立正把聊天式用法的问题归为三点：能调用的工具有限、必须有人一直在旁边聊、每次产出无法沉淀给下一次任务。所以用聊天工具时，你的水平被卡在某个上限附近；换成 agent 工具后，才会发现原来能做的事更多，也才会意识到积累上下文有多重要，因为每次的产出、素材和 skill 都能留给下次用⁠1。这也解释了为什么“文档”和“skill”会流行：它们不是新名词，而是把一次有效的做法固定下来，让 AI 下次直接复用，而不是你每次重新解释一遍。另一位作者在讲团队差距时也提到，普通用户上个月踩过的坑这个月还会再踩，因为经验都锁在各自的聊天记录里⁠2。

立正给出的顺序是：第一步停止只用聊天工具，开始用 Codex 这类 agent 工具；第二步学会写一个功能向的 skill，而不是只调风格的 skill；第三步管理好自己的 context⁠3。他同时说，ChatGPT 作为方便的入口仍然好用，他自己也会回去用，但前提是你先亲自体验过 agent 能做什么，比如让它搜你的信息、直接做出一个个人网站，看到这件事真的发生，才会相信它的能力⁠4。对你这种只会聊天窗口的情况，可以先挑一件你本来就要做的事（整理一份资料、做一个简单网页、批量改一批文件），在 agent 工具里完整做一遍。做完后你会自然发现：哪些信息你反复交代过，那就是该写进文档或 skill 的部分。

立正提醒，工具和原型最容易让人有进步感，却过期最快；真正留下来的是拿到模糊需求先拆成可检验的小步、结果不对先找原因而不是换工具这类习惯⁠5。所以你不必因为“大家都在用 skill”就急着把 skill 学全，先确认自己遇到的具体问题是哪一类：是 AI 不知道你的背景（该补上下文文档），还是同一套流程每次都要重讲（该写成 skill），还是工具根本做不了这件事（该换工具）。把问题定位清楚再学对应的东西，比按名词清单逐个学更省力。

立正把上下文管理列为使用 AI 的核心动作之一，和切分、判断、评估、诊断、编排并列；真正决定 AI 用得好不好的是这些动作，而不是 RAG、LangChain 这类名词⁠1,2。具体到一次任务，就是让 AI 知道它不知道的东西：任务的背景、你的意图、它需要读的文件。很多人用 AI 效果差，是因为默认 AI 已经懂你的处境，结果它只能猜，猜偏了就给出看似合理但不对的答案⁠3。所以上下文管理不是把资料一股脑塞进去，而是先想清楚这次决策需要什么，再只给这些⁠4。

立正提到，用上能读写文件的智能体工具后，会发现两件事：AI 能做的事比聊天窗口多得多，以及积累上下文非常重要，因为每次产出都能留给下一次任务用⁠5。他给出的做法是把自己的知识分几层：长期不变的（写作风格、价值判断原则）、按项目加载的（客户背景、具体需求）、需要定期更新的（行业动态、AI 能力边界），再把反复做的任务类型各写成一个模板或 skill，每用一次优化一次⁠6。对你这情况，可以先选一件你每周都要做的事，比如回某类邮件或整理某次会议，把背景、你的偏好和判断标准写进一个文件，下次让 AI 先读它再动手。观察点很简单：AI 第一次给出的结果是否更接近你要的样子，以及你要纠正的地方是否在减少。

关于积累，其中一篇文章强调最有价值的积累是自己的上下文，工具可以换，这些材料要能跟着你走，能搜索、能修改、能换模型继续加工⁠7。同一批材料也提醒上下文不是越多越好：做主页时一度每轮反馈就加一条原则，结果模型要同时满足所有要求，产出反而越来越平均；后来把材料分成当前必须遵守的和需要时才读的参考两类，主线才清楚⁠4。所以积累的重点不是堆文件，而是让每份文件有明确用途，并且你能说清它解决哪一段问题。

文档适合放背景、资料、案例、历史记录，AI 需要时去读、去查。skill 更像一份操作说明：这类任务按什么顺序做、哪些坑别再踩、什么算做好了，写进去之后 AI 每次接到同类任务都会先读它。立正把反复做的任务类型对应到经过验证的模板或 skill，让每次不是从空白对话开始，而是从已经包含偏好和标准的起点开始，用一次优化一次⁠1。他也说 skill 是 AI 每次开工前会读的工作说明，把喜好和完成标准写进去，再配上工具，反馈就能留下来给下一条用⁠2。所以判断标准很简单：这段内容只是“AI 需要知道的信息”，放文档；它是“AI 应该照着做的规矩”，写成 skill。

skill 的价值不在于把流程抄一遍，而在于把你自己做这件事时的取舍显性化。立正提到，真正决定 AI 用得好不好的是架构、路由、整理上下文、拆解任务、评估结果这些“动词”，而大家收藏的往往是名词⁠3；把脑子里的隐性知识转成 AI 能直接用的显性知识，AI 才可能放大人的杠杆⁠4。落到写法上，一条 skill 里值得写的是“我为什么这样选”“什么情况下不这么做”。比如做短视频的 skill，他写进去的是不愿重录、默认先把现有素材做好、工具可以换但清楚的字幕和自然表达要留⁠2。这些内容普通文档不会替你决定，只有你做过、踩过坑才写得出来。

如果你现在只会开聊天窗口，不必先建一套文档体系。挑一件你每周都要做、做法又比较固定的活，比如回某类邮件或整理会议记录，先写一份 skill：任务目标、你习惯的做法、两三条验收标准、一个你踩过的坑。然后拿一件真实的事跑一遍，看 AI 的产出是否比空白对话时更接近你要的样子；如果它还是跑偏，多半是某条判断你没写进去，补上再跑一次。这样做的意义是让你亲眼看到“写进去的规矩”和“临时给的资料”在结果上的差别，而不是先学概念。文档则留给那些一次性的背景材料，需要时再喂给它。

出处 1 2

立正在对谈里把好 skill 拆成几层：把原本在脑子里的隐性知识写出来，把边界定义清楚，把该给的工具给到，把什么算好、什么算不好的标准给到，再补上任务需要的背景⁠1。另一篇文章说得更直接：告诉 AI 什么是好的、什么是容易犯的错误，少教它做事，因为人写进去的步骤越多，越容易把模型限制在自己想到的做法里⁠2。

所以“总结要深入”“保留洞见”这类话不算标准，它们只是空话。真正有用的是把失败模式写具体：哪些事不能做、什么情况算越界、什么结果算做成了⁠3。比如访谈整理 skill 会明确列出不做工作分配、不假设团队现状、不改写成对外文章，这些边界都来自真实返工⁠3。

skill 是 AI 每次开工前会读的工作说明，里面放的是你的喜好和完成标准⁠4。做视频那条 skill 就是靠一次次看完片子后说“这句别删”“封面字再大一点”积累出来的，下一条接着用⁠4。它也提醒了一件事：工具带来的额外工作要算进去，如果为了用某个工具反而被它绑架，就该把它拿掉，只留下真正重要的东西，比如清楚的字幕和自然的表达⁠4。

对你现在的情况，可以先挑一件你反复做、又总对 AI 结果不满意的小事，比如写一段固定格式的周报或整理一次会议记录。第一版只写三样：这件事做成什么样算好、哪些做法算越界、你需要它知道的背景。跑一次后，把你不满意的地方补成一条具体标准，看下一版是否真的改善。这比先学完概念再动手更能检验你的标准是否写清楚了。