模型能力跃升之下，我们该重新思考什么

最近与多个AI团队交流时发现了一个有趣的现象：前阵子大家还在热衷于分享和收藏各种Skill，看到好用的就收藏一个，发现某个流程能复用就想封装起来，恨不得给自己的Agent装满一整套技能库。但最近开始出现了另一种声音——有些人开始主动删除之前装的那些Skill了。倒不是它们突然不能用了，而是随着模型能力不断提升，大家开始重新算一笔账：那些原本需要专门教给AI的事情，它是不是已经自己会做了？如果一个模型已经能顺着正常的语言理解需求、拆解任务、挑选工具，我们还有必要为每一件小事都准备一份详细的操作说明书吗？

模型能力跃升重塑技术价值

当模型越来越强，Skill的价值正在经历重新评估。过去我们封装Skill，本质上是把已验证过的工作方法固化下来，避免每次都从头描述。这是合理的工程实践。但模型也在快速进步——一些过去需要反复强调的通用步骤，现在只要把目标描述清楚，它就能自己完成。最近大家讨论用 Opus 配合视频工具做剪辑，也是类似的变化：过去大量操作都得靠手，现在只要素材、工具和工作环境齐备，AI已经能根据自然语言指令完成相当一部分制作工作。但这里有个关键问题：AI可以帮你剪视频，可它知道你为什么要剪这条视频吗？同样一段素材，剪得热血一点还是克制一点，是两种答案；追求快节奏的视觉冲击，还是保留人物说话时的停顿和情绪，又是另外两种答案。这些并不完全是技术问题，而是关于你想表达什么、希望观众产生什么感受的选择。

Prompt的价值在于意图表达而非技巧

有意思的是，随着Skill价值的变化，Prompt又重新成为讨论焦点。但这种讨论的本质已经不同了。刚开始接触AI时，大家喜欢研究提示词公式：角色怎么设定、步骤怎么安排、示例给几个合适。后来Agent和Skill普及，我们又开始封装反复使用的方法。现在Prompt重新被关注，并不是因为我们需要学更复杂的提示词公式。真正重要的是，你能不能把自己的意图讲清楚，以及有没有能力判断最后的结果。一个东西越火，越容易变成AI批量生产的产物。最近有人提出：只要AI把一个东西做到了60分，这个东西就变成了0分。这话虽然偏激，但揭示了一个真相——当技术实现越来越容易，真正的价值会转移到别处。那些需要严格验证流程的Skill可能依然有价值，但如果某个Skill提供的无非是一套模型早就掌握的通用操作，它的独特价值就会越来越薄。

Personal Agent应该继承什么

顺着这个问题往下思考，Personal Agent（个人智能体）的发展方向变得尤为重要。过去我们用AI，很多时候是在反复介绍自己：我是谁、在做什么、习惯什么样的表达、手上攒着哪些经验。换一个对话或换一个工具，可能又得从头来一遍。如果未来真有一个长期陪着自己的Agent，它应该继承自己的什么？目前有两种思路值得探索。一种是使用本地知识管理工具管好自己的笔记、资料和项目经验，通过合适的同步方式让经过授权的Agent按需访问。另一种是把Skill、脚本和方法整理到代码仓库里，做好命名、说明和版本管理，让Agent通过检索机制找到它们。前者偏向积累个人的知识和上下文，后者更像是把验证过的工作方法整理成随时可以调用的能力。但两者都指向一个更深层的问题：那些不一定讲得清楚、却一直影响我们做选择的审美和判断，是否也应该被记录下来？如果一个Agent只是知道你收藏过哪些文章、读过哪些书，它了解的其实只是你的一小部分。但如果它知道为什么你偏爱某种表达方式，为什么某个方案虽然能用却坚持再改一版，为什么有些机会看起来很赚钱却不打算参与——这些东西放在一起，才可能慢慢接近一个人真正的思考方式。

技术易复制，信任难求

当技术越来越容易被复制，开源的价值也变得耐人寻味。一些过去专业门槛很高的技术工作，正在变得更容易接近。既然技术可以复制，为什么还有那么多人愿意开源？一方面是注意力——在AI时代，实现本身的门槛在下降，你今天做出一个很厉害的功能，可能过不了多久就有人换一条路做出来。开源提供了另一种可能：别人因为你的项目认识你，因为你的方法真的解决了问题而关注你，因为你持续分享新的思考而慢慢相信你的专业能力。代码可以复制一份，但人与人之间建立起来的认知和信任不能。另一方面，在信息爆炸的时代，能被看见本身就是一种能力。但注意力和信任不是同一回事——一个夸张的标题可以让人点进来，一段惊艳的演示可以让项目突然走红，可要让别人愿意长期关注你、反复用你的工具，甚至把重要的事交给你，靠的往往不是那一次惊艳，而是你的东西确实有用、方法经得起验证、你愿意承认自己哪里做得不够好。

绕了一圈，我们又回到了最根本的问题：当模型越来越强、Skill价值趋近于零，我们究竟应该积累什么？技术会被复制，方法会被封装，但来自真实生活的观察、经过反复实践才立得住的判断、曾经非常坚持后来被现实修正过的想法，这些东西不会过时。如果AI真的越来越擅长解决「怎么做」，我们或许就能把更多精力拿回来，去想「为什么要做」，想什么事情值得做，想我们究竟希望这些越来越强的技术被用来创造什么样的生活。这些问题大概不存在一劳永逸的答案，但它们值得一直讨论、持续更新。