ClawHub 上线那阵，我去逛了一圈。Skill 一堆，有卖的，有免费分享的，还有人在群里发：”有没有帮我做 XX 的 Skill，跪求。”

我愣了一下。

我举个我自己的例子。

我现在有一个知乎发文的流程，全自动跑，每天早上出结果。大致是：找热点问题，查资料，写草稿，检查 AI 味，发布，顺手推专栏。

这个流程里最值钱的，是”检查 AI 味”那一步。

那份检查手册是怎么来的？

最早没有。发了几篇文章，数据很差，我就让 OpenClaw 去分析——把文章内容、阅读量、点赞数、停留时长全扔给它，让它找规律。它给出的判断是：这几篇文章和同话题下的高赞回答相比，用词过于规整，段落节奏过于均匀，结尾都有一段”总结升华”，读者识别出来是 AI 写的，直接划走了。

然后我就让它把这些规律写成清单——哪些句式是 AI 指纹、哪种段落结构是 AI 特征、结尾怎么写才有人味。

写完之后我看了一遍，觉得对，就说：这个存下来，以后每篇文章发之前都过一遍这个清单。

这就是 ZhiForge 里”检查 AI 味”那一步的由来。从数据分析到规律提炼到清单成型，整条链路都在 OpenClaw 里跑完，我只做了一件事：在它给出结果的时候说”对，就这样”。

那份清单后来迭代了六七版。

每次迭代的方式是一样的：发了几篇，数据又出来了，再让 OpenClaw 分析，哪些段落留存好哪些差，好的和差的有什么结构上的区别。然后更新清单，下次照着新的来。

这个过程里，我没有”研究写作理论”，也没有”总结方法论”。我只是在一个流程里待着，流程跑，数据出来，AI 分析，我确认，清单更新，再跑。

跑了一个月，那份清单变成了我自己的东西——它里面有我的文章的数据，有我的话题的受众，有我的写作习惯里具体是哪些点会暴露 AI 味。别人拿去用不一定好使。

这就是我说的，Skill 是流动的，是跑出来的，不是设计出来的。

它是你和 AI 在一件具体的事情上磨出来的默契。你带着 AI 把这件事干了一遍，哪里顺了，你说”记住这个，下次就这么干”，把它写成文件，就是 Skill。

所以去 ClawHub 买 Skill 这件事，我理解，但我觉得方向不太对。

你买来的 Skill，里面的判断是别人磨出来的——他的数据、他的受众、他踩的坑。你照搬，跑起来可能顺，也可能出了问题你不知道哪里改。因为你没经历那个磨的过程，你不知道这些规则是怎么来的。

但有一种情况，找别人的 Skill 是对的：你根本不知道这件事该怎么干。

我做视频切片之前，完全不知道 ffmpeg 怎么去口吃、WhisperX 转写完时间戳为什么会飘、音画怎么对齐。这些我不会，也没条件自己摸索出来。这时候找一个做过的人写的 Skill，他踩过的坑是真实的，他的洞察来自实际跑过的数据，这个值钱。

但就算这种情况，我也不是买来直接跑就行了。我还是得自己跑一遍，哪里报错我去看，哪里结果不对我去改，改完让 AI 记下来。跑通了，这个 Skill 才是我的。

video-clipper 这个 Skill，我重写了三遍。第一遍 mapfile 在 macOS 上跑不了，第二遍音画飘了，第三遍字幕嵌入一直崩。每一遍出错，就往里加一条记录。现在那个 Skill 里有大量”在这台机器上”的细节——我的 macOS 版本、我的 ffmpeg 编译参数、我的 WhisperX 环境。别人拿去大概率跑不通，因为它不是通用方案，它是我这里的方案。

这就对了。

所以你问我怎么用 OpenClaw 的 Skill：

先干。让 AI 陪你把这件事干一遍，哪里顺了哪里卡了都记下来。干通了，跟它说”存成 Skill，下次就这么干”。

真的不知道怎么干的地方，去找别人的 Skill，当起点。然后自己跑，跑出问题，改，记录，再跑。

Skill 不是工具，是你和 AI 一起积累下来的工作记忆。记忆这种东西，没法直接买。