企业官网建设流程全解析

我发现自己陷入了一个怪圈：刷了一百篇AI学习教程，真正能复述出来的不到十个。问题不在内容，而在于聊天式提问太散，问完就忘。后来我开始用Pi（终端里的AI编程代理）和skill这套机制，把学习流程封装成一条固定流水线——先摸底、再画图、然后出题、最后写笔记——才算真正找到了一种能沉淀知识的方式。这篇就把这套玩法的完整细节拆给你，从概念到skill源码，再到实测记录和踩坑清单都有，适合正在折腾Pi、想给AI“装技能”的玩家。

1. 先搞清楚：Pi和skill到底是个什么组合

1.1 Pi不是树莓派，也不是PID控制器里的PI

很多人在搜索引擎里看到“Pi”这个词，第一反应是树莓派（Raspberry Pi），第二反应是自动控制里的比例积分控制器（PI controller）。这俩都对，但它们和本文要说的Pi是两码事。

我这里说的Pi，指的是最近在AI编程圈里很热的一个终端代理工具，同类产品里你可能更熟悉Claude Code、Codex CLI、Cursor的Agent功能。它是一个跑在命令行里的“自主干活代理”，能读项目文件、执行命令、改代码、跑测试，并且在出错时自己决定下一步怎么调整。搜“pi agent”能直接找到它的GitHub仓库和官网，社区里也叫它“coding agent”。

这个工具最有意思的设计是它支持skill（技能包）。你可以把一套复杂的、可重复的工作流程封装成一个文件夹，让Pi在对话中按你预设的步骤去执行。这就是本文标题里“这个skill全包了”的来头——我要讲的其实是“学习类skill”的完整实现。

顺带说明一下，后面第4节的实测示例我会用“PID控制”当作学习主题，纯粹是因为它和“PI”同名、容易搞混，拿来做例子刚好一举两得。

1.2 skill为什么正在成为agent生态的“第二语言”

一开始用Pi的时候，我都是直接在对话里说“帮我学一下Docker”，它也能回答，但效果和用网页版AI聊天几乎一样：给一堆正确但零散的知识点，没有节奏，没有验收，没有沉淀。后来我意识到，差距不在模型能力，而在工作流。

聊天是自由发挥，skill是固定剧本。自由发挥适合头脑风暴，但学习这件事需要的是“摸底→建结构→检验→沉淀”这么一条稳定链路。把链路固化下来，就产生了skill。

如果你关注AI编程工具圈，应该已经看到这股风潮了：Claude Code有skills目录，Codex有自定义skill命令，Cursor有rules体系，Pi这边则冒出了大量社区skill——比如把一本书的内容转换成agent技能包的“book to skill”、帮你生成规范化skill文件的“harness creator skill”，还有各种按场景命名的专用包。这些本质上都是同一件事：给agent装上一个可复用、可分享、可版本化的“能力模块”。

为什么这很重要？因为skill让AI从“每次临时发挥的实习生”变成了“有标准作业程序的老师傅”。你不需要每次重新解释需求，agent也不会每次给你换一套输出格式。这对学习场景的价值尤其大，否则你不可能让AI真正帮你搭出一套完整的学习闭环。

2. 拆解“学习全能skill”的四个工作流

2.1 摸底：少废话，先定位你的知识水位

我见过太多人用AI学东西，第一句就是“请给我讲一下XX原理”。AI也确实会给出一篇结构工整的长文，但看完之后你根本不知道记住了多少。原因很简单：没有起点检测，就没有针对性。

我的learning skill第一个阶段就是摸底（assess）。Pi会先不急着讲课，而是向你抛几个定位式问题，比如对于“PID控制”这个主题，它会问：

• 你之前听过P、I、D这三个字母分别代表什么吗？
• 你能说出比例项Kp调大以后系统一般会出现什么现象吗？
• 积分项是用来消除哪一类误差的？微分项又是在抑制什么？
• 你是在什么场景下需要用到PID的？做机器人、调电源、还是笔试备考？

你也可以不答题，直接把你自己的一段话粘贴给它，哪怕写得很乱也没关系。Pi会根据你的回答或原文，把知识水位分成三档：

这个小设计背后的逻辑很简单：AI不缺输出能力，缺的是输出口径的校准。没有摸底，它只能讲平均水平的课；有了摸底数据，它讲的才是“你的课”。

2.2 画图：把知识变成一张可以走的地图

第二步是画图（map）。这一步会让Pi把主题拆成一张知识结构图：主干概念、子模块、依赖关系、常见误区、延伸方向，全部梳理出来。

为什么要强调画图？因为人脑对线性文本的记忆效率远不如对空间结构的记忆。你用文字列表背十个知识点，三天后大概率只剩两三个；但如果你脑子里有一张“从输入到输出的信号流图”，那些节点会挂在结构上，很难忘掉。

在我的skill里，Pi会优先输出两样东西：

• 一棵缩进式的知识树（在不同Markdown渲染器里通用，就算你的终端不支持任何图表也能看懂）；
• 一份Mermaid格式的源码字符串，方便你粘贴到支持图表的编辑器里生成真正的流程图。
• 每个节点附带一行“人话解释”，避免知识树变成死目录。

比如后面实测部分我会给出一棵“PID控制”的知识树样例。你用任意支持Mermaid的笔记软件打开它就能渲染成图，但这不意味着你的终端需要支持——树形文本才是兜底方案。

2.3 出题：以考题反推理解，而不是自我感觉良好

第三步是出题（test）。这一步很多人会跳过，但恰恰是学习闭环里最关键的。

心理学里有个布鲁姆分类法，把认知目标从低到高分成六个层次：记忆、理解、应用、分析、评价、创造。大多数AI对话只能帮你到第一层“记忆”，最多到“理解”。但学习真正要的，是你能“应用”。

我的skill会让Pi出一套固定配比的题：

• 5道选择题——负责“记忆和理解”，每道题必须包含一个“看起来对但实际上错”的干扰项；
• 3道简答题——负责“分析”，要求你解释原理而不是背定义；
• 1道场景应用题——负责“应用”，给你一个真实工程场景，让你自己设计参数调整策略。

每道题都附标准答案和解析，而且解析里会标注“如果你答错了，应该回到知识树里的哪个节点重看”。这个设计把“做题”和“补漏”绑在一起，避免对着答案假装会了。

2.4 写笔记：用自己的话沉淀，才是真学完

第四步是写笔记（notes）。AI学习最大的陷阱是“收藏即拥有”——看完了，复制了，粘贴了，就以为自己会了。所以我的skill里强制要求：最后由你自己写笔记，Pi只提供模板和脚手架。

具体流程是：Pi先生成一个Markdown笔记模板，包含这七个模块：主题标题、一句话核心、概念黑话表、结构图、关键原理、代码或公式示例、三连问（我原来怎么想？现在怎么想？还差什么？）。然后你对着模板用自己的话把内容填进去，Pi会帮你指出笔记里的错误或模糊表述。

这一步把“输入”变成“输出”，用输出倒逼输入。很多人跑完前三个流程觉得已经学会了，真到了写笔记这一步才发现——原来这个点我根本说不清楚。

3. 从零手写一个learning skill包

3.1 目录：一个skill就是一个小型工程

理解了四个环节，现在来看怎么把它们变成Pi能用的skill。其实一个skill就是一个文件夹，里面主要包含SKILL.md（工作流主文件）、可选的脚本目录和资源目录。以学习skill为例，典型的目录结构长这样：

~/.pi/skills/learning/ ├── SKILL.md ├── scripts/ │ ├── assess.py # 摸底阶段的可选辅助脚本 │ └── format_notes.py # 笔记模板格式化 └── assets/ └── knowledge_tree_template.md

如果你用的是项目级skill，就放在项目的.pi/skills/learning/下面；想让自己所有的项目都能用，就放到用户级目录~/.pi/skills/。具体路径在不同版本的Pi里可能有差异，装之前扫一眼官方文档最靠谱，但主体结构基本就是上面这套。

为什么这么设计？因为SKILL.md负责“给Agent看的说明书”，scripts目录负责“可编程的确定性逻辑”。不一定非要写脚本，但如果你希望出题阶段每次能随机抽取题目，写一个小脚本去本地题库抽题，效果会比让Agent现场自由发挥稳定得多。

3.2 SKILL.md的正确姿势：Frontmatter加工作流描述

SKILL.md是skill的灵魂。它开头的Frontmatter用YAML格式，至少要写清楚name和description，因为Pi会靠description判断“用户在什么时候应该触发这个skill”。下面是learning skill的SKILL.md核心结构示例：

--- name: learning description: 把一个陌生主题变成一套完整学习资料，包含摸底、画图、出题、写笔记四个阶段。当用户想学习一个新知识、备考、或系统梳理某个领域时使用。 version: 1.0.0 triggers: - 我想学 - 教我 - 学习 - study workflow: - assess - map - test - notes ---

Frontmatter写完，就是正文。正文我用的是“分阶段指令块”的写法，每个阶段一个H3标题，下面写清楚这个阶段的目标、输入、输出格式、以及可选用的脚本。最关键的一点是：指令要写得像操作手册，而不是写作文案。

比如摸底阶段，我会明确写：

## Phase: assess 目标：判断用户当前知识水位。 操作： 1. 不要直接输出知识内容。 2. 向用户提最多五个定位问题，问题要覆盖概念定义、组成要素、实际应用三个层面。 3. 根据回答，输出一张三档水位表。 4. 水位表输出后，先等待用户的确认，不要擅自进入下一阶段。

这里我故意在第四条写了一个强制动作：“等待用户确认”。原因是让Pi别自己一口气把四个流程全跑完。Agent很容易“热情过度”，一次性把摸底题、知识树、考题、笔记全生成出来，效果就会退化回聊天式输出，彻底失去分阶段的节奏价值。

3.3 安装、激活与调试：怎么让Pi认领这个skill

写好目录和SKILL.md之后，安装通常就是把文件夹放到对应目录，重启Pi进程即可。然后在对话里直接说“我想学一下【主题】”或者“用learning skill走一遍【主题】”，Pi读到triggers就会自动加载这个skill并按其定义开始工作。

调试阶段最容易踩的坑是：Pi启动后根本不认你的skill，表现为完全无视你定义的流程。我的排查顺序是：

• 先看Pi是不是从正确目录扫描skill，路径有没有写错，权限能不能读；
• 再看Frontmatter里的name和description填得是否规范，有没有语法错误；
• 最后用verbose模式启动Pi，观察日志里到底加载了哪些skill文件。

注意，SKILL.md的正文不要塞太长。我自己刚开始写的时候，把四个阶段的指令写了一千多字，结果Pi在处理长指令时反而容易忽略末尾阶段。后来我把指令压缩到每个阶段三到四行“动词性指令”，调用稳定性明显好多了。这条经验同样适用于给Codex和Claude Code写skill，长指令不如短指令可靠。

4. 实测：用learning skill啃下“PID控制”

4.1 摸底阶段的真实对话

把skill装好后，我做的第一轮实测主题是“PID控制”。原因前面说了，这名字和Pi太容易混淆，干脆拿它当试验品。

Pi按流程先问了五个摸底问题，我的回答大概是“知道P是比例，I是积分，D是微分，但Kp加大之后系统到底变快还是变稳我说不太清”。Pi据此给出的水位判断是：概念“有点印象”，参数作用“完全空白”，系统稳定性分析技能“未建立”。

接下来，它没有立刻给我灌百科式的内容，而是给了我一个三段式学习建议：第一段先把三个字母的本质作用补上，第二段用弹簧阻尼系统建立直观感受，第三段再讨论Kp、Ki、Kd的调参方向。这比我平时自己瞎搜的效率高太多了，因为它是顺着我的答案定制的路线。

4.2 画图和笔记产出样例

摸底通过后，Pi输出了一张“PID控制知识树”。下面是我截取并精简过的实际输出，用来展示它给的结构长什么样：

PID控制 ├── 1 三个环节 │ ├── P 比例：输出与误差成正比，决定响应速度 │ ├── I 积分：消除稳态误差，但可能带来超调 │ └── D 微分：抑制误差变化趋势，改善动态过程 ├── 2 参数整定 │ ├── Ziegler-Nichols法 │ ├── 临界比例度法 │ └── 仿真调参流程 ├── 3 数字实现 │ ├── 位置式PID │ └── 增量式PID └── 4 工程场景 ├── 电压电流双闭环 ├── 逆变器组网控制 └── 电机转速闭环

知识树的每个节点后面都挂了一句“人话解释”，这个细节非常实用。我直接把整棵树复制到了Obsidian里，配合Mermaid源码生成了可视化图谱。

同时，Pi生成了一份笔记模板，我在“三连问”里的回答是“原来我以为PI控制器就是比例加积分两个旋钮，现在知道I的核心使命是消稳态误差，而且参数会相互牵连”。仅仅这一步输出，就比之前任何一次AI学习对话都扎实。

4.3 出题阶段的验收效果

学完和画完图之后，Pi按流程给出了题。选择题里有一道我印象很深：

“一个系统稳态误差过大，以下哪个调整方向最合理？A. 增大Kp，B. 减小Ki，C. 增大Kd，D. 关闭积分项。”

正确答案是A和B方向要分开讨论的那种陷阱题——Kp能降一部分稳态误差，但真正最后消掉稳态误差的是积分项。Pi还专门写了解析，并指出如果选错就要回到知识树的“第2节点参数整定”重看。这种“错题定位节点”的机制，给复习省了太多事。

实测跑完一圈，我觉得最有价值的不是某一次输出内容，而是它把“学过”变成了“可验收”——你不再是看了一篇爽文，而是走完了一次带体检、带地图、带考试、带笔记的学习流程。这是聊天式AI永远给不了的东西。

5. 跑流程时遇到的三类坑和解决办法

5.1 skill死活不生效：优先查路径、权限和Frontmatter

这是新手最容易卡住的问题。有一次我改完SKILL.md，重启Pi后它开始“装死”，完全按普通聊天模式回答问题。排查下来发现是我把description写得太含糊，Pi判断不出应该在哪种场景触发它。后来我把description改成了“当用户想系统学习一个新主题时，严格按四个阶段执行”，触发准确率立刻上去了。

另外，如果你曾把skill文件夹放到了带空格的路径下，部分版本的Pi扫描时会直接跳过。这个坑我踩过一次，建议整个路径不要带中文字符和空格，命名字母一律小写，保险。

5.2 长文档输出中断：malformed response的应对

用Pi跑学习skill时，它经常要一次生成很长的内容——知识树、十道题、七模块笔记模板。这个时候你有可能遇到一个奇怪报错，大意是“the response stream was malformed and no response was produced. try again.”。我第一次看到这个报错还以为是自己代码写崩了，后来才明白，是输出流在长内容生成时被截断了，模型根本没拿到完整输入。

解决办法不是去改模型，而是改skill的设计：不要让Pi一口气生成全部内容。我把SKILL.md里“一次性输出所有题”的指令改成了“先输出前3道题，等用户确认后继续下一批”，输出中断的概率立刻大幅下降。同时，长文档生成时把终端的并发请求数调低，或者减少上下文里的历史对话，也能缓解这个问题。

5.3 图表在终端里乱成一团：让树形文本当兜底

很多skill在用Pi生成图表时会直接输出Mermaid代码块。想法很好，问题在于不是所有终端都支持渲染。如果你在纯命令行环境里用Pi，看到的就是一堆```mermaid 围起来的源码，阅读体验非常糟糕。

所以我给learning skill加了一条硬规则：任何图表输出，必须先给一份缩进树文本，Mermaid源码只能作为附加选项。这样一来，无论在网页端、桌面笔记软件还是纯终端，你都能流畅阅读知识树。这个原则建议所有想写图表型skill的朋友都抄走。

5.4 小心skill变成“会说不会用”的玩具

最后说一个认知层面的坑。skill本质上是一个提示词工作流，它再聪明也只是一套流程，真正让学习起效的还是你本人。

我在社区里见过不少朋友，到处收藏别人分享的skill，今天装一个“数学建模skill”，明天装一个“PPT skill”，但一次都没跑通。我给自己的规矩是：一个月只让skill库新增一个真正常用的能力包，其他的一律先放草稿目录。skill多了以后，模型在判断触发时机时的开销会增加，反而拉低主流程的响应速度。

说实话，折腾这些skill最大的收益不是某个流程省了多少时间，而是我开始用工程化思维对待学习了——先定标准再执行，先测水位再给方案。这套思路放到任何领域都一样管用。最后分享一个小技巧：给skill写版本号，每改一次就往上提一版，过阵子翻阅时你会看到自己的思路是怎么一步步完善的，这个记录本身就很有价值。