让 AI 给自己不熟悉的领域写一份 SKILL，本质上是让它把已有的常识换个格式存进上下文。那些内容它现场想一遍也能想到，写下来不会更聪明，只是更占地方。信息增量为零，上下文成本为正。
真正值得写的 SKILL 只有三种，而且买到的不是同一种东西：
一、项目规范类，买的是成本。 项目里的私有约定、目录结构、坑位地图，模型读一百遍代码不如你写一页。它省掉的是每次会话的探索税。
二、工程经验类，买的是上限。 那些写不进文档、搜索引擎里搜不到、只能从踩坑里长出来的经验，是模型权重里真正没有的东西。这是唯一能让 AI”学会新东西”的 SKILL。
三、流程检查类，买的是一致性。 把验收规格固化成清单，保证每次产出都在规格线以上，抬的是下限。
所以关键变量从来不是”谁写的 SKILL”，而是”SKILL 里有没有不可推导的信息”。三类 SKILL 是同一件事的三个来源：第一类注入这个项目的信息，第二类注入世界的信息，第三类注入你的信息——共同点只有一个，模型自己推不出来。
这也意味着 AI 起草 SKILL 文件毫无问题，前提是内容由你注入。AI 写的壳 + 你的私货 = 有效资产；AI 写的壳 + AI 的常识 = 废纸。
还要注意：第一、三类抬的是下限，只有第二类买的是质量上限。对创作类任务，第二类的对应物是”私人品味”。而品味密度最高的载体不是规则，是对照示例——规则是品味的有损压缩，示例才是高保真传输，尤其是那些”这样不行、为什么不行”的负例：模型的默认输出本就是平均水准，正例拉它向上，负例告诉它悬崖在哪。模型写不出你的品味，但它会模仿。
总而言之，决定输出质量的，是你喂给模型的信息质量。模型能力是常数，上下文才是变量——你必须提供模型自身不具备的知识，才能产生额外的价值。