【图文拆解】Aaron — AI 时代拉开差距的不是模型，而是 Skill

拆解日期：2026-06-17 作者：Aaron ｜ 类型：图文作品（1 张 flomo 截图）｜ 平台：抖音 #Agent #skills 数据：9 赞 · 4 收藏 · 1 转发 · 0 评论（一条刚发出、还没跑量的”冷启动”内容，价值不在传播量，在观点本身的锋利度） 核心论断：AI 降低了工具门槛，却没降低能力门槛。模型越强，“会沉淀经验”的人越值钱——而经验的载体，就是 Skill。

这条图文没有教程、没有截图、没有带货，全篇就是一段被截成长图的”观点宣言”。它要回答的不是”怎么做”，而是一个更上游的问题：AI 普及之后，人和人的差距到底由什么决定？

它的答案很反直觉——不是模型，不是 Prompt，而是 Skill。

这篇拆解不复述他说得对，而是把这条宣言逐句拆开、逐句压力测试：哪些是真知灼见，哪些说过头了；更重要的是，把”Skill”这个被说得很玄的词，落到一个真实的 Agent Skill 到底长什么样——并给”想自己做 Skill 的人”一套能直接抄的动作。

它和博客里已拆的两条是同一片天空下的三块拼图：@Stéphane 手搓考公技能包 是怎么做（一次完整的 Skill 实操），@大鲸 AI”别只盯着聊天框” 是往哪走（下一个平台机会在哪）。Aaron 这条，是它们脚下那块地基——为什么”沉淀成 Skill”这件事本身值得做。文末会把三块拼成一张地图。

一句话定性

这是一条认知校准型内容。它的价值不在信息量（它没给任何新工具），而在它把一个正在发生、但多数人还没意识到的转变，压成了一句能随身携带的判断：“别再追模型了，开始攒你的 Skill。” 它说对了大方向，但有一处明显说过了头——下面会指出来。

作者原文：把这条宣言完整抄下来

图文正文是一张 flomo 笔记长图，作者配文（desc）只有一句：

#Agent #skills 经验是理论走向现实的桥梁，它让我们在失败中看清方向，在复盘中沉淀智慧。

这句配文是整条内容的”题眼”——记住”失败中看清方向、复盘中沉淀智慧”这两个动作，后面讲”经验怎么从理论走向现实”时会回到它。

截图正文全文如下（已按原文逐句还原）：

AI 时代，真正拉开差距的不是模型，而是 Skill。

很多人以为 AI 会让能力平权：不会写代码的人开始写代码；不会做设计的人开始做设计；不会做运营的人开始做运营。

但现实是：AI 降低了工具门槛，却没有降低能力门槛。 因为最终决定结果质量的，仍然是人的经验、判断力和方法论。

过去大家积累的是技术经验、行业知识、工作流程和最佳实践。未来，这些东西会被封装成一种新的资产——Skill（技能包）。Skill 不只是 Prompt。

它往往包含：工作流、SOP、模板库、工具调用逻辑、经验规则、错误处理机制。本质上，Skill 就是专家经验的软件化封装。

真正有价值的 Skill，不是教 AI 如何成功，而是告诉 AI：哪些坑不要踩；哪些情况容易失败；哪些边界条件需要处理。

因为这些往往来自长期实战积累，而不是模型本身能够学会的东西。

未来的软件形态也可能发生变化。过去是：操作系统 + App；未来可能变成：Agent + Skill。用户需要什么能力，就加载什么 Skill。

AI 不会消灭专家，而会放大专家。未来最值钱的，不是会写 Prompt 的人，而是能够把自己的经验、工作流和行业知识持续沉淀为 Skill 的人。

因为模型会越来越强，但经验的价值不会消失，反而会被 AI 成倍放大。

整段读下来，它其实是一条有严密递进的论证链。下面把它拆成四个核心论断，逐个验真。

论断一：「能力平权」是错觉——AI 降的是工具门槛，不是能力门槛

这是全文的地基，也是它最对的一句。

很多人对 AI 的期待是”平权”：不会写代码的能写代码、不会设计的能设计。Aaron 的反驳很锋利——AI 抹平的是”会不会用工具”，没抹平”做得好不好”。

这件事用一个生活化的类比就懂：相机的自动模式让人人都能按下快门，但它没有让人人都成为摄影师。快门门槛降到零的那一刻，差距就从”会不会拍”整体平移到了”懂不懂构图、光线、叙事”。 工具越普惠，比拼就越往上游的判断力走。

AI 是同一个机制，只是放大了一个量级。当”生成一段代码 / 一张图 / 一篇文案”变成零门槛，结果质量的方差，就完全由提需求的人的经验和判断力决定了。 同一个模型，老法师用和新手用，产出天差地别——差的不是模型，是喂给它的判断。

这个论断站得住。它也解释了一个普遍的困惑：为什么很多人用上了顶配模型，产出却还是平庸——因为他们升级了工具，没升级自己那部分。

论断二：Skill ≠ Prompt——它是”专家经验的软件化封装”

这是这条内容信息密度最高、也最该被记住的一段。

多数人对”调教 AI”的理解还停在 Prompt：写一句精巧的指令。Aaron 直接把天花板抬高了一层——真正的资产不是 Prompt，是 Skill。 他给了 Skill 一个相当完整的定义，包含六件东西：

Skill 的组成它解决什么对应的”人类经验”
工作流 / SOPAI 知道”分几步、按什么顺序做”老手脑子里的标准流程
模板库不用每次从零生成沉淀下来的可复用结构
工具调用逻辑AI 知道”何时该调哪个工具”什么活该用什么家伙
经验规则AI 按你的偏好和红线做事”这种情况我们一般这么干”
错误处理机制AI 遇到异常知道怎么兜踩过坑后形成的应急预案
（以及）触发判断AI 知道”什么场景该用这个能力”老手的”这事归我管”的直觉

Prompt 和 Skill 的本质区别，是”一句话”和”一个封装件”的区别。

Prompt 是无状态的、一次性的、容易漂移的——你说一遍，AI 这次照做，下次忘光。Skill 是有结构的、可复用的、可分发的、可版本管理的——它把”怎么把一类事做好”固化成一个能被反复加载的资产。

一个判断标准：如果你的”经验”还停在一段可以发微信发给别人的文字里，那它是 Prompt；如果它已经变成一个带流程、带模板、带兜底、能直接挂到 AI 上自动跑的东西，那它才是 Skill。

这一段是整条内容真正的”硬核”。下一节会把它落到一个真实的 Skill 上，你会看到 Aaron 这六条定义不是空想——它精确地描述了一个已经存在的东西。

论断三（最锋利）：有价值的 Skill 不是教 AI 成功，是告诉它「哪些坑别踩」

如果这条内容只能记住一句，就是这句：

真正有价值的 Skill，不是教 AI 如何成功，而是告诉 AI：哪些坑不要踩、哪些情况容易失败、哪些边界条件需要处理。

这句话的份量，需要解释才能体会。

模型其实”不缺成功路径”。 它的训练语料里全是写好的代码、发表的文章、完成的方案——海量的”正确答案”。所以你让它做一件标准的事，它做得不差。

它真正缺的，是负面知识：哪一步最容易翻车、哪个边界条件没人写在教程里、哪个看起来对的做法其实有坑。这些东西不在公开语料里，因为它们是失败的、私有的、被踩出来的——只存在于真正干过这件事的人的实战记忆里。

这就回到了配文那句”在失败中看清方向”。一个专家比新手强，往往不是因为他知道更多”怎么做对”，而是因为他知道一堆”千万别这么做”。Skill 的护城河，恰恰是你踩过的那些坑。

举个这篇拆解自己的例子最直接：扒这条抖音图文用到的 douyin-note Skill 里，最值钱的不是”怎么下载图片”那几行代码，而是一张失败兜底表——”❌ 桌面 UA 拿不到 ROUTER_DATA，必须用手机 UA""❌ 图片不带 Referer 会 403""webp 不能直接喂模型、要先转 jpg”。这些全是前面无数次踩坑换来的，模型自己永远学不会，因为没人会把这种细节写进博客。它们让这个 Skill”一次就跑通”，而不是”试十次才对”。

这是给所有想做 Skill 的人最反直觉、也最重要的一条：别只写”怎么做对”，要重点写”哪里会错、错了怎么办”。 后面的”可复制启发”会把这条展开成具体动作。

论断四（要打折扣）：「OS + App → Agent + Skill」——方向对，但说过头了

这是全文最大胆、传播性最强、但也最该打个折扣的一句：

过去是：操作系统 + App；未来可能变成：Agent + Skill。用户需要什么能力，就加载什么 Skill。

它的洞察是对的：一种新的”软件装配方式”正在出现——你不再是”打开一个 App 去用固定功能”，而是”对 Agent 说要什么，它临时加载对应的 Skill 来满足你”。这是真实趋势，本文就是个活样本：一个 Agent 接到”扒这条图文”的需求，自己加载了 douyin-note 这个 Skill 来完成。

但”取代 OS + App”说过头了。更准确的描述是”多了一层”，而不是”删掉两层”：

  • Agent + Skill 是装配层，不是底座。 Skill 跑起来照样要调操作系统的能力、照样在调用一个个 App / API。它是 App 之上的新调度层，不是 App 的替代品。手机、浏览器、那些重交互的软件，不会因为 Agent 出现就消失。
  • 它有适用边界。 Agent + Skill 真正成立的场景，是长尾的、个性化的、专家判断密集的任务（比如”按我们团队的风格写一版方案""按这十位名师的方法论拆一道题”）。而对确定性强、低延迟、重 UI 操作的场景（刷短视频、导航、玩游戏），传统 App 仍然更优——你不会想”加载一个 Skill”去刷抖音。

所以这句话正确的读法是：“Agent + Skill”会成为知识工作和专家型任务的新主场，叠加在 OS + App 之上，而不是把它们扫进历史。 把”可能变成”理解成”补上一层”，这个判断就非常稳；理解成”全面取代”，就容易在落地时被现实打脸。

把宣言落地：一个真实的 Agent Skill 到底长什么样

Aaron 这条内容最大的”未完成”，是它通篇在讲 Skill 这个概念，却没给你看一个 Skill 实物。这正是这篇拆解能补的价值——因为这套东西已经不是设想，而是正在运行的真实产物。

业界已经把”Skill”做成了标准件。一个 Skill 通常就是一个文件夹，核心是一份 SKILL.md：开头几行元数据（名字 + 一句话”什么场景该用我”），正文是给 AI 看的操作说明，旁边可以挂脚本、模板、参考资料。Anthropic 的 Agent Skills、Claude Code 的技能体系，走的就是这个形态。

它精确地兑现了 Aaron 列的六要素：

  • 触发判断 = SKILL.md 开头那句”什么时候用我”（AI 靠它决定这事归不归这个 Skill 管）；
  • 工作流 / SOP = 正文的分步说明；
  • 模板库 / 工具调用逻辑 = 随附的脚本和”何时调什么”的规则；
  • 经验规则 / 错误处理 = 那张”红线”和”失败兜底”表。

更关键的是一个 Aaron 没点破、但极其重要的机制——渐进式加载（progressive disclosure）：平时 Agent 只看得到每个 Skill 的”名字 + 一句话描述”，只有判断”这事该用它”时，才把完整的 SKILL.md 读进来。这就是为什么一个 Agent 可以”挂着上百个 Skill”而不糊——它不是全装进脑子，而是”用到哪个，临时翻哪个”。这恰好让 Aaron 那句”用户需要什么能力就加载什么 Skill”从口号变成了可工程化的现实。

一个值得玩味的”自指”：你正在读的这篇文章，本身就是一个 Agent 加载 douyin-note 这个 Skill 跑出来的产物。Aaron 在图文里描述的那个”Agent + Skill”的未来，正在生产关于这条图文的拆解——宣言和实例，在这一刻闭环了。

给「做 AI Skill 的人」的可复制启发

这是这篇拆解最该带走的部分。把 Aaron 的宣言翻译成动作，如果你也想把自己的经验沉淀成一个真正有用的 Skill，下面六条可以直接抄：

  1. 先写”什么时候用我”，再写”怎么做”。 一个 Skill 的第一价值是”被正确触发”。开头先用一句话讲清适用场景和不适用场景，AI 才不会在不该用的时候乱用、该用的时候漏用。

  2. 沉淀”决策链”，不是”知识点”。 别把 Skill 写成一本百科，要写成”遇到 X → 判断 Y → 走 Z 步 → 这样验收”。AI 缺的不是知识，是替你做判断的流程。（这点和 @Stéphane 把名师方法论蒸馏成决策树 是同一招。）

  3. 重点写”坑”和”兜底”，而不是”成功路径”。 这是 Aaron 那句”告诉 AI 哪些坑别踩”的落地。专门留一张表：这一步最容易错在哪、出现什么报错对应什么真因、怎么绕过去。模型已经会成功路径，你的失败清单才是它学不到、也是你这个 Skill 真正的护城河。

  4. 把红线写死。 哪些事绝对不能做、哪些边界必须处理——明文写进去，别指望模型”自觉”。经验里最贵的部分，往往是那几条”碰了就出大事”的禁区。

  5. 给一个”最小可复现单元”做验收。 像本文用 douyin-note 真的跑通一条图文一样，Skill 必须能被一个具体例子端到端验证。“我写了个 Skill”和”看，它真的一次就跑通”之间，隔着的就是这个验收例子。

  6. 让它可被复用、可被迭代。 把 Skill 当软件养：每次它翻车，就把新踩的坑补进”兜底表”，版本就长一节。一个用了半年、补丁攒了几十条的 Skill，价值远超一句再精巧的 Prompt。

迁移提醒：把”做 AI Skill”换成”带新人""写团队 wiki""做 SOP”，这六条同样成立。Skill 不过是把”老法师怎么把一类事做好”这件事，写成了机器能直接执行的格式。

「经验从理论走向现实」具体怎么发生：一个沉淀飞轮

回到配文那句题眼——“经验是理论走向现实的桥梁，在失败中看清方向，在复盘中沉淀智慧”。它听着像鸡汤，但其实描述了一个可以画出来的循环。“经验从理论走向现实”不是一句感慨，是一个有四个齿轮的飞轮：

  1. 理论：模型的通用能力 + 你脑子里那套”应该这么做”的方法论（此时还是隐性的、说不清的）。
  2. 实战：把它做成一版 Skill，真刀真枪跑一个真实任务。
  3. 失败：一定会翻车——某个边界没考虑、某个工具调用报错、某种输入没兜住。这一步最值钱，因为它把”理论的漏洞”暴露成了”具体的坑”。
  4. 复盘：把这个坑写回 Skill 的”兜底表”，更新流程。于是下一轮，这个坑不会再踩。

转一圈，你的方法论就从”我大概知道怎么做”，变成了”一个能稳定跑通、还在不断变强的封装件”。经验就是在这个”做 → 错 → 改”的循环里，从你脑子里的隐性判断，变成了可执行、可复用、可分发的资产。

这也解释了为什么 Aaron 说”模型越强，经验越值钱”：模型负责把”成功路径”那部分做到越来越好，而你的经验负责补上”模型永远学不到的失败知识”。两者不是替代关系，是乘法关系——模型每强一截，你那套独有的踩坑经验，被放大的倍数就更大。

评论区：为什么这条还”静悄悄”，但这个判断正在全网收敛

按惯例，这条图文的评论区也全量抓了——结果很诚实：0 条评论（经三处独立核对：抖音页面内嵌数据、公开评论接口、TikHub 权威接口，均为 0；点赞 9、收藏 4、转发 1）。

这是一条刚发出、还没跑量的内容。所以这一节没法像别的拆解那样”提炼评论区核心”——没有评论可提炼，这点必须如实说，不编。

但”没人评论”不等于”没人认同”。一个更值得看的信号是：这同一个判断，正在被多个互不相干的人、从不同入口、同时喊出来。 把博客最近拆的几条放一起，会发现一次明显的”观点收敛”：

  • Aaron（本条）：从认知层说——拉开差距的是 Skill，不是模型。
  • 大鲸 AI：从趋势层说——AI 落地三步是”别只要答案 → 拆成可复用流程 → 沉淀成 Skill”，几乎是 Aaron 这条的行动版。
  • Stéphane：从实操层说——真的手搓了一套考公技能包，把十位名师的经验封装成 Skill 配进 Agent。
  • 业界：从产品层说——Anthropic 直接把”Agent Skills”做成了标准能力。

四个独立信号，从认知、趋势、实操、产品四个高度，收敛到同一句话：“把经验沉淀成 Skill”是这一轮 AI 里真正的个人护城河。 一条 0 评论的小内容，能精准踩在这个集体共识上，本身就说明这个判断”在空气里”——只是大多数人还没意识到自己也该开始攒 Skill 了。

三条拼成一张地图

博客里这三条同主题拆解，正好是从”想清楚”到”动手做”的完整链路，建议连起来看：

在讲哪一层核心问题你看完该做什么
Aaron（本条）认知 · 为什么差距由什么决定？想通”该攒 Skill，不是追模型”
大鲸 AI趋势 · 往哪走下一个平台机会在哪？把日常工作拆成”可复用流程”
Stéphane实操 · 怎么做一个 Skill 怎么从零搓出来？照着把你领域的专家蒸馏成 Skill

一句话串起来：Aaron 告诉你”为什么要攒 Skill”，大鲸 AI 告诉你”攒 Skill 是落地 AI 的关键一步”，Stéphane 手把手演示”一个 Skill 怎么搓出来”。看完这三条，你就有了从认知到动作的完整闭环。

内容价值评估

亮点

  • 观点锋利、定义完整：把”AI 平权是错觉""Skill ≠ Prompt""有价值的 Skill 是负面知识”这几个反直觉判断，讲得干净利落，尤其”告诉 AI 哪些坑别踩”一句，是这一轮 AI 讨论里少见的真知。
  • 递进严密：从”门槛”到”经验”到”Skill”到”软件形态”到”人的价值”，是一条完整论证链，不是金句堆砌。
  • 踩中集体共识：在多个独立信号正在收敛的判断上，给出了最清晰的认知层表述。

局限

  • 全程抽象、零实例：通篇讲 Skill 概念，却没让你看到一个 Skill 实物，落地感弱（本文用真实的 douyin-note Skill 补上了这一块）。
  • “取代 OS + App”说过头：方向对，但用”取代”而非”叠加一层”，容易误导落地判断。
  • 冷启动、未被验证：0 评论、个位数赞，观点虽好但尚未经过真实讨论的检验——它对不对，还得靠你自己去攒一个 Skill 来验。

一句话：这是一条**“认知到位、实操留白”**的宣言。它最大的价值不是告诉你怎么做，而是逼你想清楚一件事——在 AI 时代，值得你长期投入的，不是不断换更强的模型，而是持续把自己的经验，一块一块沉淀成 Skill。

Sources