1. 为什么我要翻自己1000多段AI对话先交代一下背景。过去半年我几乎把AI当成了日常工作的第二大脑从写代码、拆需求、改文案到做表格、理思路、模拟面试大大小小的对话累计下来超过1000段。前段时间因为一个项目要换工具我不得不把散落在不同平台、不同窗口的聊天记录翻出来整理结果越翻越上头——这些对话里藏着一个特别明显的规律同样一类任务我前几次跟AI说得磕磕绊绊到后面就越来越顺最后甚至一两条消息就能拿到几乎可用的结果。这个过程很像是把一块生铁反复锻打、淬火最后变成一件趁手的工具。所以我管它叫“技能炼金术”——不是AI单方面输出答案而是通过一轮轮对话把你自己脑子里的模糊需求慢慢提炼成一套可复用的技能沉淀给AI也沉淀给你自己。这篇文章就是把翻完这1000多段对话后的观察、方法和踩过的坑整理出来。适合谁看如果你每天都要跟AI打交道但总觉得“AI也就那样帮不了什么大忙”如果你经常遇到对话到一半就被截断、换了个窗口就得从零开始教AI如果你明明让AI干过好几次类似的事但每次还得重新描述需求——那这篇文章就是写给你看的。先说我观察到的几个扎心事实。第一个事实绝大多数人的AI对话是“一次性”的。查个资料聊完就关让AI写个东西改完就扔下回再遇到同样的事又从头开始说。这就像家里买了一堆工具用一次就扔下次要用再买周而复始。第二个事实AI的上下文窗口是有限的。不管是哪家模型聊到一定长度就会提示“达到对话长度上限请开启新对话”。很多人被这句话卡住之后就真的开了一个全新的对话然后一切归零——AI忘了你叫什么、忘了你之前的偏好甚至忘了你们上个话题聊到哪。前几天我看到有人在问“deepseek怎么继承上一个对话”“如何将历史对话迁移到新窗口”说明这不是我一个人的痛点。第三个事实也是最关键的真正值钱的不是AI给你的答案而是你在对话过程中逐渐校正出来的那一套“说法”。同一个需求你会越描述越精准同一类问题你会越来越清楚AI在什么情况下会犯什么错。这套东西如果不沉淀下来你跟AI的每一次合作都是原地踏步。所以我花了两个晚上把自己的对话记录按任务类型分了类统计了一下什么样的对话最后产出高、什么样的对话纯属浪费token。下面就把这套“技能炼金术”完整拆开给你看。2. “技能炼金术”的核心思路与整体设计2.1 为什么叫“炼金术”而不是“调教”或“提示词工程”市面上讲提示词工程的文章很多什么角色扮演、思维链、少样本示例名词一套一套的。但我在实际翻对话记录的时候发现真正让一个人和AI配合越来越好的并不是他掌握了多少提示词技巧而是他完成了一个从“模糊需求”到“稳定技能”的转化闭环。这个闭环的起点往往很狼狈。你第一次让AI帮忙做事通常描述是“帮我写个方案”这种级别的AI给出来的东西你看了想骂人。然后你开始补充限制条件说不要套话、要有数据、结构改成什么样。AI又给了一版这次稍微能看了但还有几个地方不对。你再改AI再给……等这轮对话终于有个像样的产出时可能已经聊了二三十条。问题来了这二三十条对话里真正有价值的不是最后一版的答案而是你中间说的那几句关键修改意见——比如“不要用‘赋能’这个词”“表格里加一列负责人和截止时间”“风险部分要区分技术风险和市场风险”。这些意见是你脑子里的经验借由AI的产出被逼了出来但它们没有独立保存下来就混在一大段聊天记录里下次还得重新说一遍。技能炼金术就是解决这个问题的把一次性的对话过程提炼成可复用的“技能包”。这个技能包包含四个部分场景定义、输入要求、输出规范、禁忌清单。炼成的标志是——下一次你只需要给一个很简短的需求AI就能拿出符合你预期的产出中间不需要再反复纠正。所以这个方法的核心不是“如何提问”而是“如何把提问过程中沉淀下来的共识固化下来”。这也是为什么我坚持用“炼金”这个词它需要高温、反复锻打、去芜存菁最后才能得到一小块纯金。2.2 对话分层从聊天记录里挖出你的真需求要提炼技能第一步得知道自己每天都在跟AI聊什么。我把自己的对话记录拉出来分了五类你可以对照着看看自己属于哪种问答咨询型查资料、问概念、求建议聊完即走。任务执行型写文案、写代码、做表格有明确交付物。迭代优化型对同一份产出反复修改直到满意。学习探索型让AI解释原理、出题考自己、模拟对话。闲聊陪伴型纯粹聊天情绪价值为主。统计下来真正产出高价值内容的是任务执行型和迭代优化型。但有意思的是任务执行型对话的早期轮次往往效率极低原因就是需求描述不清。而迭代优化型虽然过程长但后期产出质量明显更高因为需求在对话中被不断校准了。所以炼金术的第一个动作不是学习提示词技巧而是“分层归档”。把你过去一个月跟AI的关键对话翻出来按任务类型打标签然后挑出你最常做的那三件事——就是那种你每个月都会让AI干一次但每次都要从头说起的事。这三件事就是第一批要炼制的“技能”。我自己的第一匹技能马甲就是“写周报”。以前每周五下午都要让AI帮我整理一周的工作内容每次都得说“帮我写个周报这周做了……”然后AI写出来全是套话我又要改半天。后来我把某一次修改得比较满意的对话翻出来提炼成技能之后现在只需要把本周的流水账丢过去AI直接按我习惯的结构和口吻生成基本不用大改。2.3 技能炼金术的三层进阶路径我在分析对话和跟同行交流的过程中把技能炼金术分成三个层次你可以用来判断自己目前在哪个阶段第一层叫“指令层”。你跟AI的交互全靠一次性指令说清楚就干说不清楚就废。这个阶段的特点是每次对话都是“开盲盒”AI给你的东西时好时坏好坏完全不掌握在你手里。第二层叫“模板层”。你开始积累一些固定的提问模板比如“你是一位资深HR帮我写一份岗位JD要求……”或者“请用表格分析以下数据的优缺点”。到这个阶段AI的产出稳定性已经提升不少但问题在于模板是死的一旦任务有变化模板就失效了。第三层叫“技能层”。你手里攒了一批覆盖高频场景的技能包每个技能包不仅包含指令和模板还包含你对AI产出的评判标准、常见翻车点、以及针对不同子场景的变体。到这个阶段你跟AI的协作方式已经从“每次重新沟通”变成了“调用已沉淀的能力”效率提升是数量级的。这篇文章重点讲怎么从第一层爬到第三层。说实话第一层到第二层不难多看几篇提示词教程多练几次就能做到。但从第二层到第三层需要一套系统的方法这也是我翻对话记录之后最大的收获。3. 实操过程从1000对话中提炼技能的完整流程3.1 第一步建立高质量对话的判定标准炼金的第一步不是炼是选矿。1000多段对话里不是每一段都有提炼价值。我自己的筛选标准有三条缺一不可第一任务有重复性。那种一年就干一次的事比如“帮我写个遗嘱模板”炼成技能的意义不大。真正值得炼的是那种你每个月至少会碰上一次的任务。第二有能力提升空间。这意味着你对产出质量有明确的判断标准知道AI给你什么东西你愿意直接用什么东西你得大改。如果你对某类任务根本没有质量判断力那这段对话也炼不出什么你需要先自己搞明白什么是好的再去炼AI。第三过程有纠偏记录。这是最核心的一条——这段对话里你至少对AI的产出说过一次“不对我要的不是这个”之类的话。因为正是这些纠偏暴露了你脑子的隐性需求它们是炼金炉里最值钱的材料。我筛选完这1000多段对话之后大概有60多段符合这三条标准。再按任务类型聚类最终确定了第一批要炼的六个技能写周报、写会议纪要、生成SQL查询、代码重构、方案对比分析、模拟面试。3.2 第二步从一次满意对话中反向提取规则选定一个目标任务后我会去找“那次最满意的对话”——就是AI给的产出基本没用我改太多、或者我改完了特别顺手的那一次。找到之后开始逐条分析AI的产出和我自己的输入重点看三样东西第一我到底说了哪些关键限定词。比如我写周报那次我发现我反复强调“不要写套话”“按项目而不是按日期组织”“突出进展和风险”。这些就是产出质量高的关键。第二AI第一次输出和最后一次输出差在哪。通常后面几轮的产出结构会更接近我想要的这说明AI在对话里学到了我的偏好而这个偏好信息其实就在我的纠偏语句里。第三哪些地方即使到最后一版我还是手动改了。这些点就是技能里要明写的“禁忌”或“必须包含”的规则因为它们是你的硬性要求AI始终没能彻底学会。这个逆向提取的过程本质上是在做“需求显性化”。大多数时候你自己都不知道你要什么直到AI给了你一个不对的东西你才知道不要什么。而对话记录帮我们把“不要什么”和“最终要什么”中间的那条路给记下来了。我自己的做法是准备一个专门的笔记文件每个技能开一页把这个分析过程直接写进去。不需要写得特别工整自己能看懂就行。3.3 第三步编写可复用的技能模板包分析完对话之后就要把成果固化成模板。我的技能包一般长这样技能名称周报生成 场景描述将一周工作流水整理为结构化周报 输入要求 - 必填本周完成事项按天或按任务罗列 - 选填下周计划、本周遇到的问题 - 选填项目名、协作人 输出规范 - 按项目分组不按日期 - 每项包含进展、结果、下一步 - 风险单独标注 - 全文不超过400字 禁忌清单 - 不要用“赋能”“抓手”“闭环”等空话 - 不要写“本周工作正常进行”这类无信息量的话 - 不要把流水账直接堆上去 示例 输入周一改登录bug周二对接支付接口周三评审需求文档…… 输出见已认证记录2024.11.15这个模板的好处是它把“那段满意的对话为什么会满意”的原因直接结构化了。下次使用的时候你不需要再把那段对话全部喂给AI只需要把输入要求和输出规范作为指令AI就能复现出那个水平。这里有个细节要特别注意示例不要用“理想示例”一定要用“真实示例”也就是那次被认证为满意的产出而不是你人为写出来的完美模板。因为AI对“你想要什么”的理解更多来自同类的真实产出而不是抽象描述。我试过好几次给AI看真实的示范产出的效果远好于给AI看一条条抽象规则。3.4 第四步压测与迭代技能包技能包装好之后不能直接进收藏夹吃灰得先经过几轮压测。我的测试方法是拿三份历史数据去试——一份是当时炼技能时用的原材料一份是同期但那之后的数据一份是完全不同场景的模拟数据。第一份测试的目的是验证技能包是否能复现当时的效果。如果连原材料都复现不了说明提炼过程中丢了关键信息得回去补。第二份测试是最重要的——它验证的是技能的泛化能力。AI毕竟是概率模型如果技能包只能处理原材料那一种输入模式换个说法就崩了那这个技能包就是过拟合的没有实用价值。第三份测试是探索技能包的边界看看它在哪些场景下会失效顺便为后续扩展子技能留下素材。迭代过程中最常遇到的问题就是“输入要求”写得太死。比如我写周报技能初版时规定输入格式必须是“周几干了什么”后来发现用户也就是我自己犯懒的时候根本不按这个格式给直接扔一段垃圾笔记过来。所以我在技能包里加了一条容错规则“如果输入不是标准格式先自行整理成标准流水再输出周报。”加了这条之后技能包的实用性高了一大截。记住一个原则技能包是给你自己用的不是为了做展示或者竞赛好用的标准只有一个——能不能减少你下一次和AI沟通的成本。4. 核心技巧与经验教训真正让技能发挥作用的几个关键4.1 上下文迁移问题面对“对话长度上限”的正面解法在前面热词里有一个出现频率特别高的搜索词“达到对话长度上限请开启新对话怎么办”。我自己的对话里也有不少是因为这个原因被迫中断的。这个问题看起来是技术限制但换个角度想它恰恰是迫使你做技能沉淀的契机。一个模型处理对话的上下文长度有限当对话轮次过多模型会忘掉早期内容或者直接拒绝继续。人海战术是开启一个新对话然后把核心需求重新说一遍。但如果你手里有技能包做法完全不同先把当前对话里已经达成的共识和中间产物复制出来存成文件。然后新开一个对话把技能包的内容粘贴进去再附上你刚存的中间产物说一句“基于以上材料继续”。这比从零开始说省太多事了。我个人的习惯是在对话到一半意识到可能会触顶之前就主动让AI做一次“阶段总结”把当前的进展、决策和未完成事项整理成一段结构化文字。这段文字既是技能包的输入也是新对话的起点。这个习惯帮我避免了很多次“聊到一半崩溃重头再来的惨剧”。如果你用的是支持自定义模型参数或提示词的工具还可以把技能包的核心规则写进系统提示词里这样技能就变成了一种“默认人格”每次开新对话都会自动带上不需要手动粘贴。不同的工具有不同的做法但逻辑都一样把技能从对话里剥离出来变成对话之外的独立资产。4.2 把纠偏记录变成禁忌清单而不是正确的废话我在写技能包的过程中最容易陷入的误区是把输出规范写成“正确的废话”。什么叫正确的废话比如“语言要流畅”“逻辑要清晰”“内容要有深度”——这些话说了等于没说AI根本不知道具体怎么做。真正有价值的纠偏记录都是反面的、具体的。举个例子我炼“会议纪要”技能的时候最不满意的产出不是AI漏了内容而是AI把所有人的发言都“梳理”成了非常官方的表述丢掉了现场的语气和关键冲突点。所以我的禁忌清单里会写“不要美化发言原话”“保留各方观点分歧不要强行统一”。这两条比“内容要真实客观”有效一百倍。制作禁忌清单的时候可以回忆一下你跟AI合作中所有让你皱眉、骂人、手动删改的瞬间把这些瞬间记下来就是最好的禁忌来源。有一位做产品经理的朋友跟我说她炼AI写需求文档的技能时禁忌清单里第一条是“不要写‘用户体验不佳’这种没有信息量的话要具体到哪个流程、哪个环节、什么样的体验问题”。这个禁忌几乎每个AI都会犯但大多数人的技能包里都没有写进去。所以炼金术的诀窍在于让AI帮你做事不如让AI帮你把错误都犯一遍然后你把错误记下来。到这里你就离“用AI像用自己亲手打造的工具”不远了。4.3 模型选择与工具链搭配的几点建议我这半年试了DeepSeek、ChatGPT、Claude、通义、Kimi等多款模型也试过Cline、Cursor、Codex这类编码工具还在用Spring AI做应用集成。说实话没有哪一款是全面碾压的关键是你的技能包要能适配你主用的模型。不同模型的风格差异真的很大。有的模型擅长推理但语言风格像论文有的模型文笔好但容易编造数据有的模型编码强但对自然语言理解一般。同一个技能包在不同模型上跑出来的效果可能天差地别所以技能包里最好加上一行“适配模型”的备注记录每个技能是在哪个模型上调出来的、效果如何。另外有一个小技巧如果你的某个技能包产出的质量让你特别满意可以考虑把它封装成一个小应用或API用程序自动调用而不是每次手动开对话。我自己就用Python写了一个命令行的小工具把周报技能封装进去每周五跑一下从我的笔记里提取流水直接生成周报初稿。这样连对话窗口都不用开了。4.4 不要让“技能化”杀死探索的乐趣最后说一个偏理念层面的东西。我见过一些人把技能炼金术走到极致之后跟AI的对话就全变成了机械地套模板一点探索的新鲜感都没有了。这个状态我个人是不太认同的。技能化应该用来处理那些你已经知道“怎么做”的重复任务而探索性任务——比如研究一个陌生领域、构思一个全新方案、跟AI闲聊碰撞灵感——就不应该过早炼成技能。因为一旦变成技能你的思维就被锁死在既有框架里了。我自己现在的习惯是技能包管效率开放式对话管灵感两者分开用互不干扰。如果你发现你跟AI的所有聊天都变成了套模板那可能就是把“炼金”和“烧钱”搞混了——烧钱是追求每一次对话都要有产出炼金是允许偶尔产出为零但沉淀下来的东西未来能反复用。这大概也是为什么我手里攒了1000多段对话之后反而越来越珍惜那些“看起来没用”的闲聊对话。因为技能是你在已知舒适区里打磨的工具而闲聊才是你拓展舒适区边界的雷达。5. 常见问题与场景记录1000多段对话里最典型的翻车现场5.1 “对话长度上限”类问题的三种解法这个类型的搜索词在热词里轮番出现说明这是目前最影响体验的痛点。我在自己的使用中也遇到了几次整理了三种解法按紧急程度排序。如果你在对话过程中突然被提示“达到对话长度上限请开启新对话”而手头的任务还没干完最紧急的做法是把最后一次AI回复的内容直接复制走然后去新对话里贴回去再加上一句“请基于以上内容继续我们之前的任务”。AI大概率能根据这段内容恢复大部分上下文。别指望它记住所有细节但核心信息不会丢。如果你有预判知道对话快要顶到上限建议提前做一次“现场快照”。我会直接说“请把我们现在达成的所有结论、生成的文件路径、剩余待办事项整理成一份简明的交接文档。”这段话看起来简单但实测下来AI整理出的交接文档质量很高作为新对话的种子文件完全够用。长期来看最好的解法就是技能包。一个任务一旦被炼成技能其实你根本不需要长对话——输入只有几个必填项输出是固定结构对话在5轮以内就能结束根本不可能触顶。技能化最大的隐藏收益不是质量而是省掉了瞎聊的轮次。5.2 对话迁移失败文件格式与跨平台不兼容热词里提到了“chatgpt无法加载config.toml”和“codex怎么删除对话”这类问题。这暴露了AI工具生态一个现实对话数据格式不统一迁移和备份都很麻烦。我自己遇到过类似情况某次在代码类工具里配置模型文件因为配置文件格式问题对话记录直接没法加载了。排查下来的教训是第一重要对话记录一定要手动备份。很多工具支持导出对话记录用原生功能导出最保险。如果原生不支持就手动复制成Markdown文件存档。别指望云同步或者自动保存那些功能说没就没。第二不要用工具A的对话记录直接被工具B导入。不同工具之间的格式兼容基本靠运气跨平台的迁移最好统一用纯文本或者Markdown中转不要直接用JSON、TOML这些带结构的格式。第三如果你是开发者用编程工具比如Claude Code或者Codex跑项目时强烈建议把关键对话和决策记录写进项目的README或CHANGELOG而不是只留在工具对话历史里。欠的债早晚要还项目一多对话历史都是过眼云烟。5.3 如何让AI在新窗口里“记住”你的偏好热词里有一条搜索很能说明问题“请根据我们所有历史对话生成一份prompt最大限度保留你的个性数据我将用它在新窗口迁移对话”。这个人干的事就是技能炼金术的一种原始形态——把历史对话压缩成一段“人格提示词”然后带着它去新窗口。如果你不想花时间提炼完整的技能包这个“人格提示词”的做法可以作为入门级的替代方案。操作很简单找一段你历史对话中产出质量最高、交互最顺畅的记录把AI在里面的角色设定、回答问题的方式、输出风格、禁忌项提取出来直接让它整理成一段可以复用的prompt。然后你带着这段prompt去新对话里开场。但这个做法的局限也很明显它管的是“说话风格”管不了“任务技能”。人格提示词能让AI听起来像你熟悉的那个AI但如果你让它干一件之前没干过的事它还是会从零开始瞎猜。这也是为什么我最终还是要建技能包——风格是一层皮技能才是让AI真正能干活的肌肉和骨骼。我自己现在的新对话默认策略是开场先贴技能包再贴当前任务的具体材料最后说一句“直接用技能包里的规范处理不要额外发挥”。这套流程跑下来效率和稳定性都远超直接开聊。5.4 常见问题速查表为了方便你对照排查我把这段时间积累的一些高频问题和对应的解决建议整理成了一张表问题AI产出内容千篇一律缺少新意 原因分析技能包里的示例太少或太单一 解决建议补充3-5个不同风格的示例并在输出规范中要求“每次只能复用一种示例风格”避免混合。问题AI把技能包规则当成耳旁风照样犯禁忌 原因分析规则写了但没给反面示例 解决建议禁忌清单每一条后配一个“错误示例”让AI明白什么叫触线。问题技能包在模型A上好用换到模型B就崩 原因分析不同模型的指令遵循能力有差异 解决建议技能包里记录适配模型信息换模型时先做一次压测再上线。问题技能包越来越长提示词不值钱了 原因分析包内信息冗余重复度高 解决建议定期修剪只保留会影响产出的信息去掉所有“正确废话”。问题历史对话太多找不到要提炼的材料 原因分析平时没做归档和标签 解决建议养成每周花10分钟给对话打标签的习惯否则时间越久越难翻。这张表里的问题有些是我踩过的坑有些是朋友反馈给我的。不管是你自己遇到的还是别人遇到的能记下来就记下来——它们都是下一轮炼金的原料。6. 从技能炼金术到个人AI工作流写了这么多最后想聊一个更大的画面。如果你已经把几个核心技能包炼好了你会发现下一步导向一个自然的结果——你不再是一个个地“用”AI而是开始构建一套属于自己的“AI工作流”。工作流和技能包的区别在于技能包是单点能力工作流是一组能力按顺序串联。拿我自己的例子来说每周五的“周报工作流”是这样的先由一个脚本从我的笔记里提取这周做了什么扔给周报技能包生成初稿我再手动修一下然后开会纪要技能包把本周会议记录整理成行动项最后方案分析技能包把本周几个待决事项做一次优劣势对比供周一决策用。整套流程里我做的事情从“写周报、写纪要、分析方案”变成了“审核、微调、拍板”。这种转变带来的体验很特别。你不再是AI的“甲方”或“乙方”你是AI的“导演”AI是不同工种的演员而技能包就是演员手里的人设卡片。你的沟通成本大幅降低你的决策质量明显提升因为你有更多的时间花在只有人类才能做的事情上——判断价值、做取舍、定方向。有人问我这种工作流会不会让AI取代人的工作我的观察恰恰相反。那些容易被取代的工作本来就是低技能含量的重复劳动——比如“把流水账整理成结构化的文字”。但当你有能力把“流水账”判断成“值得整理”并且知道整理成什么样才真正有用的时候你就站在了比AI更高的层级上。技能炼金术炼出来的不是让AI更聪明的咒语而是让你自己更清楚地知道自己要什么。所以我的建议是从今天开始从你最近的那次对话开始。翻一翻你过去一周跟AI聊了什么找出那个你反复做过、但每次都要从头再来的任务用这篇文章里提到的方法花半个小时把它炼成一个技能包。你在跟AI合作这条路上省下的每一分钟都是你未来投资自己的本金。