写在前面

2025 年是我深入学习 AI 的一年。从最初对 ChatGPT 的好奇，到系统性地学习 Prompt Engineering，再到构建自己的 Claude Skills 工程化体系，这一年的经历让我对 AI 有了全新的认识。

不只是”会用”AI，而是”用好”AI，甚至让 AI”帮我用好”AI。

第一阶段：Prompt Engineering 入门

从随意提问到结构化思考

刚开始接触 AI 时，我的提问方式很随意：

1
帮我写一个Python脚本处理Excel

得到的结果也很随意——有时候有用，有时候牛头不对马嘴。

直到我开始系统学习 Prompt Engineering，才意识到与 AI 对话其实是一门技术活。一个好的 Prompt 应该包含：

  • 角色定义：你是谁，擅长什么
  • 任务描述：具体要做什么
  • 上下文信息：背景、约束、边界条件
  • 输出格式：期望的结果形态
  • 示例：Few-shot learning 的威力

进阶：理解模型的”思维方式”

学到后期，我开始研究 Reverse Prompt Engineering——通过分析高质量的 AI 输出，反推出生成它的 Prompt 结构。

这个过程让我理解了一个关键点：AI 不是在”理解”你的问题，而是在”预测”最可能的回答。

这个认知转变带来了我写 Prompt 方式的根本改变：不是告诉 AI”我想要什么”，而是构建一个”最可能产出好结果”的上下文环境。

第二阶段：从 Prompt 到工程化

问题：Prompt 太多，管理太难

随着使用深入，我积累了大量的 Prompt：

  • 代码审查用的
  • 文案创作用的
  • 数据分析用的
  • 小红书爆款分析用的
  • ……

它们散落在各处——笔记软件、聊天记录、本地文件。每次要用的时候，要么找不到，要么找到了发现已经过时。

解决方案：建立知识库体系

我开始构建一个结构化的 AI 知识库：

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
AI-Lab/
│
├── Tutorial/              # 教程 - AI 知识源
│   ├── Prompt_Engineering基础教程.md
│   ├── Prompt_Engineering进阶教程.md
│   ├── Reverse_Prompt_Engineering教程.md
│   ├── Claude_Skill基础教程.md
│   └── Claude_Skill进阶教程.md
│
├── Prompt/                # 模板 - 生产级可复用 Prompt
│   ├── Meta_Prompt.md
│   ├── 小红书/
│   ├── CES爆款线分析器.md
│   ├── AI视频剧本创作提示词.md
│   └── Web页面多风格前端生成器.md
│
└── .claude/skills/        # Claude Skill 自动化工具
    ├── prompt-analyzer/   # 提示词分析优化
    └── update-tutorial/   # 知识库级联更新

核心理念是把知识分成三层：

  1. Tutorial（教程）：原理性知识，供 AI 读取生成规范
  2. Prompt（模板）：生产级的可复用 Prompt
  3. Skills（技能）：自动化的工作流

第三阶段：Claude Skills 工程化

什么是 Claude Skills？

Claude Skills 是 Claude Code 中的一个强大特性——你可以定义自定义的技能（Skill），让 AI 按照预设的流程执行复杂任务。

简单说，就是把常用的工作流封装成一个”指令”，一键触发。

我的实践：打造个人 AI 工具箱

我封装了几个常用的 Skills：

1. prompt-analyzer（提示词分析器）

输入一个 Prompt，自动分析其结构，指出改进空间，输出优化版本。

这解决了一个痛点：很多时候我知道某个 Prompt 不够好，但不知道怎么改。

2. update-tutorial（知识库级联更新）

当我更新了某个教程时，自动检查依赖这个教程的其他文档是否需要同步更新。

知识库最怕的就是”知识孤岛”——某处更新了，其他地方还是旧的。

工程化思维的价值

Skills 的开发让我体会到工程化思维在 AI 领域的价值：

  • 可复用：写一次，用无数次
  • 可维护：集中管理，统一更新
  • 可组合：小技能组合成大工作流
  • 可测试：输入确定，输出可预期

这和软件工程的理念是相通的。AI 不是魔法，是工具。用工程化的方式管理工具，才能发挥最大效用。

一些感悟

1. AI 是放大器，不是替代品

AI 放大的是你已有的能力。如果你本身对某个领域有深入理解，AI 可以帮你 10 倍提效。但如果你对领域一无所知，AI 输出的内容你也无法判断对错。

所以，学习 AI 的同时，更要学习领域知识。

2. 投入产出比最高的是”教会 AI 如何帮你”

很多人花大量时间学习 AI 的各种功能，但很少花时间思考”怎么让 AI 更好地为我工作”。

我发现，花几个小时写一个好的 Skill，比每天花几分钟手动操作划算得多。

3. 保持怀疑，持续验证

AI 会一本正经地胡说八道。养成验证 AI 输出的习惯，尤其是在专业领域。

我的做法是：让 AI 在输出时说明推理过程，然后我检查这个过程是否合理。

明年的计划

2026 年，我打算继续深入几个方向：

  • Agent 开发：让 AI 不只是回答问题，而是完成完整的任务
  • RAG 系统：构建个人知识库的检索增强生成系统
  • 多模态应用：图像、语音与文本的融合应用

AI 的发展速度超乎想象。能做的就是保持学习，持续实践。

最后

感谢这一年遇到的所有 AI 工具和社区。特别是 Claude，它不仅是我的学习工具，也是我的工作伙伴。

如果你也在学习 AI，欢迎交流。

学习 AI，最好的时间是一年前，其次是现在。