不要一次全装。先挑一个你反复做的任务,装一个 skill 跑通,再决定要不要加下一个。放哪里取决于它是通用偏好还是只服务某个项目。
AI根据立正公开的文章和视频整理,不是他本人回复。重要的判断,请回到出处核对。
一次装一个,跑通再加下一个
skill 的价值来自组合,但组合的前提是每个都能用起来。一次装几十个,你既不知道哪个在起作用,也分不清出问题时是哪个 skill 干扰了它。立正提到,迁移工作流不要一次性全搬,选一个最频繁、最标准化的任务先完全迁移过去,跑通、稳定、沉淀方法,再迁移下一个,这样每迁移一个就多出一块时间1。你已经有现成的候选任务:那两个多月里你反复让 Codex 做、并且会中途纠正方向的那类工作。挑其中出现次数最多的一个,只装一个 skill 试。
skill 空壳,是因为只写了步骤没写标准
AI推演你让 Codex 回顾对话再生成 skill,做出来却是空壳,这符合一个常见原因:把“怎么做”的步骤抄进去了,但没写清“什么算好、什么算容易犯的错”。立正建议重新写 skill 时补上业务背景,把模型已经会做的事交给它,少教它做事2。所以别指望从一次对话里自动提炼出 skill。更实际的做法是:先手动做完一次任务,在过程中把你纠正它的地方记下来——你改了什么、为什么那样改不对,这些才是 skill 里真正值钱的部分。下次调用时先看它有没有按这些标准做,没做到就继续往 skill 里补,而不是重开一个对话从头讲。
通用偏好放根目录,项目专属放项目里
AI推演判断标准是这份 skill 服务谁。只服务某一个项目、依赖那个项目的文件结构和素材的,放项目文件夹,跟着项目走;跨项目都要用的个人偏好,比如你的写作风格、审美标准、固定流程,放根目录,让每个项目都能调用。立正讲他自己的做法时提到,素材、审美、失败过的版本和做事方式都留在同一个项目里,做到下一条时不用再面对空白对话3;他也强调积累要放在模型和工具之上,换工具时这些经验还能用2。按这个逻辑,你的个人标准应该放在换项目、换工具都带得走的那一层。
关于根目录与项目文件夹的具体目录约定,现有材料只讲到“积累要能跨工具带走”这一层判断,没有给出 Codex 的安装路径规范。
出处
- 1AI 用得好的人与普通人的5个差距,和背后具体技术原因|非技术岗位版
讲系统复利和渐进式迁移,适合核对“为什么不该一次全装、该先迁移哪个任务”。
- 2从结果确定性到通用智能:和韦晓亮老师聊AI、产品与教育
讲 skill 该写什么、积累放在哪一层,适合核对空壳 skill 的成因和通用偏好的存放位置。
- 3我用 Codex 剪了 5 条口播,最后却做了一则超市广告
讲同一个项目里如何沉淀素材与审美,适合核对项目内积累和跨项目复用的区别。
追问2026年10月16日
从对话里提炼 skill 的正确做法是什么? 回答里你说:“先手动做完一次任务,在过程中把你纠正它的地方记下来——你改了什么、为什么那样改不对,这些才是 skill 里真正值钱的部分。”有什么方式可以让AI自己把改了什么、为什么这样改不对记下来?难道要我每次手动记录复制粘贴吗? 能不能给我一个具体的场景或者实操案例,帮助我理解你的意思
不用手动复制粘贴。让 AI 在任务结束时自己复盘:把这次纠正过的地方、为什么那样不对、什么算做成了,写进一份文件,下次调用时读它。
让 AI 自己写复盘,你只审一遍
AI推演你不需要每次手动记录。做法是在任务收尾时给 AI 一个固定动作:回顾这次对话,列出你纠正过它的每一处、你当时的原话、以及为什么原来的做法不对,然后写进一个文件。你只做审核和删改,不做抄写。
这件事之所以可行,是因为纠正的痕迹本来就在对话里——你说过“不对,应该先确认口径再动笔”,这句话本身就是素材。AI 要做的只是把它从流水账里挑出来,转成一条可复用的规则。
一个具体场景:你让 AI 把一份访谈录音整理成笔记,它交上来一份四平八稳的总结。你说,不要提炼成观点,保留原话里的犹豫和没结论的部分。它改对了。收尾时让它把这条写下来:整理访谈笔记时,不把开放问题收敛成结论,因为那会丢掉谈话里真正在发生的东西。下次同类任务,这句话就是起点。
skill 里值钱的是边界,不是步骤
你上次做出来的 skill 是空壳,很可能因为它记的是流程——先做什么、再做什么——而没记判断标准。流程 AI 自己会补,它缺的是“什么叫做成了、什么算越界了、哪种失败真实发生过”1。
所以复盘要往这个方向写:不写“总结要深入”,写“不发明战略建议”“不假设团队现状”“保留事实、判断、假设和开放问题”1。这些句子来自真实返工,才拦得住下一次跑偏。
另一层原因是步骤写太多反而限制模型。立正的建议是告诉 AI 什么是好的、什么是容易犯的错误,少教它怎么做4。你那份空壳 skill 大概两头都占:流程写得很细,标准一句没有。
材料没有给出让 AI 自动写复盘的具体工具配置,上面是可按你现有对话方式尝试的做法。
出处
- 1用AI做访谈整理,且不加戏
说明好 skill 要写清做成的标准、越界和真实失败模式,直接解释你那份 skill 为什么是空壳。
- 2AI User 与 AI Builder 的 5 个差距,和背后具体技术原因 | 科技大厂打工人版
讲把完整任务交给 AI 并让它自检、自诊断、自修正,是让 AI 自己复盘的上位做法。
- 3AI 用得好的人与普通人的5个差距,和背后具体技术原因|非技术岗位版
讲反复做的任务应沉淀成模板或 skill,每用一次优化一次,对应你担心的重复走弯路。
- 4从结果确定性到通用智能:和韦晓亮老师聊AI、产品与教育
说明 skill 应告诉 AI 什么是好、少教它怎么做,解释步骤写太细为何反而变平庸。
追问2026年10月16日
复盘文件应该放在哪、叫什么名字,才能让新对话自动读到?复盘是在任务完成后再单独发一段prompt让它总结吗?这个文件是在skill.md外面的独立文件吗? 怎么判断一条纠正值得写进skill,还是只是一次性偏好?
复盘文件放在项目根目录、用 AGENTS.md 或 MEMORY.md 这类固定名字,新对话才自动读到;复盘不必单独发 prompt,让 AI 在任务收尾时自己写回文件更省事。判断一条纠正值不值得写进 skill,看它是不是反复出现、有没有验收标准。
复盘文件放项目根目录,用固定名字
新对话能不能自动读到,取决于文件名和位置是否被约定为默认加载。立正提到 AGENTS.md 定义 AI 的行为规范,MEMORY.md 沉淀反复验证过的判断原则、偏好和边界,这类文件的价值在于把经验从个人技巧变成系统记忆1。所以复盘内容写进项目根目录的 AGENTS.md(项目级)或全局的 AGENTS.md(跨项目偏好),而不是另起一个随意命名的文件。它是 skill.md 之外的独立文件:skill 描述一类任务怎么做,AGENTS.md 描述这个项目里 AI 该守什么规矩,两者作用不同。你上次新对话调用 skill 得到空壳,很可能就是 skill 里只有流程骨架,没有把“什么算做好了”写进去。
复盘让 AI 在收尾时自己写回文件
AI推演不用每次单独发一段 prompt 让它总结。可以在任务结束时直接说:把这次我纠正过的地方、为什么那样不对、什么算做成了,写进 AGENTS.md。立正处理 Codex 擅自发帖那次,做法就是让 AI 去更新本地的 AGENTS.md,把“对外内容需要我批准”这条规则写进去3。这比事后手动整理省事,也避免你复制粘贴。写进去的应该是判断标准,不是逐步操作:告诉 AI 什么是好的、什么是容易犯的错误,少教它怎么做2。
反复出现且能验收的才写进 skill
AI推演一条纠正值不值得沉淀,看两点:它是不是同类任务里反复出现,以及它能不能变成一条可判断对错的标准。只出现一次、只针对这份材料的偏好,留在当次对话里就行;下次同类任务还会再犯的,才写进 skill 或 AGENTS.md。立正做视频 skill 时,把“不重录”这种长期偏好写回 skill,同时说明这条偏好可以改4。你也可以这样试:先只把一条纠正写进去,下次同类任务看 AI 是否还犯同样的错——如果不再犯,说明这条值得留;如果它换了个方式又错,说明你写的标准还不够具体。
资料没有给出复盘文件的具体命名规范和自动加载机制,AGENTS.md、MEMORY.md 是立正文章里提到的做法,不同工具的实际读取规则需要你自己在 Codex 里验证。
出处
- 1AI User 与 AI Builder 的 5 个差距,和背后具体技术原因 | 科技大厂打工人版
说明 AGENTS.md 与 MEMORY.md 各自承担什么,以及经验如何变成系统记忆。
- 2从结果确定性到通用智能:和韦晓亮老师聊AI、产品与教育
解释 skill 该写判断标准而非逐步操作,对应你空壳成品的问题。
- 3Codex“背着我”发了个帖,但我不怪她…
给出让 AI 自己更新 AGENTS.md 写回规则的真实案例。
- 4让发视频比喝水还要简单的skill
示范把长期偏好写回 skill,并说明偏好可以改。
追问2026年10月16日
skill 里只写验收标准、不写步骤,具体该怎么落笔?怎么让 AI 自己判断哪些纠正值得写回文件,而不是每次都问我?
skill 里写“什么叫做成了、什么算越界”,不写操作步骤;让 AI 自己判断一条纠正值不值得写回,靠的是给它一条可判定的门槛——反复出现、有验收标准、来自真实返工,而不是每次问你。
验收标准写“什么叫做成、什么算越界”
材料里的观点落笔时不要写“先做A再做B”,而是写清楚三样东西:做成什么样算对、哪些事不能碰、真实踩过的失败长什么样。屠龙那期给 skill 写作的提醒里,好的 skill 不能只写“总结要深入”“保留洞见”这类空话,要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;那份访谈整理 skill 就明确列了不做工作分配、不假设团队现状、不改写成对外文章、不发明战略建议这些边界,而这些边界来自真实返工1。你上次做出空壳成品,很可能就是因为 skill 里只有流程骨架,没有“这份任务里什么内容必须出现、什么算不合格”的标准,AI 只能填一个形式正确的壳。
让 AI 自己写回,靠门槛不靠每次问你
你希望 AI 自己判断哪些纠正值得沉淀,而不是每次都来问你。做法是给它一条可判定的门槛,而不是让它凭感觉:一条纠正反复出现、能对应到一条验收标准、来自真实返工,就写回文件;只出现一次、只是这次的口味偏好,就留在当次对话里。立正讲 OpenClaw 时提到,那套基于文件的记忆系统里,用户不用自己维护,助手会去 review 最近的日志,把值得提炼的点放进长期记忆,同时清理过时内容3。同一期他也说,AI 不要每次有事都来问,尽量把完整任务交出去才算有效的委派;但对外发布这种有后果的动作要设 approval gate,让 AI 去更新 AGENTS.md 写清规则4。所以你可以把“写回文件”和“对外发布”分开:前者让它自己按门槛做,后者才需要你点头。
屠龙那期关于 skill 写作的提醒来自立正转述屠龙的观点,不是立正本人的主张;记忆系统那套设计出自他对 OpenClaw 的介绍,具体文件命名和机制以原视频为准。
出处
- 1用AI做访谈整理,且不加戏
具体说明 skill 该写什么、不该写什么,以及边界来自真实返工,适合核对“验收标准怎么落笔”。
- 2从结果确定性到通用智能:和韦晓亮老师聊AI、产品与教育
讲 skill 要告诉 AI 什么是好、少教它怎么做,适合核对“不写步骤”的理由。
- 3为什么OpenClaw一定会凉,但我仍然推荐你去试一试?
讲基于文件的记忆系统如何让 AI 自己提炼、清理,适合核对“让 AI 自己写回”的机制。
- 4Codex“背着我”发了个帖,但我不怪她…
讲把完整任务交给 AI、同时给有后果的动作设 approval gate,适合核对“哪些让它自己判断、哪些要问你”。
你也有想问的?
卡住的时候,问问立正:回答附有出处,可以点回原文核对。
也可以接着问:
别人还问了
- 刚开始做自媒体经历了多久才挣到了第一笔钱?
立正2020年开始做自媒体,前四年几乎没收入,2023年下半年做付费会员后才真正赚到钱,2024年是他把自媒体当副业并得到收入的第一年。
- 即将读人文学科博士,我如何对未来四年的研究工作提出更好的设想和规划
把博士当成一次创业:先找到值得做的研究问题,再倒推四年要积累什么,而不是先定发表数量。
- 现在需要选offer!base美国,MBA刚毕业,之前一直在做电商战略&策略,出海方向,我的目标是能够进AI应用公司/大厂AI应用业务做增长或者是产品设计,希望能对业务有影响!我有4个选择:1)回到国内咨询做AI数字化转型,再跳大厂做AI战略,之后再做AI业务;2)TT LA美国做creator strategy and product operations, 主要是达人增长目标拆解,drive sports content提升,激励体系搭建,分析内容和流量策略,也会有一部分product operations,看什么feature可以直接上线,有些时候可以自己vibe code一些产品;3)Capital one 纽约 business travel 针对信用卡商户做marketing strategy,看product messaging,以及跨渠道怎么分配预算看如何增长,marketing归因,内部有转岗机会到analytics方向,未来either大厂analytics/DS方向,或者;4)Amazon西雅图 自营品牌category manager方向,优化品类P&L,主要pull lever是和供应商谈价格,遇到具体的问题,找supply chain/quality/product manager解决,虽然看似管理P&L,但其实每个链条都有相应的人处理,真正支撑每个部分都有产品经理做好处理了,未来有转产品经理的可能,例如电商selection优化/供应链产品/价格产品,但我对Alexa AI/AWS更感兴趣 目前我的主要concern是1)亚麻从category manager转出去第一步更有可能是供应链方向;2)TikTok creator这个领域比较窄,non-tech长期的薪资是不是会不够高?以及跳槽认可度不知道如何?3)capital one这个product marketing属于金融产品领域,内部可以转analytics再跳出去,或者再继续出去做product marketing,薪酬美国的高于中国的,但美国的三家后续曲线可能不同! 结合我的背景和您的认知,您会怎么给出建议?
四个选项里,最该先比的是哪条路能让你持续积累“增长/产品”的可迁移作品与判断力,而不是哪个title更接近AI。按这个标准,TikTok和Capital One的起点更贴近你的目标,但各有代价。
- 如何面对 AI 的不确定性?让 Ai 优化就可以一直优化
AI 的不确定性不能靠无限优化消除,得先接受它永远存在,把注意力从“优化到完美”转到“先做起来、拿到真实反馈、自己判断质量”。
- 正确的学习方法比大家想象中稀缺很多
“正确的学习方法稀缺”指的是会检验自己是否真学会、并能从错误方法里爬出来的人很少;想读透这一点,从《假学习的终结》和哥大课程回放开始最直接。
- how to learn public speaking
公开演讲的核心不是展示自己多聪明,而是让对方听懂、拿到沟通结果;练法是围绕真实问题反复讲、接受逐项反馈并重讲。