← 返回列表

🤔 ChatGPT 也在偷偷使用 Skill?

单站 漕河泾小黑屋 发布 Thu, 08 Jan 2026 08:00:00 +0800 入库 2026-11-18T03:32:07

原创 黑屋Ω号 2026-01-08 08:00 美国

来自 OpenAI 泄露 Skill 文件的启示

最近,科技圈最火的概念莫过于 Skill 了。不少眼尖的用户在与 ChatGPT 互动时,窥探到了 OpenAI 似乎正在其产品中悄悄测试一种名为 Skill 的新能力。这不禁让人好奇,连浓眉大眼的 OpenAI 都在用,Skill 到底是什么?它又被用在了哪些地方?

沿着X的足迹,笔者也通过了一些技术手段,获取到了 OAI 的官方 Skills 。

简单来说,Skill 是一种将大型语言模型(LLM)执行特定任务的“方法论”和“工具集”打包起来的模块。它不仅仅是一段提示词(Prompt),更像一本为 AI 准备的“SOP 手册”,里面可能包含:

我们拿到了三个分别名为 docs、pdfs 和 spreadsheets 的 Skill。它们分别对应着处理 Word 文档、PDF 文件和电子表格这三类在办公和数据分析场景中极为常见的任务。看似寻常,但其内部设计却处处透露着工程化的严谨与巧思。 下面,我们将逐一剖析这三个 Skill 的设计亮点。

docs Skill
docs Skill 的目标是建立一个从创建、编辑到最终审查的完整 DOCX 文件处理流程。它的核心理念是:永远不要相信代码的单次输出,必须建立“渲染-检查”的闭环。

docs Skill 最值得称道的,是它建立了一套基于视觉反馈的、可回溯的质量保证体系。它不信任任何“一次性生成”的黑盒过程,而是强调在每个关键步骤后都要进行渲染和人工(或 AI)检查。这种看似“笨拙”的方法,恰恰是保证复杂文档格式不出错的最可靠路径。 它传达了一个重要的思想:对于那些输出结果的“正确性”包含大量视觉元素(如排版、图表、字体)的任务,纯粹的逻辑代码检查是远远不够的。

pdfs Skill
与 Word 文档不同,PDF 文件通常被认为是“不可变”的。pdfs Skill 的设计哲学是在这个看似固化的世界里,建立一套可靠的读取、创建和质量控制流程。

pdfs Skill 的精髓在于“简化决策”和“明确底线”。 通过确立唯一的首选工具,它极大地降低了 AI 在技术选型上的认知负荷。而在质量控制上,它没有描述“好的 PDF 应该是什么样”,而是清晰地定义了“哪些问题是绝对不能出现的”。这种“负面清单”的方法,比宽泛的正面描述更具可操作性和可检验性,确保了交付质量的下限。

spreadsheets Skill
电子表格任务的复杂度远超普通人的想象,它融合了数据处理、公式计算、格式化排版甚至数据可视化。spreadsheets Skill 是这三个 Skill 中最复杂、最精巧的一个,堪称典范。

spreadsheets Skill 的设计哲学是“规则的显式化”和“知识的结构化”。 它没有将最佳实践隐藏在繁琐的步骤描述中,而是将它们提炼为一条条明确的、可独立查阅的规则。无论是“公式必须无魔法数字”,还是“负数要用红色括号”,都成为了 AI 必须遵守的“法律”。 更妙的是,它展示了一种“基础通用规则 + 行业特化规则”的层次化设计思想。这种结构具有极强的扩展性,未来可以轻松地叠加更多行业或场景的特定规范,而不会让整个 Skill 变得混乱。海量的脚本示例,更是将这种知识体系彻底“固化”了下来。

通过对上述三个 Skill 的深度剖析,我们不难发现,编写一个优秀的 Skill 就像是为 AI 设计一套精良的“作战装备”。它不仅要威力强大,还要易于理解、稳定可靠、且易于扩展。 结合 OpenAI 的实践,我们可以总结出以下几条核心原则:

尽管在这次我们拿到的 Skill 中,Frontmatter 部分是缺失的,但根据 skill-creator 的规范,一个完整的 Skill 应当包含清晰的元信息。这部分就像是 Skill 的“身份证”,告诉 AI 它的核心能力、使用场景和约束条件。 一个好的 Frontmatter 应该做到:

把 Frontmatter 当作写 API 文档来对待。你的用户是另一个 AI,它需要通过这份“文档”快速理解你的“API”是做什么的,以及如何正确调用它。

SKILL.md 是 Skill 的灵魂,它承载了完成任务的核心方法论。OAI 的实践向我们展示了一种非常优雅的结构设计模式:

在深入细节之前,先用高度概括的语言描述完成任务的整体框架和核心思想。这就像是先给出一张地图的总览,让 AI 对整个旅程有一个宏观的认识。

当任务复杂度提升时,好的设计是将不同的知识点进行分层和隔离。

将 SKILL.md 想象成一本教科书的主目录和核心章节。它应该清晰地勾勒出知识的全貌,并引导读者(AI)在需要时去查阅更详细的附录(reference/)。这既保持了主干的清晰,又保证了细节的完备。

当一个操作可以被清晰地定义、可以被反复使用、且对稳定性要求很高时,就应该毫不犹豫地将其固化为脚本。spreadsheets Skill 中的 examples/ 目录提供了大量的 Python 脚本,这带来了几个显而易见的好处:

在开发 Skill 的过程中,时刻保持对“可复用性”的敏感。当你发现自己在反复向 AI 解释同一个操作、或者反复修正同一类代码错误时,就是一个明确的信号:是时候将这个操作封装成一个脚本了。

回到我们最初的问题。总有人认为,Skill 只是一个被过度炒作(Hype)的概念,是提示词工程的又一次包装。但通过对 OpenAI 内部实践的观察,笔者认为并非如此。 Skill 代表了一种在大型语言模型时代,组织和分发“可执行知识”的全新范式。它巧妙地在提示词的灵活性与传统代码的确定性之间,找到了一个极具潜力的平衡点。 笔者认为,Skill 的真正价值体现在三个层面:

  1. 渐进式加载,有效缓解上下文过载:Skill 的设计天然支持“按需加载”。模型可以先只读取精简的元信息和方法论主干,仅在需要时才深入到具体的参考文件或脚本中。这极大地缓解了当前大模型最头疼的上下文窗口(Context Window)压力问题。
  2. 灵活性与确定性的融合:Skill 允许我们将任务中最具创造性和灵活性的部分(如整体规划、风格决策)保留为自然语言描述的提示词,同时将那些需要高精度和确定性的部分(如文件渲染、公式计算)固化为可靠的代码。这种“软硬结合”的方式,取长补短,让 AI 既能“思考”,又能“执行”。
  3. 惊人的分发优势:一个 Skill 本质上只是一个包含 .md 文件和脚本的 .zip 压缩包。这种极简的、与技术栈无关的分发方式,意味着巨大的潜力。相比于复杂的插件系统、专有的平台或笨重的框架,一个简单的压缩包 + 一套简明的配置规范,往往拥有更强的生命力和传播力。这在技术史上屡见不鲜,就像当年简单的 REST/JSON 如何在与复杂的 SOAP/XML 的竞争中最终胜出一样,更简单的东西,往往跑得更快、更远。

Skill 的探索才刚刚开始,但它所揭示的关于“人如何赋予 AI 智慧”的思考,无疑为我们打开了一扇全新的大门。

原文链接:https://mp.weixin.qq.com/s?__biz=MzA4NzQwNzY3OQ==&mid=2247484000&idx=1&sn=7a68f4f827e6af0c3e5443ed60582bf6