模型能力正以数月为尺度快速移动，默认行为的不断演进，决定了任何一条 Skill 都不可能被一次性证明永久有效。 昨天仍能改善行为的规则，今天可能已经成为 No-op；昨天必须明确编排的过程，明天也可能妨碍模型发挥新获得的能力。
因此，Skill 的价值不取决于一条规则是否正确，而取决于它相对于当前模型的默认行为是否仍有行为增量。
"修改代码后运行测试" 是一条正确的工程原则，但如果当前 Agent 已经会稳定地选择相关测试、运行测试，并根据失败结果继续修复，那么把这条原则再写进 Skill 的意义就会丧失。反过来，模型即使已经知道如何全面探索，高风险项目仍然可以通过 Skill 要求它覆盖全部调用方 ------ 这不是补偿模型能力，而是在编码当前环境愿意为确定性支付的成本。
判断行为增量，首先需要知道一条 Skill 究竟为什么存在。problems.md 为此提供 Anchor ：它只记录目标 Skill 必须解决的真实可观察问题。problems.md 说明为什么需要 Skill，却不能证明 Skill 仍然有效。低风险 Skill 可以只保留少量复现案例；高频、高风险或包含不可逆操作的 Skill 则需要更正式的评测和确定性校验。无论采用哪种规模，最关键的是比较默认行为与加载 Skill 后的行为：问题是否仍然存在，Skill 是否使它明显减少，以及是否带来了新的副作用。
以本文配套的 write-skill 为例，它的 problems.md 不需要为每个问题填写复杂模板，只需明确记录它要纠正的长期行为：
md
## 问题
1. 编辑 Skill 时缺少问题锚点，说不清 Skill 为什么存在，也没有该改、该删的判断标准。
2. LLM 容易把用户原话或单次 Case 直接写进 Skill，没有将其抽象成长期问题，导致规则过拟合并持续膨胀。
3. LLM 倾向于输出和保留过多内容，容易堆叠 No-op、冲突约束、旧迁移痕迹和低频 Reference。默认情况下，一两句话说明坏行为就足够。只有当问题依赖特定 Branch、容易与其他失败混淆，或者需要转化为回归测试时，才补充复现条件和可观察证据。问题描述的目标不是形式完整，而是让维护者能够判断：它现在是否仍然存在。
有了 Anchor，修改才从 "感觉这句话有用" 变成一个可以验证的假设：
为了解决这个长期问题，最少需要改变什么？
答案可能是修改现有契约，也可能是删除遮蔽关键行为的内容。只有现有结构确实无法表达新的行为边界时，才增加规则。至于应该修改 Description、Pointer、正文还是底层工具，属于已经讨论过的结构决策，这里不再重复。
验证之后进入 write-skill 的最后一步：Prune。前面已经讨论了 No-op、重复、沉积和单一真相来源；从生命周期角度，只需再增加一条判断：
一条规则即使过去通过了 No-op 测试，也不代表它今天仍能通过。
当模型、工具或运行环境发生明显变化时，应重新思考 problems.md 中的问题，如果部分问题消失，就删除对应规则；如果整条 Skill 已经无法证明行为增量，就将它归档。归档不是失败，而是说明模型、工具或底层工程已经吸收了这副脚手架原本承担的功能。
综上，一条 Skill 的生命周期可以概括为：
- 观察并确认长期问题；
- 用
problems.md锚定 Skill 的存在理由； - 建立解决问题的最小契约；
- 比较默认行为与加载 Skill 后的行为；
- 持续删除失去行为增量的规则；
- 问题消失后，删除规则或归档 Skill。
Skill 不该保存我们对理想 Agent 的全部想象，而应锚定当前 Agent 在缺少约束时会稳定出现的重要问题。
写不出 problems.md 中的第一个长期问题，就不要创建 SKILL.md；无法证明删除某条规则会让行为变差，就应认真考虑删掉它。
开源实现：write-skill
不会被模型内化的部分：私有约定
并非所有 Skill 都会随着模型变强而失去价值。模型能够内化公开知识和通用策略，却无法推断从未进入训练数据或当前上下文的私有约定。这不是能力问题，而是信息问题：没有提供给模型的事实，对这一轮 Agent 就不存在。
例如，一个私人研究笔记库可能规定：根目录保持扁平，文件名统一使用 Title Case，笔记通过 [[wikilinks]] 关联，并由 * Index.md 聚合同类内容。这些约定没有普遍最优解，模型也无法凭推理知道当前库恰好采用这一套组织方式。
缺少相应 Skill 时，Agent 通常只有两种选择：要么沿用自己的默认习惯，建立子目录、采用其他命名格式，结果直接违反约定；要么先遍历现有文件，花费额外的工具调用和 Token 推断局部规律。一条错，一条贵。 一份简洁的 Skill 可以同时避开两者。
这类 Skill 的作用不是教模型 "如何思考"，而是提供它无法自行获得的环境证据：输入在哪里、采用什么格式、内容写到哪里，以及哪些约定必须保持。它的寿命不取决于模型能力，而取决于私有约定本身；只要约定仍然存在，行为差值就不会因为模型升级而自然消失。
因此，Skill 的退出条件不是简单的 "模型变强了"，而是它所提供的行为增量已经消失。能力补偿型 Skill 可能被后训练吸收；记录私有格式、项目口径和组织契约的 Skill，则会与这些约定保持相同的生命周期。