本文探讨了如何将模糊需求转化为高质量AI Skill。作者对比了Claude和Codex两种工具的特点Claude擅长挖掘模糊需求中的隐藏约束Codex擅长将清晰需求转化为符合Skill机制的结构化产物。文章提出实践路径先用Claude处理模糊需求明确真实意图和约束再用Codex的skill-creator创建或更新Skill确保结构合理、按需加载。这种串联方式能有效解决需求模糊时Skill创建的难题提高开发效率和质量。里面有两个关键的定义•渐进式批露Skill 为什么要做渐进式披露•自由度给 AI 的指令为什么要控制自由度但是我们即使知道好 Skill 的原则也不一定能把一个 Skill 写好。因为在真实场景里用户给出的往往不是一份完善的需求文档而是一段带着省略、跳跃甚至模糊表述的需求描述。表述的是自己想要一个xxx场景的 Skill但真正想解决的常常是那个没有表述清楚的模糊需求。所以这篇文章我想解决的问题是当需求本身还是模糊的我们到底应该怎么使用 skill-creator这也是我这轮同时使用观察 Claude 和 Codex 两套skill-creator时尝试去弄清楚的事如何把模糊需求比较稳定地沉淀为一个高质量 Skill。最后得到的实践结论是下图解决了两个问题• 模糊需求应该先由谁来拆开• 拆出来的约束后面又该由谁来沉淀成 Skill一、把需求说清楚很多人第一次接触skill-creator很自然会把问题理解成“我怎么让 AI 帮我生成一个 Skill”但如果真的做过几次就会发现难点并不主要在“生成”这一步。真正难的是用户说出来的需求往往不是他完整的真实需求。比如用户可能会这样说• “帮我给这个项目做一个 Skill”• “以后这个目录下的需求你都要懂”• “你做方案时要考虑全局”表面上看他是在提一个“创建 Skill”的需求。但如果往深一层看这里面往往还藏着几层没有明说的约束• 这个项目不是单模块而是一个多模块协同系统• 用户真正担心的不是 AI 不会改而是 AI只会局部改• 他想沉淀的不是一次回答而是一套长期复用的项目知识• 他希望以后每次动手前AI 都先理解全局关系而不是只盯住眼前这个目录也就是说问题从一开始就不是“怎么生成文件”而是怎么把一段模糊表达翻译成一套真正可执行的约束。而这一步恰恰决定了后面 Skill 会不会做偏。二、由谁去解决什么问题带着这个问题再去看 Claude 和 Codex就会发现一个很关键的区别。如果只看名字它们都叫skill-creator看上去好像在做同一件事。但把分析实际处理过程和各自的设计会发现它们优先解决的问题并不一样。同样面对一个模糊需求•Claude更容易先停下来理解“用户真正担心什么”•Codex更容易先进入执行状态把需求落成结构化的 SkillClaude 和 Codex 擅长解决的不是同一个问题。三、Claude 更容易把隐藏需求挖出来Claude在面对模糊表达时会先去挖掘隐藏需求。比如当我说“你做方案时要考虑全局”时这句话本身其实还是比较抽象的。但在需求理解更深入的时候它往往会被翻译成更具体的约束• 修改一个模块前要先判断会不会影响其他模块• 涉及接口、事件、数据模型时要检查上下游是否同步变化• 不能只围绕单个目录做局部最优方案• 这个 Skill 的目的不是介绍项目而是防止 AI 做出孤立修改这里最有价值的并不是“句子更完整了”而是问题定义被改写了。原来我们以为要创建的是一个“项目介绍型 Skill”到这里才发现真正该创建的其实是一个“全局影响分析型 Skill”。这两者表面上只差几个词但后面的 Skill 结构会很不一样。所以 Claude 在这里的好处不只是“更会表达”而是它更容易帮助我们完成一件前置但非常重要的工作把模糊需求里的隐藏约束显化为可执行需求。如果这一步没做好后面 Skill 写得再规整也只是把错误的问题定义写得更漂亮而已。四、Codex 更适合把约束做成符合 Skill 机制的结构当需求已经被相对说清楚之后Codex更擅长把这些约束真正落实为一个符合 Skill 机制的产物。这里的“符合 Skill 机制”不是简单指“目录建出来了”而是指它更贴近 Skill 这套体系本来的设计。1. 更贴近按需加载Codex 的skill-creator很强调一句话默认假设模型已经足够聪明只补充它本来不知道、但执行任务时必须知道的信息。这句话看起来很朴素但它实际上对应的是 Skill 最重要的一个特征不要把所有知识一次性塞进上下文而要让信息按层出现。也就是上一篇所说的“渐进式披露”。于是你会看到Codex 生成和组织 Skill 时会天然更贴近这样的结构• 触发层只说什么时候该用•SKILL.md只保留行动原则和关键约束• 细节知识拆进references/• 脆弱步骤交给脚本处理这会让最终的 Skill 更像一个真正的“按需加载工具”而不是一篇堆满背景资料的长文档。2. 更擅长把自由度放在合适的位置上一篇很重要的一点就是skill-creator对自由度的处理。不是所有事情都适合让模型自由发挥。真正重要的是• 对需求理解这种高不确定问题要给模型足够空间• 对格式、结构、校验这种低不确定问题要尽量收紧自由度Codex 的skill-creator在后者上尤其稳定。它更像是在做一件工程上很重要的事把那些不值得继续让模型反复判断的部分尽量变成确定的结构、模板和校验。所以如果说 Claude 更像是在“帮你把问题想清楚”那 Codex 更像是在“帮你把东西做扎实”。五、自然导向的一条实践路径先显化需求再固化 Skill走到这里我觉得最有价值的结论已经不是• Claude 更强• 或者 Codex 更强而是在 Skill 创建这条链路里二者更合适的用法不是替代关系而是串联关系。也就是第一步先用 Claude 处理模糊需求先不要急着生成 Skill。先让它做这些事• 帮你识别需求里没说透的目标• 帮你补齐真正的风险点和边界• 帮你把“感觉上想要的东西”翻译成明确约束• 最终沉淀成一份结构化需求说明第二步再用 Codex 的 skill-creator 创建或更新 Skill当需求已经相对清晰以后再进入 Skill 创建阶段。这时 Codex 更适合做这些事• 组织 Skill 的层级结构• 压缩冗余信息保留真正必要的上下文• 把高自由度内容和低自由度步骤分开• 生成更符合按需加载特征的 Skill• 在更新时保持结构稳定不让 Skill 越写越胖这条路径背后的逻辑其实很自然•Claude 负责把需求挖出来•Codex 负责把需求固化下来这样一来前半段的模糊性被先处理掉了后半段的结构化质量也更容易保证显式化了一条可以直接落地的工作流用 Claude 做模糊需求挖掘用 Codex 的 skill-creator 做 Skill 的创建和更新。最后唠两句为什么AI大模型成为越来越多程序员转行就业、升职加薪的首选很简单这些岗位缺人且高薪智联招聘的最新数据给出了最直观的印证2025年2月AI领域求职人数同比增幅突破200% 远超其他行业平均水平整个人工智能行业的求职增速达到33.4%位居各行业榜首其中人工智能工程师岗位的求职热度更是飙升69.6%。AI产业的快速扩张也让人才供需矛盾愈发突出。麦肯锡报告明确预测到2030年中国AI专业人才需求将达600万人人才缺口可能高达400万人这一缺口不仅存在于核心技术领域更蔓延至产业应用的各个环节。那0基础普通人如何学习大模型 深耕科技一线十二载亲历技术浪潮变迁。我见证那些率先拥抱AI的同行如何建立起效率与薪资的代际优势。如今我将积累的大模型面试真题、独家资料、技术报告与实战路线系统整理分享于此为你扫清学习困惑共赴AI时代新程。我整理出这套 AI 大模型突围资料包【允许白嫖】✅从入门到精通的全套视频教程✅AI大模型学习路线图0基础到项目实战仅需90天✅大模型书籍与技术文档PDF✅各大厂大模型面试题目详解✅640套AI大模型报告合集✅大模型入门实战训练这份完整版的大模型 AI 学习和面试资料已经上传CSDN朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】①从入门到精通的全套视频教程包含提示词工程、RAG、Agent等技术点② AI大模型学习路线图0基础到项目实战仅需90天全过程AI大模型学习路线③学习电子书籍和技术文档市面上的大模型书籍确实太多了这些是我精选出来的④各大厂大模型面试题目详解⑤640套AI大模型报告合集⑥大模型入门实战训练如果说你是以下人群中的其中一类都可以来智泊AI学习人工智能找到高薪工作一次小小的“投资”换来的是终身受益应届毕业生无工作经验但想要系统学习AI大模型技术期待通过实战项目掌握核心技术。零基础转型非技术背景但关注AI应用场景计划通过低代码工具实现“AI行业”跨界。业务赋能 突破瓶颈传统开发者Java/前端等学习Transformer架构与LangChain框架向AI全栈工程师转型。获取方式有需要的小伙伴可以保存图片到wx扫描二v码免费领取【保证100%免费】
收藏这篇！大模型Skill开发实战：从模糊需求到高质量AI工具的转化艺术
本文探讨了如何将模糊需求转化为高质量AI Skill。作者对比了Claude和Codex两种工具的特点Claude擅长挖掘模糊需求中的隐藏约束Codex擅长将清晰需求转化为符合Skill机制的结构化产物。文章提出实践路径先用Claude处理模糊需求明确真实意图和约束再用Codex的skill-creator创建或更新Skill确保结构合理、按需加载。这种串联方式能有效解决需求模糊时Skill创建的难题提高开发效率和质量。里面有两个关键的定义•渐进式批露Skill 为什么要做渐进式披露•自由度给 AI 的指令为什么要控制自由度但是我们即使知道好 Skill 的原则也不一定能把一个 Skill 写好。因为在真实场景里用户给出的往往不是一份完善的需求文档而是一段带着省略、跳跃甚至模糊表述的需求描述。表述的是自己想要一个xxx场景的 Skill但真正想解决的常常是那个没有表述清楚的模糊需求。所以这篇文章我想解决的问题是当需求本身还是模糊的我们到底应该怎么使用 skill-creator这也是我这轮同时使用观察 Claude 和 Codex 两套skill-creator时尝试去弄清楚的事如何把模糊需求比较稳定地沉淀为一个高质量 Skill。最后得到的实践结论是下图解决了两个问题• 模糊需求应该先由谁来拆开• 拆出来的约束后面又该由谁来沉淀成 Skill一、把需求说清楚很多人第一次接触skill-creator很自然会把问题理解成“我怎么让 AI 帮我生成一个 Skill”但如果真的做过几次就会发现难点并不主要在“生成”这一步。真正难的是用户说出来的需求往往不是他完整的真实需求。比如用户可能会这样说• “帮我给这个项目做一个 Skill”• “以后这个目录下的需求你都要懂”• “你做方案时要考虑全局”表面上看他是在提一个“创建 Skill”的需求。但如果往深一层看这里面往往还藏着几层没有明说的约束• 这个项目不是单模块而是一个多模块协同系统• 用户真正担心的不是 AI 不会改而是 AI只会局部改• 他想沉淀的不是一次回答而是一套长期复用的项目知识• 他希望以后每次动手前AI 都先理解全局关系而不是只盯住眼前这个目录也就是说问题从一开始就不是“怎么生成文件”而是怎么把一段模糊表达翻译成一套真正可执行的约束。而这一步恰恰决定了后面 Skill 会不会做偏。二、由谁去解决什么问题带着这个问题再去看 Claude 和 Codex就会发现一个很关键的区别。如果只看名字它们都叫skill-creator看上去好像在做同一件事。但把分析实际处理过程和各自的设计会发现它们优先解决的问题并不一样。同样面对一个模糊需求•Claude更容易先停下来理解“用户真正担心什么”•Codex更容易先进入执行状态把需求落成结构化的 SkillClaude 和 Codex 擅长解决的不是同一个问题。三、Claude 更容易把隐藏需求挖出来Claude在面对模糊表达时会先去挖掘隐藏需求。比如当我说“你做方案时要考虑全局”时这句话本身其实还是比较抽象的。但在需求理解更深入的时候它往往会被翻译成更具体的约束• 修改一个模块前要先判断会不会影响其他模块• 涉及接口、事件、数据模型时要检查上下游是否同步变化• 不能只围绕单个目录做局部最优方案• 这个 Skill 的目的不是介绍项目而是防止 AI 做出孤立修改这里最有价值的并不是“句子更完整了”而是问题定义被改写了。原来我们以为要创建的是一个“项目介绍型 Skill”到这里才发现真正该创建的其实是一个“全局影响分析型 Skill”。这两者表面上只差几个词但后面的 Skill 结构会很不一样。所以 Claude 在这里的好处不只是“更会表达”而是它更容易帮助我们完成一件前置但非常重要的工作把模糊需求里的隐藏约束显化为可执行需求。如果这一步没做好后面 Skill 写得再规整也只是把错误的问题定义写得更漂亮而已。四、Codex 更适合把约束做成符合 Skill 机制的结构当需求已经被相对说清楚之后Codex更擅长把这些约束真正落实为一个符合 Skill 机制的产物。这里的“符合 Skill 机制”不是简单指“目录建出来了”而是指它更贴近 Skill 这套体系本来的设计。1. 更贴近按需加载Codex 的skill-creator很强调一句话默认假设模型已经足够聪明只补充它本来不知道、但执行任务时必须知道的信息。这句话看起来很朴素但它实际上对应的是 Skill 最重要的一个特征不要把所有知识一次性塞进上下文而要让信息按层出现。也就是上一篇所说的“渐进式披露”。于是你会看到Codex 生成和组织 Skill 时会天然更贴近这样的结构• 触发层只说什么时候该用•SKILL.md只保留行动原则和关键约束• 细节知识拆进references/• 脆弱步骤交给脚本处理这会让最终的 Skill 更像一个真正的“按需加载工具”而不是一篇堆满背景资料的长文档。2. 更擅长把自由度放在合适的位置上一篇很重要的一点就是skill-creator对自由度的处理。不是所有事情都适合让模型自由发挥。真正重要的是• 对需求理解这种高不确定问题要给模型足够空间• 对格式、结构、校验这种低不确定问题要尽量收紧自由度Codex 的skill-creator在后者上尤其稳定。它更像是在做一件工程上很重要的事把那些不值得继续让模型反复判断的部分尽量变成确定的结构、模板和校验。所以如果说 Claude 更像是在“帮你把问题想清楚”那 Codex 更像是在“帮你把东西做扎实”。五、自然导向的一条实践路径先显化需求再固化 Skill走到这里我觉得最有价值的结论已经不是• Claude 更强• 或者 Codex 更强而是在 Skill 创建这条链路里二者更合适的用法不是替代关系而是串联关系。也就是第一步先用 Claude 处理模糊需求先不要急着生成 Skill。先让它做这些事• 帮你识别需求里没说透的目标• 帮你补齐真正的风险点和边界• 帮你把“感觉上想要的东西”翻译成明确约束• 最终沉淀成一份结构化需求说明第二步再用 Codex 的 skill-creator 创建或更新 Skill当需求已经相对清晰以后再进入 Skill 创建阶段。这时 Codex 更适合做这些事• 组织 Skill 的层级结构• 压缩冗余信息保留真正必要的上下文• 把高自由度内容和低自由度步骤分开• 生成更符合按需加载特征的 Skill• 在更新时保持结构稳定不让 Skill 越写越胖这条路径背后的逻辑其实很自然•Claude 负责把需求挖出来•Codex 负责把需求固化下来这样一来前半段的模糊性被先处理掉了后半段的结构化质量也更容易保证显式化了一条可以直接落地的工作流用 Claude 做模糊需求挖掘用 Codex 的 skill-creator 做 Skill 的创建和更新。最后唠两句为什么AI大模型成为越来越多程序员转行就业、升职加薪的首选很简单这些岗位缺人且高薪智联招聘的最新数据给出了最直观的印证2025年2月AI领域求职人数同比增幅突破200% 远超其他行业平均水平整个人工智能行业的求职增速达到33.4%位居各行业榜首其中人工智能工程师岗位的求职热度更是飙升69.6%。AI产业的快速扩张也让人才供需矛盾愈发突出。麦肯锡报告明确预测到2030年中国AI专业人才需求将达600万人人才缺口可能高达400万人这一缺口不仅存在于核心技术领域更蔓延至产业应用的各个环节。那0基础普通人如何学习大模型 深耕科技一线十二载亲历技术浪潮变迁。我见证那些率先拥抱AI的同行如何建立起效率与薪资的代际优势。如今我将积累的大模型面试真题、独家资料、技术报告与实战路线系统整理分享于此为你扫清学习困惑共赴AI时代新程。我整理出这套 AI 大模型突围资料包【允许白嫖】✅从入门到精通的全套视频教程✅AI大模型学习路线图0基础到项目实战仅需90天✅大模型书籍与技术文档PDF✅各大厂大模型面试题目详解✅640套AI大模型报告合集✅大模型入门实战训练这份完整版的大模型 AI 学习和面试资料已经上传CSDN朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】①从入门到精通的全套视频教程包含提示词工程、RAG、Agent等技术点② AI大模型学习路线图0基础到项目实战仅需90天全过程AI大模型学习路线③学习电子书籍和技术文档市面上的大模型书籍确实太多了这些是我精选出来的④各大厂大模型面试题目详解⑤640套AI大模型报告合集⑥大模型入门实战训练如果说你是以下人群中的其中一类都可以来智泊AI学习人工智能找到高薪工作一次小小的“投资”换来的是终身受益应届毕业生无工作经验但想要系统学习AI大模型技术期待通过实战项目掌握核心技术。零基础转型非技术背景但关注AI应用场景计划通过低代码工具实现“AI行业”跨界。业务赋能 突破瓶颈传统开发者Java/前端等学习Transformer架构与LangChain框架向AI全栈工程师转型。获取方式有需要的小伙伴可以保存图片到wx扫描二v码免费领取【保证100%免费】
