如果你最近在关注 AI 工具的动态可能会注意到一个看似不起眼但意味深长的变化Google 的 Gemini 平台正在将“Gems”功能逐步退役并转向名为“Skills”的新概念。这听起来像是一次简单的功能重命名但如果你只是把它当作一次普通的版本迭代可能就错过了理解 AI 工具如何从“玩具”走向“生产力工具”的关键转折点。过去一年我们见证了无数 AI 工具的爆发。从能写诗的聊天机器人到能画图的生成模型它们大多以“一次性互动”的形式存在——你问它答然后对话结束。这种模式带来了新鲜感但也留下了巨大的效率鸿沟如何把一次成功的 AI 交互变成可以重复使用、稳定可靠的工作流这正是“Gems”到“Skills”转变背后Google 试图回答的核心问题。它标志着一个更重要的趋势AI 工具的价值正从“单次惊艳的对话”转向“可固化、可复用、可集成的自动化流程”。1. 从“一次性对话”到“可复用技能”理解 Gems 退役的真正原因要理解这次变化我们得先回到起点什么是 Gems在 Gemini 的语境里Gems 最初被设计为一种“预设提示词模板”。你可以把它想象成一个快捷指令比如“帮我写一封商务邮件”或“将这段技术文档翻译成中文”。用户选择一个 Gems就相当于加载了一个预先写好的、针对特定任务的对话开场白省去了每次手动输入详细指令的麻烦。这个设计初衷很好它降低了使用门槛让不擅长写提示词的用户也能快速获得不错的结果。然而在实际使用中Gems 暴露出了几个根本性的局限这些局限恰恰是当前许多 AI 工具的通病第一它是“一次性”的而非“流程化”的。你使用一个“写邮件”的 Gems它生成了一封邮件。但如果你需要对这封邮件进行微调、添加附件信息、或者基于同一模板给不同客户发信你就需要重新开始一次对话或者手动复制粘贴内容。整个过程是断裂的无法形成一个连贯的工作流。第二它缺乏“状态”和“记忆”。一个理想的自动化工具应该能记住你的偏好、历史操作和上下文。例如一个用于代码审查的 Gems理想状态下应该能记住你项目的代码规范、常见的错误模式。但传统的 Gems 更像是一个开箱即用的罐头每次打开都是全新的它不记得你上次调整了哪些参数也不具备从历史交互中学习的能力。第三它难以与外部系统和数据集成。真正的生产力提升往往发生在 AI 能与你的日历、邮箱、项目管理系统、代码仓库对话的时候。一个孤立的、只能在聊天窗口里运行的 Gems其价值天花板非常明显。它无法自动读取你日程表上的会议主题来生成议程也无法抓取最新的 Bug 报告来撰写修复方案。所以Gems 的退役并非因为它“不好用”而是因为它解决的是一个相对表层的问题快速启动却无法触及更深层的需求流程自动化。当用户的新鲜感过去开始认真思考如何将 AI 融入日常工作时Gems 这种模式的短板就变得无法忽视。Skills 的推出正是为了填补这块短板。虽然从公开信息看细节仍在演进但“Skills”这个概念本身已经指明了方向它不再是一个静态的提示词模板而是一组可配置、可触发、可与其他工具联动的自动化能力。你可以把它理解为给 AI 装配的“技能插件”。一个“技能”可能包含触发条件当收到特定格式的邮件时当日历上有新会议时当代码仓库有新的 Pull Request 时。处理逻辑读取相关数据调用 AI 进行分析或生成遵循你预设的规则和模板。输出动作将结果回复到邮件、生成评论添加到 PR、更新任务列表、保存到指定文档。这个转变的核心是从“人主动寻找并使用工具”转向“工具在合适的时机自动提供服务”。这才是 AI 提升生产力的本质。2. Skills 将如何改变你的工作流三个关键场景推演理解了从 Gems 到 Skills 的范式转移我们可以更具体地想象当这类“技能化”的 AI 能力普及时我们的工作方式会发生哪些实质性的变化。这不仅仅是换个名字而是工作流的重构。2.1 场景一从“手动提示”到“事件驱动”的沟通管理假设你是一名项目经理每周需要根据会议纪要和任务更新向客户发送项目周报。Gems 时代你找到“撰写项目周报”的 Gems然后手动复制粘贴本周的会议纪要链接、任务列表再调整提示词希望 AI 能生成一份结构清晰的报告。每次都要重复这个操作。Skills 时代你配置一个名为“生成客户周报”的 Skill。触发每周五下午 3 点或当你在任务管理工具中将某个里程碑标记为“完成”时。输入Skill 自动从指定的会议笔记文档、任务管理平台如 Jira, Asana中抓取本周数据。处理AI 按照你预设的模板包括重点汇报事项、风险提示格式、下周计划结构生成报告草稿。输出草稿自动保存到共享云盘并发送一条通知到你的聊天工具如 Slack请你审阅。你审阅后点击“批准”Skill 自动将最终版通过邮件发送给客户列表。关键变化你从“执行者”手动收集、粘贴、触发变成了“审核者”和“规则制定者”。繁琐的、重复的信息收集与格式整理工作被自动化你只需要关注最重要的决策环节内容是否准确表达是否得体。2.2 场景二从“交互式问答”到“无缝集成”的研发辅助假设你是一名开发者经常需要进行代码审查。Gems 时代你复制一段同事的代码粘贴到聊天窗口使用“代码审查”Gems获得一些分析建议。然后你需要再切换到代码仓库手动写下评论。Skills 时代你在团队代码仓库如 GitHub中安装一个“智能代码审查”Skill。触发每当有新的 Pull Request (PR) 被创建或更新时。输入Skill 自动获取 PR 中的代码差异、提交信息、关联的 Issue。处理AI 根据团队约定的编码规范、安全规则、性能常见问题进行分析并参考该 PR 要解决的 Issue 来评估代码逻辑是否闭环。输出AI 自动在 PR 中生成结构化评论例如“✅ 符合命名规范”、“⚠️ 第 32 行可能存在空指针风险建议添加判空”、“ 修改点与 Issue #123 的描述一致”。它甚至可以对简单的、模式化的改进如代码格式化直接提交一个建议性 Commit。关键变化代码审查这个高频、重要但耗时的活动其“发现共性问题和规范性问题”的部分被大幅自动化。资深开发者可以将精力集中在更复杂的架构设计和业务逻辑审查上而新手也能通过 AI 的即时反馈快速学习团队规范。整个流程被无缝嵌入到现有的开发工具链中无需切换上下文。2.3 场景三从“信息检索”到“知识提炼与推送”假设你是一个需要持续跟踪行业动态的研究员或市场人员。Gems 时代你每天想到某个竞品或技术就打开 AI输入“总结一下最近关于 XX 的新闻”。Skills 时代你配置一个“行业情报摘要”Skill。触发每天早晨 9 点或当监测到指定关键词如公司名、技术名词在预设的新闻源、博客、论坛中出现频率突增时。输入Skill 自动从你订阅的 RSS、新闻网站、社交媒体 API 中抓取相关文章。处理AI 对所有文章进行去重、总结、交叉验证识别出核心事件、观点分歧、发展趋势并按照你关心的维度如技术进展、市场反应、投资动态进行归类。输出生成一份简洁的每日/每周摘要报告通过邮件或笔记应用推送给你。报告会高亮与你当前项目最相关的信息并附上原文链接供深度阅读。关键变化你从“主动、随机、碎片化地搜索信息”变成了“被动、系统化地接收精炼后的情报”。AI 扮演了 7x24 小时在线的初级分析师角色帮你完成了信息过滤和初步整合让你能把认知资源集中在深度分析和决策上。3. 构建你自己的“技能栈”从理念到实践的四个步骤看到 Skills 带来的可能性令人兴奋但作为开发者或技术爱好者我们不可能等待某个大厂推出完全符合自己需求的技能。更重要的是掌握这种“技能化”的思维并利用现有工具开始构建自己的自动化工作流。这本质上是一种新的“元技能”。3.1 第一步识别高重复性、低创造性的“痛点任务”不要试图一开始就自动化整个复杂项目。从最小的、让你感到烦躁的重复操作开始。一个好的候选任务通常符合以下特征高频每天或每周都要做多次。规则相对明确输入和输出的格式、逻辑可以描述清楚。上下文切换成本高需要你在不同应用间复制粘贴。价值在于完成而非过程你不在乎怎么做只想要结果。例如将会议录音转文字后提取行动项并填入任务管理器。收到特定格式的邮件如客服工单后解析内容并生成内部跟踪链接。定期备份某个社交媒体账号的数据并生成简单的数据趋势报告。把这些任务列出来它们就是你未来“技能栈”的基石。3.2 第二步解构任务明确输入、处理和输出为每个选定的任务画一个简单的流程图输入是什么是邮件正文、一个文件、一条数据库记录、一个 API 返回的数据还是网页内容它在哪里Gmail 收件箱、Slack 频道、S3 存储桶、MySQL 表核心处理逻辑是什么是需要总结、翻译、分类、提取、格式化还是生成新内容其中哪些部分可以交给 AI如 GPT、Claude、Gemini哪些部分需要传统的程序逻辑如数据清洗、规则判断输出到哪里是回复一封邮件、更新一个 Notion 页面、在 Trello 创建一张卡片、向一个 Webhook 发送数据还是保存为一个文件这个步骤能帮你厘清自动化流程的边界和依赖。你会发现很多任务的核心难点不在于 AI 部分而在于如何可靠地获取输入和交付输出。3.3 第三步选择合适的“胶水”工具进行组装目前完全成熟的、开箱即用的“Skills”平台还在发展中但我们有强大的“胶水”工具可以实现类似效果。它们负责连接不同的应用输入输出和调用 AI 模型处理逻辑。主流选择包括工具类型代表产品核心能力适合场景无代码/低代码自动化平台Zapier, Make (Integromat), n8n提供大量应用连接器可视化编排工作流通常内置或可接入 AI 动作。快速连接常见 SaaS 应用如 Gmail, Slack, Google Sheets实现基于事件的自动化。上手快适合非开发者。开发者友好的自动化框架LangChain, LlamaIndex, Semantic Kernel提供编程框架专注于构建基于大模型的复杂应用链Chain处理长上下文、工具调用等。需要复杂逻辑、自定义 AI 交互、处理私有数据或构建独立 AI 应用的场景。需要编程能力。云厂商的 AI 代理/工作流服务AWS Step Functions Bedrock, Google Cloud Workflows Vertex AI在云原生环境中构建可扩展、可靠的生产级工作流与云服务深度集成。企业级应用对稳定性、安全性、审计有高要求且技术栈基于特定云平台。机器人流程自动化UiPath, Power Automate模拟用户在桌面和网页上的操作处理那些没有开放 API 的旧系统。需要与遗留桌面软件或网页前端交互的自动化任务。对于个人或小团队起步从 Zapier/Make 这类工具开始是一个低风险的选择。它们让你能直观地感受到“事件触发 - 获取数据 - AI 处理 - 输出结果”的完整链条快速验证想法的可行性。3.4 第四步实施、测试与迭代——牢记“可靠性优先”构建第一个 Skill 时切忌追求大而全。遵循“简单可运行 - 逐步完善”的原则构建最小可行流程先用最简单的触发条件和最直接的输入输出让整个流程能跑通一次。例如先做一个“当我收到带特定标签的邮件时提取主题行并保存到 Google Sheets”的流程暂时不用 AI。引入 AI 处理环节在流程稳定后加入 AI 步骤。务必为 AI 调用设置明确的超时和重试机制并准备好后备方案如处理失败时发送通知给你。增加错误处理与日志自动化最怕“静默失败”。确保每个步骤都有错误捕获并将关键操作如“已触发”、“AI 调用开始”、“结果已保存”记录到日志中便于排查。小规模测试用真实的、但非关键的数据进行测试。观察一段时间确认其稳定性和输出质量。收集反馈并优化根据使用情况调整 AI 的提示词以改善输出优化触发条件以减少误触发或者增加新的输入源使结果更全面。一个关键的思维转变你将不再是某个 AI 聊天界面的用户而是成为了一个“自动化工作流的设计师”。你的核心工作从“直接操作”变成了“定义规则、配置连接、监督运行”。4. 前瞻与警惕Skills 范式下的新挑战与应对向 Skills 范式迈进无疑是效率的提升但它也带来了新的挑战和风险。在拥抱自动化的同时我们必须保持清醒。4.1 挑战一“黑箱”自动化与责任界定当一个由 AI Skill 自动生成的客户邮件发生错误或一个自动代码审查遗漏了严重 Bug责任在谁是 Skill 的配置者你是 AI 模型的提供者还是流程中某个数据源的维护者随着自动化链条变长问题溯源变得困难。应对策略建立审计追踪确保每个自动执行的 Skill 都有完整的日志记录输入数据、AI 的原始输出、最终执行的操作。设置人工审核环节对于高风险操作如对外发送邮件、合并代码、支付审批必须在流程中强制加入人工确认节点。明确边界清晰定义每个 Skill 的适用范围。例如代码审查 Skill 只负责检查编码风格和常见漏洞不涉及业务逻辑正确性的最终判断。4.2 挑战二提示词工程演变为“工作流工程”过去我们钻研“提示词工程”以获得更好的单次回答。未来更重要的将是“工作流工程”如何设计健壮的、可容错的、易于维护的自动化流程。这需要更系统的思维。应对策略模块化设计将复杂的 Skill 拆分为多个可复用的子模块如“数据获取模块”、“AI 分析模块”、“结果格式化模块”。这便于单独测试、更新和调试。版本控制像管理代码一样用 Git 等工具管理你的工作流配置和提示词模板。任何修改都应有记录并能快速回滚。监控与告警为关键 Skill 设置健康度监控。例如监控其执行频率、成功率、平均耗时。一旦出现异常如连续失败、执行超时立即告警。4.3 挑战三数据安全与隐私泄露风险Skills 为了工作通常需要访问你的邮箱、日历、文档、代码库。这些高度敏感的数据在多个应用和 AI 模型间流动增加了泄露和被滥用的风险。应对策略最小权限原则只授予 Skill 完成其任务所必需的最小数据访问权限。如果一个 Skill 只需要读取邮件主题就不要给它读取邮件正文和附件的权限。审视第三方服务仔细阅读你使用的“胶水”工具如 Zapier和 AI API 服务商的隐私政策与数据处理协议。优先使用本地或私有化模型对于处理极度敏感的内部数据考虑使用可以在本地或私有云部署的开源模型如 Llama 系列避免数据上传至第三方。4.4 挑战四过度依赖与技能退化当撰写邮件、总结文档、审查代码等技能越来越多地被 AI 代理我们自身对应的能力是否会“用进废退”这并非危言耸听。应对策略定位为“增强”而非“替代”将 AI Skill 视为你的“副驾驶”或“高级助手”它负责处理繁琐和重复部分让你能专注于更需要创造力、战略思考和复杂人际沟通的高价值工作。保持批判性思维永远对 AI 的输出保持审视。把它当作第一稿、一个灵感来源或一个检查清单而不是最终答案。最终的判断和责任必须由人来承担。主动学习利用 AI 节省下来的时间去学习如何更好地设计、管理和优化这些自动化流程本身这是更高阶的“元技能”。从 Gems 到 Skills 的转变远不止一次产品功能的更新。它是一个强烈的信号标志着生成式 AI 正在穿越炒作周期进入解决实际生产力问题的“深水区”。未来的竞争将不再是比拼谁的模型参数更多、谁的对话更拟人而是比拼谁能更优雅、更可靠地将 AI 能力编织进人类复杂的工作流之中。对于我们每个人而言最重要的准备不是等待某个完美的工具出现而是开始以“技能化”和“工作流自动化”的视角重新审视自己手头那些重复性的任务。从今天起尝试将一个你每周都要做的、令你厌烦的小任务自动化掉。这个过程本身就是应对未来人机协作新范式最好的练习。
