北京
作者：高恒
很多人都有過一種體驗：AI寫東西已經足夠好，但你依然沒法真正把工作交給它。
它可以寫文章、寫簡歷、寫郵件，可你仍然要反復修改、補充要求、重新生成。很多時候你甚至要記住“哪句話怎么說它才聽話”。看起來AI在幫你，其實你在一點點教它如何做事。
問題并不在能力，而在結構。
過去兩年，大多數人使用大模型的方式非常原始——對話。我們給它一句話，比如“幫我寫個簡歷”“寫一篇文章”，這在技術上叫Prompt（提示詞）。Prompt的問題并不是效果不好，而是不可重復：同一句話今天可用，明天可能完全失效。
于是用戶開始不斷補充條件：格式、結構、步驟、寫作方法，甚至細化到段落如何組織。表面上這是優化提示詞，本質上是人在一次次重新教AI工作流程。
這正是大模型的第一個局限：它很強，但沒有穩定的工作規范。
后來一些AI工具支持把長提示詞做成快捷命令，用一個短指令自動展開完整規則，看起來效率提高了，但其實只是減少輸入成本。AI并沒有更可靠，你依然需要監督它。
真正的轉折來自系統提示詞（System Prompt）。
大模型內部存在兩層指令：用戶輸入的內容，以及系統給模型設定的規則。后者優先級更高。當一套要求寫進系統規則后，模型遵循的概率顯著上升。這意味著變化不再是“請求AI做事”，而是“規定AI如何工作”。
一旦規則固定，AI就不再只是對話對象，而開始接近一個崗位角色。你不再臨時教它寫簡歷，而是讓它扮演一個長期存在的“簡歷寫手”。
但新的問題出現：現實工作有大量場景——寫郵件、寫周報、寫方案、寫代碼、做總結。不可能把所有規則一次性塞進模型，否則成本極高、效率極低。于是工程師引入一種機制：先給每套能力寫一段用途說明，讓系統判斷當前需要哪種能力，再加載對應規則。
這就是Metadata。表面上它是能力索引，本質上它在做“分工”。AI不再是一個什么都嘗試完成的通才，而被拆成多個崗位角色：寫郵件的一套規則，寫報告的一套規則，寫代碼的一套規則。系統開始根據任務自動選擇角色。
接下來變化更關鍵：AI不僅生成文字，還能讀取文件、調用資料，甚至執行代碼。例如寫完簡歷后自動生成Word并導出PDF。這意味著它第一次從“回答問題”跨越到“執行任務”。
于是出現了Skills。
Skill并不是單個功能，而是一整套能力包：工作規則、參考資料、可調用工具與執行邏輯被打包在一起。當用戶說“幫我生成一個簡歷PDF”，系統不再依賴一段對話，而是自動選擇能力、調用工具并完成結果。
這時發生了一件很重要的事——人不再操作軟件。
過去的工作流程是：打開Word，寫內容，排版，導出PDF；現在變成：描述目標，系統調用工具，直接得到結果。
用戶繞過了應用程序本身。
這也是Skills常被拿來和MCP、Workflow對比的原因。MCP讓大模型可以連接外部工具，相當于給AI“手”；Workflow是人類預設的自動化流程；而Skills不同，它的執行順序由模型根據情境決定——AI在判斷任務后選擇工具并完成步驟。
換句話說，Workflow是自動化，而Skills是由大模型驅動的自動化。
如果把這條技術路線放大看，其實是在描述AI產品的一次形態變化：最早是聊天機器人，然后是寫作工具，接著是工作助手，現在開始變成執行系統。
過去，人學習如何使用軟件完成工作；現在，人描述目標，由系統完成工作。
當AI能夠按場景選擇角色、讀取資料、使用工具并輸出結果時，我們面對的就不再是問答模型，而是一個可以被安排任務的執行層。這也是Agent概念突然升溫的原因。
計算機誕生之后，人類花了幾十年學會操作軟件；而在大模型時代，軟件開始學習如何完成人的目標。若這一趨勢成立，被改變的首先不是某個職業，而是“操作計算機”這件事本身。
特別聲明：以上內容(如有圖片或視頻亦包括在內)為自媒體平臺“網易號”用戶上傳并發布，本平臺僅提供信息存儲服務。
Notice: The content above (including the pictures and videos if any) is uploaded and posted by a user of NetEase Hao, which is a social media platform and only provides information storage services.
