一个人68天做了380个扣子技能，他说自己建了座"工厂"

发布时间：2026-07-04

> AI技能的生产方式正在发生变化。当大多数人还在逐个手写Prompt时，已经有人搭起了一条五层流水线，把"创作"变成了"制造"。

前两天刷CSDN，看到一个帖子，标题很直接：《从0到380：我在Coze上搭建了一套AI技能工业化生产流水线》。

作者叫勾杰，独立开发者。他做的事情说出来可能很多人不信：从2026年4月10日上架第一个技能开始，到6月17日，68天时间里，他在扣子技能商店累计做了380个技能。

380个什么概念？150个已上架，153个在审核，16个已发布，还有61个在排队。平均下来，一天产出5.6个技能。

我第一反应是：这怎么可能？

但看完他的方法之后，我觉得这件事值得聊聊。因为它不只是一个人"肝"出来的数字，背后有一套可以复制的思路。

"手工作坊"和"工厂"的区别

先说说大多数人做扣子技能的方式。

你有一个想法，写一个Prompt，调几轮参数，测试一下效果，觉得差不多了，提交上架。整个过程全是手工活，每做一个技能就得从头来一遍。

这种方式的问题很明显：慢，累，做不了太多。而且一旦想批量做，质量就很难稳定。

勾杰的做法不一样。他没有纠结"怎么把这个Skill写得更完美"，而是想了一个更根本的问题：怎么让生产技能这件事本身变快？

他搭了一条五层流水线：

第一层：模板层。 把可复用的Prompt模板和参数配置做好，写一次，后面N个技能都能用。相当于建好了"模具"。

第二层：数据层。 给每个行业建好知识库、数据集和领域词典。技能要专业，就得喂专业的数据进去，这部分一次性建好，后面反复调用。

第三层：工具层。 把API接口、插件和外部服务封装好，让技能不只是"能说"，还能"做事"。

第四层：测试层。 搭建自动化测试用例和评测集。不用每个技能都手动测一遍，机器跑一遍就知道效果怎么样。

第五层：上架层。 批量提交、分类、打标签、做搜索优化。一次性推一批上去。

五层搭好之后，产能就从"一天做一个"变成了"一天做五个"。

说白了，他的核心思路不是"写得更好"，而是"把写变成产"。从手工作坊升级到了工厂模式。

勾杰能这么做，也离不开扣子平台本身的节奏。

回看今年扣子的版本迭代：

三个阶段，走的是一条清晰的路：先让技能能被创建，再让技能能被调用，最后让技能能被组织成团队来用。

这里比较值得关注的是扣子3.0推出的五大行业技能包。这不是简单的Prompt模板堆砌，而是预置了领域知识库、工具集成和工作流定义的完整方案。

具体来说：

另一个动态是，就在最近，扣子联合广发证券在技能商店上线了8大金融Skill，覆盖选股复盘、公司基本面、财务对比、ETF筛选、资金异动、基金定投等场景。

可以看出扣子在行业技能这条路上越铺越广。每个行业技能包背后，都是一个"即装即用"的专业能力模块。

我自己一直在做扣子工作流的教学和分享。看到勾杰这个案例，有几点感触。

第一，很多人做工作流的思路还停留在"一个需求对应一个工作流"。 做一个算一个，做完就扔在那里。但如果你能把工作流拆解成可复用的模块——模板、数据、工具、测试——那你搭建新工作流的速度会快很多。

第二，技能商店是一个被低估的渠道。 很多人只知道在扣子上做智能体自己用，但其技能商店已经形成了一个生态。你做的技能可以被别人的Agent调用，也可以被其他工作流引用。这意味着你做的一个技能，可能服务的不只是你自己。

第三，行业技能包的出现降低了专业领域的门槛。 以前你想让Agent懂法律，得自己去找法规数据、搭建知识库、调试检索逻辑。现在威科先行的法律技能包直接装上去就能用。对于做知识付费和教学的人来说，这是一个可以好好利用的基础设施。

一个人68天做380个技能，这个数据本身就挺说明问题的。

它说明扣子的技能生产已经不再是"慢慢磨"的阶段了。当你把生产线搭好之后，产能是可以指数级提升的。

当然，数量不等于质量。380个技能里，能有多少真正被用户高频使用，这个数据我们看不到。但至少，勾杰证明了一件事：AI技能的生产方式，正在从手工作坊走向工厂化。

这个趋势，值得关注。

对扣子工作流感兴趣的朋友，可以搜索"米核AI易山"，那里有更多工作流搭建的实战经验和教程分享。