我们做 Skills 时，最大的风险很清楚：它可能变成一个 prompt 收藏夹。
让 AI 写流程太容易了。给它几段聊天记录，它马上能写出一份看起来很完整的 checklist：先做什么、再做什么、最后注意什么。问题是，大部分这种 checklist 没有价值。好模型本来就会写；差一点的模型照着做，也不一定会做对。
真正值得留下的 Skill，要抓住你在真实工作里学到的那一步。没有它，换一个聪明的 Agent 来做，还是会犯错。
Skill 到底是什么
在 v0.9 里，我们把三类东西分开。
记忆记录发生过的事、做过的决定、学到的经验。
“回答简短点”是规则。它应该一直生效。“这个项目里别手改自动生成的 API 文档”也是规则。它约束 Agent 的行为。
“发版时先提交子仓库，再提交父仓库指针”，更像 Skill。它改变的是做事顺序。Agent 如果不知道这一步，就很容易把 repo 状态弄乱。
所以我们判断一条建议是不是 Skill，会先问一个很简单的问题：
它会让 Agent 下次做事时，具体哪一步变得不一样？
答不上来，就不该变成 Skill。
它必须来自真实工作
Skills 的价值首先看出处，不看 AI 写得漂不漂亮。
我们希望 Mem 从你的真实工作里找出那些反复出现的做法：一次排查、一段发版、一轮 review、一个你后来才知道必须加上的安全检查。它最好能指回当时发生过的事，少一点“你似乎喜欢这样做”这种猜测。
这也是为什么我们不会默认把建议打开。Mem 可以建议，但开不开应该由你决定。因为 Skill 一旦打开，Agent 之后真的会照着做。错的 Skill 会让 Agent 下次真的按错的方法行动。
Nowledge Mem 里的 Skills
我们自己的例子
做 v0.9 的 Skills 时，我们自己一直在用一套很土的办法：
先做一套会失败的评测，把每一步发生了什么记下来，看清到底卡在哪，只改那一处，再重新跑。
这句话听起来很普通。但做产品时，人最容易跳过的就是它。结果一不对，本能反应就是调 prompt、换模型、改阈值，或者让系统多推几条。看起来很忙，其实你不知道哪一步真的变好了。
这套办法我们在两个地方反复用过：一次是优化另一个 agent 项目的评测，另一次是做 Skills 自己的推荐质量。Mem 从这些开发记录里看出了这条共同的做法，把它写成了一条 Skill。
它没有写“做事要有评测”这种空话。它写的是具体动作：先量什么，为什么每一步要留记录，什么时候只改一个地方，什么时候不要急着扩大范围。
harness loop Skill 的详情页
这就是我们要的效果：从真实工作里找出一个会影响下次行动的做法，少一点正确废话。
更重要的是，它没有乱改
后来我们又让 Mem 去优化这条 Skill。
系统从证据里补了几个测试用例，试了几版改法，再和原版比。结果没有一个版本更好，所以最后没有改。
这听起来不刺激，但对 Skills 来说很重要。
文章改坏了，最多难看一点。Skill 改坏了，Agent 会真的按它去做。一个会自我改进的系统，不能为了显得“有产出”就硬改。改不出更好的，就别改。
v0.9 里你会看到什么
打开 v0.9 的 Skills，页面应该很安静。
Skills 列表里的 harness loop Skill
建议要少，每条都要有来处，并且回答三件事：
- 它来自哪段真实工作？
- 打开后，Agent 的哪一步会变得不一样？
- 为什么 Mem 认为这条值得留下？
如果你认得这条做法，也信得过它的出处，就打开。之后，连接到 Mem 的 Agent 就能在合适的时候读到它。以后它要被打磨，也得先证明新版本更好。
这就是 v0.9 的 Skills 想解决的问题：把你真的做对过的那一步，变成 Agent 下次也能做对的能力。