如何持续维护和更新Skill，让它长期可用？

材料里对 skill 的定位是一份给 AI 执行的工作说明：需要什么材料、怎样处理、交出什么⁠1。它长期可用的前提，是写清楚“什么叫做成了、什么叫越界了、什么失败模式真实发生过”，而不是只写“总结要深入”“不要废话”这类空话；这些边界来自真实返工⁠7。

另一个方向相反但同样重要的提醒是：模型越来越聪明，人写进去的步骤越多，越可能把它限制在自己想到的做法里，prompt 加得越多结果反而越平庸⁠3。所以维护的重点不是不断加指令，而是补业务背景、说明什么是好、什么是容易犯的错误，把模型已经会做的事交给它⁠3。

这两条合起来意味着：skill 里值得长期维护的是标准、边界和背景；具体怎么做，尽量留给模型，也尽量不绑死在某个工具上。

持续更新的机制，是每次真实使用后的纠正能留下来。看完成片说“这句别删”“封面字再大一点”，这条反馈就被记录，下一条接着用⁠2。更系统的做法是把评价标准不只写在 prompt 里，而是沉淀成可以持续更新的资料，每一步写文件方便检查和重跑，人的判断保留在方向性节点上⁠6。

积累放在哪一层，决定了它能不能长期可用。材料里明确纠正过“harness 稳定、模型可换”的说法：应该是模型加 harness 可以随时切换，今天用这个工具、明天换另一个，同一份业务经验、任务标准和上下文仍然能用；自己的积累要放在它们之上，模型变强、harness 变强都能受益⁠3。

还有一个容易被忽略的维护动作是删减。材料里提到，早期让 AI 给结构和开头建议，后来发现这会让自己为了建议重录，反而更难持续，于是把这条默认拿掉，建议留给下一次；工具带来的额外工作也要算进去，被工具绑架时就退回够用的部分⁠2。所以“长期可用”不等于功能越加越多，而是定期判断哪些环节真的在帮你持续做下去。