最近这段时间里，我做了一件比“让 AI 帮我写文章”更麻烦的事：不是继续打磨 Prompt，而是先让它系统分析我过去十年的文章，再把这些分析结果整理成一个可以被反复加载的写作 Skill。
这件事的起点很现实。我已经用 AI 写了一段时间东西，但始终被同一个问题卡住：输出不稳定。换一个模型，换一个入口，甚至只是换一次对话，文章的结构、节奏和判断密度就会明显漂移。上一轮它还能沿着我的方式推进，下一轮就滑回标准的“技术综述腔”：段落碎、观点平均、判断变弱，最后再用一句安全但无效的总结收尾。
后来我才意识到，问题不在模型不够强，而在我一直试图用一次性的 Prompt 去解决一个本质上需要长期维护的问题。我要的不是“这一轮像我”，而是“以后每一轮都能稳定地接近我”。真正需要被工程化的，从来不是几句像我的措辞，而是那些决定文章结构、节奏和判断力的写作决策。
所以，这篇文章真正要讨论的，不是 AI 能不能模仿个人风格，而是个人写作经验能不能被提炼成一个可安装、可复用、可维护的能力单元。对我来说，这个单元的名字，就是 /phodal-writer。
“按我的风格写”之所以经常失效，是因为它只抓住了表层信号
很多人第一次让 AI 模仿自己的写作风格，做法都差不多：挑几篇范文贴进去，再补一句“按这个风格写”。前几段往往还能看，写到中后段就开始失真。它也许复现了几个表层信号，比如常用词、某种句式，甚至某种语气，但一旦进入结构推进、章节拆解、判断收束这些更深一层的决策点，输出就会迅速平均化。
原因并不复杂。所谓“风格”，本来就不是一组孤立的措辞偏好，而是一整套分布在不同层级的写作决策。什么题值得写，什么题不值得写；开头应该从现实冲突切，还是从实践经验切；正文该按阶段拆、按角色拆，还是按问题维度拆；判断句应该落在段末还是节末；结尾是压缩判断，还是保留开放邀请。这些东西如果没有被显式提取，AI 每次能够复现的，就只会是你刚刚在对话里临时提到的那几个表层线索。
这也是为什么，作者本人往往也说不清自己的风格。你问一个写了很多年文章的人“你的风格是什么”，他多半只能给出几个抽象词，比如“工程视角”“结构化”“判断性强”。这些词当然没错，但它们离可执行的规则还很远。真正困难的，从来不是描述风格，而是把风格拆成一条条在写作过程中可以被调用的决策规则。
所以，真正的问题不是“AI 能不能模仿我的风格”，而是“个人风格能不能被还原成一套稳定的写作系统”。前一个问题更像效果展示，后一个问题才真正进入工程实现。
如果不先识别风格演化，AI 学到的只会是一个平均后的你
想清楚这一点之后，我做的第一件事不是写 Prompt，而是整理样本。我把过去十年左右的文章按时间拆成三段：2014-2019、2020-2023、2024-2025。这样拆，不是为了回顾写作史，而是为了避免把不同阶段的特征混成一个平均值。
一个持续写了十年的人，风格本来就在演化。早期的文章往往更直给，甚至带点清单式推进；中期开始出现更稳定的结构骨架，但有时还是会从定义和总论起跑；近两年的文章，才逐渐稳定成“具体观察启动 -> 问题命名 -> 分层拆解 -> 工程判断收束”的节奏。如果不分阶段，AI 很容易把这些特征同时学进去，最后输出一个谁都不像的折中版本。
所以，这一步真正要回答的，不是“我以前写过什么”，而是“现在什么才应该被视为风格基线”。这件事至少要从三个层面来看：哪些特征属于当前成熟稿的稳定能力，哪些特征只是过去阶段的历史痕迹，哪些旧特征虽然不再主导，但仍然值得保留。
沿着这个思路，AI 做的就不再是泛泛的“风格总结”，而是模式提取。我要它回答的，也不是“你的文章像什么”，而是一组更具体的问题：我的开头通常怎么起？主问题会在文中被重新命名几次？判断句主要落在哪些位置？哪些文章会主动插入表格，表格承担的是什么论证功能？不同类型文章的结尾分别怎么收？
最后得到的，不是一句抽象评价，而是一组可以比较的模式差异：
这张表的价值不在于“打分”，而在于帮助我确认写作基线应该落在哪个阶段。对我来说，答案显然是 2024-2025；但这并不意味着前两个阶段毫无价值。早期那种直接表态的劲道，中期那种主动命名概念的能力，仍然值得保留。真正要做的，不是忠实复刻全部历史，而是把有效特征重新编排成一个今天还能工作的系统。
换句话说，我们不是在归档个人风格，而是在筛选哪些经验值得被工程化。
观察本身不会产生 Skill，只有规则才会产生稳定输出
模式提取做完之后，真正难的部分才刚开始。因为观察结果本身并不能直接拿来用。你可以说“Phodal 的文章通常从具体观察切入”，但这还不是一条可以指导 AI 写作的规则。Skill 需要的不是描述句，而是执行句。
因此，下一步要做的，是把“观察”改写成“规则”。
比如，“文章常常从具体观察切入”，最后会被压缩成这样一条要求：开头必须从真实场景切入，可选现实冲突式、实践切入式、定义缺口式三种方式，并且必须在前三段内建立主问题。再比如，“判断句通常放在段末”，会被转换成：每个大章节至少保留一句强结论句，优先放在段末或节末，用来锁住这一段的理解。
这一步看起来像格式整理，实际上是整个过程中最关键的认知转变。好的 Skill 不是写作经验的原样存档，而是写作经验的工程化提炼。它不需要复现你所有细枝末节的习惯，只需要保留那些真正决定输出质量的关键决策点。
在这个过程中，我最后留下来的几条核心规则，大概最能说明问题。
第一条是“问题递进”。分析文章之后，我才更明确地意识到，自己的主问题通常不会只在开头出现一次，而是会在不同层级被反复重命名。先是现象层的问题：最近发生了什么，哪里不对劲；然后是工程层的问题：真正卡住交付和理解的瓶颈是什么；接着进入机制层：系统为什么会以这种方式运作，代价从哪里来；最后再压缩成决策层的问题：接下来应该怎么做。这不是修辞上的重复，而是一种让论证不断聚焦的推进机制。
第二条是“判断句的位置”。很多人会把判断力理解成观点本身，但对长文来说，判断力同样体现在你把判断放在哪里。我的文章里，真正起到收束作用的句子，大多都在段末或节末，而且句式也相对稳定，比如“换句话说，……”“这意味着，……”这类句子不是为了造金句，它们真正做的，是把一段信息重新压缩回主问题。
第三条是“原型先行”。分析完几十篇长文之后，我发现自己的文章虽然主题跨度不小，但结构上基本落在几种稳定原型里：趋势判断型、工程方法论型、项目复盘型、协议或框架解释型、产品或版本发布型、个人反思型。原型一旦确定，开头怎么起、正文怎么拆、结尾怎么收，很多决策就会跟着确定。选原型不是写作前的准备动作，它本身就是一次高价值的结构判断。
第四条是“量化锚点”。回头看我自己最有效的段落，几乎都有一个具体锚点在支撑它：项目名、版本变化、时间差、代码规模、工作量比例。如果没有这些东西，判断句就很容易滑向空泛。所以，Skill 最后保留的规则也很直接：每个关键判断尽量挂一个可验证的锚点；如果没有数字，至少给出明确的比较关系和上下文。
这些规则放在一起，其实已经说明了 Skill 的真实角色。它不是替作者生成判断，而是在作者必须做选择的那些位置上，提供一条稳定的决策轨道。
Skill 一旦开始按阶段组织知识，它就不再是一段更长的 Prompt
做到这里，我拿到的已经不是一段更长的 Prompt，而是一个目录结构。
/phodal-writer/├── SKILL.md└── references/├── article_archetypes.md├── writing_structure.md├── style_core.md├── expression_patterns.md├── quality_checklist.md├── revision_patterns.md├── content_methodology.md├── style_examples.md└── style_evolution/├──2014-2019.md├──2020-2023.md└──2024-2025.md
这个结构看起来像文档管理，实际上对应的是一种更重要的执行逻辑：渐进式披露。 SKILL.md 只保留每次写作都会用到的内容，比如风格定位、工作流、关键禁忌；更细的知识则按阶段拆进不同参考文件里。确定文章原型时，重点读 article_archetypes.md；开始拆结构时，读 writing_structure.md；进入风格校准和判断句密度时，读 style_core.md；文章写完之后，再进入 quality_checklist.md 做结构、风格、内容和作者性的四层检查。
这层拆分的意义，不只是省 token。更重要的是，它让每一种信息都只在最需要它的时候出现。写作原本就是一个阶段化过程，不同阶段关注的决策完全不同。如果把风格定义、结构模板、表达细节、质检规则全部塞进一个文件，AI 虽然“看到了全部”，但并不知道当前应该优先执行什么。
所以，这里真正值得强调的，并不是目录好不好看，而是 Skill 的组织方式本身就在表达一个判断：能力封装不只是把知识放进去，还要把知识按使用时机组织出来。Prompt 更像一次性交付，Skill 更像一套可以被重复加载的运行时结构。当目录结构开始决定 Agent 在什么阶段读取什么知识时，它就已经不再是提示词，而是一个轻量的能力系统。
Skill 是否成立，不看它解释得多完整，而看它能不能反过来产出结果
到这里，验证标准其实已经很清楚了。一个写作 Skill 不应该只停留在说明文档里，它必须能反过来生成一篇结构、节奏和判断都成立的文章。这篇文章本身，就是这个标准的一次测试。
它采用的是工程方法论型原型，开头从实践冲突切入，中段完成问题重命名，后面依次展开模式提取、规则转译和结构设计，最后再把讨论收束到“经验封装”这个更大的命题上。换句话说，Skill 是否有效，不看它解释得多漂亮，而看它能不能持续产出结果。它如果只能说明自己，却不能稳定地生成文章，那它仍然只是一个概念，而不是能力。
Skill 真正放大的，不是生成速度，而是经验的可迁移性
如果把视角从写作再往外拉一点，这件事真正重要的地方，并不只在“AI 学会了我的写作风格”，而在于它给出了一种更一般的知识封装方法。Prompt 解决的是“这一轮怎么做”，Skill 解决的是“以后谁来都能按同一套规则做”。
在这个案例里，我前后一周左右做样本整理、模式提取、规则提炼和目录组织，最后产出的不再是一份一次性提示词，而是一个可以被反复加载的写作系统。 /phodal-writer 对我来说，不只是一个写作实验，而是一个更具体的判断：当个人经验第一次被封装成 Skill，AI 放大的就不再只是生成速度，而是经验本身的可迁移性。
