当所有人都在用同一个GPT，你和别人的差距不在于"你用了什么模型"，而在于"你喂给它多少属于你自己的东西"。你缺的不是更好的AI，而是一个"装自己"的系统。

---

为什么要"装自己"

我发现一个规律：AI越强，个人经验的沉淀反而越重要。

同样写一篇文章，有人能拿到80分的初稿，有人只能拿到50分——区别不是模型不同，而是后者没有把自己的风格、判断标准、过往经验"装进去"。

你的经验、你的判断逻辑、你反复做的事——这些才是你真正的个人资产。

但它们目前只存在于你的脑子里，没有被结构化，没有被复用，更没有被AI调用过。

---

怎么"装自己"：Memory、Skill、Eval

我把它拆成三个词：

模块	回答的问题	一句话定义
Memory	它知道我是谁吗？	长期保存你的背景、偏好和经验
Skill	它能帮我做什么？	把重复任务封装成可复用的能力
Eval	它怎么越做越好？	用反馈标准让系统持续贴近你

三者不是独立的功能，而是一个闭环：

Memory提供上下文 → Skill执行任务 → Eval给出反馈 
↑                                           ↓
反馈更新Memory和Skill ← 下一次更好 ←────┘

---

一、Memory：让AI知道你是谁

Memory的本质是：那些会影响未来判断和行动的信息。

一条"今天午饭吃了什么"不需要进Memory。但以下这些需要：

身份和背景：

• 我是谁，做什么岗位，团队多大
• 我擅长什么、正在做什么方向

偏好和风格：

• 我喜欢什么样的表达方式
• 我讨厌什么样的输出（太空、太硬、太啰嗦）

经验和判断：

• 我在某个任务上做过什么决策，为什么这样做
• 我对某个方向的判断是什么，依据是什么

正在关注的事：

• 我最近在研究什么
• 哪些问题是我正在思考但还没结论的

Memory的三个层次

层次	说明	能否结构化
显性层	明确的事实、数据、结论	100%可以
隐性层	直觉、感觉、判断倾向	部分可以
情境层	当时的情绪、环境、关联	很难完全结构化

Memory的价值不是记得多，而是记得对。 一条能影响未来决策的Memory，比一百条无用的聊天记录有价值得多。

---

二、Skill：把经验封装成可复用能力

Skill的本质是被结构化保存下来的经验。

如果一个任务反复出现，它就不应该永远只是一个临时Prompt。它值得被沉淀成一个Skill。

Skill vs 临时Prompt

维度	临时Prompt	Skill
背景	每次手写	自动从Memory获取
复用	用完就散	可反复调用、持续更新
输出	格式不稳定	有固定结构和模板
质量	凭感觉判断	有明确的Eval标准
进化	无法积累经验	每次反馈后自动改进

好的Skill应该"隐退"到背景中。 当你调用一个Skill时，你的焦点是任务本身，而不是Skill的操作。

---

三、Eval：让系统越用越好

没有Eval，Agent只是一个更复杂的Prompt Collection。

从技术的角度看，Eval是一个个人版的反馈学习系统。在大模型训练中，RLHF让模型从人类的偏好中学习。Eval做的是同样的事——让系统从你的反馈中学习"什么叫好、什么叫不好"。

通用Eval问题

每次用完Skill后问自己：

1. 这次输出有没有节省我的时间？
2. 是否符合我的表达风格？
3. 是否抓住了真正重要的点？
4. 我最后手动改动了哪些地方？
5. 是否需要更新Memory或Skill？

关键在于：Eval的结果要回流到系统。

---

SkillHub必装Top 10

完整排行榜见skillhub.cn

#	Skill名称	一句话说明	下载量
1	self-improving-agent	自动记录Agent经验教训，持续进化	54.9万
2	summarize	网页/文件/YouTube一键总结	40.6万
3	find-skills	搜索和发现新Skill	39.6万
4	github	GitHub操作集成	26.1万
5	agent-browser	浏览器自动化操作	24.4万
6	ontology	知识图谱系统	21.0万
7	word	Word文档读写	9.6万
8	excel	Excel表格处理	9.3万
9	nano-pdf	PDF自然语言编辑	9.1万
10	obsidian	Obsidian笔记同步	8.8万

---

最小闭环：先别做大系统

做一个最小闭环：让日常输入能被记录、判断、转化、使用和反馈。

日常输入（想法、文章、工作记录）
    ↓
结构化记录（飞书多维表格）
    ↓
Agent辅助判断（这个