很多公司已經讓員工使用 AI，卻仍然把關鍵判斷留在少數人的腦中；人一離開，流程就退回原點。
真正的 AI 轉型，不是收集更多提示詞，而是把經驗拆成原則、流程與驗證機制，封裝成能被重複執行與持續維護的 Skill。
▋ Belief：買工具不等於累積企業能力
你的公司是在使用 AI，還是在累積能被 AI 重複執行的企業能力？這兩件事看起來相似，結果卻完全不同：前者依賴個別員工的臨場發揮，後者會把做事方法留下來，讓下一個人、下一次任務與下一個 Agent 都能沿用。
Antigravity 的 Skill 結構提供了一個容易理解的框架：SKILL.md 保存核心指令與判斷原則，scripts/ 放置需要穩定執行的輔助程式，examples/ 提供成品範例，resources/ 補充參考資料。它就像把資深同事的腦內工作方式，整理成一本會附工具與案例的數位作業手冊。
提示詞解決一次對話，Skill 保存一種做事能力；真正值錢的不是答案，而是答案能否被穩定重做。
但把文件塞進資料夾，仍不等於知識已被封裝。企業經驗通常包含三種不同內容：第一種是不可違反的原則，例如隱私與權限；第二種是可以依序執行的流程；第三種是只有在特定情境下才適用的判斷。若三者混成一大段文字，Agent 可能看得懂，團隊卻很難驗證與維護。
從 25 種 Skill 看見的不是工具數量，而是能力分工
素材中的 25 個 Skills 橫跨架構、除錯、測試、安全、雲端、文件與設計。這個分類透露一個重要原則：不要打造一個什麼都做的超大型 Skill，而要依工作責任切分能力，讓每個 Skill 有明確觸發條件、輸入、產出與停止邊界。
例如，架構設計 Skill 負責系統邊界與介面；除錯 Skill 依問題定義、資訊收集、假設與驗證推進；程式碼審查 Skill 則檢查正確性、邊緣案例、效能與安全。當責任分開後，企業才能知道錯誤發生在哪一層，也能只更新受影響的那一份能力。
▋ Desire：讓經驗離開某個人的腦，仍保有判斷品質
企業主真正害怕的，不只是資深員工離職，而是團隊每天都在做重要工作，卻沒有留下可以交接的資產。客服知道如何安撫客訴、業務知道哪種需求是假機會、行政知道哪一步最容易出錯，但這些判斷若只靠口耳相傳，就會形成昂貴的單點故障。
理想狀態不是讓 AI 完全取代資深員工，而是把他們的重複判斷交給系統，把例外與高風險決策保留給人。如此一來，新人能從一致的起點工作，資深人員能把注意力放在真正需要經驗的問題，管理者也能看見流程何時被修改、依據是什麼。
一個可交接 Skill 應交付四種價值
- 一致性：同類任務依相同檢查清單處理，不因操作人不同而大幅變形。
- 可教學性：使用生活化類比與範例，讓非技術同事理解 API 像餐廳選單、資料庫像有索引的圖書館，而不是背誦術語。
- 可驗證性：每次產出都附上完成條件與檢查結果，不把「Agent 說成功」當成成功。
- 可維護性：流程、指令碼、範例與參考資料分開管理，更新其中一層時不必重寫全部內容。
從財務角度看，Skill 的投資報酬不能只用「省了幾分鐘」估算。還要計入新人訓練、錯誤重工、主管覆核、知識流失與服務品質波動。高頻、規則明確、錯誤代價可控的流程，通常最適合優先封裝；低頻、變化極大或涉及重大授權的工作，則應先做決策輔助，不宜急著全自動化。
▋ Intention：用三層方法封裝第一個企業 Skill
第一層：從真實工作取樣，而不是憑空寫理想流程
1，選擇任務：挑一個每週重複發生、輸入相對固定、已有熟手執行的流程，例如會議摘要、初步客服分類或文件品質檢查。不要從最重要、最敏感、最不可逆的任務開始。
2，訪談熟手：請熟手實際完成三次任務，邊做邊說出判斷。特別追問「什麼情況下你會停下來」「哪一種輸入最容易誤判」「哪些結果一定要主管確認」，因為真正的專業往往藏在例外處理，而不是標準步驟。
3，收集證據：保存去識別化的好案例、失敗案例與邊緣案例。沒有案例的規則容易變成抽象口號，也無法用來驗證 Agent 是否真的理解。
第二層：拆成原則、程序與資源
1，原則寫進 SKILL.md：清楚定義何時啟用、允許做什麼、禁止做什麼、完成條件與人工介入條件。內容要像任務契約，而不是充滿鼓勵語句的長篇說明。
2，穩定步驟放進 scripts：凡是需要精確重複、格式轉換或機械檢查的工作，優先交給指令碼。自然語言適合判斷與說明，程式適合計數、驗證與確定性操作，兩者不該互相冒充。
3，案例與資料分開：把示範成品放入 examples/，較長的政策、模板與術語表放入 resources/。這能降低核心指令的負擔，也讓維護者知道該到哪一層更新。
第三層：用紅線案例驗證，而不是只測順利情境
1，測試正常案例：確認 Skill 能在完整輸入下產出符合格式的結果，並實際檢查產物，而非只看執行訊息。
2，測試缺漏案例：故意拿掉必要欄位、提供空資料或矛盾資訊，確認 Agent 會指出缺口、停止或要求人工判斷，而不是自行補造答案。
3，測試高風險案例：加入個資、公開發布、費用或權限變更等情境，確認 Skill 能觸發人工核准。能夠拒絕越權，是企業 Skill 與一般提示詞最重要的差別之一。
九十天的投入產出檢查
- 記錄每月執行次數、平均處理時間與人工覆核時間。
- 比較導入前後的重工件數與常見錯誤，而不是只計算生成速度。
- 檢查是否只有原作者會維護；若是，單點故障只是從員工轉移到 Skill 作者。
- 每次規則更新保留原因、日期與測試案例，避免知識在版本迭代中失真。
- 若維護成本長期高於節省效益，就縮小 Skill 範圍，不要為自動化而自動化。
企業的護城河，不是員工各自收藏多少提示詞，而是能否把獨特經驗轉成共享、可驗證、可更新的工作系統。先封裝一個高頻流程，讓它通過真實案例與紅線測試，再逐步擴充；這比一次建立 25 個空殼 Skill 更慢，卻更可能留下真正可用的資產。
如果你的公司已經使用 AI，卻仍被重複工作、交接困難與資深員工單點風險綁住，下一步不是再辦一堂提示詞課。歡迎立即預約 AI 系統健檢，一起找出最值得先封裝成企業 Skill 的核心流程。
