把一个专家「Vibecode」成 AI Skill：从一篇公考软文反推可复制方法论

有人花一个月，把 10 位公考名师”装”进 AI，做成一套技能包，然后在公众号挂出来：评论区留言「公考上岸」、赞赏 6.66 元，私信发你配置文件。

这篇不教你怎么买，教你怎么自己做——而且大概率比花 6.66 元买到的那份更靠谱。

这篇深扒的对象，是杠杆笔记那篇《Vibecoding × 公考：我把十位考公大佬做成了 AI Skills》。

它写得很漂亮，痛点戳得准、效果演示得诱人。但它只卖结果、不讲方法——你看完只知道”这东西很神”，不知道”它到底怎么搭出来的”。

而”怎么搭出来”，恰恰是唯一有迁移价值的部分。把”公考名师”换成你领域里任何一个专家，这套流程原样成立。所以下面我做两件事：先一句话拆穿这篇软文在卖什么，再把它反推成一套你能照着做的方法论，每一步都落到真实的 Agent Skill 机制上。

一句话定性：这篇软文在卖什么

它卖的不是”技能包”，是信息差 + 焦虑。底层是一套很标准的知识付费打法：把一个本可自制的东西，包装成”我帮你踩完坑做好了”，用 6.66 元赞赏做轻量付费门槛、用评论区暗号做私域引流。

拆开看，这篇软文的结构是教科书级的：

前三段全是痛点：一个人备考、做错没人讲、写完没人看、报班几万块老师讲完就走。先把你按进情绪里。
中间给”两个物种”的对比：把它和粉笔、华图、ChatGPT 摆一起，制造”代差感”。
结尾收口很轻：不卖 199、不卖课，只要 6.66 元赞赏 +「公考上岸」暗号。低门槛 + 仪式感 + 私域沉淀，一套带走。

这不是说它是骗局——它确实做了东西，演示也大概率真实。但作为读者你要看清：你付的 6.66 元，买的是”别人替你做了、你懒得做”的便利费，不是什么独家技术。 这套东西的技术含量，看完这篇你就能自己复刻。

它的套路，拆成 6 步可复制流程

软文藏着一条完整的生产链，我把它显影出来，就是下面这 6 步。后面每一步都会展开，重点砸在软文跳过的第 4 步。

步骤	在干什么	软文怎么说的	真正的难点
1 选人选域	定蒸馏谁、蒸馏哪个板块	”十位顶级名师”	选”方法论清晰”的人，不是选名气
2 采料	收齐老师的讲义/视频/真题/思维导图	”系统搜集”	要的是”解题过程”，不是知识点堆砌
3 结构化	把会讲题的人压成可执行决策树	”提炼思考路径和解题节奏”	抽”遇到 X→走 Y→出 Z”，不是抄笔记
4 写进 SKILL.md	让 AI 像这位老师本人分步带题	”注入到 AI Skills 里”	软文完全没讲——本文重点
5 用法	行测分步推导、申论四维评分	两个演示场景	路由（选对老师）+ rubric（踩分点）
6 配进 Agent	导入或粘贴提示词	”30 秒搞定”	真正的工程在前 5 步，这步最简单

注意一个细节：软文把最难、最值钱的第 4 步用一句”注入到 AI Skills 里”带过去了。这正是它”只卖结果”的证据——也是这篇深扒要补的洞。

第 1 步：选人选域——先定”蒸馏谁、蒸馏哪一段”

软文说”十位顶级名师”，听着唬人，但名气不是筛选标准，方法论的”可结构化程度”才是。

有的老师讲题靠的是”我做多了的手感”，你很难把它写成步骤；有的老师天生就是”框架派”——题型分类清楚、每类有固定打法、还带口诀。后者才适合蒸馏。

实操建议：

一个板块只选 1 位主力老师，先做透一套，别贪十位（这也是软文自己列的”坑三”，下面会讲它为什么对）。
优先选”决策路径外显”的老师：资料分析、判断推理、图形推理这类有明确题型分类和固定步骤的，比”言语语感”这种隐性的好蒸馏得多。
把范围切小：不要”申论全包”，先做”申论小题归纳”一个点。范围越窄，蒸馏质量越高。

一句话：选人选的是”方法论的清晰度”，选域选的是”切口的锋利度”。模糊的大师 + 宽泛的领域 = 蒸馏出一锅粥。

第 2 步：采料——把老师的”输出”收齐

这步软文叫”系统搜集”，列了讲义、视频、经验帖、真题、思维导图。料是对的，但收料的目的容易搞错。

你要的不是”老师讲了哪些知识点”，而是”老师拿到一道题，脑子里走了哪几步”。所以采料时盯着”过程性内容”：

视频/直播课：最值钱，因为老师会边想边说——“我先看问法，问的是增长率，那我就……”。这种口头决策流，是讲义里没有的。用转写工具（whisper 一类）转成文字，重点标出”他做判断的那几句”。
真题 + 详细解析：一道题配老师的完整解题路径，这是决策树的”训练样本”。
讲义/思维导图：拿来抽”题型分类法”和”每类的标准动作”。
评分标准（申论尤其关键）：踩分点、四维评分细则——这是后面 rubric 的原料。

采料心法：囤”知识点”得到一本书，囤”决策过程”才得到一个老师。 大多数人卡在这——把笔记收得满满当当，却没收到一句”老师怎么做判断”。

第 3 步：结构化——把”会讲题的人”压成”可执行的决策树”

这是整套方法论真正的智力活：把老师的隐性经验，翻译成 AI 能一步步执行的决策树。

可以用统一的”四问”模板，套在任何一位专家身上：

入口——拿到题，第一眼看什么？（资料分析看问法关键词、判断推理看论点、申论看材料在说什么事）
收敛——怎么快速砍掉无关项、缩小范围？（锁定 2-3 个候选、判断是送分题还是难题）
决策——按什么优先级出手？（“加强先看搭桥，没有搭桥再看例证”这种口诀，就是优先级的人话版）
验收——怎么确认答案对？（代入检验、串联复核）

把一位老师的一个题型，拆成这四问，你就得到一棵可以喂给 AI 的决策树。形态长这样：

题型：资料分析 · 增长率比较
入口：问法出现"增长率最高/最低" → 进入本流程
收敛：列出各项的 增长量 / 基期值，无需精算
决策：化除为乘 / 分数比较法 → 直接比大小，不算具体数
验收：选项差距小（<5%）时才精算，否则估算定档
踩坑：别一上来就算具体百分比，浪费时间

注意：决策树写的是判断与流程，不是”答案”。这一步做扎实，第 4 步才有东西可写。

第 4 步：写进 SKILL.md——软文跳过的技术内核

软文一句”注入到 AI Skills 里”就糊弄过去了。但这步才是”它和普通 AI 是不是两个物种”的真正分水岭。下面讲透。

SKILL.md 到底是什么

一个 Agent Skill，本质就是一个文件夹，里面有一个 SKILL.md，可选地再带 references/（参考资料）、scripts/（脚本）、assets/（模板）几个子目录。

SKILL.md 是一个带 YAML frontmatter 的 Markdown 文件，长这样：

---
name: huasheng-ziliao-fenxi
description: 花生十三·资料分析速算法。当用户贴出一道资料分析题
  （问增长率/增长量/比重/倍数/平均数/年均增长），需要按花生十三的
  速算体系分步拆解时使用。
---

# 花生十三 · 资料分析速算

## 何时用我
看到"一段材料 + 百分数 + 问增长/比重/倍数" → 这是资料分析题，走本流程。

## 解题节奏（固定五步，不跳步）
1. 读问法定题型：先看问的是增长率、比重还是倍数……
2. 列式：写出标准公式，先不代数……
3. 选速算：按题型查 references/suanfa.md 选对应技巧……
4. 估算定档：先估范围排除选项，差距小再精算……
5. 验：代入检验 / 量级复核……

## 踩坑提示
- 别一上来就精算百分比，先估范围
- 注意"增长率"和"增长量"别看混

就这么朴素。没有魔法，全是写给模型看的、结构化的操作说明。

frontmatter：description 是整套系统的”路由器”

这是最被低估、却最关键的一行。

AI 平时不会把所有 Skill 的正文都读进脑子——它启动时只加载每个 Skill 的 name + description（几十个 token）。只有当你发来的问题和某个 description 对上了，它才会去读那个 Skill 的完整正文。

所以软文吹的”自动识别题型、匹配对应老师的 Skill”——真实实现就是 description 写得好。十位老师十个 Skill，每个 description 写清”什么题、什么场景用我”，AI 才能选对人。description 含糊，AI 就会选错老师，或者干脆不触发。

路由不是什么黑科技，就是十句话写得够不够准。这是做多老师技能包时，80% 的功夫该花的地方。

正文：写决策树，不写人设

新手最容易犯的错，是在正文里写”你现在是花生十三老师，请用他的风格答题”。

没用。 这种”人设咒语”通用 ChatGPT 也能做，效果飘忽。真正有效的，是把第 3 步那棵决策树，原样写成可执行的步骤流程——“遇到 X 题型 → 走第 1、2、3 步 → 每步具体做什么”。

AI 调用时拿到的不是一句人设，而是一条”输入 → 流程 → 输出”的确定路径。这就是为什么这类技能文件，单个老师往往有十几到二十几 KB——它装的是完整决策流程，不是一句口号。

references/：把讲义和题库”挂在外面”

讲义、真题库、评分细则这些大块头，不要全塞进 SKILL.md 正文，否则正文一旦被读取就撑爆上下文。正确做法是丢进 references/，在正文里用相对路径”按需指路”：

遇到"比重变化"类题，去读 references/bizhong.md 里花生十三的三种解法。

AI 只有真碰到比重题，才会去读那个文件。这套”用到才加载”的机制（叫渐进式披露 / progressive disclosure），是你能把海量名师资料塞进一个 Skill、又不让 AI”消化不良”的根本原因。软文说”跑了无数轮 Claude、烧了 API 费”，很大一部分成本就是把讲义和视频转写压成这种结构化的、可按需调取的参考文件。

scripts/：行测的算术，必须交给代码

这是软文绝口不提、却最该提的一点：大模型算术不可靠。 资料分析、数量关系里那些除法、增长率、年均增长，纯靠 AI 心算，它会一本正经地算错。

成熟的 Skill 会在 scripts/ 里放一个小脚本（比如 Python），把”计算”这件确定性的事交给代码，AI 只负责”列式”和”判断”。这一步做了没做，是”玩具技能包”和”能打的技能包”的分水岭——也恰好是花 6.66 元买来的那种”堆提示词”版本，最可能缺的东西。

第 5 步：用法——行测路由 + 申论四维 rubric

软文给了两个演示场景，对应两套机制：

行测（场景一）= 路由 + 决策树执行。 AI 先靠 description 路由到对的老师，再按正文的决策树一步步推导：题型识别 → 分步推导（不跳步）→ 踩坑提示 → 出一道变式题巩固。这套流程的质量，完全取决于第 3、4 步的决策树写得好不好。

申论（场景二）= rubric 评分。 这是技能包相对通用 AI 最实的增量。软文吐槽”你让 ChatGPT 批申论，它只会说’写得不错，继续加油’“——这话对，但原因不是 ChatGPT 蠢，而是你没给它评分表。

申论的命门就是一张 rubric（评分细则），把它写进 Skill：

小题：按关键词踩分。把”踩分点清单”列成表，让 AI 逐条核对答案命中了哪几个。
大作文：立意、结构、论据、表达四维，每维给评分档位和扣分理由。

有了这张表，AI 的反馈才”有标准”——它说你 28 分，是对着 rubric 一条条扣出来的，不是拍脑袋。但请记住：把同一张 rubric 贴给通用 ChatGPT，它也能这么批。 Skill 的价值是把这张表”固化 + 自动调用”，不是它独家拥有这张表。

第 6 步：配进 Agent

软文这步讲得最详细（导入 .md 或粘贴提示词），因为这步最简单——真正的工程量全在前 5 步。

值得提醒的反差：软文把 30 秒就能完成的最后一步讲得最细，把最难的第 4 步一笔带过。这正是软文的叙事策略——让你觉得”门槛很低、你做不来、不如花 6.66 买”。看完这篇你应该清楚：低的是配置门槛，高的是前面的蒸馏功夫，而那功夫你完全做得来。

三个坑，软文说了三个，我再补一个致命的

软文的”三个坑”其实给得不错，先快速认领，每个补一句它没说透的：

坑一·把 AI 当标准答案：对。AI 的解析是”按老师思路推理”出来的，不是阅卷组官方答案。尤其申论，不同老师角度不同，最终判断得你自己形成。
坑二·只问不练：“问懂了 = 会做了”是幻觉。铁律是先自己做、做完再问，让 AI 帮你定位卡点。
坑三·老师换来换去：每位老师是一套语言体系，混用会把自己绕晕。一个板块锁定一位、用透了再看别人。这条和第 1 步”一个板块只选一位”是一回事。

我再补一个软文打死不说的坑：

坑四·把”会拆题”当成”会算对”。 大模型能把解题流程讲得头头是道，却在最后一步算术上翻车——这在资料分析、数量关系里是高发区。如果这套 Skill 没有用 scripts/ 把计算交给代码（见第 4 步），那它给你的”分步推导”看着专业，结果可能是错的。这是花钱买来的技能包最隐蔽的雷。

客观点评：这套打法值多少、差距在哪、踩哪些线

真实价值（不黑）

rubric + 路由的工程化是真的有用：把”评分细则”和”题型→老师”的对应关系固化下来、自动调用，确实比每次手动贴提示词省事、稳定。
渐进式披露解决了”料多撑爆”的真问题：海量名师资料能装进一个 Skill 还不卡，这是 Skill 机制相对裸聊天的实在优势。
“蒸馏决策链”的认知是对的：萃取”怎么做判断”而非囤”知识点”，这个迁移到任何专家领域都成立。

和通用 AI（ChatGPT / Kimi）的差距，到底在哪

软文说”两个物种”，这是夸大。本质上，技能包做的事就是结构化的提示词工程（prompt / context engineering）——你把同样的评分 rubric、同样的决策树贴给 ChatGPT，效果能逼近。

真正的差距只有这几点，而且都是”工程便利”而非”能力代差”：

维度	通用 AI 裸用	做成 Skill
评分标准	默认没有，得你每次贴	固化在 Skill，自动用
选对老师	手动指定	description 自动路由
海量资料	贴多了撑爆上下文	渐进式披露，按需读
复用/分发	每次重来	一个文件夹，给谁都能用
算术可靠性	心算会错	scripts/ 交给代码（真代差）

唯一称得上”代差”的，是带 scripts/ 的确定性计算——这是不带代码执行的通用聊天窗口给不了的。其余都是”把麻烦活提前做好”的便利，不是魔法。

局限

垃圾进，垃圾出：蒸馏质量完全取决于采料质量和蒸馏者水平。料收得糙、决策树抽得浅，做出来就是个会装腔的错题机。
隐性经验抽不干净：老师的很多”手感”是真的难文字化，决策树只能逼近，不能等于本人。
申论评分天然主观：rubric 只能近似阅卷尺度，AI 给的预估分别当真。
买方质量无保障：你花 6.66 买到的那份，到底有没有做 scripts、rubric 细不细，全凭卖家良心——软文自己都说”不是堆一堆提示词就完事”，这话反过来读，就是市面上很多同类货恰恰就是堆提示词。

合规与版权（认真说）

这块软文一个字没提，但做之前你得心里有数：

方法论本身不受版权保护，具体表达受：把老师的”解题思路”重述成你自己的决策树，没问题；但直接转录讲义原文、原创例题、成套真题，是有侵权风险的——真题汇编、付费课程内容尤其敏感。
拿它变相收费风险更高：自用是一回事；把基于他人方法论二次加工的东西，靠赞赏/收费分发，法律上是灰色地带。
应试合规有边界：练习阶段用 AI 辅助没问题；真进考场用，就是作弊、违考纪。这条线别越。

一句话总结点评：这是一条示范动作 ≫ 交付成品的内容。它最大的价值不是那套考公技能包，而是无意中演示了”如何把一个人类专家蒸馏进 AI”这件可迁移的事——而这件事，你自己做，能做得更干净。

想自己做一套？7 条可直接抄的动作清单

不管你是给自己做学习工具，还是想做个 Skill 去分发，照这 7 条走：

选”框架派”专家，切小口子。挑方法论外显的老师，范围窄到”一个题型”起步，别贪大求全。
采料盯”过程”不盯”知识点”。优先扒视频里老师”边想边说”的决策流，转写出来标重点。
用”入口→收敛→决策→验收”四问，把每个题型抽成决策树。写判断和流程，不写答案。
SKILL.md 先写好 description。它是路由器，决定 AI 何时调用、选哪位老师——这是多老师技能包最该花功夫的地方。
正文写决策树，大块资料丢 references/ 按需加载。别把讲义全塞正文，会撑爆上下文。
算术类一律上 scripts/。资料分析、数量关系的计算交给代码，这是”能打”和”玩具”的分水岭。
申论这类主观题，先写一张 rubric。把踩分点、四维评分写成表，AI 才能给有标准的反馈——顺手把这张表贴给通用 ChatGPT，你就知道 Skill 的增量到底有多大、值不值得做成包。

迁移提醒：把”公考名师”换成你领域里任何一个”只可意会”的老法师——考研名师、税法专家、你团队那个带不出徒弟的老师傅——只要他的本事能拆成决策树，就能装进 AI。流程一字不改。

同主题延伸

这篇是”怎么做一套”的技术实操手册。博客里还有两篇从不同角度拆同一件事，拼起来是张完整地图：

手搓考公技能包：把 10 位公考大佬的解题脑装进 AI Agent —— 同一套东西的抖音图文版，5 图还原”设计→生成→配置→实战”工作链路，含评论区全量洞察。
AI 时代拉开差距的不是模型，而是 Skill —— 把”Skill ≠ Prompt、是专家经验的软件化封装”这个论断逐句压力测试。

简单说：那两篇讲”是什么、为什么”，这篇讲”具体怎么做”。

Sources

公众号原文：杠杆笔记《Vibecoding × 公考：我把十位考公大佬做成了 AI Skills，行测申论随叫随到》（2026-06）
Agent Skill 机制（SKILL.md 结构、frontmatter、渐进式披露、references/scripts）：基于 Claude / Agent Skills 公开规范的实操理解
同赛道已拆：Stéphane 手搓考公技能包 · Aaron：拉开差距的是 Skill