领域知识+领域经验

AI真正有用的条件：领域知识（RAG）+ 领域经验（Skills），缺一个都是跛脚。

核心论点

很多人用AI的方式停留在"给它一个通用问题，期待一个聪明答案"。结果只能说差强人意，因为他们只喂了模型一半。

AI的有效输出取决于两个互补的输入层：

领域知识 — RAG（检索增强生成）

知识是"是什么"——关于你的行业、你的公司、你的项目的具体事实和信息。没有领域知识，AI只能用训练数据里的通用信息作答，跟谷歌搜索差不多。把专有文档、行业资料、历史数据喂给模型，它才能给出针对你处境的具体答案。

领域经验 — Skills（能力包）

经验是"怎么做"——完成特定任务的SOP、流程和工具。Claude Skills就是这个逻辑的具体实现：一个能力包 = SOP（步骤说明）+ Scripts（工具脚本）+ Reference（参考资源）。Agent不只是知道背景，还知道用什么步骤、调用什么工具去完成任务。

两者缺一不可：

• 只有知识没有经验：AI知道行业背景，但不知道该用什么工作流处理，东拼西凑
• 只有经验没有知识：AI知道流程，但用通用信息填充，输出千篇一律

这个框架解释了为什么同一个模型，在不同人手里效果天差地别。差距不在于模型本身，在于你给它喂了什么、教了它怎么做。

Skills的出现让"经验"变得可封装、可分享、可按需加载——Anthropic的分层加载设计（元数据→SKILL.md→脚本）进一步解决了多能力包并存时的上下文压力问题。

这也是个人AI OS的核心逻辑：不断往系统里沉淀专属知识和专属经验，AI才会越来越"懂你"。

来源

• 03 - OUTPUT/03 - Video Script/01 - Why AI/2025/Claude Skills很重要 — Skills作为能力包的结构和分层加载设计
• 03 - OUTPUT/02 - Newsletter/021-AI难点在工程 — AI落地难点在工程，知识与经验的结合

相关概念

• AI OS — 个人AI OS正是知识库+Skills体系的整体架构
• 万物皆文件 — 知识和经验都以文件形式存储和加载
• Harness Engineering — 更高层次的环境设计，包含知识与经验的系统化管理

演变

这一框架随RAG技术兴起而逐渐清晰，Anthropic推出Claude Skills后，"经验"层有了原生的封装格式。两者合流，形成了完整的AI能力构建思路。