.png)
很多人一听到“创建 Skill”，第一反应都是：这是不是要会写代码？是不是要懂很多复杂配置？这是不是程序员的专属玩法？
其实未必。如果你已经会用 Claude Code、Codex CLI，或者 OpenClaw（龙虾）这类 AI 智能体，那你离“做一个自己的 Skill”，差的往往不是技术，而是一个清楚的方法。
我在我知识库的《普通用户的 Skill 创建指南》里写过一句话：普通人创建 Skill，重点不是先学技术，而是先把需求说清楚。 在我看来，Skill 更像是一份写给 AI 的“岗位说明书”：你要它在什么场景下出现，替你完成什么工作，最后交付成什么结果。
这篇文章，我不想空讲概念，而是直接拿我自己做的一个 数据分析 Skill 来举例。因为我日常工作里，本来就有大量重复的数据分析任务：清洗数据、搭指标、看趋势、找异常、做归因、提炼洞察，最后再整理成报告。表面看每次分析内容不同，但底层其实是同一件事：流程非常重复。
而重复流程，恰恰就是最适合做成 Skill 的东西。
真正开始前，先回答 3 个问题
如果你看过《普通用户的 Skill 创建指南》，应该记得最核心的那套方法；如果还没看过，也没关系，先把这篇看完就够了。在真正创建 Skill 之前，先别急着动手，先把这 3 个问题想清楚：
- 我要解决什么重复性问题？
- 这个 Skill 会在什么情况下被触发？
- 我希望它最后输出成什么样？
很多人做 Skill 做到后面越来越乱，不是因为 AI 不行，而是因为一开始就没想清楚。比如你一上来就说“帮我做一个数据分析 Skill”，这句话当然也能做，但它太大了。AI 可能理解成帮你写 SQL、看指标、画图、做归因、写报告，甚至做 BI 看板。它们都算“数据分析”，但显然不是同一件事。
所以我这次做数据分析 Skill 时，也是严格按这 3 个问题往下拆的。
第一个问题：我要解决什么重复性问题？
先说我的真实工作流。平时拿到一份业务数据，我通常不会直接下结论，而是先走一套固定动作：先看字段和数据质量，再做基础统计，再看趋势变化，再找异常点，然后按区域、渠道、时间等维度拆分，最后把结果整理成图表和报告。
比如一份销售数据，我经常会连续追着看这些问题：这个月整体是涨了还是跌了？哪一天波动最大？是整体下滑，还是某个区域拖了后腿？订单和销售额有没有明显相关性？最后到底该给业务什么建议？
你会发现，这里真正重复的，不是“业务答案”，而是分析路径。
所以我给这个 Skill 下的定义非常明确：
把“数据清洗 → 基础统计 → 趋势分析 → 异常检测 → 分组对比 → 图表生成 → 报告输出”这一整套流程，固定成一个可重复执行的能力。
这个定义很重要。因为它决定了，这个 Skill 不是一个“随便帮我分析一下”的泛助手，而是一个 从原始数据走到分析报告的执行器。你可以把它理解成：不是陪我讨论，而是替我交付。
也正因为如此，我一开始就没有把它做成“大而全”的万能助手。Skill 最怕的就是边界不清，什么都想做。越大越不稳，越宽越难触发，越想什么都做，最后越容易什么都做不好。普通用户做 Skill，第一步一定不是“做万能工具”，而是先把一个高频、重复、边界清楚的问题做透。我的这个数据分析 Skill，解决的就是这一件事：把一份数据，从原始表格推进成一份结构化分析报告。
第二个问题：它会在什么情况下被触发？
做过 Skill 的人应该都有一个共同感受：有时候明明已经把 Skill 做好了，但 AI 偏偏不用。大多数时候，不是 Skill 本身有问题，而是触发条件写得不够清楚。
所以第二步必须想清楚：未来我会怎么叫它出来干活？
我把这个数据分析 Skill 的常见使用场景总结成了 3 类：
1）周期性分析
比如：帮我分析这个月的销售数据、跑一版周报分析、生成一份数据复盘报告。这类需求最适合做 Skill，因为它会反复发生。
2）异常排查
比如：这几天数据为什么突然掉了、帮我找一下异常点、看看哪段时间波动最大。这种场景不一定天天有，但一旦出现往往很急。Skill 的价值，就是先快速把结构跑出来，减少你临时从零开始的时间。
3）业务复盘
比如：这个活动效果怎么样、哪个区域贡献最高、哪个渠道拖了后腿。这种需求本质上也很固定：看整体、拆维度、找差异、提建议。
另外，触发词一定要写得“稍微贪心一点”。因为你今天可能会说“帮我分析这份数据”，明天可能说“跑一下这个月销售分析”，后天又可能说“看看这组数据有没有异常”。如果你的 Skill 只覆盖其中一种说法，那它就很容易触发不到。
所以我在这个 Skill 里，会尽量把常见表达都覆盖进去，比如：
- 帮我分析这份数据
- 生成一份分析报告
- 看看趋势和异常
- 跑一下销售分析
- 做个数据复盘
你可以把这一步理解成：提前替未来的自己想好“召唤口令”。 触发条件越贴近日常语言，这个 Skill 就越容易真的被用起来。
第三个问题：我希望它最后输出成什么样？
这是最容易被忽略，但其实最影响体验的一步。因为很多人会说：“帮我做个分析就行。” 问题是，“分析就行”这 4 个字，几乎没有任何约束力。AI 可以只给你一段文字，也可以给你几张图，也可以说几句模糊结论，甚至可能只是在复述数据。
如果你自己都没想清楚“一个好结果到底长什么样”，AI 就只能猜。
所以我做这个 Skill 的时候，一开始就把输出拆成了 3 层。
第一层：必须有固定分析步骤
它不能今天看趋势、明天漏异常、后天又忘了分组对比。所以我把它的分析主线固定成：基础统计、数据质量检查、趋势分析、异常检测、分组分析、相关性分析。也就是说，不管你丢给它的是销售数据、运营数据还是活动数据，它都会先按这条主线走一遍。
第二层：必须有图，而且图不是随便画
数据分析里一个很常见的问题是：分析师自己看懂了，但业务方看不懂。所以我给这个 Skill 的要求，不是“会画图”，而是：图表要能承载结论。 比如趋势图，不只是画一条线，而是要让人一眼看出整体趋势是上升还是下降、哪些时间点波动明显、关键事件发生在什么时候。
第三层：必须最后交付成一份报告
因为真实工作里，分析做完并不代表工作结束，你最后通常还要把结果交给别人看。如果一个 Skill 跑完以后，只给你一堆终端输出、几张零散图片、一个没整理的表格，那你其实还得自己再加工一轮。
所以我的目标很明确：这个 Skill 最后要产出的是一份结构化报告。 报告里至少要有：核心摘要、KPI 卡片、图表和对应结论、异常检测结果、分组明细、行动建议。你可以把它理解成：它不是“帮我算一下”，而是“帮我交一份像样的作业”。
到这里，其实 Skill 已经被设计出来了
很多人以为创建 Skill，是从写文件开始的。其实不是。真正的设计，发生在你回答这 3 个问题的时候。
等这 3 个问题回答清楚以后，后面的事反而简单了。因为你已经知道：这个 Skill 解决什么问题、它在什么场景被调用、它最后要交付什么结果。这时候 AI 再去帮你生成 SKILL.md、补齐流程规则、约束输出格式，就会顺很多。
这也是为什么我一直强调：你负责把需求讲清楚，AI 负责把它做出来。
我是怎么把这个数据分析 Skill 落地的？
上面讲的是“怎么想”，下面讲“怎么落”。我这个数据分析 Skill，不是只写了一段提示词就结束，而是把整条分析链路拆成了几个稳定模块。你不用把它理解得太技术，简单理解就行：
- SKILL.md：规定它是谁、什么时候触发、按什么规则工作
- 分析引擎：负责把基础统计、趋势、异常、分组、相关性等步骤跑完
- 图表模块：负责把结果变成趋势图、饼图、柱状图等
- 报告模块：负责把图表和结论装配成一份完整报告
- 示例脚本：负责把整套流程串起来，证明它真的能跑通
用一个真实场景举例
比如我手里有一份 Q1 销售数据，包含日期、销售额、订单量和区域。以前我处理这种数据，大概率是先打开表格，再写 pandas 代码，再画图，再手动写结论，最后整理到报告里。整个过程并不算特别难，但非常碎，而且每次都要重来一遍。
现在这个 Skill 会直接把这条链路接过去：自动看整体趋势、自动识别异常波动、自动比较不同区域、自动看订单和销售额的关系、自动生成图表、自动整理成一份 HTML 报告。
更重要的是，这不是停留在“想法”层面，而是真的已经能跑出结果。比如我用一份 Q1 销售样例数据跑下来，报告顶部会直接给出核心摘要：Q1 总销售额大约 120 万，整体呈明显上升趋势，华东区域贡献最高，订单量和销售额呈强相关。 继续往下看，还能看到一次比较清晰的异常：2 月中旬出现了明显下滑，主要拖累来自华南区域，复盘后发现当周渠道供给不足；而 3 月在新渠道起量后，整体数据又被拉了回来。 也就是说，它给我的不只是“图画出来了”，而是把“发生了什么、可能为什么、下一步看哪里”一起整理好了。
再往下，它会继续把结果拆开：
- 用趋势图标出 2 月的一次明显下滑波动
- 用区域占比图看出头部区域和尾部区域的差距
- 用月度对比图看出 3 月相对 1 月有明显增长
- 最后补上“是否要盯区域、要不要复盘异常、要不要做预警”的建议
这就是我为什么觉得它特别适合拿来做案例。因为它不是一个抽象“能力”，而是一个能看见输入、也能看见输出、还能对上真实业务动作的工具。
这个 Skill 的结果到底长什么样？
为了让你更容易感受到这个案例不是纸上谈兵，我把它最后会交付的结果，拆成几个最容易理解的部分。
1）顶部摘要
先用几句话把最重要的信息讲清楚，比如 Q1 总销售额是多少、整体趋势是上升还是下降、哪个区域贡献最高。业务方不用先看细节，抬头就能抓重点。下面就是这个 Skill 生成报告时的实际效果。
2）KPI 卡片
把几个关键指标单独拎出来，比如总销售额、日均销售额、环比增长率、趋势显著性。这样一来，报告不是一大段字，而是能快速扫读。下面这张图就是报告里的 KPI 卡片区。
3）图表 + 结论配对
这是我很看重的一点。我不希望最后只给图不给话，也不希望只给话不给依据。所以每张图下面，都会尽量配对应结论。比如趋势图下面写清楚整体是上升还是下降，饼图下面写清楚哪个区域领先、差距多大，柱状图下面写清楚月度变化是否明显。这样报告更像一个成熟分析师交出来的东西，而不是一堆“素材”。下面这张图就是图表和结论配套出现时的效果。
4）行动建议
这是很多人做分析时最容易漏掉的一步。数据不是看完就结束，最后还得回答一句：所以接下来该怎么办？ 我会让这个 Skill 尽量往前多走一步，给出建议型输出，比如是否要重点盯某个区域、是否要复盘某次异常波动、是否应该建立预警机制。下面这张图对应的，就是报告最后的行动建议部分。
如果你想看这个 Skill 实际生成出来的报告完整效果，可以通过 阅读原文 查看案例。
如果你也想照着做，一个最小可执行的方法就够了
很多人看完案例以后，还是会卡在一句话上：那我到底该怎么开始？
其实不用想太复杂，你完全可以照着下面这 4 步来：
第 1 步：先找一个你反复在做的任务
不要上来就想做一个万能 Skill。先找一个你每周都会做、流程又比较固定的任务，比如写周报、整理会议纪要、做复盘、分析数据、汇总候选人反馈。
第 2 步：把触发场景写成日常语言
别只写一种说法，要把你平时最常说的几种表达都列出来。因为 Skill 不是写给自己看的，而是为了以后真的能顺手触发。
第 3 步：把结果写具体
不要只说“帮我做得专业一点”“帮我分析一下”。你最好直接告诉 AI：要有摘要、要有 KPI、每张图下面要有一句结论、最后要有行动建议。你越具体，Skill 越稳。
第 4 步：先做出第一版，再边用边改
第一版 Skill 不完美，太正常了。真正好用的 Skill，几乎都是用了几次以后，一点点改出来的。你发现触发词不够全、输出格式不稳定、结论太空，那就继续补。
这 4 步看起来很普通，但它们非常有效。因为 Skill 不是一次性交付物，它更像一个会随着你工作习惯不断进化的个人工具。
你可以把这件事理解成：我把自己的工作方法教给了 AI
说到底，我做这个数据分析 Skill，不是在凭空创造一个新能力。我做的其实是：把自己平时做数据分析时的顺序、判断标准、表达方式和交付习惯，整理出来，再交给 AI 固化。
这件事特别像带新人。如果一个新人第一天来做数据分析，你不会只跟他说“你去分析一下”。你一定会告诉他：先看什么，再看什么，异常怎么判，图表怎么出，结论怎么写，最后怎么交付。
Skill 本质上，就是把这套“带人经验”，写成 AI 能长期执行的版本。所以如果你是普通用户，完全可以把创建 Skill 换个更轻松的理解方式：不是在写程序，而是在训练一个会按你习惯做事的 AI 助手。
为什么这个案例特别适合普通人参考？
因为它并不是程序员才会遇到的场景。你仔细想想，很多普通人的工作，其实都符合这个结构：运营每周都要写复盘，销售要整理客户跟进记录，行政要整理会议纪要，HR 要做候选人总结，老师要汇总课堂反馈。
这些工作的共同点，不是“特别难”，而是“特别重复”。只要一件事情你会反复做，而且你能把标准说清楚，它就有机会被做成 Skill。
所以你不一定非要做数据分析 Skill，但你完全可以借用我这个案例背后的方法：找一个真正重复的任务，想清楚触发场景，想清楚结果长什么样，再让 AI 帮你把它固化下来。真正重要的，不是你做的是哪个 Skill，而是你有没有学会这套拆问题的方法。
最后再说回最重要的那句话
如果你问我，普通用户创建 Skill，最关键的能力是什么？我会说，不是代码能力，也不是配置能力，而是：你能不能把自己真正想要的东西，说清楚。
只要你能把下面 3 件事说明白：我要解决什么重复问题，它在什么情况下出现，我希望它最后输出成什么样，那 AI 其实已经能帮你完成一大半了。
我这个数据分析 Skill，就是这样做出来的。不是因为我先写了多少复杂代码，才有了它；而是因为我先把问题想清楚了，才知道该让 AI 帮我把什么能力固定下来。
所以如果你也想做自己的第一个 Skill，不妨就从你最熟悉、最常重复的一件事开始。别想着一步登天，先把一个小而明确的问题解决掉。
当你真的做出第一个能用的 Skill，你就会发现：原来 Skill 不是程序员的专属工具，它其实是普通人把经验变成资产的一种方式。
如果你想试试这个数据分析 Skill
如果你正好也有类似需求，比如：想快速看一份业务数据、想自动生成带图表的分析报告、想把重复的数据分析流程固化下来，可以在公众号后台回复：数据分析。
我会把这个 Skill 的下载链接，以及我自己整理这套 Skill 时用到的一个简单模板，一起放出来。
另外，这个 Skill 实际生成出来的报告案例，也可以 点击这里 查看。
如果你之前一直觉得“创建 Skill”这件事离自己很远，那我希望这篇文章，至少能帮你把它拉近一点。因为很多时候，普通人缺的不是能力，而只是一个开始的方法；而 Skill，恰好就是一个很适合开始的地方。
参与讨论
(Participate in the discussion)
参与讨论