当一个skill文件装下十年经验：我们该如何重新理解知识管理这件事

前几天听到一个消息，心里挺不是滋味的。考研指导领域的张雪峰老师，年仅41岁就因心源性猝死离开了。这个消息让很多人震惊，也让我们开始思考一些更深层的东西。

但今天我想聊的，不是这件事本身，而是它带来的一个技术层面的启发。

一个skill文件引发的思考

张老师做了十几年的考研和志愿填报指导，直播上千场，课程无数，视频更是难以计数。按理说，这么多年积累的专业知识，应该是个天文数字。

可是，在他离开之后，有人在GitHub上整理出了一份「张雪峰.skill」文件。让AIAgent用他的风格和逻辑，回答关于升学的各种问题。

你猜怎么着？效果出奇地好。一个几百KB的文本文件，把一个资深专家十几年的经验精华全装进去了。

这件事让我愣了很久，然后开始认真思考一个问题：我们这些普通人，积累的那些「专业知识」，到底有多少是真正不可替代的？

仔细想想，我们所谓的专业知识，其实主要是这三类东西：

第一，是一套判断框架。比如「这个专业好不好就业」「这所学校适不适合」，我们脑子里其实有一整套分析思路，遇到什么问题就往里套。

第二，是一些经验规则。像「计算机专业现在卷得厉害」「师范类院校毕业当老师比较稳」，这些经验判断积累了很多，但说出来也就几句话的事。

第三，是一种表达风格。张老师的特色就是接地气、直白、不绕弯子，把复杂的高考志愿填报说成像聊家常一样简单。这种风格同样可以精确地描述给AI。

这三样东西，高度结构化，完全可以被压缩进一个精心设计的prompt里。

这意味着什么？意味着我们以为自己积累了很多，实际上可能没有想象中那么多。真正需要精确检索的「知识」，可能比我们以为的要少得多。

有了这个认知，再去看Skill和RAG的争论，就清晰多了。

能用规则表达的、能把逻辑描述清楚的、结构化的专业知识——这些做成Skill就够了。

什么样的东西必须用RAG？是那些没法规则化的、细粒度的、必须逐条精确查的数据。

比如你们公司十年的客户档案、每一份签过字的合同原文、仓库里每件商品的进出库记录。这些东西没法用「遇到XX情况用XX方法」来概括，每一条都是不同的，需要精确检索才能找到。

所以你看，Skill和RAG其实并不冲突，它们解决的是完全不同类型的问题。选择哪个，取决于你需要处理的「知识」到底是什么形态。

说到这儿，不得不提一个有点残酷的现实：现在市面上那些让人兴奋的Agent产品，ClaudeCode也好、Cursor也好、Devin也好，全是面向个人用户的ToC产品。

这些产品的共同特点是：数据量不大、成本要低、下载就能用。对于这样的使用场景，RAG确实显得有点「杀鸡用牛刀」，Skill是更务实的选择。

但ToB的场景是完全不同的逻辑。企业有海量数据、有合规审计要求、有精确检索需求，这些全都指向RAG。为什么ToBAgent还没出现「出圈」产品？因为落地太难了——数据不能随便上云、遗留系统对接成本高、决策链条长、出错代价大。这些问题不是技术能不能解决，而是解决起来要花多少时间和资源。

但这不是RAG的错。技术本身没有高下之分，只有适不适合当前场景的区别。

如果你也在思考如何积累和管理自己的知识，有几点想法可以分享：

首先，试着把自己的经验「规则化」。遇到什么问题会怎么处理，什么情况下要做哪种判断，有意识地把这些隐性知识显性化。写下来的时候，你会发现很多东西比想象中简单。

其次，不要急于搭建复杂的系统。Skill能解决的事情，就不要上RAG。把精力放在知识本身的梳理和结构化上，而不是工具的选择上。

最后，保持开放的心态。AI的能力还在飞速进步，今年觉得必须用RAG的场景，说不定明年就有更简单的解决方案。关注问题和知识本身，而不是执着于某一种特定的技术路径。

技术的演进永远在继续，但知识管理的本质从未改变——找到最适合的方式，把最有价值的东西沉淀下来，传承下去。