01 触发事件

5 月 18 日，xAI 宣布在网页端、iOS 和 Android 同步上线 Grok 的 Skills 功能。

36kr 的关键信息很直接：用户教 Grok 一次特定任务后，它可以在后续独立对话中永久记住个人偏好、格式规则和工作流步骤，不必每次重输前置 prompt。

这不是一次普通的“记忆功能”更新。

这是把原本一次性的 chat session，往“跨 session 可复用的执行层”推进了一步。

我没在内部跑过 xAI 的实现，也不知道它到底是 system-level memory、profile store、还是某种 prompt template 封装；但仅从产品描述看，xAI 正在争夺一个更高价值的位置：不是回答一个问题，而是保存用户如何做事。

callout

用户只需向Grok传授一次特定任务的操作方法，Grok就能在后续的所有独立对话中永久记住相关的个人偏好、排版格式规则或特定工作流步骤

问题不在于 Grok 终于有了 memory。

问题在于 xAI 试图把 memory 产品化成 Skills，把“偏好”升级成“可调用的习惯”。

02 这事的真正含义

如果只把这条新闻理解成“Grok 跟进了 ChatGPT/Claude 的记忆能力”，那就看浅了。

真正重要的是，Skills 改写了 prompt 的归属关系。

过去，很多高频 AI 用户的核心资产并不在模型本身，而在自己手里那套 prompt stack：写周报的格式、代码审查的规则、投研摘要的结构、客服回复的话术、销售外联的约束。这些资产一直以非常原始的形式存在：notion 文档、snippet、脚本、固定开场白、MCP 工具配置。

而 Skills 的意义，是把这些零散资产吸进模型产品内部，变成平台托管的行为模板。

这才是 xAI 在说的事。

一旦用户的工作流被沉淀为 Skills，聊天产品就不再只是 token 消耗入口，而更像一个轻量 agent workspace。用户每开一次新对话，都不是从零开始，而是在调用一个长期存在的“自己训练过的 Grok”。

这会带来三个结构性变化。

第一，prompt 价值从一次性 token 消费，迁移到长期留存资产。

第二，用户迁移成本上升。因为你迁移的不只是聊天记录，而是几十个已经调好的 task behavior。

第三，前端产品的重要性重新上升。模型能力可以 API 化，但 Skills 这种用户行为层资产，更容易沉淀在消费入口而不是底层模型。

我可能误判的一点是：如果 Skills 只是表层文本注入，没有稳定的调用机制、版本控制和工具执行绑定，那它的上限会比较低，只是“记忆增强的 prompt preset”。但即便如此，它仍然说明一个方向：AI 产品竞争正从 model IQ，转向 workflow capture。

对 token economics 也有影响。

用户把重复性的长 prompt 压缩成 Skills 后，表面上会减少前置输入 token，提升体验；但平台反而可能因此获得更多高频调用，因为用户更愿意把更多细碎任务交给系统。单次请求变短，不等于总体 token 变少。很多时候，摩擦下降会带来更高总量消费，这和 cloud 降价后 compute 使用量上升是一个逻辑。

那个真正会被定价的，不是“记忆”本身，而是把重复劳动打包成默认能力之后的调用频次。

03 历史类比 / 结构对照

这件事更像 2014 年后 AWS 从卖裸 compute，逐步转向托管数据库、消息队列、serverless 的过程。

早期云计算卖的是基础资源：CPU、存储、网络。

后来价值上移，云厂商开始吞掉开发者原本自己维护的 operational knowledge。你不再关心怎么部署 Redis 集群、怎么容灾、怎么扩缩容，因为平台把复杂性封装掉了。结果不是开发者花得更少，而是更依赖云，更难迁移。

Skills 对 chat 产品的作用，和托管云服务对 compute 的作用相似。

它把“如何把模型用顺手”的 know-how，从用户侧脚本和提示词，转移到平台托管层。

还有一个更近的类比是 2022 年 ChatGPT 相对 Playground 式调用的胜利。

当时很多人以为差异只是 UI 更友好。其实不是。真正的变化是，ChatGPT 把模型使用从“需要会调参数”的 API 体验，变成“任何人都能形成习惯”的消费级入口。入口一旦形成，后续 plugin、memory、projects、agent 就有了承载体。

xAI 现在做的，是同一条路线的后半段：先占入口，再沉淀用户工作流。

这也是为什么 Skills 值得看，而不只是一个 feature update。

我没看到 xAI 公布 retention、DAU 或 Skills 使用率，所以还不能说它已经证明了产品市场匹配。但结构上，它踩中的方向是对的：AI 助手的下一轮竞争，不是单次回答更聪明，而是谁先把用户反复做的事编译成平台内资产。

04 对 AI builder 意味着什么

如果我今天是 AI builder，看到这条消息，调整不该停留在“要不要加记忆”。

更实际的问题是：你的产品里，哪些高频 prompt 应该被升级成 first-class object。

这周就该做三件事。

第一，盘点用户重复输入的前置 prompt。

不是所有 prompt 都值得产品化。优先看三类：格式规则稳定、任务边界清晰、跨 session 高频复用。比如固定风格写作、代码 review checklist、销售邮件模板、研究摘要结构。这些都适合从自由文本升级成 Skills、Templates、Profiles、Playbooks 之类的对象。

第二，重新评估 moat 在哪。

如果你的应用层价值主要来自一组 prompt engineering，那么平台把 prompt 持久化之后，你的差异化可能正在被上游吞掉。尤其是那些“帮用户写更好的 prompt”的产品，会最先感受到压力。问题不在模型变强，而在主入口开始原生支持 workflow persistence。

第三，考虑 model routing 与 memory store 的解耦。

对 API 消费者来说，最危险的做法是把用户偏好、任务配置和单一模型深度绑定。更稳的设计是：把 Skills 存在你自己的抽象层，底下再路由到 OpenAI、Anthropic、Google、xAI 或开源模型。这样上游再怎么打 memory feature，你仍保留切换空间。

我可能低估了一个现实：很多团队即便知道要做这件事，也未必能在 UX 上做好。因为 Skills 不是简单加一个“保存为模板”按钮，它要求任务定义、调用触发、编辑反馈、失败纠正形成闭环。这是产品工程，不只是模型接入。

对独立开发者还有一个直接含义：卖“prompt”越来越难，卖“workflow”还来得及。

prompt 是可复制的，workflow 更接近 operational software。

如果你的产品不能沉淀用户行为，那你最终只是替模型前端导流。

05 反方观点 / 风险

我前面的判断，成立的前提是 Skills 真能稳定工作，而且用户愿意持续维护。

反方其实很强。

第一种可能，是 Skills 被高估了。

很多所谓“持久记忆”最后都退化成脆弱的 context 注入：记错、漏掉、误触发、难删除。一旦错误记忆污染输出，用户会迅速失去信任。我没亲手测试 Grok Skills，所以不能确认它是否解决了 memory consistency 这个老问题。

第二种可能，是用户根本不想“教”模型。

AI 圈常有一个误区：认为用户愿意花很多时间配置 agent。现实往往相反。大多数人希望立刻得到结果，不愿维护复杂的个人自动化体系。Skills 如果设置成本高，就会沦为少数 power users 的玩具，而不是大众行为。

第三种可能，是平台级记忆未必构成真正 moat。

因为一旦用户意识到自己的 workflow 很重要，他们反而会要求导出、同步、跨模型复用。那时价值可能从单一聊天产品回流到中间层：MCP、agent profile store、workspace orchestration、team memory infra。这会削弱 xAI 这类前端产品的锁定效应。

第四种可能，是上游同质化速度极快。

OpenAI、Anthropic、Google 都已经在 memory、projects、custom GPTs、artifacts、workspace 方向布局。xAI 这次即便方向正确，也不代表它有 distribution 优势。功能拐点不等于市场拐点。

所以我不会把 Skills 定义成决定行业格局的大事件。

但我会把它视为一个清晰信号：主流 AI 助手正在从“回答问题的模型 UI”，转成“保存并复用用户工作方式的软件层”。

如果这个判断对，那么接下来真正激烈的战争，不是 benchmark 第一名。

而是谁先拥有用户的默认 workflow。