主题，相关笔记聚合在同一格里，引用关系、创作建议、自动化脚本分别展示，最后一行再汇总知识密度。并且我特意补了一条：如果某个主题笔记很少，允许归类为"子主题"，不必强行独立。

第二次微调，是把内容创作和知识管理从"任务级"改成"主题级"协同。因为真实工作里，这两个模块通常没必要在每个小标签上都拆得那么细。创作更多是按主题复杂度判断，知识管理更多是按整体网络结构评估。

经过这两轮微调后，最终结果终于基本符合预期，也正式投入到实际工作里了。

我怎么判断这个Skill算"可用"了

真正决定一个AI工作流能不能进日常工作，标准其实没那么复杂。

对我来说，只有两个。

第一，知识管理颗粒度要合适。既不能粗到只剩一个总标签，也不能细到全是创作者看不懂的元数据。最理想的状态是：一个知识域拆成若干主题，一个主题下再拆若干概念。主题负责让创作者看懂，概念负责支撑细节。

第二，输出稳定性要符合经验和常识。如果同一个沉淀逻辑，我的经验判断是写出来需要1小时，那它给出的结果在上下20%波动都可以接受；但如果直接压缩到5分钟还保证不了质量，再漂亮的自动化也没有意义。

说到底，AI工作流不是替你"发明"知识管理方法论，而是帮你把已沉淀的经验稳定地复用出来。

最后，分享几个我觉得很重要的经验

写到这里，其实最想传达的不是"这个Skill我是怎么调出来的"，而是你如果也想写出一个真正能用的AI工作流，应该怎么想这件事。

首先，一个工作流模块只做一件事。

别贪心。知识收集是一个模块，提炼关联是一个模块，内容创作是一个模块，自动化发布也是一个模块。分得越清楚，越容易稳定。

其次，把每个工作流都当成一个很聪明、但刚入职的实习生。

它能力很强，执行也很快，但它不是你肚子里的蛔虫。你不给背景，它就只能猜；你不讲标准，它就只能按"通用理解"去做。

再进一步，把你的经验和方法论当成上下文告诉它。

AI学过很多知识，但不代表它天然知道你20,000条笔记的沉淀逻辑、你的判断标准。你完全可以直接把方法论讲给它，而不是期待它自己猜中。就像这次知识活度标准，本质上也不是"我原创"的，而是从500天运行数据里提炼出来，再明确写进Skill里的。

最后，工具和模型的选择，确实会影响结果。

免费工具当然可以上手，也足够你尝鲜，但如果你真的想把AI工作流当成生产力，而不是玩具，还是要接受一件事：好工具、好模型，确实会让你少走很多弯路。至少在当前阶段，Claude Code这样的系统级Agent，再搭配Obsidian这样的结构化工具，整体体验会更稳定。

写在最后

回头看，这一路最大的变化，不是我多会写提示词了，而是我终于开始接受一件事：

AI的价值，不只是替你干活，更是替你复用沉淀。

而复用这件事，不会凭空出现。它来自你的经验，来自你踩过的坑，来自你总结出来的方法论。你把这些东西讲清楚，AI工作流才可能真正长成"你的工作流"，而不是一个看起来很厉害、实际上谁都能替代的通用能力。

所以，如果你最近也在折腾Claude Code，不妨问自己一个问题：

你现在写的系统提示词，究竟只是任务说明，还是已经开始把自己的知识沉淀逻辑装进去了？

这两者的差别，往往决定了它最终是玩具，还是你的第二大脑。

很多人问我：阿木木，你的20,000条笔记沉淀逻辑，能不能复用？

我的答案是：可以，但前提是你得先把"沉淀逻辑"本身，装进AI的上下文里。

如果你也想把9个月踩过的坑、验证过的20,000条笔记沉淀逻辑，装进一个可复用的AI工作流里。

强烈建议，每一个想构建数字大脑的知识工作者，都应该把skills 用起来。

它不仅属于开发者，内容创作者、知识管理者、独立开发者、出海创业者等朋友，同样值得把它纳入日常工作流。

它比其他Chat工具更能解决你的实际问题，也比纯笔记工具更能实现自动化输出。

一旦你开始习惯用它管理知识，就会发现自己很难再回到只收藏不复用、只记录不连接的状态。

早点把它用起来，不是为了追热点。

而是为了提前适应——AI时代的数字大脑主权者。

扫码加入我的知识星球，获取：

• 20,000条笔记沉淀的Claude Code完整工作流模板
• 500天验证的系统提示词库
• 从3小时到10分钟的完整SOP
• 第一性原理拆解：为什么知识活度≥3次才能算有效