100万次下载,26个收藏:好用的 skill 怎么找

skill 三部曲 · 之二

本文由本人与 AI 协作完成，内容和文字经本人修改校对，文责自负。

我在 SkillHub 网页版上闲逛，看到一个叫「育儿大师」的 skill。了解我的人应该知道我为什么会点进去。页面上摆着四个数：105.5 万次下载，26 次收藏，AI 评分 4.6（满分 5 分），预估消耗 23.7 万 tokens。

一百万人下载，二十几个人收藏，AI 还给了高分。好，还是不好？光凭这几个数，判断不了。原因后面再讲。

上一篇讲到，L3 考的是会判断，而判断的第一步，是从一堆 skill 里挑出好用的那个。今天的烦恼早就不是找不到，而是太多。几百上千个摆在那里，下载量一个比一个漂亮。漂亮的数字，会计人见得多了，年报里每年都有。

去哪找：三站

第一站是官方市场，也就是 WorkBuddy 内置的技能和腾讯的 SkillHub。上架前都做过安全扫描，比来路不明的稳妥一些。SkillHub 还有个企业专区，券商、大厂以机构名义发的 skill 都在那儿。

要是懒得自己翻，也可以让 AI 代劳。市场里有个叫 find skill 的技能，说一句「帮我装一个能把年报 PDF 转成 Excel 的」，它就自己搜、自己装。只是它照着说明书的字面去匹配，所以找得到能用的，找不到好用的。

第二站是公众号推荐。好处是有人替你讲清了用在什么场景，麻烦在于推荐不等于用过。看一眼推荐人有没有晒出实际跑出来的结果。只晒安装截图的，好比只出示了审计业务约定书：说明签了约，不说明审了什么。

第三站是 GitHub 和国内的 Gitee。别以为官方市场什么都有，不少作者只把 skill 放在 GitHub 上，市场里根本搜不到，好东西反倒常常藏在这一站。装起来也不难，把链接贴给 WorkBuddy，说一句「帮我安装」就行。

越往后走，东西越多、越新，也越得自己拿主意。

怎么判断好用：先看口径，再看数字

回到育儿大师。四个数字，到底说明什么？会计人看任何数字，第一个问题都是口径。看财报如此，看 skill 也一样。

下载量是被抬高的。首页推荐一下，AI 顺手装一个，有人试一次就走，都记一次下载。收藏是被压低的。WorkBuddy 里只能看、不能点，得专门跑去 SkillHub 网页版，肯多跑这一趟的人本来就少。一个虚高，一个虚低，放在一起算比率，好比拿含税收入去除不含税成本，算得再认真，也是白算。

另外两个数也各有各的口径。AI 评分看样子是平台自己的 AI 打的，看的是说明书还是实际效果，页面没说。口径不明的数字，会计人一向不敢直接用；何况 4.6 分配 26 个收藏，分数很高，肯收藏的人却很少。预估消耗 23.7 万 tokens，大致是用一次要烧掉的量。这个数反倒最实在：会计人看完收入，总要看看成本。

GitHub 的口径又不一样。它不公开下载量，大家主要看星标，相当于这里的收藏。星标也有水分：不少人点星只是「先收藏，回头看」，真回头的不多；也有人刷星。懂行的人会多看两样东西。一样是 Fork，英文本义是叉子，在这里是「叉走一份」：把别人的整套文件复制到自己名下，拿回家慢慢改。肯叉走的，多半是真在用。另一样是最近一次更新。半年没人打理的 skill，模型一升级，说不定就跑不动了。

说到底是一个道理：动作的成本越高，信号越可信。经济学家斯宾塞讲过，学历之所以能证明能力，是因为读书这件事，对能力弱的人代价更高。下载几乎不花成本，点星花一次点击，Fork 要花力气去改，试跑花的是你自己的时间。

落到操作上，可以分三步筛。

初筛看来源、更新和消耗。官方市场和企业专区的优先，半年没动过的往后放；token 消耗特别大的，多半是大而全，也往后放。下载量只当作「有人碰过」的参考。

二筛看说明书。写没写清楚适用什么场景、要你给什么、给你什么，写不清楚的跳过。要喂它尽调底稿、客户数据这类不公开的材料，还得问一句：数据会不会出门？平台审核主要查恶意代码，不管数据去向；企业专区里有些 skill 本就是接入机构自家服务的，数据恰恰要送过去。敏感数据，该找不联网、只在本地跑的 skill，而不是名头最大的。

终筛是试跑。拿一家你分析过、心里早有答案的公司，让它从头跑一遍，结论对得上才算好用。前两步看的都是别人的数字，只有这一步，口径是你自己定的。

一个规律：越专业越难找

年报 PDF 转 Excel、表格整理、画图，这类活谁来做都差不多，写一次人人能用，所以市场上一搜一大把，质量也大多过得去。

财务分析就是另一回事了。我试过 WorkBuddy 里好几个财务分析 skill，没有一个让我满意。问题不在算错，在想干的事太多。取数、算比率、做对比、提建议，一条龙全包，每一步都浅尝辄止，像报表里的其他应收款，什么都往里装，余额越大，懂行的人越要去翻附注。

这也不能全怪作者，市场本来就奖励大而全。名字起得越大，搜到的人越多，下载量越好看；可名字越大，就越难做深，每用一次要读进去的东西也越多，那二十几万 tokens 多半就是这么来的。一个想回答所有问题的 skill，往往一个问题也答不好。

所以我给自己做了一个杜邦分析的 skill，只干一件事：横向对标，看看跟同行比，到底差在哪一项。

杜邦分析是把净资产收益率拆成三项：净利率、总资产周转率和权益乘数。拆本身不难，难的是跟谁比。对标公司一旦选错，后面算得再准，结论也是错的，而且错得很体面，输出的依然是一个干干净净的百分比。所以这个 skill 走到选对标公司这一步，会停下来等人点头，再往下算。

跟谁比，数从哪里取，差距落在哪一项才算要紧，这些都是分析者自己的标准。通用 skill 给不了，因为别人写不出你的标准。这个 skill，后面我会单独拿出来讲。

说到这里，分界线也就清楚了：通用的活，放心去市场里找；需要判断的活，多半找不到现成的。

找不到，就改；没得改，就写

再回头看那个成本最高的公开信号，Fork。一个 skill 被人叉走去改，说明它底子不错，只是还不完全合用。

这其实就是用专业 skill 最好的姿势：找一个底子好的，改成自己的。有点像买二手房，看的是结构，装修可以自己来。先把它想干的事砍窄，再把口径换成你的。要是连像样的底子都找不到，那就自己写。

写 skill 听起来像程序员的活，其实更像你带学生、带新人时反复叮嘱的那些话：这家公司先看哪张表，毛利率突然跳了先查什么，数字对不上该去翻附注哪一页。你叮嘱过的每一句「不对」，都是 skill 的原材料。

找 skill 的终点，往往是自己写 skill。

skill 三部曲 · 下期预告

之三　不会编程，也能做 skill