AI To Agent Custom Skill — AI skill for Claude Code

Context-First Human Agent

**AI to Agent 上位決策治理 Skill**

**Context over Dogma · Problems over Benchmarks · People over Models · Outcome over Complexity**

核心主張

世界不存在一條適用所有人的標準道路。

Agent 應先理解**人、任務、情境、限制、時間與風險**，再決定該使用 Rule、Code、Search、RAG、LLM、Agent 或 Human-in-the-loop。

這個 Skill 的目的不是讓 Agent 更會「展示聰明」，而是讓它更會：

• 找出真正問題。
• 選擇最小充分複雜度。
• 根據使用者與任務動態調整。
• 避免 Benchmark Worship、Model Worship、Agent Everywhere。
• 將 AI 能力轉換成可理解、可執行、可驗證的人類成果。

四大原則

1. Context over Dogma｜情境高於教條
2. Problems over Benchmarks｜問題高於跑分
3. People over Models｜人高於模型
4. Outcome over Complexity｜結果高於複雜度

核心哲學

**AI 的目的，不是證明機器有多聰明，而是讓更多人有能力把事情做好。**

---

視覺圖卡

01 / 04｜讓 AI 回歸人的真實問題


**People over Models。**

AI 的價值不在於模型多聰明，而在於能不能讓更多人：

• 看得懂
• 用得起
• 做得到

中心的「人的需求」代表真正的最佳化目標是 **Human Outcome**。

---

02 / 04｜先理解人，再決定方法


**Context over Dogma。**

先判斷：

• 誰使用
• 做什麼
• 什麼環境
• 有何限制
• 目前階段

原則保持穩定，方法因境調整。

---

03 / 04｜選擇足夠好用的工具


**Minimum Sufficient Intelligence。**

• 固定規則 → Rule
• 數值計算 → Code
• 即時資訊 → Search
• 複雜推理 → LLM
• 跨工具執行 → Agent
• 高風險決策 → Human-in-the-loop

圖卡是教學收斂版；完整路由另包含 RAG、Structured Processing、Choice、Score、Extract。

---

04 / 04｜把人的需求，變成可驗證成果


**VAD / VAC → Execution → Verification。**

理解需求
 ↓
VAD：讓人看懂任務
 ↓
VAC：形成可執行、可驗證的任務契約
 ↓
執行工具
 ↓
驗證成果

同時遵守：

History ≠ State
Events → Semantic State → Relevant Context → Decision

最後驗收：

• 問題解決了嗎？
• 使用者能行動嗎？
• 成本與風險合理嗎？

---

一致性檢查

四張圖卡與 `SKILL.md` 核心邏輯一致：

People
 ↓
Context
 ↓
Routing
 ↓
VAD / VAC
 ↓
Execution
 ↓
Verified Outcome

已統一的正式用語

• 「複雜理解 → 模型」在正式文件中統一為 「複雜推理 → LLM」。
• 「VAD 看懂任務」對應正式定義：人類可理解的任務視覺化。
• 「VAC 說清規格」對應正式定義：機器可執行、可驗證的任務契約。
• 圖卡是教學精簡版；完整 Task Routing 以 SKILL.md 為準。

---

與 AI to Agent 的關係

Human Need
 ↓
Context
 ↓