隐约觉得，这一波 Skills 的爆发更深层的意义，是为 LLM 的下一波训练集中提供了一波更优质的语料。

Skills 的本质就是 SOP，就是告诉模型「某个问题应该怎么被解决」、「某个工作流应该怎么被执行」，现在在下载安装排行榜靠前的那些 skill，在可预见的下一个大的模型版本里，一定会被模型内化，当前的所有 skill 都将成为模型与生俱来的能力。

人类通过将自己的经验以文本化、代码化的方式总结为 Skill，手把手地教会了模型怎么解决这个那个问题，帮助了模型的提升。过去模型的提升往往来自人类无意识的知识总结，而通过 Skill，人类开始更加有意识地帮助模型提升能力，做好做对。

好奇在模型内化了市面上所有 Skill 之后，在模型能力继续进化之后，又能衍生出什么人机互助的形式，挺有意思，更期待 Claude 和 GPT 的下一代模型了。

最近的一些观察

- 越来越多公司的 API 文档，给了 Copy as Markdown 的按钮，方便一键复制给 LLM 来处理（包括不限于 MiniMax、OpenAI、Fal），也给了 LLM Version（纯文本格式）
- Obsidian 新上了 CLI 功能，支持直接从终端创建和修改文档
- Excalidraw 也和 Antropic 合作推出了 MCP，方便 Agent 直接创建和修改画布

—— 越来越多公司在做 User Interface (UI) 的同时，也在推进着 Agent Interface （不确定能不能这么定义），一个面向 Agent 设计和开发的互联网，他来了

本来想发个朋友圈，寻思别送奶茶了，给自家 Coding Plan 打打折，那我必真金白银支持一下。

结果仔细一想，正在撒币的几家公司，好像暂时都没有拿得出手的、非常强的 Coding 模型，更别说 Coding Plan 了🐶

再一看海外打的火热的 GLM 4.7、Kimi k2.5、5.3 CodeX、Claude Opus 4.6，仿佛真的是两个世界了

富人最大的资产是穷人
钱最大的价值是购买别人的时间

研究 & 用 Skills 一周，最大的感受是，Skills 的本质还是 Rule / SOP 的沉淀。

日常工作会维护一个个人的知识库，用飞书 MCP 拉取和发布飞书文档，以及一些日常个人使用的脚本。在写 PRD、面试评价、demo 脚本的过程中，都形成了一套有非常强个人风格的 SOP（或者说一套规则），最开始用了下 skill-creator 想把这些 SOP 固化成 skills，结果发现我的 SOP.md 原封不动地变成了 SKILL.md🤣

目前体感 skills 框架最有意思、最提效的还是让这一类 SOP 可以被搜索和被渐进式地访问，再也不用 @ 好几个文件让 AI 全文阅读后再做操作（非常容易爆上下文 + 出幻觉）。

不过退一步讲，Skills 生态想要繁荣，本质是个人或组织的 SOP、最佳实践的公开，又是一次对开源精神 & 开源社区的考验。如果想在组织内部推广，也需要大家不设边界、不设防、毫无保留地分享，这也是现有组织和体系非常难做到的。

越来越觉得，AI 越发展，人的独特性和重要性越能得到凸显。对 2026 最大的感受就是，今年的工具能力将成熟到一个阈值，需要反过来检查人是不是具备用好工具的能力的一年。越来越有意思了。

另一个值得品的点是，Apple 选 AI 供应商的速度，好像已经跟不太上模型发展的速度了。早期传闻说是 Claude（好像），后来变 OpenAI，现在又是 Google。过程中却一直没端出来什么好菜

#创业感想

1. 慢即是快。AI行业日新月异，有焦虑是正常的，但不能FOMO，每个公司和每个人都有属于自己的、擅长的做事逻辑和思维方式，不能把抄的快当做高效，不能把别人的路当做自己的路。在​没有前进方向的时候，鞭子抽得再快也没用。想清楚做什么，拆分好阶段性目标，一个一个攻克，反而比FOMO、焦虑更能带来结果。

2. 真正的激进是做非共识的事、押注更大的方向，而不在于表面上的「果断切换方向」、「勇于进入某个细分市场」、「在热门赛道里猛猛砸钱」。举个例子，OpenAI 用 18 个月在 Sora 的基础上做出来 Sora2，发布即可用，产品核心链路精简但不简陋，这叫激进；大厂今天LLM、明天视频模型、后天具身智能，这只能叫病急乱投医和赛马。以创业公司的资源，不可能有赛马的资格，也更没有病急乱投医的时间成本。当创业公司开始病急乱投医的时候，那也就离潦草收场不远了。

后知后觉地发现，ChatGPT 现在会默认在所有给出的链接末尾，加上 utm_source=chatgpt.com

加这个后缀对 OpenAI 并没有什么显著收益，但对于被推荐的产品而言，可以比较直观的评估每天有多少流量是从 ChatGPT 推荐来的。

和今天的购物功能结合起来，感觉这是 OpenAI 脱离订阅制商业模式，迈进下一个商业化阶段的一个小伏笔，不确定未来会不会发布什么功能，做网站的流量分佣。

每天高强度刷即刻会有一种「AI 已经完全渗透到普通人的生活里」的感觉，因为即刻上人人都在讨论 AI，更别说自己的关注列表也会带来这种信息茧房。

但除了获取信息、获取 AI 新闻以外，还是时刻提醒自己需要具备一些，在平凡生活中的观察力，毕竟那才是真正的「市场」和「用户」。

所以分享记录一些自己观察到的「普通人用 AI」的场景，非常片面，欢迎讨论：

1. 24-25 面试过的实习生，产品运营都有，大多数都知道现在有 AI 这么个东西，很火很常被讨论，但听过不等于用过，用过不等于会用。多数人都 1) 只用过国产 AI，没尝试过也没想过去用海外原装正版（手动狗头）；2) 1 的部分原因是动手能力有限，搞不定梯子和支付。所以如果作为大学生，能够自如访问外网，能够日常使用 ChatGPT / Claude / Gemini / Midjourney 的，我武断地认为这研究能力和动手能力已经超过 99% 的同学，某种程度上是我现在找新实习生的一个前置判断标准（作为一个 AI 公司来说）

2. 接着1，从面试里的了解来看，绝大多数大学生的应用场景只停留在写作业 & 翻译，Prompt 大概率都是「帮我完善 / 翻译下这段话」，然后会基于此来给出 XX AI 不好用的判断

3. 接2，大学生的首选 AI 应用（以被提及的次数来计），在过去的一年里从 文心一言 → Kimi → 豆包（很真实，花钱就有声量）

4. 某中年西装男，在微信发了 50 秒的语音，吩咐他的下属去 ChatGPT 上查一下「过去 5 年欧盟对风电的相关政策」，并且要求下属以 ChatGPT 的查询结果为准，校对一下现在的版本

5. 某哥们在自家楼下，问豆包「朝阳大悦城附近哪里能免费停车」

6. 北京早高峰的地铁上，豆包的装机率不低

7. DeepSeek 算命确实很出圈，不管是家里人还是面试到的学生，可能对 DeepSeek 的唯一应用就是算命

有些琐碎，但感觉还蛮有意思的。好想有一个 AI 时代的网吧，进去溜一圈就能知道大家在干嘛，在做什么。可惜没有，只能靠自己日常观察了。😥

实践不止是检验真理的唯一标准，也是检验人的唯一标准。

站在旁边评判别人做的好坏简直是世界上最简单的事情，如果曾经接受过一些逻辑和批判思维的训练，那太容易表现得极其理中客：

- 你们产品发版的节奏怎么样？怎么在不同的国家做增长、产品策略的？
- 你们这数据维度太粗了，应该要看更细颗粒度的数据，比如按国家拆分、按用户行为拆分、按用户来源拆分等等

类似这种问题，绝大多数场景下，对于很多团队来说，或者因为 ROI 不高，或者因为精力不允许，或者因为团队能力不允许。这种问题问出来是一定不会错的，但该怎么实现、怎么执行下去、怎么优化，那才是门道更深的地方。

干出来，远比说出来有意义的多。