「Skill 優先」的 AI 協作新實踐：從需求定義到知識點萃取的自動化進化
🚀 序言：一個新的協作節奏
在過去的 AI 協作中，我通常是先遇到問題，發出指令，解決之後再考慮是否要將它整理成工具。但這一次，我試著調換順序：先說出一個「Skill」的構想，定義它的通用流程與腳本格式，然後直接用它來演練並修正。
這次的目標是：如何高效地將長達一個多小時的「哈爸實驗室雙周會」錄影，拆解成一個個有價值的「知識點 (Knowledge Points)」。
🏗️ 第一步：Skill 的定義與構建 (Defining the Skill)
與其說「幫我切影片」，我對 AI 下達的指令是：「我們來做一個 knowledge-point-distiller Skill」。這個 Skill 必須具備以下完整閉環：
- 影音處理自動化：能根據時間清單自動切割影片，並同步產出適合 NotebookLM (容量 < 20MB) 的優化 MP3。
- 資源歸檔結構化：每一個知識點 (KP) 都有自己的資料夾，包含 MP4 片段、MP3 音訊與
metadata.md。 - SOP 化：將整套流程寫入
.agent/skills/目錄下的SKILL.md，讓 AI 與我都能隨時查閱操作標準。
這種「先建工具，後打仗」的做法，讓我在還沒開始處理影片前，就已經擁有了整套「生產線」。
🧪 第二步：實戰演練與即時修正 (Practice & Refinement)
有了工具後，我們直接拿「2/6 哈爸實驗室雙周會」進行測試。這個階段的「修正」是重點：
- 全場音訊的需求：在切割子片段的過程中，我發現除了個別知識點，我也需要一份「全場完整錄音」上傳到 NotebookLM 進行全局綜整。於是，我們立刻將這個功能補進 Skill 的 SOP 中。
- 與 Git 的整合：歸檔不是終點，提交才是。我們在 Skill 流程中補上了 GitHub 的 Commit 與 Push 指引。
- 跨 Skill 調度：在這個過程中，新的 Skill 自動調用了先前的
media-processorSkill 來處理高品質音訊壓縮，展現了技術模組之間的協同能力。
💡 關鍵體驗：為什麼「先說出 Skill」很有用？
這是我第一次嘗試「先定義、再運作、後修正」的模式，心得如下：
- 減少重複溝通：當流程被定義為 Skill，AI 就能在處理過程中體現「一致性」。它不再只是執行一個指令，而是遵循一套規範。
- 結構化思維：為了定義 Skill，我必須逼自己想清楚「這件事的標準化終點在哪裡？」。這大大提升了最後歸檔的整潔度。
- 即時強化的成就感：看著一個剛定義出來的 Skill，在幾分鐘內就產出所有 KP 資料夾、MP3 檔案並完成 Git Commit，那種「流程穩定感」非常強大。
🏁 最終成果：哈爸實驗室雙周會 #2
最終，這場 72 分鐘的會議被成功轉化為：
- 2 個高品質 KP 單元 (MP4 + MP3 + Metadata)。
- 1 份全場優化音訊 (16.58 MB)。
- 1 份完成的 GitHub 歸檔與 Commit。
這不僅僅是處理完一場會議，而是我們為未來的無數場會議，預備好了一支強大的「AI 知識點萃取部隊」。
協作紀錄：
- 策劃: USER (哈爸)
- 執行與 Skill 構建: Antigravity (AI Coding Assistant)
- 技術棧: Python, FFmpeg, NotebookLM, Git
- 里程碑: 第一次成功的「Skill-First」協作實踐
- 日期: 2026-02-07