前言
你可能用过 ChatGPT、Claude、文心一言——你可能也已经试过调 prompt("你是一个严谨的翻译")、写过 system 提示词、甚至听说过"微调"这个词。但当 AI 真的要"学会做一件新事"的时候,你可能会发现:
同样是想让 AI 学会"按我的格式整理一份会议纪要"——
有的人写了一段很长的 prompt,反复调,发现 AI 偶尔听话偶尔不听话;
有的人写了一份"AI 工作清单"(叫 Skill),放进 AI 的工具目录,AI 每次都按清单走;
有的人直接用几百条"会议纪要样本"喂给模型重训一遍——AI 永久学会了这种格式。
这三种方式都"管用",但解决的不是同一个问题。本文用 5 个维度拆开 Skill、Prompt Engineering、Fine-tuning 三种姿势,帮你判断该用哪种。
一句话结论:Skill 解决"AI 不会做某件流程化的事",Prompt 解决"AI 这次回答得不够好",Fine-tune 解决"AI 需要永久学会一种新风格"。三种姿势不互斥,但分工不同。
一、三种姿势的核心定位
把 AI 想成一个新入职的员工。你想让它学会做一件新事,有三种姿势:
姿势一:写一份 SOP 放进它的工具栏(Skill)。
比如新员工不会处理 PDF,你写一份"PDF 处理 SOP":第一步识别版式、第二步分页、第三步提取表格、第四步校对、第五步输出。每次它接到 PDF 任务,都按这份清单走。这份 SOP 就是 Skill 的核心。
2025 年 12 月 18 日,Anthropic 把 Agent Skills 开放成了行业标准(规范地址 agentskills.io),Claude Code、Claude.ai、Claude Agent SDK 都原生支持。Hermes Agent 也有一套对标的实现,而且有一招更激进——任务跑得复杂(5 次以上工具调用)之后,AI 自己会写新的 Skill,不用人写。
姿势二:当面跟它说(Prompt Engineering)。
比如你跟新员工说"你是一个严谨的财务分析师,引用数据时必须标来源,遇到不确定的数要明说"。这一句话放在 system prompt 里,AI 下次回答就变了。改一下 prompt,AI 下一次立刻变。
这是大家最熟悉的方式——平时和 ChatGPT 对话调 prompt 调的就是这个。
姿势三:把它送回学校重训一遍(Fine-tuning)。
给 AI 喂几千条"输入-输出"样本,让它永久学会某种风格或能力。2026 年主流方式是 LoRA 或 QLoRA(参数高效微调)——不用动整个模型,只在关键层插一个小适配器。效果差不多,但成本降到原来的十分之一。
一个参考数字:7B 参数模型 + 单 GPU,跑一次 LoRA 微调 不到 $5。全量微调一次 $5,000-$15,000,LoRA $50-$300,差距是 10 到 100 倍。
二、五维度细评
下面从 5 个维度横向对比三种姿势。每个维度都有明确的"谁更优"。
1. 学习成本:上手要花多少功夫
Prompt 最容易上手——会打字就能写,不懂技术也能调。AI 厂商的官方 prompt 指南、网上的"AI 提示词模板"一大堆,零门槛。
Skill 中等——你得写一份"AI 能照着做的清单"。难点不在写文档本身,而在于把一个流程拆得 AI 都能照做(涉及边界情况怎么写、参数怎么传、失败怎么兜底)。Anthropic 官方给的 Skill 模板是 Markdown + YAML frontmatter 加若干附件,对非开发者不友好。
Fine-tune 成本最高——得有 ML 团队(或者你懂 LoRA 工具链),得有几千条标注好的样本,得有 GPU 或云上算力。学习曲线陡很多。
Winner:Prompt。其它两个都要"懂 AI",Prompt 只要"懂你想让 AI 做什么"。
2. 灵活性:改完之后多久生效
Prompt 改一下即时生效——你说"接下来你用更口语的方式回答",AI 下一句就换了。
Skill 改一下也很快——但要看 Skill 系统的实现。Anthropic 的 Agent Skills 是"按需加载"的渐进式披露机制(progressive disclosure),改一个 Skill 文件,下次任务 AI 自动用新版。如果是 Hermes 那种 self-evolving Skill,AI 还会基于你的反馈自己迭代。
Fine-tune 改完定型——你得重新跑一次训练(哪怕只改了一小部分样本),重新评估,重新部署。整个流程按天算,不是按秒算。
Winner:Prompt > Skill > Fine-tune。Prompt 即改即用,Skill 改完下次生效(取决于缓存策略),Fine-tune 改完定型难恢复。
3. 性能开销:用起来要不要多花钱
Prompt 几乎零开销——你不改模型,每次推理按 token 付费。prompt 长一点会多花点钱,但不构成额外负担。
Skill 中等开销——Skill 文件本身不占推理成本,但它的设计理念是"按需加载",意味着 AI 会在任务开始时多读一些上下文(Skill 描述、相关参数),这会增加一次推理的 token 消耗。通常可接受,但频繁触发的 Skill 会让单次成本上升。
Fine-tune 重训成本高,但推理时零额外开销——重训一次 $5-$15,000(7B 模型 LoRA $5-$300,全量 $5K-$15K),但训完之后,AI 用法和原始模型一样,不增加任何推理成本。QLoRA 路线更进一步——单卡 40-48GB 显存就能训 70B 模型,把硬件门槛也降下来了。
Winner:分场景——推理侧 Prompt 最便宜,重训侧 Fine-tune 平均成本最低(用得越久越划算)。
4. 可逆性:做错了能不能撤回
Prompt 随时能改——今天的 prompt 不行,明天换一段,不留痕迹。
Skill 中等可逆——删掉 Skill 文件就行,AI 下次就不会触发它。Skill Hub 装的第三方 Skill 卸载也简单。但如果你把 Skill 写进了某些自动触发的流程里,得先把流程停掉。
Fine-tune 难撤回——你训了一个 LoRA 适配器,部署后发现效果不如预期——回滚成本是重新训练或重新评估。如果你训得让模型"忘了"某些原有能力(灾难性遗忘),那就更麻烦。
Winner:Prompt > Skill > Fine-tune。
5. 适用场景:什么时候用哪个
Prompt 适用场景:一次性任务 / 临时探索 / "先试一下看 AI 怎么做"。比如"帮我把这篇文章翻译成英文"——一次性的,prompt 调一次就够。
Skill 适用场景:重复性流程。每月做 50 次以上 / 流程清楚但容易忘步骤 / 多步操作容易漏环节。比如"每周自动整理 GitHub Issues"、"按 SOP 处理客户退款请求"。
Fine-tune 适用场景:大批量稳定需求 + 行为模式不容易用 prompt 描述。比如"用我们家品牌的语气写公众号文章"、"把合同条款从法律语言翻译成通俗语言"。这些是模式问题,不是知识问题——prompt 调不出那种"我们家的味道"。
Winner:分场景——按"重复性 / 大批量 / 行为模式"三个维度判断用哪个。
三、按读者画像选
你不是研究者,你是用户——按你的角色选:
普通用户(用 ChatGPT / Claude 网页)
你的武器库主要是 Prompt。把对话整理成"模板",遇到类似任务调出来用。如果发现某件事每月重复做几次,可以试试把对话流程拆成 Skill(Claude Code / Hermes Agent 都支持)。Fine-tune 别碰——成本和学习曲线不划算。
开发者 / 独立团队
你的武器库是 Skill + Prompt 组合。按工作流选:临时调试用 Prompt,重复工作流写成 Skill。Hermes Agent 的 Skill 系统对独立开发者特别友好——可以自己写 Skill 给自己用,也可以从 Skills Hub(类似 npm 的社区 Skill 仓库)装别人的 Skill 改改就用。
企业 / 大批量场景
你的武器库是 Fine-tune + Skill。如果你的需求是"批量产出某种风格的内容"或"某种专业领域的问答"——Prompt 调不出那种稳定感,先考虑微调一个 LoRA 适配器。QLoRA 路线 7B 模型 + 单卡 $5-$300 就能试一次。训完之后配 Skill 做流程编排——两条腿配合走。
四、实战建议
如果你只想记住一件事——
顺序:Prompt → Skill → Fine-tune。能不动模型就别动。
具体的判断逻辑:
先用 Prompt 试。90% 的任务 Prompt 调一下就够了。代价最低、可逆性最高。如果你调了几版 prompt 觉得 AI 能 80% 完成,剩下 20% 偶尔翻车——不要急,先用着。
什么时候上 Skill:你发现"AI 偶尔忘步骤"、"每月重复做几次"、"多步操作容易漏"——这时候写一份 Skill 比每次写 prompt 划算。Skill 是"流程化的提示词",比 Prompt 多一层"做事清单"的保障。
什么时候考虑 Fine-tune:你明确知道要让 AI "永久学会一种行为模式",而且 prompt 调了 N 版都达不到你要的效果。注意 2026 年业界共识:Fine-tune 是学"形式(form)",不是学"事实(facts)"——要让 AI 学新知识用 RAG(参考另一篇《AI 的健忘症》),不是微调。
一个反模式:把 Skill 写成"另一种 Prompt"。如果你的 Skill 文件 80% 内容是 prompt 模板、20% 是流程——你写的是 Prompt,伪装成 Skill。真正的 Skill 应该有:触发条件、执行步骤、失败兜底、输出格式约束、相关附件。少一个都不是 Skill。
五、总结
三种姿势不是替代关系,是分工:
- Prompt:日常对话、临时任务、一次性探索——成本最低,灵活性最高。
- Skill:重复性工作流、流程化任务、跨会话复用——Anthropic 2025-12-18 已经把它做成行业标准。
- Fine-tune:大批量稳定需求、行为模式学习——2026 年 LoRA / QLoRA 路线让 7B 模型微调降到 $5-$300 一次。
和上一篇《AI 的健忘症》对比看:KB3 讲的是"AI 不知道 X 是什么"(知识补全用 RAG),本文讲的是"AI 不会做 Y 这件事"(能力建设用 Skill / Prompt / Fine-tune)。两条腿配合走,AI Agent 才能既知道又会做。
如果你只想带一件事走:先调 prompt 调到位,再考虑 Skill,Fine-tune 是最后才上。顺序对了,成本就对了。