我将人的能力总结为一个名叫「N+1」的模型，其中，1表示所具备的核心能力，N 表示模块能力。

这个模型，我在无数的思想中都有看到过。

要理解其实很简单，举个我自己的例子。我的核心能力是能将事情的核心逻辑抽象出来，当我选择辅助以编码、数据库设计能力的时候，我就可以运用代码来实现我的抽象；当我选择辅助以实际业务、知识管理能力时，那我就可以通过文档将这种抽象跟团队沟通。这也意味着我可以通过能力模块来实现不同的职业身份。

从根本上来说，我的核心能力并没有发生变化，只是用能力模块拼接组装，构建出不同的能力。当 N 足够多的时候，我就能得心应手地应付各种事情。

我一直以为，这个模型是作为人所特有的，直到看到了 Claude 发布的 Skills，AI 也开始了模块化自己的能力。

在 Claude 官网是这么说的：

Skills 是一个集合了指令、脚本和其他所需资源的文件包，Claude 可以在特定的任务中动态加载所需要的能力，Skills 告诉了 Claude 如何完成特定的任务而不需要每次需要时都重复说明。

Skills 的出现，意味着 Claude 会作为核心能力，通过组装能力模块的方式，实现了与人类类似的能力模型。

在 Skills 发布后，不少人还不理解 Skills 跟 Rules 与 Prompt 有什么区别，我举个例子来看看其中的差别：

当你有件事情脱不开身，同时又有别的事情很紧急的时候，你安排下属来做就一定会千叮咛万嘱咐，这个是 Prompt。当下属是从别的部门借调过来的时候，你还需要说明项目的背景和你的一些要求，这个是 Rules。而当你在处理工作中，发现传来的文档有非常多分散的数据，你运用统计学的方法做出数据模型预测了明天的订单量，这个是 Skills。

在此就将 Skills 翻译为「能力模块」吧。

通过与能力模块的拼接，AI 已经具备了很强的拓展能力。

早期的 AI 是完全做不到知行合一的，只会通过聊天的方式，告诉你一些很不切实际的方案，因为 AI 自己不需要实际执行；过去 AI 只能给出方案，但无法验证方案能否落地；现在借助 MCP 的多工具协同与 RAG 的知识回调，AI 已经能在现实中完成一整套知识的闭环；而现在 AI 完全能够做到「感知 – 理解 – 执行」的闭环，通过模型的核心能力，加上 MCP 和 RAG ，再结合「能力模块」就能很好地提出方案，在你的同意下按照方案执行。

此时，人与 AI 究竟还存在哪些差异，就是一个不得不面对的问题。

在我看来，这个问题的答案还是要回归到人最基础的「N+1」模型中，人的核心能力是应该是无法被替代的。

即便是 AI 具备全世界最前沿的科研能力，但 AI 无法成为我的「手感」。前文我也有提到过，「手感」是无法被表达出来的，而 AI 只能依赖可以被显性化的知识。就如同代码跑不起来，下意识地我就能猜到可能是哪里出问题，而 AI 目前还只能通过检索日志、编写测试用例的方式做排查。

因此，AI 只能是我的「N+1」模型中的其中一个 N，成为我的「能力模块」，在我需要时，通过我的「手感」来让 AI 给我规划可执行的方案，同时我的「手感」也会告诉我 AI 的方案究竟可不可行、能不能落地、落地有哪些阻碍等等，毕竟太多在暗处流动的知识，是 AI 所无法学会的。

🔚