主动引导式Skill：把视频制作流程变成可复制的标准流水线

前几天我发了一条帖子，核心是把视频制作流程封装成主动引导式 Skill 的过程截图放了出去。结果第二天早上醒来，后台粉丝涨了四千多，私信直接炸了。一半人问“这个 Skill 是不是某个插件，要怎么安装”，另一半人问“Skill 和 Agent 到底有什么区别”。与其一条条回复，不如我把整个设计逻辑、实现过程和复盘思路完整拆一遍，这篇就当是我的详细版回答，你看完不用再到处搜了，直接照着做就行。

这条帖子能火，我自己是有点意外的，但事后复盘又觉得在情理之中。视频制作是一件需求极大、但大部分人又不知道该如何下手的事。把这种事做成“主动引导式 Skill”，就相当于把你脑子里的经验变成一套可复制、可运行、可分享的标准流程。你输出给 AI，AI 带着用户一步步走完，用户看到的不是空泛的道理，而是一条完整的、可落地的视频生产流水线。这篇文章我不谈虚的，从 Skill 的定义开始，把视频制作 Skill 的五个实操步骤、爆贴复盘、以及我踩过的四个坑全部拉出来，逐段拆给你。

1. 先搞懂：主动引导式 Skill 到底是什么

1.1 Skill 不是插件，也不是普通的 Prompt 模板

这个误解非常普遍。很多人一看到 Skill 就问“它是不是像浏览器插件一样的东西”，或者“是不是一个特别长的提示词”。都不准确。

插件的本质是给一个软件增加外部能力，比如给剪辑软件加一个自动去字幕的按钮。它改变的是工具本身的功能边界。而 Prompt 模板更像一份“一次性剧本”，你把这套话术丢给 AI，它给你一个结果，完事。

Skill 则是另一种东西：它是一组文件的集合，里面包含描述文件（比如 SKILL.md）、脚本代码、模板资源和示例数据。它定义了“在某个特定任务领域里，AI 应该按照什么样的流程工作、每一步做什么、输出格式是什么、有哪些注意事项”。当用户提出的需求命中了 Skill 的描述范围，AI 会自动加载这个 Skill，然后用它规定的逻辑来完成任务。

举一个生活化的例子。你去餐厅吃饭，菜单是 Prompt，你按菜单点菜，厨师按你的要求做一道菜；而 Skill 更像是餐厅后厨的“标准作业程序”，它规定了从备菜、切菜、炒制、装盘到出餐的每一个步骤，什么时候放盐、油温多少、盘子怎么摆，都写得很清楚。所以 Skill 的价值不在于“回答你一个问题”，而在于“保证一个复杂的任务被高质量地完成”。

1.2 “主动引导式”恰恰是它好用的关键

普通的 Skill 或者普通的 AI 对话，是典型的“被动响应”模式。用户问一句，AI 答一句。用户如果不知道该怎么问，或者连自己需要什么都不知道，那 AI 再聪明也帮不上忙。比如一个人说“我想做一条视频”，如果你直接问他“平台是什么、目标观众是谁、视频多长”，他大概率会愣住，因为他可能真没想过这些。

主动引导式 Skill 则反过来，它会接管对话的节奏。当你触发这个 Skill 后，它开场就会说：“欢迎使用视频制作流程引导。为了帮你做出一条能跑出数据的内容，我先确认几个信息：1. 发布平台是小红书、抖音还是 B 站？2. 这条视频的目标时长大概多少？3. 核心主题你已经定了，还是需要我帮你从热门方向里挑？4. 你手上有没有现成素材？5. 你更偏好干货型、情绪型还是种草型的内容风格？”

你不需要动脑子去思考该问什么，只需要回答问题。AI 拿到关键信息后，再一步步带着你走：先给你三个选题方向，你选一个；然后它写脚本，你确认或修改；接着生成分镜表、拍摄清单、剪辑节点建议、封面文案，一直到最后交付一份完整的制作检查表。整个过程像一位经验丰富的制片人坐在你旁边，手把手带着你干活，而不是一个被动的问答机。

1.3 Skill 和 Agent 到底什么关系

这个问题在评论区被问得最多。我把两者讲清楚。

Agent 是一个能自主规划、拆解任务、调用工具并执行动作的智能体。你可以把它理解成一个“员工”：它负责接收目标，决定先做什么、后做什么，并调用各种能力去完成。而 Skill 更像是这个员工手边的“工作手册”或“专项 SOP”。一个员工可以同时掌握很多本手册，面对不同类型的任务，拿出对应那本照着执行。

所以Skill 和 Agent 是配合关系，不是替代关系。拿视频制作这个场景来说，Agent 负责判断“用户想做一个视频，这个任务需要调用视频制作 Skill”，然后把流程控制权交给 Skill；Skill 内部再把整个视频生产流程拆解成若干步骤，每完成一步，Agent 可能还会去调用搜索工具查热点、调用画图工具生成封面。你要是只装一堆 Skill 却没有一个合理的 Agent 编排，那这些 Skill 就是一本本没有员工去读的说明书；反过来，Agent 再聪明，口袋里没有好 Skill，就像新员工没有培训手册，做起事来全凭感觉，质量完全不可控。

2. 为什么视频制作流程适合做成 Skill

2.1 视频制作流程天生就是结构化流程

不是所有事情都适合封装成 Skill。你让 AI 陪你聊人生，这不需要 Skill。但视频制作恰恰是那种高度结构化、每一步都有明确输入输出和验收标准的任务。

我习惯把短视频制作拆成八个节点：选题、脚本、分镜、拍摄清单、粗剪、精剪、封面与标题、发布检查。每一个节点都有它对应的产出物：

这些节点之间存在明确的前后依赖关系。选完题才能写脚本，写完脚本才知道分镜怎么画。结构化如此清晰的流程，放进 Skill 里简直顺理成章。每个节点就是一个 Skill 内部的 Step，前一个 Step 的输出自然成为后一个 Step 的输入，用户只需在每个节点做简单的确认或修改，流程就能往下推。

2.2 被动对话像挤牙膏，主动引导像老司机带路

我见过很多人用 AI 做视频，最常见的状态是：打开对话框，输入“帮我写一个视频脚本”，AI 哗啦输出一大篇，用户看完觉得“好像挺对，但好像又用不了”。为什么？因为脚本本身不是独立存在的，它必须和你的平台、你的口播风格、你的目标观众结合起来才有意义。如果你从来没在需求里说清这些，那 AI 只能给你一篇正确的废话。

主动引导式 Skill 解决的问题，就是它替用户把那些“用户自己都意识不到的关键问题”先问了。它掌握了一个完整的视频制作知识框架，知道一条能跑的短视频必须包含哪些要素。所以它的每一步引导，都是在帮用户补齐信息差、确认决策点。

比如说脚本阶段，普通对话可能直接给你一篇 500 字的文案；而我的 Skill 会先生成三个不同的脚本方向，告诉你方向 A 强调情绪共鸣、方向 B 强调干货价值、方向 C 强调争议话题，然后让你选。选定之后，它再输出完整的口播稿，并且会在后面追加几个问题：“开场钩子保留还是替换？这里需不需要增加一个真实案例？结尾的互动引导要不要更直接一点？”每一处修改建议都对应着视频数据的好坏。

这种引导式体验，对新手来说特别友好。用户不需要有编导经验，只需要做一个“选择者”而不是“创造者”，门槛一下子就降下来了。

2.3 视频制作是高频需求，圈层大，传播性天然强

在内容创作这个领域，视频制作是金字塔顶端的高频需求。做知识科普的、卖货的、做课程培训的、甚至只是拍日常 Vlog 的人，都需要这套流程。相比日志分析类、漏洞挖掘类、数学建模类 Skill，视频制作 Skill 有一个天然优势：它的产出物是可见的、可感知的。

你说“我这个 Skill 能自动分析服务器日志”，普通用户完全没概念；但你说“你输入一个主题，这个 Skill 能带你做出一条完整的小红书口播视频，从选题到封面全包了”，这个认知成本就低多了。人人都看过视频，人人都知道做视频麻烦，所以人人都会好奇这个东西到底怎么实现的。

这也就解释了为什么“Skill”这个关键词在网络上迅速升温，而且大量搜索集中在 AI 漫剧 Skill、PPT Skill、日志分析 Skill 这些具体场景上。因为大家真正感兴趣的不是 Skill 这个概念本身，而是“某个具体工作能不能用 Skill 帮我搞定”。视频制作正好处于“需求量大、结构清晰、结果可感知”这三个特征的交叉点上，它能成为爆款内容素材，一点都不奇怪。

3. 实操拆解：一个视频制作 Skill 的设计全过程

3.1 第一步：先把自己的工作流画成节点，而不是先写代码

很多人一听做 Skill 就想去写代码，这其实是最大的误区。Skill 的核心不是代码，而是流程意识。你连自己的流程都没理顺，写出来的 Skill 一定是一团浆糊。

我最初做这个 Skill 的时候，花了整整两天时间，只在做一件事：白纸上画流程图。把我过去几个月做短视频的真实流程全部列出来，每个步骤都写清楚三行字——输入是什么、输出是什么、这个节点我怎么判断能不能往下走。画完之后我才发现，原来过去很多我认为“靠感觉”的东西，其实都有迹可循。

比如写脚本阶段，我过去觉得“脚本写得好不好全看灵感和网感”，但当我仔细拆解时发现，我其实有一个固定的套路：先用一个反常识或带钩子的开头把观众按住，然后正文只讲一个核心观点，配上两到三个案例，结尾再用一句转发引导收束。这个套路是完全可复制的，只是我自己平时没意识到。

所以做视频制作 Skill 的第一步，是诚实地面对自己：把你最拿手的那套方法，拆成能给别人执行的步骤。不要把步骤定得太粗，比如“拍摄”这一个词就不合格；至少要细到“根据分镜表列出需要拍摄的镜头清单，标注景别、画面内容、道具和台词”。拆得越细，后续 Skill 的引导功能越好用。

3.2 第二步：搭 Skill 的目录和骨架

流程拆完之后，我再把流程翻译成 Skill 的文件结构。不同平台的 Skill 在实现细节上会有差异，比如有的用.cursor目录、有的用.claude/skills、有的干脆做成独立目录，但整体骨架是共通的。我习惯用下面这套结构：

video-production-skill/ ├── SKILL.md ├── scripts/ │ ├── main.py │ ├── script_writer.py │ └── shot_split.py ├── templates/ │ ├── script_template.md │ └── storyboard_template.csv └── assets/ └── examples/ └── demo_output.md

SKILL.md 是这个 Skill 的入口文件。它就像是手册的封面和目录，负责告诉 AI“这个技能叫什么、什么情况下使用、具体怎么做”。Agent 每次收到任务时，会先扫描这些 Skill 的描述信息，如果判断当前任务和某个 Skill 匹配，就会自动加载它。

我写的简化版 SKILL.md 大概长这样：

--- name: video-production-guide description: 主动引导用户完成视频制作全流程，适合小红书、抖音、B站短视频创作者，从选题到发布全链路覆盖 --- # 视频制作主动引导 Skill ## 触发场景 - 用户需要制作一条完整的视频 - 用户不知道视频该从哪里开始做 - 用户需要从零开始梳理短视频的选题、脚本、分镜和发布策略 ## 工作流程 1. 开场信息收集：确认平台、时长、主题、素材情况和个人风格偏好 2. 选题阶段：生成 3 个候选选题，用户选择后进入下一步 3. 脚本阶段：生成带钩子的口播脚本，输出后要逐段请用户确认 4. 分镜阶段：基于确认的脚本生成分镜表，包含景别、画面、字幕、道具 5. 拍摄清单阶段：汇总所有分镜需要的拍摄资源 6. 剪辑阶段：提供粗剪和精剪的检查节点建议 7. 封面标题阶段：生成 5 个标题候选和 3 套封面文案 8. 发布检查阶段：输出最终检查表，包含话题、标签、发布时间建议 ## 重要原则 - 每个阶段输出后，必须给用户【继续 / 修改 / 跳过】三个选项 - 用户说“跳过”时，使用默认配置，不要反复追问 - 用户修改需求时，只调整对应阶段的内容，不要重写整套流程 - 全程使用口语化表达，避免书面语

这个文件不需要很长，但要精准。它的作用就是告诉 AI 一个骨架，让 AI 在实际运行时有章可循。

3.3 第三步：设计主动引导的对话逻辑，这是灵魂

SKILL.md 只定义了“做什么”，主动引导式的灵魂在于“怎么问、什么时候停、怎么根据回答改变节奏”。我的做法是把它设计成一个“带着确认点的线性流程”，核心逻辑是：每走一步，都让用户拥有选择权。

我用一段非常简化的伪代码来说明：

def main(): # 开场只问4个问题，绝不问第5个 context = ask_init_info( platform="小红书", duration="60秒以内", topic=None, material_source="无现成素材" ) step = "topic_select" while step != "done": if step == "topic_select": topics = generate_topics(context) show(topics) user_choice = ask_user("输入1/2/3选择选题，输入4重新生成") if user_choice == "4": continue context["topic"] = topics[int(user_choice) - 1] step = "script" elif step == "script": script = write_script(context) show(script) action = ask_user("输入1继续丨输入2修改钩子丨输入3修改正文丨输入4重写") if action == "2": script["hook"] = revise_hook(context) continue elif action == "3": script["body"] = revise_body(context) continue elif action == "4": continue context["script"] = script step = "storyboard" elif step == "storyboard": storyboard = generate_storyboard(context) show(storyboard) action = ask_user("输入1确认丨输入2修改分镜表") if action == "2": storyboard = revise_storyboard(context) continue context["storyboard"] = storyboard step = "shooting_list" # 后续阶段依此类推 # ... elif step == "done": print("全部完成，最终交付物已生成")

这段逻辑的核心不是代码写得多高级，而是始终保持着“用户可干预”的状态。每生成一版内容，用户都有机会修改，修改之后不会从头开始跑，而是在当前阶段继续。这样用户会觉得自己被这套 Skill 带着走，又不会觉得自己失去了控制权。

你要特别注意“跳过”这个选项。很多人做引导式流程时会犯一个错误：非要用户答完所有问题才放行。真实用户是很没耐心的，他想跳过拍细节的时候，你要允许他跳。在他的信息不充足的情况下，就用一个合理的默认值顶上。比如用户说“没有素材”，那你就在分镜表里标注“全部需要新拍”；用户说“不知道风格”，你就说“那我先用干货解说型推进，后面可以随时换”。这里的原则非常明确：永远不要阻塞流程。

3.4 第四步：给脚本阶段写一个“会引导”的核心指令

在 Skill 的脚本文件里，真正让 AI 输出高质量内容的，是每个阶段内部那段“给模型看的指令”。它和普通的 Prompt 模板很像，但它会嵌入在 Skill 的流程节点里，并且会自动带上用户在之前阶段提供的上下文信息。

我拿脚本阶段举一个例子。当用户选定了选题方向，Skill 会从模板库里调用脚本生成指令。这段指令我会这样写：

你是有五年短视频编导经验的资深创作者。现在需要基于以下信息创作一条口播视频脚本： - 发布平台：小红书 - 目标时长：60秒以内 - 视频主题：年轻人拒绝加班 - 目标观众：25-35岁职场人 - 内容风格：干货情绪混合型 要求： 1. 先写出一个开场钩子，必须在前3秒制造反差或提问，让人有听下去的欲望。 2. 正文只围绕一个核心观点展开，用两个真实的或高可信度的案例支撑。 3. 结尾必须给出一个明确的互动引导，可以是提问、评论引导或收藏提示。 4. 全部使用口语化表达，不要出现书面语和宏大的词。 5. 不要一次输出太长，正文控制在350字以内。 输出后，按以下步骤与用户确认： - 请问开场钩子是否需要保留？如果需要替换，给出两个新的钩子方向。 - 请问正文案例是否需要更换？如果需要，请告诉我你想加入的案例主题。 - 请问结尾互动引导是否足够直接？如果用户说“温和一点”，就改成提问式引导。

为什么这段指令要这样设计？核心在于“输出后一定要确认”。如果你只是一次性生成脚本，用户可能看一眼觉得还行就走，但他对脚本并没有真正参与感；而当你带着问题和他确认时，他才会开始思考“我的钩子能不能更好”“我的案例是不是不够有说服力”。这个过程实际上是在帮用户提高对内容质量的判断力，也在帮 Skill 调整出更贴合他需求的作品。

其他阶段也是同样的思路。分镜阶段要带表格输出，拍摄清单阶段要检查“有没有漏拍风险”，封面标题阶段要输出 A/B 选项。每一个阶段都遵循同一套节奏：先给方案，再让用户选择，最后带着用户的反馈进入下一个阶段。

3.5 第五步：测试、打磨、迭代

把 Skill 文件写好，不意味着它就合格了。我第一版做出来的时候，自己觉得逻辑非常完美，结果拿给朋友一试，当场翻车：朋友说“我想做一条美食视频”，结果 Skill 跑出来的脚本一股职场干货味，把朋友看得一愣一愣。

后来我总结出测试期一定要做三件事。

第一，找 3 个不同背景的人来试跑。最好是找一个完全不懂视频的朋友、一个做过视频的半专业人士、一个做技术又做内容的同行。不懂视频的人负责测试“引导是否足够清晰”，半专业人士负责测试“流程是否有专业漏洞”，同行负责测试“方案是否有认知惊喜”。三类人给出来的反馈完全不同，但合并在一起就是一份非常完整的优化清单。

第二，记录卡住的位置。每一次试跑，我都会要求测试者至少说一句“哪个位置你不知道怎么回答”。卡住的位置通常就是引导信息不足的地方。比如有人就问过我：“你问我希望用情绪型还是干货型，可我不知道这两种风格有什么区别啊。”所以后来我在 Skill 里加了一条规则：当用户表示对选项不理解时，用一句简单的话解释选项，并给出一个匹配人群的建议。

第三，给 Skill 加退出和重入机制。加一个/exit命令能随时中止流程，加一个/restart命令能从头开始，再加一个/help命令展示全程流程预览。这些机制在演示时特别有用，因为用户在收藏你的帖子后第一次试用时，往往不知道会经历什么，提前给他看到一共有几个阶段，能大大降低他的焦虑感。

4. 复盘那个爆贴：为什么这样发就能火

4.1 帖子内容设计：过程感就是流量密码

那个爆贴的正文其实非常简单，总共三张截图加一小段说明文字。

第一张截图是 Skill 的开场对话：用户输入“我想做一条关于年轻人为什么拒绝加班的小红书视频”，Skill 自动列出需要确认的四个信息，并且给出了建议选项。

第二张截图是脚本生成页：Skill 基于用户确认的信息，先给出了三个选题方向，用户选择了其中一个，然后 Skill 输出了一段带开场钩子的口播脚本，还在后面追加了一个“是否保留钩子”的确认问题。

第三张截图是最终交付页：从分镜表到拍摄清单，再到封面标题候选，全部在一屏里展示出来，看起来就像是一份打包好的“视频制作全案”。

我现在回看这条帖子，其实它什么都没教，它只是在展示一种可能性：“原来视频可以这样被做出来。”这种过程感和结果可见性，比满屏干货截图更有冲击力。用户看到的是一个完整的、可复现的流程，而不是一堆碎片化的知识点。

4.2 数据的三个关键引爆点：标题、展示、钩子

这条帖子能在一天之内涨粉四千，我复盘之后发现有三个引爆点缺一不可。

第一个引爆点是标题里强调了“主动引导式”这个词。这个说法在当时还不算烂大街，很多用户看到后会本能地产生好奇：什么是主动引导？和 AI 聊天有什么区别？好奇心驱动点击，点击率一高，系统就会给更多推荐。

第二个引爆点是截图里展示了 Skill 的完整输出链。我一直觉得，工具类的帖子最怕只讲概念、不见实物。三张截图直接告诉用户“这东西真的能用”，没有啰嗦的介绍，没有复杂的技术名词，用户一眼就看懂了它能干什么。

第三个引爆点是帖子的最后一行话：“想要这个 Skill 的运行演示全流程和文件模板，评论区留个脚印，我整理后发你。”这一条转化钩子特别有效。很多用户不仅自己收藏了，还会转发给身边需要的人。转发多了之后，你的帖子就出了小圈层，进入更大流量池。

4.3 一天涨粉四千，粉丝里面到底是谁

涨粉四千听起来很爽，但你必须冷静下来分析这些粉丝是谁，否则后期的内容策略会完全跑偏。我看后台数据时发现，这批粉丝大致可以分为四类：第一类是短视频新手，占比最多，他们想学工具、想解决自己的内容生产问题；第二类是内容操盘手和运营，他们更关心这套流程能不能复制到自己的账号和项目里；第三类是 AI 工具的学习者，他们对 Skill 这个新概念非常敏感，到处搜相关教程；第四类是同行博主，他们关注你，是想看你下一步还会不会发新的 Skill，有没有可以借鉴的点。

这四类人群的需求是完全不同的。你要是一直发“视频制作 Skill”相关的内容，第一类和第二类人群会继续关注你；但第三类和第四类人群可能会很快流失。所以涨粉之后最重要的事情不是开心，而是想清楚你的内容定位到底要服务谁。我当时选择了围绕“AI 自动化内容创作”这个大方向持续输出，把视频制作 Skill 作为第一个爆款案例，后面又陆续拆了 PPT Skill、文章写作 Skill、以及去 AI 味的 Humanizer Skill，形成一个完整的系列。

一个爆贴能带来的不只是数字，更是一张清晰的用户画像和一条可持续的内容主线。如果你的 Skill 方向足够明确，那么一个爆贴之后，你后续的内容素材也基本有了：制作思路复盘、文件结构解析、常见问题答疑、新场景适配教程，每一条都可以再发一轮。

5. 常见问题与避坑指南

5.1 什么样的流程适合做成 Skill，什么样的不适合

做了视频制作 Skill 之后，我一度很上头，想把所有东西都封装成 Skill，但踩过几次坑之后发现，不是所有东西都适合这么做。

适合做成 Skill 的任务有三个特征：高频发生、流程明确、结果有验收标准。比如视频制作、PPT 制作、公众号文章写作、日志分析、店铺运营数据复盘，这些都属于典型的高频流程化任务。它们每一步都有清晰的依赖关系，做成 Skill 之后，能给用户节省大量重复思考的时间。

不适合做成 Skill 的也有三类。一是纯闲聊或情绪陪伴场景，比如“帮我起个网名”“陪我说说话”，这种任务的价值就是多样性，做成固定流程反而会显得生硬。二是高度依赖个人灵感创作的任务，比如写现代诗、做抽象艺术设计，这类任务很难用结构化流程约束，模型在固定流程下产出的东西往往非常平庸。三是我自己还没有形成稳定方法论的任务，比如当时我对某个平台的新算法规则还完全不了解，这时候强行封装 Skill，只会把错误的方法固化下来。

记住一个判断标准：如果一件事你每次做的时候，方法都会因为情况不同而发生很大变化，那它暂时不适合做成 Skill；如果一件事你每次做的时候都在重复同样的步骤，只有细节参数在变，那它就是一个天然的 Skill 候选。

5.2 主动引导式 Skill 最常踩的四个坑

第一个坑：问题轰炸。我第一版 Skill 在开场一次性问了用户 8 个问题，试跑时朋友们集体崩溃。你要理解，主动引导的“引导”不是“审问”，开场信息收集最好控制在 3 到 5 个问题以内，并且要给每个问题提供可选答案，让用户只需要做选择题，而不是填空和思考。

第二个坑：信息丢失。用户在脚本阶段说了一句“我要口语化一点”，结果到了分镜阶段，Skill 又用非常书面化的语言写分镜描述，用户就会觉得这玩意很蠢。解决方案是在每个阶段交接时，把用户以前强调过的偏好作为上下文传递给下一个阶段，尤其是在 SKILL.md 里明确写上“所有阶段必须沿用用户在前期设定的风格参数”。

第三个坑：没有退出机制。有些用户只是好奇想看一下 Skill 的输出能力，但他一旦触发了流程，就必须走完，这种体验非常糟糕。后来我给 Skill 加了/exit和/help，并且在开场就告诉用户“随时输入 /exit 可以退出，输入 /help 查看完整流程”。

第四个坑：模板化太严重。模型一旦按照固定节奏输出，很容易出现每一条脚本都有同样的转折句、同样的结尾引导。这会让用户觉得 AI 生成的东西“有种 AI 味”。解决方案是在每个阶段留出风格参数入口，让用户可以选择“冷静理性风”“热血鸡汤风”“案例叙事风”等不同风格，同时要求模型在输出时变化句式结构，避免重复。

5.3 让 Skill 更好用的几个细节技巧

我最后再分享几个实测下来很有用的细节。

技巧一：给 Skill 加一个“演示模式”。很多用户第一次看到 Skill 时并不知道它能干什么，如果你在 SKILL.md 里写了“如果用户输入 demo，就展示一遍完整流程的输出示例”，这个 Skill 的打开率会高很多。它相当于给用户一个预期管理：看完演示，他就知道后面会发生什么了。

技巧二：阶段性输出要提醒保存。我在测试时发现，用户走到第五个阶段时，如果网络断了或者对话超时，前面所有输入可能就丢了。后来我在每个阶段输出末尾加一行“建议将当前分镜表复制保存到本地”，虽然简单，但能减少很多用户的崩溃时刻。

技巧三：把模板和脚本分开维护。SKILL.md 只放流程定义，把具体的脚本模板放到 templates 目录里。这样你后期想调整脚本风格时，只需要改一个模板文件，不需要动整个 Skill 逻辑。我现在每个 Skill 都维护了三个模板版本：新手版、标准版、快速版，分别应对不同深度的需求。

技巧四：版本号里带上迭代说明。哪怕只是改了一句提示词，也建议在版本说明里写清楚改了什么。做 Skill 这件事特别容易出现“改了几天之后忘了这版和上一版有什么区别”的情况。我是从 v1.0 一直迭代到 v1.4，每次改完都写一行更新日志，后面复盘时才能知道哪个改动真正提升了用户体验。

关于要不要把 Skill 做成产品收费，我的看法是：先别急着想商业化，先把你自己的流程梳理明白。这个视频制作 Skill 给我带来的最大收获不是那四千多个粉丝，而是逼着我把过去靠直觉和经验积累的隐性知识，全部变成了能写出来、能教给别人、能跑出稳定结果的标准流程。如果你手里也有那种“每次都需要重新带新人”的重复工作，我非常建议你试着做一次 Skill 封装。先不用管文件格式，不用管代码结构，就在一张白纸上，一步不落地把你的流程写下来。画完那一刻你会发现，你的经验比你以为的值钱得多。