最近 SKILL.md 概念很火，市面上涌现出了一批又一批 skills，但良莠不齐。想必针对总体的工作流、方法论，许多人已经找到了自己喜欢的 skill；但细化到每一个具体的应用场景，我们又是否能有耐心去翻找、筛选？
所以，总有许多 SKILL 是需要我们和 AI 协作的踩坑过程中去经历、积累、沉淀的。核心问题来了：
写什么？
那就跟 AI 说"从这轮对话中，你学到了什么？写一个 SKILL 总结一下。"看起来很简单啊？一旦这样顺理成章下来，SKILL 的质量就岌岌可危了。
SKILL 第一定律：说点 AI 不知道的
大模型每次会话都是一次重启。正如近期 DeepSeek 对自己知识截止日期到底几月都不太清楚，AI 在几轮资料查阅与修复过后，就忘记了自己"原本不知道什么"（"元认知"水平下降）。
它无法分辨哪些是自己信手拈来的常识，哪些是经过百般尝试才纠正过来的偏见，因而失去了对"认知死角"的强调。
简洁，不仅是为了节省 Token，更是为了聚拢模型的注意力。
我的一个解法是：
- 新开一个对话，把中途踩的坑用最小的需求重新解读一遍，要求 AI 在不读代码、不读文档的前提下，独立给出一个解决方案。
- 在下一轮会话中，赋予 AI 查询代码实现、查询库源码、查询网络资料的权限，让它比较自己实现的差距。
- 在交流之后，再让其拟定 SKILL 的草稿。
本质上，就是先"拓印"AI 流动的认知，提供对比参照的依据。
SKILL 第零定律：说点正确的
上面的第 2 步同时解决了另一个问题：有些 SKILL 之所以劣质，主要是因为它不尽正确。修完一个 bug 就总结，模型会死盯着之前实现的错误，默认当前实现（甚至包括中途不必要的弯路与屎山）为真理，从而导致生成的 SKILL 失之偏颇。
SKILL 的最佳使用依赖于这个信息"原本 AI 不知道"，我称之为"第一定律"；那么让 AI 先多方求证确保信息的正确性，以免此后"误 AI 子弟"，我则愿称之为"第零定律"。
总结：三段式回溯法
AI 对任何目标领域都并非一无所知，它不需要阅读一篇给人看的冗长的说明书。
它需要阅读的，是那些最关键、最容易出错的地方。
- 盲测：剥离上下文，测试 AI 的原生态认知。
- 纠偏：引入外部知识（文档、网络），建立正确基准。
- 提取：只保留对认知偏差的纠正，形成高信息密度的 SKILL。
对于这种构建思路，读者是否有不同的见解？欢迎在评论区交流。