我见过很多企业推进 AI 落地，第一步都是买工具。
上 Agent 平台，买模型额度，配知识库，接业务系统，然后宣布“我们开始 AI 转型了”。
半年后复盘，工具还在，额度也花了，真正长出来的能力却很少。
问题不在工具。
问题在于：企业买了锤子，却没有沉淀手艺。
锤子可以砸钉子，但每一次砸哪里、怎么砸、砸完检查什么，全靠人临场发挥。下次换一颗钉子，又重新手忙脚乱。
Skill 解决的就是这件事。
它不是让 AI 更会聊天，而是把组织里原本靠少数专家掌握的做事方法，封装成可以被调用、复用、审计和迭代的能力单元。
一、提示词不够用了
企业最早使用 AI，通常从提示词开始。
写提示词当然有价值。它让人开始用 AI，也让个人效率提升得很快。
但提示词的问题很明显：它是个人资产，不是组织能力。
一个人写的提示词，往往只有这个人用得好。换个人、换场景、换资料、换模型，效果就开始漂移。
提示词越写越长，限制条件越补越多，最后变成一段没人敢改的“祖传咒语”。
这不是能力沉淀。
这是个人经验的临时搬运。
企业真正要积累的，不是几条好用的提示词，而是一套经过验证、可以复用、可以交接、可以持续改进的做事方法。
这就是 Skill。
二、Skill 不是提示词，是一组通过考验的业务能力
Skill 不是把提示词写长一点。
规则解决确定性执行，Skill 解决可复用的专业判断。金额阈值、权限撤销、黑名单拦截交给规则；供应商值不值得准入、合同风险如何分级、项目蓝图是否合理，才值得封装成 Skill。
把供应商准入评估做成 Skill，最容易掉进第一个坑：只有指标，没有判断。
你列了资质、财务、口碑、合规记录、合作意愿五个维度，看起来很完整。但真正的问题是：什么样的财务异常值得警惕？什么样的诉讼记录只是经营噪声？什么样的低价报价背后可能藏着履约风险？
如果这些判断没有写进去，所谓评估框架只是表格。
第二个坑，是只有规则，没有案例。
很多企业喜欢做评分表，70 分以上通过，60 分以下淘汰。看起来客观，实际很脆。供应商风险往往不长在分数最低的地方，而长在那些“看起来都还可以”的组合里。
过去哪些供应商后来出了问题，当时露出了哪些早期信号；哪些供应商一开始不亮眼，后来反而稳定可靠，这些案例才是 Skill 的判断来源。
第三个坑，是只有模板，没有场景。
评估报告格式很整齐，结论页也很漂亮，但不同采购类别的风险完全不同。
设备类供应商看交付和售后。原材料供应商看质量稳定性和价格波动。工程服务商看履约能力和现场管理。
模板不能替代场景判断，模板只能约束输出形态。
第四个坑，是只有输出，没有复核。
AI 生成了一份供应商评估报告，结构完整、措辞专业，看起来可以直接提交。但谁来判断证据够不够？谁来确认结论是否过度推断？哪些风险必须升级到采购负责人或法务复核？
没有复核机制，Skill 只是把个人随手判断换成了模型随手判断。
第五个坑，是只有一次封装，没有持续更新。
供应商第一次准入通过，不代表后续表现稳定。合同履约、质量问题、交付延迟、付款纠纷、投诉记录都会反过来修正当初的判断。
Skill 如果不能把这些反馈吃回来，它很快就会变成一套过期经验。
一个真正可用的 Skill，不是“框架、案例、模板、脚本、标准”的清单，而是一组经得起业务考验的判断装置。
它要能识别风险，不只是填满指标。
它要能调用案例，不只是套用规则。
它要能适配场景，不只是输出模板。
它要能接受复核，不只是生成结论。
它要能持续变准，不只是完成一次封装。
三、Skill 封装的是组织手艺
很多企业有专家，但没有能力资产。
老销售知道什么客户容易成交，什么客户一定要收预付款。老采购知道什么供应商报价低但履约不稳，什么供应商看起来慢但关键时刻靠得住。老法务知道合同里哪些条款表面没问题，未来一定会扯皮。
这些东西很值钱，但它们通常不在系统里。
它们藏在一次提醒里，藏在一句“这个客户要小心”里，藏在项目复盘时随口说出的经验里。
人还在，组织觉得自己有能力。人一走，组织才发现能力没有留下来。
新人接手时，看到的是合同、报表、流程、制度，却看不到那些真正影响判断的暗线。于是同样的坑再踩一遍，同样的风险再发生一次，同样的判断再靠运气补回来。
Skill 的价值，就是把这些隐性经验显性化。
把专家经验变成判断框架，把项目教训变成案例，把输出要求变成模板，把执行过程变成脚本，把质量要求变成检查标准。
工具买来的是能力入口。
Skill 沉淀的是组织手艺。
四、企业 AI 能力的差距，会体现在 Skill 上
企业最常问的问题是：有没有类似案例可以参考？
这句话背后，不只是在要案例。
它在要一套可复用的判断方法。
销售能力强的组织，真正值钱的不是某个销冠，而是那套能让普通销售也持续进步的打法。
交付能力强的组织，真正值钱的不是某个项目经理，而是那套能让项目风险提前暴露、需求边界提前确认、蓝图质量稳定输出的工作方式。
咨询能力强的组织，真正值钱的不是某个人脑子里的经验，而是那套能被反复调用、不断迭代的诊断框架。
Skill 封装的就是这种东西。
企业 AI 能力的差距，最后不会只体现在谁用了更强的模型，而会体现在谁沉淀了更多高质量 Skill。
模型会越来越便宜。
工具会越来越相似。
真正稀缺的是组织自己的判断方法。
五、用供应商准入，把 Skill 封装出来
Skill 不是开会讨论出来的。
它要从一个具体场景里长出来。
比如供应商准入。
第一步，不是写提示词，而是找对人。
找采购负责人，找最懂品类的采购经理，找法务，找财务，找质量负责人。如果是工程类供应商，还要找项目现场负责人。
供应商准入从来不是采购一个部门的判断。
采购看价格和交付，法务看合同风险，财务看资金稳定性，质量看过程能力，现场负责人看履约习惯。每个人都只看见一部分，Skill 要把这些判断拼成一套可复用的准入逻辑。
第二步，不是让专家讲原则，而是让专家复盘真实案例。
不要问：“好供应商应该具备什么条件？”
这个问题太空。
要问：
过去三年，哪些供应商后来出了问题？
当初准入时，有没有信号已经出现？
哪些低价供应商最后成本反而最高？
哪些资质齐全的供应商，履约时最麻烦？
哪些供应商一开始不起眼，后来合作很稳定？
哪类风险，是采购看不出来但法务一眼能看出来的？
哪类风险，是财务数据看不出来但现场人员知道的？
这些问题问出来，Skill 才开始有判断。
第三步，把经验拆成判断点。
诉讼记录不是有就淘汰，要看案由、频率、金额、时间和行业性质。
财务异常不是看一个指标，要看现金流、负债、应收账款和历史履约的组合。
报价低不是优势，要看低价背后是规模能力、库存消化，还是偷工减料和后续变更。
新供应商不是不能用，要看是否能先从小额、低风险、可替代品类试用。
这些才是 Skill 真正值钱的地方。
它不是告诉 AI “请评估供应商风险”，而是告诉 AI：什么样的信息组合，应该触发什么样的判断。
第四步，把判断点封装成结构。
供应商准入 Skill 至少要有四层结构。
第一层，准入维度。
资质、财务、合规、质量、交付、价格、服务、合作意愿。
第二层，风险信号。
经营异常、诉讼频繁、报价异常、质量记录不稳定、交付延迟、关键资质缺失、客户投诉集中。
第三层，判断规则。
哪些是一票否决，哪些是高风险提示，哪些需要补充材料，哪些可以进入试用，哪些必须升级复核。
第四层，输出模板。
准入建议、风险等级、关键证据、待补充信息、复核意见、后续跟踪要求。
这样封装以后，Skill 才不是一段提示词，而是一套可以被调用的业务判断结构。
第五步，用新案例验证它。
拿 10 个历史供应商回测。
如果当年的风险供应商，Skill 现在仍然识别不出来，说明判断点没抓住。
如果大量正常供应商被误判为高风险，说明规则太粗。
如果不同人员调用同一个 Skill，输出差异很大，说明模板和质量标准还不够清楚。
如果 Skill 只会生成漂亮报告，却不能指出证据缺口，说明它还只是文档助手，不是判断能力。
Skill 的成熟，不看第一次生成得多完整，而看它能不能在复盘中变准。
第六步，把结果接回业务。
供应商准入 Skill 最后不应该停在报告里。
它要进入采购流程：
准入前，用它做初筛。
准入中，用它辅助评审。
准入后，用它持续跟踪履约表现。
出现质量、交付、付款、投诉问题时，再把结果回写到案例库里。
这样，Skill 才会越用越准。
企业 AI 能力不是靠一次配置完成的。
它是在一次次业务判断、结果验证和经验回写里长出来的。
六、一个更难的问题
判断一个场景值不值得做成 Skill，只看一个问题：
这件事做完以后，下次还能不能用？
如果只做一次，提示词就够了。
如果会反复出现，涉及专业判断，又需要稳定输出，就值得封装成 Skill。
一个设计精良的 Skill，会把隐性经验变成显性方法，把个人手艺变成组织能力，把一次性输出变成可复用系统。
但一个更难的问题也来了：
如果企业最值钱的能力，正是那些老销售、老采购、老法务、老项目经理脑子里的东西，那么当这些东西被封装成 Skill 以后，他们的位置会发生什么变化？
过去，他们是经验的拥有者。
以后，他们更像 Skill 的设计者、训练者、校准者和守门人。
AI 可以替他们完成一部分判断动作，但不能替企业决定：哪些经验值得沉淀，哪些判断需要保留给人，哪些场景必须重新校准。
企业 AI 落地真正改变的，不只是工具效率。
它会改变专家在组织里的位置。
Skill 不是把专家替掉。
Skill 是逼企业回答一个更深的问题：你的专家，到底是靠经验吃饭，还是能把经验变成别人也能使用的能力？
这才是企业 AI 能力产品化真正开始的地方。
