為什麼你的 Agent Skills 越加越多、AI 卻越不聽話？Matt Pocock 的「技能地獄」解方

前陣子我打開公司那份「客服應對 SOP」，Word 檔四十幾頁，三年來每個人都往裡面加東西，沒人敢刪。

我盯著它看了很久，忽然懂了一件事。

為什麼新人永遠學不會、連我們接的 AI 客服都照樣答非所問？問題不是他們不看，是這份文件根本沒被「設計成會被照做」。

這件事，最近有個做 AI 工具的人講得比誰都清楚。他叫 Matt Pocock，是 TypeScript 圈很有名的教育者，經營一個叫 AI Hero 的電子報，手上維護的工程技能集（skills repo）是這個圈子最紅的其中一套。他本來要在 AI Engineer World's Fair 講一場，因為家裡有事去不了，乾脆錄成影片放出來，題目叫 The Missing Manual: How To Write Great Skills（寫出好技能的失落手冊）。

我看完的第一個感想是：這根本不是一場給工程師的技術演講。

這是一堂「為什麼你的 SOP 沒人照做」的大師課。

先講一個反直覺的判斷：技能不是越多越強

大家現在對 AI 技能的想像是什麼？收集。

Notion 裡存滿 prompt 模板，skill 資料夾越開越多，看到別人分享一個好用的就手癢想加進來。潛意識裡我們都覺得：技能越多，我的 AI 就越強。

Matt 的整套論點，正好跟這個直覺相反。

他自己的技能庫做到 v1 版本時，最大的一件事不是「多加技能」，而是把一大半技能「關掉自動觸發」，改成要你手動叫才會跑。結果呢？光是技能描述這一塊，token（AI 運算的計價單位）成本就降了 63%（資料來自 AI Hero）。

換句話說，他是靠「做減法」讓 AI 變得更聽話、更省錢。

這就是我想先丟給你的第一個判斷：壞技能比沒技能更糟，因為它在偷你的 token、偷 AI 的注意力、偷你對它的信任。

如果你問我，這跟開店的道理一模一樣。你以為 SKU（品項）上越多，店越大越有競爭力？做過電商的都知道，品項無限膨脹只會稀釋你的主力商品、拉高你的庫存和管理成本，最後連自己都搞不清楚哪個才是真正在賺錢的品。

技能也是一樣。收集不等於會用。

什麼是「技能地獄」？你缺的不是技能，是分辨好壞的眼光

Matt 給這個現象取了一個很傳神的名字：skill hell（技能地獄）。

他說開發者這幾年很擅長幫自己找各種「地獄」。前幾年有 tutorial hell（教學地獄，看不完的教學卻拼不出完整能力），後來有 framework hell（框架地獄，每十分鐘就有個新框架要學）。現在輪到 skill hell。

技能地獄長什麼樣子？你有一堆免費、能下載、能貢獻的技能擺在那裡，但你分不出哪個是好的、哪個是壞的，你不知道它們湊在一起會怎麼運作，最後你拿不到這些技能「號稱」能給你的成果。

這不只發生在個人身上，組織更嚴重。

大部分公司根本不知道怎麼把自己的作業流程，變成一件 AI 能真正執行的東西。

聽到這裡你有沒有覺得耳熟？把「技能」兩個字換成「SOP」，這段話一字不改就是你公司的現況。

先講清楚，如果你連「什麼是 Agent Skill、SKILL.md 該長怎樣、要不要把團隊 SOP 資產化」都還不熟，這篇不是起點。我之前寫過一篇專門講這個：Agent Skills 是什麼？把團隊 SOP 變成 AI 技能包，那篇講的是「要不要做」。

這篇講的是下一關：做了之後，怎麼讓它真的有用。

一個是資產化的決定，一個是資產化之後的工藝。順序不能顛倒。

讓「寫下來的」真的「被照做」的四道工藝

Matt 把「好技能」拆成一張檢查清單，四個關卡。我把它翻成你聽得懂的話，因為這四關拿去檢查你團隊的 SOP，一樣成立。

我一關一關拆給你看。

第一關：觸發，自動好還是手動好？

這是 Matt 花最多力氣講的地方，因為沒有標準答案，只有取捨。

技能有兩種叫法。一種叫 model-invoked（模型觸發），你寫一段描述，AI 自己讀完判斷「這個情境適合，我來跑這個技能」。另一種叫 user-invoked（使用者觸發），AI 看不到它，你得手動打指令叫它出來。

你可能覺得自動觸發一定比較好啊，又靈活又省事。

Matt 說沒這麼簡單。每多一個自動觸發的技能，就多一段描述常駐在 AI 的腦子裡，這叫 context load（脈絡負擔）。一百個自動技能就是一百段描述，每次請求都在燒 token，還多一百件事讓 AI 分心。更麻煩的是不可預測：就算這個技能百分之百適合當下任務，AI 也可能「就是不叫它」。

那手動觸發呢？它有另一種負擔，叫 cognitive load（認知負擔），壓在「你」身上。你得記住手上有哪些技能、什麼時候該叫哪個。

Matt 個人偏好手動。因為這樣他直接消掉了一整類問題：「技能到底有沒有在對的時機被觸發」，這種需要反覆測試驗證的鬼問題，他連碰都不想碰。

一句話幫你決策： 你希望 AI 少一點自作主張、你多一點掌控，就用手動觸發；你希望它靈活自動、但接受它偶爾漏叫、也接受多花 token，就用自動觸發。做過電商的，這道題你其實很熟。這就像你要不要讓系統「自動」幫你調庫存、改標題，還是每一步都要你按確認。方便和可控，本來就是一體兩面。

Matt 常被拿來跟另一套很紅的技能集 superpowers 比較。superpowers 主要走自動觸發，把「超能力」塞給 AI；Matt 偏好自己抓方向盤。兩種哲學都對，看你要什麼。

第二關：結構，主檔越小越好

Matt 說一個技能通常由兩塊組成：steps（步驟） 和 reference（參考資料）。步驟是照著走的流程，參考是走的時候需要查的東西。

重點來了。他有一個很硬的原則：主檔案（SKILL.md）要越小越好。

因為小檔案好維護、好稽核、每砍掉一個字就省一份 token。那些只有在「特定分支」才會用到的參考資料，不要塞在主檔裡，用一個叫 context pointer（脈絡指標） 的東西把它藏到外面，需要的時候 AI 才去把它拉進來。

這個做法有個官方名字叫 progressive disclosure（漸進式揭露），Anthropic 的技術文件也是這樣建議的。所以這不是 Matt 個人偏見，是有共識的設計原則。

翻成你的語言：你那份四十頁的客服 SOP，八成的內容是「附錄」。特殊情況才用得到的話術、罕見的退換貨案例、跨部門的例外處理，全部塞在主流程裡，結果新人第一天就被淹死，根本找不到「今天最常用的那五步」。

把主流程壓到一頁，附錄丟到後面、要用再翻。這就是漸進式揭露。

（順便講個容易混淆的：技能是「程序知識」，跟負責「調度、編排」的東西是兩回事。如果你想搞清楚 AI 是靠什麼把這些技能串起來跑的，可以看我這篇 Agent Harness 是什麼。別把工具、編排、技能混為一談。）

第三關：引導，用一個對的詞取代三段解釋

這是整場演講我覺得最值錢的一招，叫 leading words（引導詞）。

Matt 說，有些詞天生就把大量意義壓縮在很小的空間裡。你把這種詞放進技能文字，AI 在推理的過程中會不自覺地一直「複述」這個詞，因為它一直重複，它的行為就真的被帶著走。

他舉的例子是 vertical slice（垂直切片）。

AI 寫程式有個老毛病：一層一層做。先把資料庫全部寫完、再把介面全部寫完，不會像人一樣先做出一小塊能動的東西、拿去試、再往外長。你當然可以寫一長串「拜託你不要一層一層做」，但更有效的是丟給它一個引導詞：vertical slice。這是開發圈的老術語，AI 一看就懂你要它「切一小片、從頭到尾打通」。

最妙的是，你能驗證這招有沒有生效。你在技能裡寫了 vertical slice，然後去看 AI 的思考過程，如果它開始自己碎念「好，我們先做一個薄薄的垂直切片」，你就知道成了。

這對你有什麼用？

想想你那份永遠寫不清楚的「品牌語氣指南」。你寫了三段解釋「我們的調性要親切但專業、活潑但不輕浮」，小編看完還是抓不到。不如給一個高密度的引導詞：「像跟閨蜜推坑」。一個詞，勝過三段。小編會複述它，AI 也會複述它。

Matt 還有第二招對付「說了不照做」。有時候 AI 在某個步驟就是敷衍，投入不夠。他把這叫 legwork（實地功夫）不足。

最經典的例子是 plan mode（規劃模式）裡的「問澄清問題」。這一步 AI 永遠問兩句就急著跳去產出計畫，因為它看得到終點在那裡。Matt 的解法很聰明：把「問問題」拆成一個獨立技能，讓 AI 一次只看得到當下這一步、看不到後面的目標，逼它把功夫做足。

這招你絕對用得上。

新人 onboarding，你一次把整套流程全攤給他，他會怎樣？眼睛盯著「幾點下班」那個終點，中間每一步都趕過去。但你如果一次只給他一步、做完再給下一步，他反而會把當下這步做深。

以前我們覺得「資訊給越全越好」，現在我才明白，有時候「刻意藏住後面」，才逼得出當下的專注。

第四關：精簡，做一次刪除測試

最後一關是收尾，Matt 點名三個讓技能變肥的病灶。

第一個是重複。同一份範本、同一個定義，散在好幾個地方。他堅持每一塊都要有 single source of truth（單一真實來源）。

第二個他叫 sediment（沉積物）。這個詞太傳神了。多人共編一份文件，每個人都往裡面加自己的東西，沒人敢刪別人的，久了就沉積出一大坨跟主題根本無關的垃圾。

你那份沒人敢刪的客服 wiki，就是一整缸沉積物。

我做百貨專櫃那幾年也一樣。公司發的教育訓練手冊厚厚一本，真正天天在用的就那幾句話術，剩下全是沒人翻的沉積物。厚，從來不等於有用。

第三個叫 no-ops（空指令），這是 AI 幫你寫技能時最常見的病。看起來像在下指令，實際上刪掉了 AI 的行為完全不變。Matt 舉例：技能裡有一整段叫 AI「寫一個很詳細的 commit 訊息」，你把那段刪掉，AI 照樣會寫出不錯的訊息。那段話，就是廢話。

怎麼抓？做 deletion test（刪除測試）：把一段拿掉，看結果有沒有變。沒變，那段就該死。

你 SOP 裡那句「請務必用心服務、態度親切」，就是最標準的 no-op。刪掉，客服照樣親切；留著，也沒讓誰更親切。它只是讓文件更長而已。

落地：這週就拿你一份真的 SOP 開刀

講了這麼多，如果你只是點頭稱是然後關掉視窗，那就白看了。

Matt 這套東西，最狠的地方是它「立刻能用」，而且不只能用在 AI 技能，能用在你團隊任何一份沒人照做的文件上。

今天就能做。先別急著再收藏一個新技能，先回頭砍掉一條沒用的舊指令。給你三個動作。

► 第一，挑一份最爛的 SOP，做一次刪除測試。 就選那份最厚、最多人共編、最沒人敢動的。逐段問自己：「這段刪掉，執行結果會變嗎？」不會變的，紅字標起來，全砍。你會很驚訝能砍掉多少沉積物和空指令。

► 第二，把主流程壓到一頁，其餘丟附錄。 找出這份 SOP「每天都會用到的那幾步」，把它們留在第一頁，其他特殊情況、例外處理、參考範本，全部移到後面，要用再翻。這就是漸進式揭露。新人和 AI 都會謝謝你。

► 第三，幫最模糊的那條指令，找一個引導詞。 你團隊裡一定有一條「講了很多次還是沒人做對」的要求。別再寫第四段解釋了。想一個高密度、大家一聽就懂的詞去取代它，然後反覆用。想不到的時候，直接問 AI「幫我找幾個能精準表達這個意思的詞」，它其實很擅長這件事。

最後補一個治理現實，這是 Matt 沒細講、但你在台灣做團隊一定會撞到的。

把 SOP 資產化、寫成技能，只是第一步。真正的門檻是後面那句沒人想扛的：誰負責維護它、誰有權砍它、誰來守那個「單一真實來源」。

技能會腐化，跟 SOP 一模一樣。你今天精簡得再漂亮，半年後沒人管，它又長回一缸沉積物。這件事本質上是「誰能改、跑在哪份資料上」的治理問題，不是技術問題。這點我在 Code with Claude London 給電商老闆的三條 AI 治理 裡談得更細。

以前我們比的是「誰的 SOP 寫得多」，現在真正拉開差距的，是「誰的 SOP 真的被照做」。

工具會一直進化，但這一關，AI 幫不了你，得你自己把關。

常見問題 FAQ

Q1：為什麼我寫給 AI 的指令，它常常不照做？

多半是三個原因：你的指令裡有太多「刪了也沒差」的空指令（no-ops），稀釋了真正重要的那句；你想要的行為沒有用夠精準的「引導詞」去鎖定；或是這個步驟 AI 看得到後面的目標，所以敷衍當下、急著往終點跑。對照 Matt Pocock 的四關（觸發、結構、引導、精簡）逐一檢查，通常能抓到問題。

Q2：Agent Skill 該讓 AI 自動觸發還是手動叫？

沒有標準答案，是取捨。自動觸發靈活，但每個技能都常駐佔 token、增加 AI 的脈絡負擔，而且它可能該叫的時候不叫。手動觸發可控、省 token，但你得自己記住何時叫哪個，認知負擔在你身上。想要掌控感就手動，想要省事就自動。Matt 本人偏好手動。

Q3：我團隊的 SOP 文件為什麼沒人照做，怎麼修？

先做刪除測試砍掉沉積物和空話，再把每天用到的主流程壓到一頁、其餘丟附錄，最後幫最模糊的指令找一個引導詞。這三步是 Matt 的技能設計原則，套在人類的 SOP 上一樣有效，因為 AI 跟新人「看不懂就敷衍」的毛病是共通的。

協作聲明與免責

這篇文章由王董與 AI 一起整理製作完成。文中引用的第三方資料、研究或工具都會標註來源名稱；若原始出處有公開連結，會以 [來源名稱](URL) 形式附上，方便你進一步查找。若文中內容與原始出處有任何出入，請以原文為準。

內容僅供參考與學習交流，不構成任何專業、商業或投資建議，請依自身情況判斷並自行承擔行動風險。文中提及的工具功能、數據與平台政策可能隨時間異動，請以各官方最新公告為準。