这段时间，大家都在谈 AI agent、工作流、自动化。

但很多讨论还是有点“悬”——说它能做很多事，却很少真正回答一个更实际的问题：

AI 到底怎么才能像团队里一个靠谱同事，而不只是一个会聊天、会写字的模型？

最近我翻到一个很有意思的仓库：alirezarezvani/claude-skills。里面不是零散的 prompt，也不是几个演示性质的小工具，而是一整套给 AI agent 用的 skills。按索引统计，整个库里一共有 188 个 skills，覆盖 Marketing、Engineering、Product、Project Management、C-Level、RA/QM 等多个方向。说白了，就是把一家公司里常见的很多岗位能力，拆成了可以复用、可以调用、可以组合的模块。1

看完之后我最大的感受是：

AI 的下一步，可能不是变得“更聪明”，而是变得“更像组织”。

它开始有岗位分工了。


一、这不是提示词库，而是“岗位能力库”

很多人第一次接触 skill，容易把它理解成“高级提示词”。

但看完这个仓库你会发现，完全不是这么回事。

这里面的很多 skill，已经不只是教模型“怎么回答”，而是在定义：


  • 遇到什么场景时应该出手

  • 该看哪些输入和信号

  • 该走什么分析步骤

  • 最后产出什么格式的结果

换句话说，它不是在增强模型的一次性表达能力，而是在固化一种可复用的工作方法。1

这件事很重要。

因为在真实团队里，真正有价值的，从来都不是“会说”，而是“会按正确的方法把事情做完”。一个好的客户成功经理，不是因为他会写邮件，而是因为他知道怎么判断客户健康度、怎么识别流失风险、怎么发现扩张机会。一个好的 CFO 也不是因为他会做表格，而是因为他知道什么时候该看 burn rate、什么时候该看 unit economics、什么时候该重新调整融资节奏。

这些过去都藏在人脑里，或者藏在流程文档里。

现在，它们开始被拆成 skills。


二、最有意思的变化：AI 开始像公司一样分工

这个仓库最让我在意的一点，是它不是按“模型能力”来组织，而是按业务角色来组织。

也就是说，它关心的不是“AI 会不会总结、会不会写代码、会不会分析”，而是：


  • 一个销售工程师平时怎么工作

  • 一个客户成功经理平时怎么判断问题

  • 一个 CTO 看技术决策时会关心什么

  • 一个产品经理怎么做竞品分析和实验设计

  • 一个 Scrum Master 怎么看 sprint 风险和团队健康

这种组织方式很像在搭一个“数字公司”。

你不再面对一个泛化的大模型，而是在面对一组角色：


  • 客户成功经理

  • RevOps

  • 销售工程师

  • CEO 顾问

  • CFO 顾问

  • CTO 顾问

  • 产品经理

  • UX researcher

  • Scrum Master

  • 安全负责人

  • 合规专家

甚至更进一步，它们之间还不是孤立的，很多 skill 已经开始强调协作关系。

比如这个仓库里有一个 board-meeting skill，本质上是个多角色董事会讨论协议：先加载公司上下文，再让不同高管角色独立给出意见，再进行批判、综合、决策提炼。1

这已经不是“请 AI 帮我想想”，而更像：

我在调度一组虚拟高管，来模拟一次组织内部的决策过程。

这件事的想象空间，比“让 AI 写篇文章”大太多了。


三、商业团队那部分，已经很像“一个 AI 营收组织”

先说我印象特别深的一组：business-growth。

这组 skill 不是泛泛地聊增长，而是很像在搭一个迷你版的商业团队。

比如 customer-success-manager，描述里明确写了它用来做客户健康评分、流失风险预测和扩张机会识别，甚至会运行几个 Python CLI 工具来给出更确定的分层结果。1

这就不是普通的“帮我分析一下客户情况”，而是有点接近一个真正的 CSM 工作台：它会看信号、算分、做判断，然后告诉你哪些客户危险、哪些客户值得扩单。

revenue-operations 也类似，针对的是 pipeline health、forecast accuracy、GTM efficiency 这类很 RevOps 的问题。1

还有 sales-engineer，专门处理 RFP/RFI 响应、竞品 feature matrix、POC planning、售前 demo 准备。1

这些单独看已经很实用了，但更有意思的是把它们连起来看：


  • 客户成功经理负责续约和扩张

  • RevOps 负责收入流程与效率

  • 销售工程师负责售前支持

  • CRO / CEO / CFO 顾问则站在更高一层看增长和营收

连起来，它其实已经隐约长成了一个 AI 版营收系统。

这可能也是 skill 真正有用的地方：不是取代一个人，而是把一条工作链路上的多个角色都结构化出来。


四、工程这边也变了：不是“帮我写代码”，而是“帮我按标准把代码做对”

工程类 skill 也很有代表性。

以前大家对 AI 编程的期待，往往还是“帮我写函数”“帮我补点代码”。但这个仓库里，工程 skill 的重点已经明显在往更高一层走。

比如 a11y-audit，直接定位成 WCAG 2.2 A/AA 的可访问性审计工具，覆盖前端框架和 CI/CD 场景。1

这不是帮你“顺手改个 aria 标签”，而是在扮演一个真正懂标准、懂扫描、懂修复、懂验证的质量角色。

还有 adversarial-reviewer，专门做“对抗式代码审查”。它的设定很妙：普通 AI review 往往太顺着作者了，而这个 skill 的目标是故意扮演一个更挑剔、更不友好的 reviewer，去发现团队容易形成共识盲区的地方。1

安全方向也类似。

像 ai-security 会聚焦 prompt injection、jailbreak、model inversion、data poisoning 这类 AI 系统特有风险；threat-detection 则更偏威胁狩猎、IOC 扫描和 ATT&CK 映射。1

也就是说，AI 在工程团队里的角色，正在从“辅助写代码”慢慢变成“辅助治理代码、审查系统、守住边界”。

这是两回事。

前者提升的是速度，后者提升的是组织级的可靠性。


五、营销类 skills 让我看到了一件事：AI 不该是万能写手，而该是增长链路上的不同工种

营销类工具特别容易做成“一个会写文案的 AI”。

但这个仓库没有这么做。它反而把营销拆得很细。

比如：

  • cold-email 只做 B2B 外联邮件，不混入 newsletter 或生命周期营销。1
  • churn-prevention 专门处理流失挽回，包括取消流程、挽留 offer、exit survey、催缴序列。1
  • competitor-alternatives 面向 SEO 和销售使能里的竞品对比页、替代页。1
  • content-humanizer 不负责生成内容，而是负责把“太像 AI 写的内容”改得更像人。1
  • schema-markup 处理结构化数据和富结果。1
  • seo-audit 和 site-architecture 则分开处理 SEO 审计与站点结构问题。1
  • social-content、social-media-manager、social-media-analyzer 把内容生产、运营策略、效果分析拆开。1

  • 甚至还有专门面向 X/Twitter 的增长 skill。1

这种拆法其实非常合理。

因为真实的增长工作，本来就不是一个“大一统营销动作”，而是一条很长的链：


  • 获客

  • 转化

  • 留存

  • 扩散

  • SEO

  • 社媒

  • 视频

  • 品牌

  • 自动化

每个环节都有不同目标、不同指标、不同判断方法。

所以真正成熟的 AI skill，不应该是“帮我做营销”，而应该是“在增长链路的不同节点上，调用不同角色能力”。


六、产品团队这组，已经接近一条完整工作流了

产品方向也很值得看。

这里不只是有一个笼统的“产品经理 skill”，而是把 PM 日常工作拆得很细。

有负责 backlog 和 user story 的 agile-product-owner，也有更像综合 PM 工具箱的 product-manager-toolkit。1

但更值得注意的是几个很“高杠杆”的 skill：

competitive-teardown 会从定价页、应用商店评论、招聘信息、SEO 信号、社媒数据等多个外部线索做结构化竞品分析，最后输出 feature matrix、SWOT、定位图、UX audit 和行动建议。1

experiment-designer 则专门负责假设、样本量、优先级、A/B 测试解释。1

product-analytics 做的是 KPI、看板、cohort、retention、adoption。1

product-discovery 则偏机会验证、problem-solution fit 和 discovery sprint。1

最让我印象深刻的是 landing-page-generator。它不是简单写一页文案，而是直接生成可用的 Next.js / React TSX 落地页，包含 hero、pricing、FAQ、SEO meta 和 structured data，甚至连 Core Web Vitals 的目标都写进去了。1

你会发现，这已经很接近一个完整的产品链路了：


  • 发现问题

  • 研究用户

  • 分析竞品

  • 设计实验

  • 定义指标

  • 做落地页

  • 上线后再分析效果

这说明 AI skill 的方向，已经不是“给 PM 打下手”，而是开始覆盖从发现到交付的一整段流程。


七、最容易被低估的，是它对“组织运行”这件事的介入

很多人讨论 AI 时，关注点还是产出物：文案、代码、分析报告。

但这个仓库里有一些 skill，关注的是另一个层面：组织如何运转。

比如 meeting-analyzer，它不是简单做会议纪要，而是分析会议沟通模式、说话比例、反模式、冲突回避、口头禅之类的东西。1

这个角度特别像一个观察型教练：不是帮你记录发生了什么，而是帮你看团队是怎么在沟通的。

再比如 scrum-master 和 senior-pm，不只是帮你管任务，而是把 Monte Carlo forecasting、健康度分析、项目优先级方法都结构化了。1

还有 team-communications，专门处理内部沟通，比如周报、FAQ、incident report、领导更新。1

这些 skill 加在一起，其实在做一件很新的事：

把原本依赖资深经理、项目负责人、组织教练的那部分“软性组织能力”，慢慢转写成机器可调用的流程。

它不一定会立刻替代谁，但会先把很多过去模糊、难复用、靠经验传承的东西，变得更标准化。


八、最让我意外的一组：合规和质量管理

很多 AI 工具到营销、工程、产品这几类就停了。

但这个仓库没有。它继续往下走，走到了更硬的流程领域：医疗器械质量管理、FDA、GDPR、ISO 27001。

比如 capa-officer 负责医疗器械 QMS 里的 CAPA 流程，包括 root cause analysis、corrective action 和 effectiveness verification。1

fda-consultant-specialist 涵盖 510(k)、PMA、De Novo、QSR、HIPAA 和 device cybersecurity。1

gdpr-dsgvo-expert 处理隐私合规、DPIA、数据主体请求。1

information-security-manager-iso27001 和 isms-audit-expert 则是 ISO 27001 / 27002 和 ISMS 相关。1

为什么这组特别值得注意？

因为它说明了一件事：

AI skill 不是只能进入创意型和内容型工作，它也能进入那些流程重、监管强、文档密度高的专业领域。

而一旦进入这些领域，价值通常会比“帮你写篇文章”大得多。


九、这件事真正值得关注的，不是 188 个 skill，而是它背后的方向

说到底，这个仓库最重要的，不是“里面有多少 skill”。

而是它把一个趋势摊开给你看了：

1. 岗位知识，正在被模块化

以前一个岗位最重要的价值，往往藏在经验里。

现在，这些经验开始被拆成：


  • 触发条件

  • 分析框架

  • 操作步骤

  • 输出模板

  • 协作协议

也就是 skill。1

2. AI 的价值，正在从“生成内容”转向“执行流程”

写文案、写代码，当然仍然重要。

但更大的价值，开始出现在那些有明确方法论、有判断边界、有输入输出结构的流程里。你会发现这个仓库里很多 skill 已经不满足于“给建议”，而是强调算分、评估、跑工具、输出结构化结果。1

3. AI 正在长出“组织形态”

这是我看完整个仓库后最强烈的感受。

未来真正有竞争力的，可能不是哪个模型最强，而是哪家公司更早把自己的岗位能力、协作方式、决策流程，沉淀成一套可调用的 skill 网络。

到那时，AI 就不只是员工的助手，而是组织的一部分。


结尾：AI 可能不是在变成一个超级员工，而是在变成一家公司

如果只看表面，这个仓库像是一个 skill 集合。

但再往深里看，它其实在做一件更大的事：

把一家公司里的角色分工、判断方式、工作流和协作协议，逐步翻译成软件。

这可能才是 AI 真正会改变工作的地方。

不是单纯让一个人更快，而是让团队里那些本来分散在不同岗位、不同经验层级、不同文档里的能力，第一次有机会被抽出来、复用起来、编排起来。

所以与其说 AI 在变成一个超级员工，不如说它正在慢慢长成一个“可编排的组织”。

而 skill，大概就是这个组织最小的能力单元。