最近这两周我用 Pi 把一个几乎空白的新领域从头啃了一遍。老实说真正劝退我的从来不是“学不会”而是“不知道自己哪里不会”——翻开教程每句话都认识合上文档又讲不出个所以然。后来我把学习拆成了四步摸底、画图、出题、写笔记并且把这套流程做成了一个 Pi 的 skill名字叫 learn-buddy。现在只要丢给它一个主题它就能按固定流程帮我补齐认知短板。这篇文章会把思路、配置、核心提示词以及踩过的坑一起整理出来方便大家直接抄作业。如果你还没接触过 Pi可以把它理解成一个跑在命令行里的智能体能读写文件、执行命令、处理项目而 skill 等于给智能体加装的能力包相当于一本岗位操作手册。两者配合以后能做到“输入一个主题自动执行一套学习动作”。这套玩法适合三类人想认真学技术但总被碎片化信息带偏的用 AI 学习但觉得对话式学习太浅的以及好奇 skill 怎么写、想拿现成配置改一改的。1. 为什么我要把学习流程做成一个 skill1.1 skill 和普通提示词的根本区别我先说个结论普通提示词是“即兴发挥”skill 是“标准化作业”。很多人以为 skill 无非就是把一段提示词存起来换个地方调用真做起来才发现差异很大。举一个我自己的例子。以前我让 AI 帮我学一个主题需要打一大段话“请你先了解一下这个概念然后给我讲清楚最后帮我整理成笔记。”每次都要重新解释背景AI 每次的发挥也不稳定。今天它先讲原理明天它先讲应用反馈飘得很。后来我把流程写进 skill等于给它固定了一本 SOP主语永远是用户先做什么后做什么都有顺序输出格式也有模板甚至连“不许在摸底阶段直接给我答案”这种违反直觉的规则都写进去了。skill 和 agent 的关系也常有人问。我的理解是agent 是“执行者”负责规划任务、调用工具、管理上下文skill 是“操作手册”专攻某一个领域或场景。还是拿厨师举例agent 是厨师长负责排菜、安排人手、控火候skill 写着宫保鸡丁的标准做法、调料比例、出菜顺序。厨师长换谁都能炒但没这本手册每次的味道就不稳定。普通提示词和 skill 的核心差异我整理成了下面这张表对比项普通提示词skill复用方式每次重新粘贴安装后用名字调用输出稳定性依赖临场发挥有固定流程和模板边界控制容易跑偏可定义规则和退出条件资源扩展只能贴文本可挂脚本、模板、参考文件分享协作靠复制传播可放进 git 仓库管理这五点里最容易被低估的是“边界控制”。比如摸底这个动作如果我用普通提示词AI 大概率会跳过提问直接开始讲课因为它默认用户是来“听讲”的。而 skill 里我明确写了“摸底阶段只提问、只评分、不给结论”AI 就会老老实实把问卷出完。这种约定俗成的“行为约束”靠普通提示词很难稳定做到。1.2 学习这件事卡住的其实就是四个环节做这套 skill 之前我把自己过去学新东西的路径重新捋了一遍发现绝大多数卡点都落在四个环节上。第一个是摸底。学新领域最难的不是不懂而是不知道自己哪里不懂。比如我想学消息队列我可能知道自己“不会用”但说不出自己缺的是基础概念、网络原理还是运维经验。如果 AI 一上来就给我灌一篇万字长文我根本不知道往哪个方向使劲。第二个是画图。很多概念看文字觉得懂了一旦要求自己画出来就露馅。因为文字是线性的而知识是网状的。AI 很擅长把一段话变成一张图但它不会主动告诉你“为什么选流程图而不是时序图”所以需要 skill 把它规范成“先定图型再生成图再解释结构”这个顺序。第三个是出题。这是检验“假性学习”的最好工具。看完材料觉得自己会了但让你做几道题立刻原形毕露。问题在于自己给自己出题很容易只考自己会的部分考不到盲区。让 AI 出题再配合标准答案就能从记忆、理解、应用三个层面查漏补缺。第四个是写笔记。我对传统笔记最大的意见是它像流水账日期、标题、一堆摘抄三个月后根本不知道重点在哪。有价值的笔记应该是一张张结构化的卡片每张卡片解决一个具体问题还能通过标签互相串联方便以后检索。这四件事恰好对应 skill 的四个动作。下面两章我先把环境搭好再逐个拆解具体实现。2. 搭建 Pi 环境与 learn-buddy 技能包2.1 先把 Pi 装好并跑起来安装 Pi 的过程不算复杂但不同版本命令会有些出入。我这边用的是当前主流的 CLI 版本安装命令大致是这样npm install -g pi-agent如果你的环境里没有 Node.js也可以走 pip 路线pip install pi-agent装完之后先验证一下pi --version pi doctorpi doctor是我很推荐先跑的一条命令它会检查环境变量、插件目录、权限配置这些基础项能省掉后面很多莫名其妙的报错。如果你安装的版本命令名不一样直接执行pi --help就能看到当前支持的命令列表不用死记。跑通之后再确认一下 skill 相关的命令能用。由于 Pi 的版本迭代比较快有的版本用pi skill list有的版本简写成pi s list直接看 help 输出最稳。这一步的目的是确保后续能安装和调试我们自己的 skill。2.2 skill 包的标准目录结构Pi 的 skill 通常是一个目录里面至少包含一个主文件和若干资源。我的 learn-buddy 完整结构如下learn-buddy/ ├── SKILL.md # 技能主文件包含说明和指令 ├── assets/ │ ├── survey_template.md # 摸底问卷模板 │ ├── diagram_guide.md # 图形选择指南 │ ├── quiz_template.md # 出题模板 │ └── note_template.md # 笔记模板 └── scripts/ └── parse_output.py # 可选的输出解析脚本每个文件的用途我后面会逐个展开。这里先强调一个容易被忽略的点assets 目录不只是摆设它能让 skill 在运行时把模板读进上下文比把模板硬编码在 SKILL.md 里干净得多。skill 一长主文件里的提示词很容易超过上下文窗口把模板抽出来是必须做的。安装的时候把整个目录放到 Pi 的 skills 目录下然后执行pi skill install ./learn-buddy pi skill list如果 list 里能看到 learn-buddy说明安装成功。2.3 SKILL.md 的核心内容怎么写SKILL.md 一般分成两部分开头的 YAML 元信息和正文指令。元信息最重要的字段是 description它决定了这个 skill 在什么场景下被触发。我的写法是--- name: learn-buddy description: 学习辅助技能。用户输入一个想学的主题时自动执行摸底、画图、出题、写笔记四步。 allowed-tools: read, write, bash ---description 要尽量贴近用户会说的话否则触发率很低。比如你写“用于学习场景的高级认知流程”AI 可能根本匹配不上写成“用户输入一个想学的主题时”它就知道什么时候该调用了。正文部分我会在下一章把四段核心指令分别贴出来。这里先定一个大框架整个技能强调顺序执行每一步之间要给出小结并且禁止跳步。这也符合学习认知的规律先测基线再建结构再验证最后沉淀。还要提醒一句SKILL.md 里的指令不是越长越好。太长的指令会占用上下文而且容易让模型抓不住重点。我的经验是控制在 500 行以内能用模板解决的内容不要写死在指令里。3. 四大功能逐个拆解摸底、画图、出题、笔记3.1 摸底先知道我哪里不会摸底的核心思路不是让 AI 讲课而是让 AI 当一面镜子。它通过有层次的提问帮我把“我不知道自己不知道”的区域照出来。我的 survey_template.md 把摸底问题分成了五个维度基础概念、核心原理、应用场景、常见误区、实操经验。每个维度下面都有 3 到 5 道题每题让用户用 1 到 5 分自评并写一句理由。在 SKILL.md 里这一段的指令我写的是当用户进入摸底阶段时不许直接解释主题只输出问卷。问卷包含 5 个维度每个维度至少 3 题每题给出自评打分标准。问卷结束后输出一张能力差距表按得分从低到高列出最需要优先学习的 3 个知识点。你可能觉得“不许直接解释主题”这条规则很奇怪。但实际使用里AI 的默认倾向就是赶紧开始讲课。如果你不把它写死它大概率会在摸底环节顺便把答案也说了。这会让用户失去主动思考的机会摸底就废了。摸底阶段的输出长这样以“消息队列”为例维度自评我的理由基础概念2只知道是异步通信分不清 producer 和 consumer核心原理1不知道消息怎么持久化也不理解 ack 机制应用场景3用过 Redis 做简单队列但没接触过专业 MQ常见误区1以为消息队列就是“更快的数据库”实操经验0没在生成环境里跑过任何队列这张表对我的价值在于它不是让我“从头学”而是直接告诉我三个优先知识点——ack 机制、持久化、专业 MQ 和 Redis 的差异。后续所有学习都围绕这三块展开效率完全不同。3.2 画图把概念变成结构很多概念看文字觉得懂了一旦要求自己画出来就露馅。因为文字是线性的而知识是网状的。Pi 可以把一段文字变成图但它不会主动告诉你“为什么选流程图而不是时序图”所以我把这个决策过程也写进了技能。diagram_guide.md 里维护了一张图形类型对照表知识类型推荐图形解决的问题概念间关系结构图/思维导图谁包含谁谁依赖谁流程步骤流程图先做什么后做什么状态变化状态图什么条件下切换到什么状态多方交互时序图先后顺序和消息路径数据流转数据流图数据从哪来、到哪去、存在哪技能启动画图动作时会先根据主题内容判断应该用哪种图再要求 AI 给出“图形选择理由 图本身 图例说明”三件套。强制输出选择理由是为了避免 AI 随手画一张图糊弄过去。实际效果举例。有一次我让它画“HTTP 缓存更新流程”它先告诉我“这里涉及浏览器、服务器、缓存三个角色信息有来有回推荐时序图”然后才生成图。这个过程本身就在帮我梳理结构我被迫去想这些角色之间到底有什么消息在流动。3.3 出题从看懂到会用出题是整个 skill 里我最看重的部分因为它直接对抗“假性学习”。看完材料自信满满一做题原地崩溃这是最典型的学习错觉。我把出题分成了六个层次对应布鲁姆分类法记忆、理解、应用、分析、评价、创造。skill 会要求在这六个层次里至少覆盖四个每种题型都必须包含标准答案和解析。题库模板大致是这样的层次题型要求记忆选择题考察关键术语、定义理解填空题/简答用自己的话解释机制应用场景题给一个真实场景设计解决方案分析辨析题比较两种方案的优劣评价观点题结合约束条件做技术选型创造综合题用所学内容设计一个小系统出题时最忌讳的是全出选择题因为选择题天然有蒙的成分。我要求至少两道场景题和一道综合题凡是答案能直接用原文复述的题都会被打回重出。实际上AI 生成的解析比题目本身还有价值。它会告诉你这个考点对应哪块知识点容易错在哪。我通常会把“错因分析”和“考点定位”两列加进题目表里相当于给每个错误预埋了一根纠偏线索。3.4 写笔记让知识可以被检索最后的笔记阶段负责把前面所有学习成果沉淀下来。我使用的不是传统流水账而是一张张结构化的知识卡片。note_template.md 里的卡片模板分为四类概念卡这个东西是什么、不是什么原理卡底层机制是怎样的为什么这样设计代码卡怎么用、关键代码、参数含义坑卡容易出错的地方、避坑方法每张卡片必须有独立的标题和标签方便之后放进 Obsidian 这类双链笔记工具里检索。技能在写笔记时会额外做一件事把本次学习过程中出现的错误理解单独拎出来生成一张“纠偏卡”记录“我原来是怎么理解的正确理解是什么”。这张卡是我后来复盘时觉得最值钱的资产。我在 SKILL.md 里对笔记阶段的要求是控制单张卡片篇幅一般不超过 15 行标题必须包含关键词结尾附一行“下一步建议”。这样做的目的是让笔记成为可以行动的清单而不是一堆好看但没人看的 Markdown 文件。4. 一次完整实战用 Pi 从零学习 Python 异步编程光讲设计不说实例总觉得不够落地。下面用一个完整的例子把 learn-buddy 跑一遍。我选的主题是“Python 异步编程”一个我自己其实一知半解的领域。4.1 第一步摸底问卷帮我锁定了三个盲区我向 Pi 输入用 learn-buddy 学习Python 异步编程它先进入了摸底阶段。整个过程大概持续了五分钟它问了我 15 道问题涵盖协程、事件循环、async/await、并发与并行的区别、GIL 的影响、asyncio 的实际应用等。我印象最深的一道题是“如果你有一个 IO 密集型任务和一个 CPU 密集型任务你会分别怎么用异步处理请说明理由。”这道题直接暴露了我把异步当成“万能并发”的错误认知。最终输出的能力差距表显示我最需要优先补的是三个点事件循环的调度机制、asyncio 的并发模型边界、异步与多线程的适用场景。4.2 第二步画图把事件循环讲明白了摸底之后Pi 进入画图环节。它先给了一个图形类型判断“这里涉及任务注册、调度、挂起、恢复这些状态变化推荐状态图为主辅以流程图。”它生成的文本结构图大概是这样的Task A --注册-- Event Loop --调度-- Task A 执行 | --IO等待--挂起-- 注册回调 | --IO完成--唤醒-- 恢复执行我不打算把整张图贴全重点在于它接下来的解释。它解释说 Event Loop 并不会神奇地让两个任务同时跑它只是在等待 IO 的时候切去执行别的任务让 CPU 不要闲着。这句话我之前看过无数遍但配合那张图以后我一下就理解透了。这说明一个好的画图环节不只是给你一张图而是帮你把脑子里的混沌结构重建一遍。4.3 第三步十道题检验我是不是真的会了出题阶段它给了我一份十道题的试卷题型分布是题型数量覆盖层次选择题2记忆理解填空题2理解场景题3应用分析辨析题2分析评价综合题1创造其中一道场景题我到现在还记得“假设你要写一个爬虫同时请求 100 个网页你会用 asyncio 还是线程池”我一开始想选 asyncio但看完解析后发现题目里的陷阱在于——如果你还要在请求之间做大量 CPU 计算纯异步并不合适。这道题把我之前那个“异步万能”的错误认知连根拔起。做完这套题我给自己打的分是刚及格。很挫败但也非常清醒我知道自己卡在哪个环节而不是像以前一样学完一个主题就自我感觉良好。4.4 第四步沉淀出可以复用的笔记卡片最后Pi 根据整个学习过程生成了八张笔记卡包括三张概念卡、两张原理卡、两张代码卡和一张纠偏卡。纠偏卡的核心我抄在这里错误理解asyncio 是 Python 里的多线程并发。 正确理解asyncio 是协作式并发靠事件循环在等待 IO 时主动让出 CPU真正的并行执行仍需要多进程。 触发场景看到“异步就是并发”时自动触发提醒。这八张卡片我现在还在用。每次遇到 async 相关代码我都会先翻一下原理卡和坑卡基本五分钟内就能回到状态不用重新啃一遍教程。这就是结构化笔记最大的回报。5. 踩坑实录skill 不生效、响应中断怎么办5.1 高频错误速查表实操中遇到过不少问题我把最典型的几条整理成表格现象可能原因处理方法运行时报response stream was malformed and no response was produced流式响应中断可能是输出过长或网络抖动先重试如果必现把任务拆小或分两次执行skill 调用后没反应description 没写好匹配不上检查 description 里是否包含“用户输入主题”这类触发词skill 列表里找不到安装路径不对用pi skill list看实际安装目录输出完全复制教材原文缺少“用自己的话解释”约束在指令里加“禁止照抄原文必须重组语言”摸底环节直接给答案没有定义流程边界把“不许解释主题只输出问卷”写进指令笔记太啰嗦模板里没限制篇幅在模板中限定每张卡片不超过 15 行其中response stream was malformed这个报错值得单独拿出来说一句。它不是 skill 本身的问题而是流式传输过程中数据不完整导致 AI 侧没有拿到完整内容。遇到这个情况我的第一反应不是去改代码而是先把任务拆小。比如原先让 skill 一次输出 2000 字的笔记改成让它分章节输出报错率会明显下降。5.2 排查思路先路径后描述再上下文如果 skill 不生效我摸索出一套排查顺序。第一步查路径确认 skill 被装在 Pi 认可的目录里第二步查 description确认触发的语义描述够不够直白第三步查上下文确认是不是同一个会话里塞了太多内容把 skill 指令挤出了上下文窗口。这里有个比较反直觉的点技能不生效很多时候不是代码问题而是“描述问题”。我的一个朋友把技能 description 写得特别学术叫什么“基于元认知的个性化学习干预框架”结果怎么调用都不生效。我让他改成“用户想学一个新主题时使用”一次就通了。触发词越接近用户的自然表达匹配率越高。5.3 让 skill 发挥最大作用的两个经验第一个经验在 SKILL.md 里设置“退出条件”。比如摸底阶段我要求“用户明确输入‘开始学习’之后才能进入下一步”。这看起来多余实际能防止 AI 自作主张把所有阶段一次跑完导致用户没有思考时间。学习这件事最怕的就是赶进度。第二个经验让输出尽量结构化。问卷用表格、题目用编号、笔记用固定模板这些结构化的输出不仅方便我自己记录也方便后续二次加工。我甚至写过一个脚本把 skill 输出的题目表自动转成 JSON再导入到题库软件里抽题练习。这个思路你也可以复用skill 负责生成结构化内容脚本负责搬运和转换两边都轻松。最后再说点题外的。这套 skill 用了两周以后我最大的体会是学习新东西真正稀缺的不是资料而是反馈。Pi 和 learn-buddy 给我的不是更多知识而是一套不断告诉我“你哪里还不会、为什么不会”的反馈机制。摸底、画图、出题、写笔记每一步本质上都是在制造反馈信号。如果你也想做一套自己的 skill我的建议是从你最常重复的一个工作流开始把它拆成步骤写进 SKILL.md哪怕只有三步也比没有强。跑通了之后再慢慢加模板、加脚本让流程越来越接近你脑子里的那条思考路径。