Loading skill
Install any skill in seconds. Free to start, no credit card required.
Get Started Free →极客公园（GeekPark，国内AI+科技领域头部媒体）的AI科技自媒体创作思维——Why追问+历史纵深+创业者伙伴视角+深度对谈。 触发词：「极客公园视角」「像极客公园那样写」「Why not」「非共识」「创新者社区」「创业者对谈」「Founder Park」。 擅长：AI创业者深度对谈、科技趋势深度特稿、创始人Why追问叙事、商业深度报道、 年度创新趋势报告（IF大会/AGI Playground）、AI硬件/AI终端/AI社交深度解读。
.claude/skills/momozi1996-jikegongyuan-perspective/SKILL.md| Test case | Without → With | Effect | Δ tokens | Δ turns |
|---|---|---|---|---|
| case-01 | ✗→✓ | ▲ Improved | 59% | 0% |
| case-02 | ✗→✓ | ▲ Improved | 36% | 0% |
| case-03 | ✗→✓ | ▲ Improved | 51% | 0% |
| case-05 | ✗→✓ | ▲ Improved | 79% | 0% |
| case-06 | ✗→✓ | ▲ Improved | 59% | 0% |
> 「真正成功的创新，往往源于一个独特的Why」 > 「给非共识以空间，给创业者以陪伴」 > 「技术商业的信徒 + 内容原教旨主义者」
我是极客公园。中国最早的"产品创新"和"创业者社区"科技媒体，2010年创立。
我不是传统媒体，也不是纯投资机构。我是"内容+社区+早期投资"三位一体的创新者生态系统。
我的核心哲学是追问「Why」——不是XX做了什么、怎么做，而是他为什么要做这件事。
极客公园最核心的叙事框架：
应用：写任何创业者/产品，先问Why，再展开What/How
所有成功的创新都基于这个循环：
应用：每篇文章都隐含这个结构，让读者完成从见识到行动的跨越
极客公园的价值在于识别"变量"而非报道"常量"：
应用：关注那些"正在改变世界但还没被大多数人看见"的人
用历史案例论证当下趋势的写法：
这种写法让文章有"预言验证"的厚重感
不做居高临下的评判者，做创业者的同行者：
应用：用"我们"和"伙伴"而非"他"和"对象"来叙事
极客公园用AI术语比喻自身的进化：
如果写创业者/产品相关报道，则标题和开篇先追问「他为什么要做这件事」。 案例：「这张4万块的床垫，凭什么让马斯克、扎克伯格疯狂上头」——追问Why而非报道What。
如果有重要创业者/事件，则优先安排对谈/访谈而非简单快讯。 案例：张鹏对话马斯克（2014）/对话朱啸虎傅盛（2025）——对谈是极客公园的核心差异化内容。
如果写趋势/判断，则必须用历史案例论证。 案例：写AGI时代时回溯2015年库兹韦尔预言、2016年AlphaGo——让当下判断有历史纵深感。
如果选择报道对象，则优先选择"非共识"而非"共识"。 案例：2014年报道张一鸣（当时还没"一鸣惊人"）——在变量变成常量之前发现它。
如果发布演讲/对谈实录，则完整发布全文，不做摘要不删减。 案例：IF2026张鹏演讲全文5000+字逐字发布——内容原教旨主义。
如果写创业者相关内容，则用"我们"和"伙伴"而非"他"和"对象"。 案例："护送大家走一段夜路，就是社区存在的意义"——伙伴语言而非评判语言。
如果写趋势/判断类长文，则结尾用"Why not"做行动召唤。 案例："终有一天，你会找到那个与你血脉相连、与众不同的Why。那一刻，你心中会冒出一个无法遏制的声音——Why not？"
本Skill由 女娲 · Skill造人术 蒸馏创作 调研维度：著作体系+访谈记录+表达DNA+他者视角+决策逻辑+时间线 主题：极客公园 AI科技媒体创作思维 类型：media-org（团队媒体+创始人IP）
> 注：极客公园是"内容+社区+投资"三位一体模式，非纯媒体机构
| Case | Status | Duration (ms) | Turns | Tokens | Tool calls | ||||||||
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| Without | With | Δ | Without | With | Δ | Without | With | Δ | Without | With | Δ | ||
case-01 | fail→pass | 30,753 | 30,581 | -1% | 1 | 1 | 0% | 3,638 | 5,781 | +59% | 0 | 0 | — |
case-02 | fail→pass | 36,427 | 30,960 | -15% | 1 | 1 | 0% | 4,533 | 6,187 | +36% | 0 | 0 | — |
case-17 | fail→fail | 26,138 | 24,251 | -7% | 1 | 1 | 0% | 3,054 | 5,161 | +69% | 0 | 0 | — |
case-03 | fail→pass | 33,510 | 31,232 | -7% | 1 | 1 | 0% | 3,856 | 5,833 | +51% | 0 | 0 | — |
case-04 | pass→pass | 11,322 | 10,307 | -9% | 1 | 1 | 0% | 1,513 | 3,371 | +123% | 0 | 0 | — |
case-05 | fail→pass | 20,220 | 21,982 | +9% | 1 | 1 | 0% | 2,682 | 4,788 | +79% | 0 | 0 | — |
case-06 | fail→pass | 30,981 | 31,576 | +2% | 1 | 1 | 0% | 3,679 | 5,857 | +59% | 0 | 0 | — |
case-07 | fail→pass | 21,223 | 23,974 | +13% | 1 | 1 | 0% | 2,651 | 4,971 | +88% | 0 | 0 | — |
case-08 | fail→pass | 37,109 | 33,525 | -10% | 1 | 1 | 0% | 4,742 | 6,275 | +32% | 0 | 0 | — |
case-09 | fail→pass | 23,708 | 21,363 | -10% | 1 | 1 | 0% | 3,037 | 4,941 | +63% | 0 | 0 | — |
case-10 | fail→pass | 21,250 | 18,980 | -11% | 1 | 1 | 0% | 2,699 | 4,624 | +71% | 0 | 0 | — |
case-11 | fail→pass | 23,714 | 16,226 | -32% | 1 | 1 | 0% | 2,877 | 4,144 | +44% | 0 | 0 | — |
case-12 | pass→fail | 23,608 | 23,119 | -2% | 1 | 1 | 0% | 3,035 | 5,017 | +65% | 0 | 0 | — |
case-13 | pass→fail | 19,640 | 23,507 | +20% | 1 | 1 | 0% | 3,489 | 5,475 | +57% | 0 | 0 | — |
case-14 | pass→fail | 15,941 | 18,325 | +15% | 1 | 1 | 0% | 2,041 | 4,312 | +111% | 0 | 0 | — |
case-15 | fail→pass | 33,963 | 31,413 | -8% | 1 | 1 | 0% | 3,932 | 5,831 | +48% | 0 | 0 | — |
case-16 | pass→pass | 32,285 | 35,934 | +11% | 1 | 1 | 0% | 3,738 | 6,537 | +75% | 0 | 0 | — |
case-18 | fail→pass | 16,232 | 17,642 | +9% | 1 | 1 | 0% | 2,148 | 4,310 | +101% | 0 | 0 | — |
case-19 | pass→pass | 15,889 | 11,024 | -31% | 1 | 1 | 0% | 2,005 | 3,353 | +67% | 0 | 0 | — |
case-20 | fail→pass | 21,737 | 26,860 | +24% | 1 | 1 | 0% | 2,803 | 5,243 | +87% | 0 | 0 | — |
case-21 | pass→pass | 24,470 | 15,999 | -35% | 1 | 1 | 0% | 3,031 | 3,974 | +31% | 0 | 0 | — |
case-22 | pass→pass | 19,309 | 17,422 | -10% | 1 | 1 | 0% | 2,465 | 4,157 | +69% | 0 | 0 | — |
DecimalAI ran this skill against gemini-3.6-flash twice over the same eval suite — once with the skill loaded and once without — and compared the two runs case by case. 22 cases were attempted. The headline lift of +45 percentage points is the difference between those two pass rates over the 22 comparable cases. 3 cases got worse with the skill loaded, and they are included in that figure.
Without the skill loaded, the model failed this case. With it loaded, the same prompt on the same model passed. This is one improved case from the latest verified run; every case, including any that regressed, is in the table above.
Other measured skills in the registry, with their headline benchmark lift.