他用 Claude Skills 搭了一支 AI 员工军团,结果连人都开始多余了
正在加载视频...
视频章节
这不是又一条“AI 很强”的视频,而是一次真正让人后背发凉的展示:当 AI 不再是聊天机器人,而是能被你反复调用、稳定产出、自动协作的“数字员工”,人类在工作流中的位置会发生什么变化?Greg Isenberg 的这期视频,第一次把答案讲清楚了。
他用 Claude Skills 搭了一支 AI 员工军团,结果连人都开始多余了
这不是又一条“AI 很强”的视频,而是一次真正让人后背发凉的展示:当 AI 不再是聊天机器人,而是能被你反复调用、稳定产出、自动协作的“数字员工”,人类在工作流中的位置会发生什么变化?Greg Isenberg 的这期视频,第一次把答案讲清楚了。
最反直觉的一点:问题不是模型不够聪明,而是“上下文烂掉了”
视频里最炸的一句话,并不是 Claude 又变强了,而是 Amir 提出的那个让很多从业者沉默的判断:大多数 AI 应用效果不稳定,不是模型问题,而是上下文管理彻底失控。
我们习惯把所有信息一股脑塞进 prompt、项目(projects)或子代理(sub agents)里,结果就是所谓的“context rot”——上下文越堆越多,模型反而越跑偏。Claude Skills 的设计逻辑,几乎是对这一现状的正面反击:只在需要的时候加载最小、最相关的上下文。
这和传统项目空间很不一样。Projects 是一个长期工作区,适合团队协作和反复修改;Sub agents 解决的是任务拆分,但上下文仍然绑定在单次对话窗口。而 Skills 则像函数或 API:定义清楚、边界清楚、只在被调用时生效。
一句话总结:如果你还在用“超长 prompt + 运气好坏”做 AI 产品,Claude Skills 正在告诉你——这条路走不远。
Skills 到底是什么?它不是更聪明的 AI,而是更像程序的 AI
Amir 在视频里反复强调,Skills 的关键不在“生成能力”,而在确定性。
一个 Skill 本质上由三部分组成:Markdown 定义(规则和边界)、引用文件(风格、数据、标准)、以及可执行脚本(比如 Python)。这意味着什么?意味着你终于可以把“该怎么算”“该遵守什么规则”从模型的随机推理中剥离出来。
视频里的例子非常直观:
- 用 Skill 分析 CSV 流量数据,所有关键指标都通过脚本计算,而不是让模型“猜”。
- 用 Skill 自动生成 A/B 测试想法,直接输出带 ICE 分数的实验列表,而不是一堆模糊建议。
这也是为什么他们反复提到一个词:deterministic execution。不是每次对话都不一样,而是像程序一样,结果可复现、可调试。
从这个角度看,Skills 更像是把 LLM 从“会胡说的实习生”,升级成“严格按 SOP 干活的员工”。
真正让人坐不住的,是这些“已经能跑起来”的应用场景
这期视频最狠的地方,不是概念,而是演示。
他们现场跑了几个 Skill:
- AB 测试想法生成器:自动抓取网站内容,输出实验建议,并按 ICE 打分,直接可以进 backlog。
- 营销洞察代理:定期生成可复用的分析报告,而不是一次性分析。
- 推文转长文 Newsletter:通过引用文件锁定语气、风格,再由 Skill 扩写成完整内容,几乎不需要人改。
还有一个细节非常关键:Claude 的 artifacts 被当成“活的应用”来用。UTM 链接生成器不是一句话生成,而是一个可以交互的小 web app。
这意味着什么?意味着 Skills 不只是给 AI 用的,也是给人用的。它开始像内部工具,而不是聊天窗口里的一次性输出。
很多人低估了这一点:一旦 AI 的输出可以被系统化、反复调用,它的价值曲线是指数级的。
Anthropic 想解决的,其实是“AI 用不起来”的真问题
视频最后聊到 AI adoption 的时候,点破了一个行业里大家心知肚明却很少直说的问题:绝大多数人不是不想用 AI,而是不会把它用进工作流。
Prompt 写不好、上下文管理混乱、结果不可控——这些都不是个体问题,而是工具形态的问题。Claude Skills 本质上是在降低“AI 熟练度”的门槛,把隐性的 prompt 工程,变成显性的技能定义。
这也解释了 Anthropic 最近的产品方向:不是单纯卷模型参数,而是围绕教育、工具和可组合能力。
当 Skills 可以被打包、分享、复用时,AI 的扩散方式就不再是“每个人重新摸索一遍”,而是像软件一样被部署。
总结
如果你是 AI 从业者,这期视频真正值得你反复看的,不是某个技巧,而是一个信号:AI 正在从“对话式工具”转向“可执行系统”。
对你来说,最现实的行动只有三个:第一,停止用超长 prompt 硬撑复杂任务,开始思考哪些流程可以技能化;第二,把确定性计算交给脚本,把生成留给模型;第三,把 AI 当员工设计,而不是当灵感来源。
未来的竞争,很可能不是谁的模型更聪明,而是谁先搭起了一支稳定、可复制的 AI 员工队伍。问题是——那支队伍里,还有没有你的位置?
关键词: Claude Skills, AI Agent, 上下文窗口, Anthropic, 提示工程
事实核查备注: 1. Claude Skills 的具体发布时间与官方定义需核查;2. 视频发布时间标注为 2025-10-27,需确认是否为未来时间;3. 视频中所有示例(AB testing、UTM generator、CSV 分析)是否为现场演示而非假设;4. Anthropic 对 Skills 的官方产品定位表述。