1. 这套技能合集到底解决了什么问题AI 会聊天这件事早就不是什么新鲜事了。你问它天气、让它写首诗、帮你润色一段文案它都能接得住。但如果你真把它当成一个生产力工具让它帮你处理一个具体任务——比如整理一批文件、分析一份数据、生成一套规范的代码结构——你会发现它经常卡壳。不是它不够聪明而是它缺少一套标准化的“操作手册”。这套开源的中文 AI 技能合集核心思路就是给 AI 装上一套可复用的工作流程。29 个技能覆盖了从文本处理、代码生成、数据分析到日常办公的多个场景。每个技能本质上是一段结构化的提示词模板加上一套执行逻辑让 AI 在面对特定任务时不再自由发挥而是按照预设的步骤和规范去执行。我最初接触这类技能合集的时候第一反应是这不就是高级版的提示词模板吗但实际用下来发现它和普通的提示词模板有本质区别。普通模板只是告诉 AI “你要做什么”而技能合集还告诉 AI “你该怎么想、按什么顺序做、遇到什么情况该停下来确认”。这个差别就像你给一个新员工一份岗位说明书和给他一套完整的 SOP 操作手册效果完全不一样。适合谁来用如果你是经常和 AI 打交道的内容创作者、开发者、数据分析师或者只是想让 AI 帮你处理日常琐事的普通用户这套东西都能直接拿来用。它不需要你懂编程也不需要你理解大模型的底层原理你只需要知道在什么场景下调用哪个技能就行。2. 技能合集的设计逻辑与核心架构2.1 为什么是“技能”而不是“提示词”提示词和技能的区别值得单独拎出来说。提示词是一句话或者一段话你告诉 AI 要做什么AI 给你一个回答。这个过程是单次的、线性的。但技能不一样一个技能通常包含几个部分触发条件、执行步骤、输出格式、异常处理。举个例子一个“会议纪要整理”的技能它不会只是说“帮我整理会议纪要”。它会定义输入应该是什么格式录音转文字、手写笔记、聊天记录整理时应该提取哪些要素参会人、议题、结论、待办事项输出应该是什么结构按议题分段还是按时间线如果信息缺失应该怎么处理标注待确认还是直接跳过。这种结构化的设计让 AI 的输出变得可预期。你不需要每次都在提示词里重复交代一堆要求技能本身已经把这些要求内化了。2.2 29 个技能的分类逻辑这 29 个技能不是随便凑数的它们按照使用场景做了分类。我梳理了一下大致可以分成几个大类文本处理类包括文档摘要、内容改写、多语言翻译、格式转换等。这类技能的特点是输入输出都是文本处理逻辑相对线性。代码开发类包括代码生成、代码审查、单元测试编写、API 文档生成等。这类技能对输出的准确性要求高通常需要结合具体的编程语言和框架。数据分析类包括数据清洗、趋势分析、报表生成、异常检测等。这类技能往往需要处理结构化数据输出结果需要可视化或者表格化。办公效率类包括邮件起草、日程安排、会议纪要、任务拆解等。这类技能的特点是贴近日常办公场景使用频率高。创意生成类包括文案撰写、故事创作、头脑风暴、命名建议等。这类技能对创造性要求高输出结果需要有一定的多样性。这种分类方式的好处是你可以根据自己的需求快速定位到相关技能而不需要把 29 个技能全部看一遍。2.3 技能之间的协作机制单个技能能解决的问题是有限的但这套合集的设计里技能之间是可以串联的。比如你先用“数据清洗”技能处理一批原始数据然后用“趋势分析”技能找出关键指标最后用“报表生成”技能输出一份完整的分析报告。这三个技能串联起来就形成了一个完整的数据分析工作流。这种串联能力是这套技能合集比较有价值的地方。它让 AI 从一个“单点工具”变成了一个“流程引擎”。你不需要在一个对话里把所有要求都说完而是可以分步骤、分阶段地调用不同的技能每一步的输出都可以作为下一步的输入。3. 核心技能拆解与实操要点3.1 文本处理类技能的使用细节文本处理类技能是使用频率最高的一类。以“文档摘要”技能为例它的核心逻辑是输入一段长文本输出一段精简的摘要。但实际操作中有几个细节需要注意。第一输入文本的长度。大多数大模型对输入长度是有限制的如果你的文档超过了几万字直接丢进去可能会被截断。我的做法是先用“文本分段”技能把长文档拆成几个部分分别摘要最后再用“摘要合并”技能把多个摘要整合成一份完整的摘要。第二摘要的粒度。有些技能允许你指定摘要的长度比如“用 200 字概括”或者“提取 5 个关键点”。这个参数很重要因为不同的使用场景对摘要的要求不一样。如果你是要做汇报可能需要更精炼的摘要如果你是要存档可能需要更详细的摘要。第三专业术语的处理。如果你的文档涉及特定领域的专业术语最好在调用技能时附上一个术语表或者在技能配置里说明“保留专业术语不翻译、不简化”。否则 AI 可能会把一些关键术语替换成通俗表达导致信息失真。注意文本处理类技能在处理中文内容时对标点符号和分段比较敏感。如果原始文本的格式比较混乱建议先用“文本规范化”技能做一次预处理。3.2 代码开发类技能的参数配置代码开发类技能是这套合集里技术含量最高的一类。以“代码生成”技能为例它通常需要你指定几个关键参数编程语言、框架、代码风格、输出格式。编程语言和框架不用多说你用什么就选什么。代码风格这个参数容易被忽略但它其实很重要。比如你是用 PEP8 还是 Google Style是用驼峰命名还是下划线命名这些都会影响生成代码的可读性和一致性。我的建议是在项目开始之前就确定好代码风格然后在技能配置里固定下来这样生成的代码不需要额外调整就能直接用。输出格式也是一个关键参数。有些技能支持输出完整的文件结构有些只输出代码片段。如果你是要生成一个完整的模块建议选择“完整文件”模式如果你只是要一个函数实现选择“代码片段”模式就够了。还有一个容易被忽略的点错误处理。好的代码生成技能应该包含错误处理逻辑比如输入参数校验、异常捕获、日志记录等。你可以在技能配置里明确要求“生成包含完整错误处理的代码”这样出来的代码质量会高很多。3.3 数据分析类技能的输入输出规范数据分析类技能对输入数据的格式要求比较高。通常来说输入数据需要是结构化的比如 CSV、JSON、Excel 等格式。如果你的数据是自由文本需要先用“数据提取”技能把关键信息抽取出来转换成结构化格式。输出方面数据分析类技能通常会生成几种类型的结果统计摘要、趋势图表、异常列表、预测结果。你需要根据实际需求选择输出类型。比如你是要做监控告警那“异常列表”就是核心输出如果你是要做汇报那“趋势图表”和“统计摘要”更重要。这里有一个实操心得数据分析类技能的输出结果最好保留原始数据的引用。也就是说当技能报告“发现 3 个异常值”时应该同时列出这 3 个异常值对应的原始数据行。这样你在复核的时候可以直接定位到问题源头而不需要重新跑一遍分析。3.4 办公效率类技能的定制化空间办公效率类技能是最贴近日常使用的一类。以“邮件起草”技能为例它可以根据你提供的要点生成一封格式规范、语气得体的邮件。但实际操作中我发现这类技能的定制化空间很大。你可以通过调整几个参数来改变输出风格语气正式、半正式、随意、长度简短、标准、详细、收件人关系上级、同事、客户。这些参数组合起来可以覆盖大多数邮件场景。“会议纪要”技能也是类似。你可以指定纪要的详细程度、是否包含待办事项、是否按议题分段。我的习惯是在会议开始之前就把技能配置好会议结束后直接把录音转文字的结果丢进去几分钟就能拿到一份结构清晰的纪要。提示办公效率类技能的输出结果建议人工复核一遍再发送。AI 生成的邮件和纪要偶尔会出现语气不当或者信息遗漏的情况花一分钟检查一下能避免很多不必要的麻烦。4. 从零开始搭建自己的工作流4.1 环境准备与工具选型这套技能合集是开源的你可以直接在 GitHub 上找到。使用方式主要有两种一种是通过命令行工具调用另一种是集成到现有的 AI 对话界面里。如果你习惯用命令行那需要先安装一个支持技能调用的 CLI 工具。安装过程不复杂通常就是几条命令的事。安装完成后你可以通过命令行直接调用某个技能比如skill run summarize --input document.txt。这种方式适合批量处理任务比如一次性摘要几十个文档。如果你更习惯图形界面那可以把技能合集导入到支持自定义技能的 AI 平台里。导入方式通常是上传一个配置文件然后在对话界面里选择对应的技能。这种方式适合交互式的任务比如一边聊天一边调用技能。工具选型方面我的建议是如果你需要批量处理选命令行如果你需要灵活交互选图形界面。两者并不冲突你可以同时配置根据任务类型切换使用。4.2 技能配置文件的编写方法每个技能都有一个配置文件通常是一个 YAML 或者 JSON 文件。配置文件里定义了技能的名称、描述、输入参数、执行步骤、输出格式。以“文档摘要”技能为例配置文件大概长这样name: summarize description: 对长文本进行摘要提取 input: - name: text type: string required: true - name: max_length type: integer default: 200 steps: - action: analyze prompt: 请分析以下文本的核心内容{{text}} - action: summarize prompt: 请用不超过{{max_length}}字概括上述分析结果 output: format: text这个配置文件的结构很清晰先定义输入参数然后定义执行步骤最后定义输出格式。你可以根据自己的需求修改参数默认值或者增加新的执行步骤。编写配置文件的时候有几个注意事项。第一参数名称要见名知义不要用param1、param2这种命名。第二执行步骤的提示词要具体不要写“处理一下”这种模糊的指令。第三输出格式要明确是纯文本、Markdown 还是 JSON提前定义好后续处理会方便很多。4.3 多技能串联的实操案例假设你要处理一个完整的任务从一堆会议录音里提取待办事项然后生成一份任务清单最后给每个任务分配负责人和截止日期。这个任务可以拆解成三个技能调用第一步用“语音转文字”技能把录音转成文本。这个技能需要你提供一个音频文件路径输出是纯文本。第二步用“待办事项提取”技能从文本里找出所有待办事项。这个技能会输出一个列表每个事项包含描述和上下文。第三步用“任务分配”技能给每个待办事项分配负责人和截止日期。这个技能需要你提供一个人员名单和日期范围输出是一个结构化的任务清单。这三个技能串联起来就形成了一个完整的工作流。你可以在命令行里写一个简单的脚本把这三个步骤串起来一键执行。也可以在图形界面里手动依次调用适合需要人工干预的场景。4.4 自定义技能的扩展思路29 个技能不可能覆盖所有场景所以你迟早需要自己扩展。扩展的方式有两种一种是修改现有技能的配置文件另一种是新建一个技能。修改现有技能比较简单比如你觉得“文档摘要”技能默认的摘要长度太短可以把max_length的默认值从 200 改成 500。这种修改不需要写代码改配置文件就行。新建技能稍微复杂一点但也不难。你只需要创建一个新的配置文件定义好名称、输入、步骤、输出然后放到技能目录里就行。新建技能的关键是想清楚这个技能的输入是什么、输出是什么、中间需要经过哪些步骤。把这三个问题回答清楚配置文件自然就写出来了。我的经验是不要一上来就想着建一个“万能技能”。先从一个小场景开始比如“把 Markdown 表格转成 CSV”把这个技能跑通然后再逐步扩展。技能库是一点点积累起来的不是一次性设计出来的。5. 常见问题与排查技巧实录5.1 技能调用失败的常见原因技能调用失败通常有几种原因。第一种是输入格式不对。比如技能要求输入 JSON你给了一个纯文本那肯定会报错。解决方法是仔细看技能的输入说明确保输入格式匹配。第二种是参数缺失。有些技能有必填参数如果你没提供调用就会失败。解决方法是在配置文件里把必填参数标记清楚调用的时候检查一遍。第三种是模型返回结果不符合预期。这种情况比较隐蔽技能调用本身是成功的但输出结果不对。可能的原因是提示词不够明确或者模型对某个概念的理解有偏差。解决方法是调整提示词增加示例或者换一个模型试试。5.2 输出质量不稳定的排查思路输出质量不稳定是使用 AI 技能时最常见的问题。同一个技能同样的输入两次调用的结果可能差别很大。这种不稳定性主要来自模型本身的随机性。排查思路是这样的先确认输入是否完全一致。有时候你以为输入一样但实际上有一个标点符号或者空格不一样导致输出不同。然后检查技能配置是否有随机参数比如temperature设置得比较高那输出就会更随机。最后如果输入和配置都没问题那就是模型本身的不确定性可以通过多次调用取最优结果来缓解。我的做法是对于关键任务同一个技能调用三次然后人工挑选最好的那个结果。虽然多花了一点时间但输出质量有保障。5.3 中文处理的特殊注意事项这套技能合集是中文的所以在处理中文内容时有一些特殊注意事项。第一中文分词和英文不一样有些技能在处理中文时可能会出现断句错误。如果发现输出结果断句奇怪可以在技能配置里加上“按标点符号断句”的指令。第二中文的标点符号有全角和半角之分。如果输入文本里混用了全角和半角标点可能会影响技能的处理效果。建议先用“文本规范化”技能统一标点符号。第三中文的敬语和语气词比较丰富有些技能在生成中文内容时可能会过于正式或者过于随意。你可以在技能配置里指定语气风格比如“用日常口语”“用正式书面语”等。5.4 性能优化的实用技巧如果你需要批量处理大量任务性能就是一个需要考虑的问题。几个实用的优化技巧批量调用不要一个一个地调用技能而是把多个输入打包成一个批次一次性调用。大多数 CLI 工具都支持批量模式。缓存结果对于相同的输入技能的输出通常是一样的。你可以把结果缓存起来下次遇到相同输入时直接读缓存不用重新调用。异步执行如果技能之间没有依赖关系可以并行执行。比如你有 10 个文档要摘要可以同时启动 10 个技能调用而不是排队执行。精简提示词提示词越长模型处理时间越长。在保证效果的前提下尽量精简提示词去掉不必要的描述。注意批量处理时建议先小规模测试确认输出质量符合预期后再扩大规模。否则一旦发现问题返工成本会很高。6. 这套技能合集的适用边界与扩展方向6.1 什么场景下不适合用这套技能合集虽然覆盖面广但也不是万能的。有几种场景我建议不要用第一需要高度专业判断的场景。比如法律文书审核、医疗诊断建议这些场景对准确性要求极高AI 的输出只能作为参考不能作为最终依据。第二需要实时交互的场景。技能调用通常有一定的延迟如果你需要毫秒级的响应那这套方案可能不太适合。第三涉及敏感信息的场景。虽然技能合集本身是本地运行的但如果你调用的模型是云端服务那输入数据会经过网络传输。对于涉及个人隐私或商业机密的数据建议谨慎处理。6.2 与其他工具的集成可能性这套技能合集可以和其他工具集成形成更完整的工作流。比如与版本控制工具集成把技能配置文件纳入版本管理每次修改都有记录方便回溯和协作。与任务管理工具集成技能生成的待办事项可以直接同步到任务管理工具里形成闭环。与文档工具集成技能生成的文档可以直接保存到文档工具里方便后续查阅和编辑。与自动化平台集成把技能调用封装成自动化流程定时执行或者触发执行。集成的关键是接口设计。技能合集的输入输出通常是文本格式所以只要目标工具支持文本导入导出集成就没有太大障碍。6.3 后续扩展的优先级建议如果你打算在这套技能合集的基础上做扩展我建议按照以下优先级来第一优先级补齐高频场景的技能。比如你经常处理 Excel 数据那就优先扩展数据处理类技能。高频场景的技能投入产出比最高。第二优先级优化现有技能的配置。把常用的技能参数调优把提示词打磨得更精准这些优化不需要写新代码但效果提升很明显。第三优先级建立技能之间的串联关系。把相关的技能组合成工作流减少手动切换的次数。第四优先级开发全新的技能。这一步投入最大但也是最有创造性的部分。建议在前三步都做完之后再考虑这一步。我在实际使用这套技能合集的过程中最大的体会是技能的数量不重要重要的是你能不能把几个核心技能用熟、用透。29 个技能里我日常高频使用的其实只有七八个但这七八个技能我反复调整配置、优化提示词现在已经能覆盖我 80% 的日常任务。剩下的技能偶尔用到的时候查一下文档就行。所以如果你刚开始接触这套东西不用想着把所有技能都学会先挑几个和你工作最相关的用起来再说。 中文AI技能合集：29个可复用工作流，让AI从聊天工具变成生产力引擎
1. 这套技能合集到底解决了什么问题AI 会聊天这件事早就不是什么新鲜事了。你问它天气、让它写首诗、帮你润色一段文案它都能接得住。但如果你真把它当成一个生产力工具让它帮你处理一个具体任务——比如整理一批文件、分析一份数据、生成一套规范的代码结构——你会发现它经常卡壳。不是它不够聪明而是它缺少一套标准化的“操作手册”。这套开源的中文 AI 技能合集核心思路就是给 AI 装上一套可复用的工作流程。29 个技能覆盖了从文本处理、代码生成、数据分析到日常办公的多个场景。每个技能本质上是一段结构化的提示词模板加上一套执行逻辑让 AI 在面对特定任务时不再自由发挥而是按照预设的步骤和规范去执行。我最初接触这类技能合集的时候第一反应是这不就是高级版的提示词模板吗但实际用下来发现它和普通的提示词模板有本质区别。普通模板只是告诉 AI “你要做什么”而技能合集还告诉 AI “你该怎么想、按什么顺序做、遇到什么情况该停下来确认”。这个差别就像你给一个新员工一份岗位说明书和给他一套完整的 SOP 操作手册效果完全不一样。适合谁来用如果你是经常和 AI 打交道的内容创作者、开发者、数据分析师或者只是想让 AI 帮你处理日常琐事的普通用户这套东西都能直接拿来用。它不需要你懂编程也不需要你理解大模型的底层原理你只需要知道在什么场景下调用哪个技能就行。2. 技能合集的设计逻辑与核心架构2.1 为什么是“技能”而不是“提示词”提示词和技能的区别值得单独拎出来说。提示词是一句话或者一段话你告诉 AI 要做什么AI 给你一个回答。这个过程是单次的、线性的。但技能不一样一个技能通常包含几个部分触发条件、执行步骤、输出格式、异常处理。举个例子一个“会议纪要整理”的技能它不会只是说“帮我整理会议纪要”。它会定义输入应该是什么格式录音转文字、手写笔记、聊天记录整理时应该提取哪些要素参会人、议题、结论、待办事项输出应该是什么结构按议题分段还是按时间线如果信息缺失应该怎么处理标注待确认还是直接跳过。这种结构化的设计让 AI 的输出变得可预期。你不需要每次都在提示词里重复交代一堆要求技能本身已经把这些要求内化了。2.2 29 个技能的分类逻辑这 29 个技能不是随便凑数的它们按照使用场景做了分类。我梳理了一下大致可以分成几个大类文本处理类包括文档摘要、内容改写、多语言翻译、格式转换等。这类技能的特点是输入输出都是文本处理逻辑相对线性。代码开发类包括代码生成、代码审查、单元测试编写、API 文档生成等。这类技能对输出的准确性要求高通常需要结合具体的编程语言和框架。数据分析类包括数据清洗、趋势分析、报表生成、异常检测等。这类技能往往需要处理结构化数据输出结果需要可视化或者表格化。办公效率类包括邮件起草、日程安排、会议纪要、任务拆解等。这类技能的特点是贴近日常办公场景使用频率高。创意生成类包括文案撰写、故事创作、头脑风暴、命名建议等。这类技能对创造性要求高输出结果需要有一定的多样性。这种分类方式的好处是你可以根据自己的需求快速定位到相关技能而不需要把 29 个技能全部看一遍。2.3 技能之间的协作机制单个技能能解决的问题是有限的但这套合集的设计里技能之间是可以串联的。比如你先用“数据清洗”技能处理一批原始数据然后用“趋势分析”技能找出关键指标最后用“报表生成”技能输出一份完整的分析报告。这三个技能串联起来就形成了一个完整的数据分析工作流。这种串联能力是这套技能合集比较有价值的地方。它让 AI 从一个“单点工具”变成了一个“流程引擎”。你不需要在一个对话里把所有要求都说完而是可以分步骤、分阶段地调用不同的技能每一步的输出都可以作为下一步的输入。3. 核心技能拆解与实操要点3.1 文本处理类技能的使用细节文本处理类技能是使用频率最高的一类。以“文档摘要”技能为例它的核心逻辑是输入一段长文本输出一段精简的摘要。但实际操作中有几个细节需要注意。第一输入文本的长度。大多数大模型对输入长度是有限制的如果你的文档超过了几万字直接丢进去可能会被截断。我的做法是先用“文本分段”技能把长文档拆成几个部分分别摘要最后再用“摘要合并”技能把多个摘要整合成一份完整的摘要。第二摘要的粒度。有些技能允许你指定摘要的长度比如“用 200 字概括”或者“提取 5 个关键点”。这个参数很重要因为不同的使用场景对摘要的要求不一样。如果你是要做汇报可能需要更精炼的摘要如果你是要存档可能需要更详细的摘要。第三专业术语的处理。如果你的文档涉及特定领域的专业术语最好在调用技能时附上一个术语表或者在技能配置里说明“保留专业术语不翻译、不简化”。否则 AI 可能会把一些关键术语替换成通俗表达导致信息失真。注意文本处理类技能在处理中文内容时对标点符号和分段比较敏感。如果原始文本的格式比较混乱建议先用“文本规范化”技能做一次预处理。3.2 代码开发类技能的参数配置代码开发类技能是这套合集里技术含量最高的一类。以“代码生成”技能为例它通常需要你指定几个关键参数编程语言、框架、代码风格、输出格式。编程语言和框架不用多说你用什么就选什么。代码风格这个参数容易被忽略但它其实很重要。比如你是用 PEP8 还是 Google Style是用驼峰命名还是下划线命名这些都会影响生成代码的可读性和一致性。我的建议是在项目开始之前就确定好代码风格然后在技能配置里固定下来这样生成的代码不需要额外调整就能直接用。输出格式也是一个关键参数。有些技能支持输出完整的文件结构有些只输出代码片段。如果你是要生成一个完整的模块建议选择“完整文件”模式如果你只是要一个函数实现选择“代码片段”模式就够了。还有一个容易被忽略的点错误处理。好的代码生成技能应该包含错误处理逻辑比如输入参数校验、异常捕获、日志记录等。你可以在技能配置里明确要求“生成包含完整错误处理的代码”这样出来的代码质量会高很多。3.3 数据分析类技能的输入输出规范数据分析类技能对输入数据的格式要求比较高。通常来说输入数据需要是结构化的比如 CSV、JSON、Excel 等格式。如果你的数据是自由文本需要先用“数据提取”技能把关键信息抽取出来转换成结构化格式。输出方面数据分析类技能通常会生成几种类型的结果统计摘要、趋势图表、异常列表、预测结果。你需要根据实际需求选择输出类型。比如你是要做监控告警那“异常列表”就是核心输出如果你是要做汇报那“趋势图表”和“统计摘要”更重要。这里有一个实操心得数据分析类技能的输出结果最好保留原始数据的引用。也就是说当技能报告“发现 3 个异常值”时应该同时列出这 3 个异常值对应的原始数据行。这样你在复核的时候可以直接定位到问题源头而不需要重新跑一遍分析。3.4 办公效率类技能的定制化空间办公效率类技能是最贴近日常使用的一类。以“邮件起草”技能为例它可以根据你提供的要点生成一封格式规范、语气得体的邮件。但实际操作中我发现这类技能的定制化空间很大。你可以通过调整几个参数来改变输出风格语气正式、半正式、随意、长度简短、标准、详细、收件人关系上级、同事、客户。这些参数组合起来可以覆盖大多数邮件场景。“会议纪要”技能也是类似。你可以指定纪要的详细程度、是否包含待办事项、是否按议题分段。我的习惯是在会议开始之前就把技能配置好会议结束后直接把录音转文字的结果丢进去几分钟就能拿到一份结构清晰的纪要。提示办公效率类技能的输出结果建议人工复核一遍再发送。AI 生成的邮件和纪要偶尔会出现语气不当或者信息遗漏的情况花一分钟检查一下能避免很多不必要的麻烦。4. 从零开始搭建自己的工作流4.1 环境准备与工具选型这套技能合集是开源的你可以直接在 GitHub 上找到。使用方式主要有两种一种是通过命令行工具调用另一种是集成到现有的 AI 对话界面里。如果你习惯用命令行那需要先安装一个支持技能调用的 CLI 工具。安装过程不复杂通常就是几条命令的事。安装完成后你可以通过命令行直接调用某个技能比如skill run summarize --input document.txt。这种方式适合批量处理任务比如一次性摘要几十个文档。如果你更习惯图形界面那可以把技能合集导入到支持自定义技能的 AI 平台里。导入方式通常是上传一个配置文件然后在对话界面里选择对应的技能。这种方式适合交互式的任务比如一边聊天一边调用技能。工具选型方面我的建议是如果你需要批量处理选命令行如果你需要灵活交互选图形界面。两者并不冲突你可以同时配置根据任务类型切换使用。4.2 技能配置文件的编写方法每个技能都有一个配置文件通常是一个 YAML 或者 JSON 文件。配置文件里定义了技能的名称、描述、输入参数、执行步骤、输出格式。以“文档摘要”技能为例配置文件大概长这样name: summarize description: 对长文本进行摘要提取 input: - name: text type: string required: true - name: max_length type: integer default: 200 steps: - action: analyze prompt: 请分析以下文本的核心内容{{text}} - action: summarize prompt: 请用不超过{{max_length}}字概括上述分析结果 output: format: text这个配置文件的结构很清晰先定义输入参数然后定义执行步骤最后定义输出格式。你可以根据自己的需求修改参数默认值或者增加新的执行步骤。编写配置文件的时候有几个注意事项。第一参数名称要见名知义不要用param1、param2这种命名。第二执行步骤的提示词要具体不要写“处理一下”这种模糊的指令。第三输出格式要明确是纯文本、Markdown 还是 JSON提前定义好后续处理会方便很多。4.3 多技能串联的实操案例假设你要处理一个完整的任务从一堆会议录音里提取待办事项然后生成一份任务清单最后给每个任务分配负责人和截止日期。这个任务可以拆解成三个技能调用第一步用“语音转文字”技能把录音转成文本。这个技能需要你提供一个音频文件路径输出是纯文本。第二步用“待办事项提取”技能从文本里找出所有待办事项。这个技能会输出一个列表每个事项包含描述和上下文。第三步用“任务分配”技能给每个待办事项分配负责人和截止日期。这个技能需要你提供一个人员名单和日期范围输出是一个结构化的任务清单。这三个技能串联起来就形成了一个完整的工作流。你可以在命令行里写一个简单的脚本把这三个步骤串起来一键执行。也可以在图形界面里手动依次调用适合需要人工干预的场景。4.4 自定义技能的扩展思路29 个技能不可能覆盖所有场景所以你迟早需要自己扩展。扩展的方式有两种一种是修改现有技能的配置文件另一种是新建一个技能。修改现有技能比较简单比如你觉得“文档摘要”技能默认的摘要长度太短可以把max_length的默认值从 200 改成 500。这种修改不需要写代码改配置文件就行。新建技能稍微复杂一点但也不难。你只需要创建一个新的配置文件定义好名称、输入、步骤、输出然后放到技能目录里就行。新建技能的关键是想清楚这个技能的输入是什么、输出是什么、中间需要经过哪些步骤。把这三个问题回答清楚配置文件自然就写出来了。我的经验是不要一上来就想着建一个“万能技能”。先从一个小场景开始比如“把 Markdown 表格转成 CSV”把这个技能跑通然后再逐步扩展。技能库是一点点积累起来的不是一次性设计出来的。5. 常见问题与排查技巧实录5.1 技能调用失败的常见原因技能调用失败通常有几种原因。第一种是输入格式不对。比如技能要求输入 JSON你给了一个纯文本那肯定会报错。解决方法是仔细看技能的输入说明确保输入格式匹配。第二种是参数缺失。有些技能有必填参数如果你没提供调用就会失败。解决方法是在配置文件里把必填参数标记清楚调用的时候检查一遍。第三种是模型返回结果不符合预期。这种情况比较隐蔽技能调用本身是成功的但输出结果不对。可能的原因是提示词不够明确或者模型对某个概念的理解有偏差。解决方法是调整提示词增加示例或者换一个模型试试。5.2 输出质量不稳定的排查思路输出质量不稳定是使用 AI 技能时最常见的问题。同一个技能同样的输入两次调用的结果可能差别很大。这种不稳定性主要来自模型本身的随机性。排查思路是这样的先确认输入是否完全一致。有时候你以为输入一样但实际上有一个标点符号或者空格不一样导致输出不同。然后检查技能配置是否有随机参数比如temperature设置得比较高那输出就会更随机。最后如果输入和配置都没问题那就是模型本身的不确定性可以通过多次调用取最优结果来缓解。我的做法是对于关键任务同一个技能调用三次然后人工挑选最好的那个结果。虽然多花了一点时间但输出质量有保障。5.3 中文处理的特殊注意事项这套技能合集是中文的所以在处理中文内容时有一些特殊注意事项。第一中文分词和英文不一样有些技能在处理中文时可能会出现断句错误。如果发现输出结果断句奇怪可以在技能配置里加上“按标点符号断句”的指令。第二中文的标点符号有全角和半角之分。如果输入文本里混用了全角和半角标点可能会影响技能的处理效果。建议先用“文本规范化”技能统一标点符号。第三中文的敬语和语气词比较丰富有些技能在生成中文内容时可能会过于正式或者过于随意。你可以在技能配置里指定语气风格比如“用日常口语”“用正式书面语”等。5.4 性能优化的实用技巧如果你需要批量处理大量任务性能就是一个需要考虑的问题。几个实用的优化技巧批量调用不要一个一个地调用技能而是把多个输入打包成一个批次一次性调用。大多数 CLI 工具都支持批量模式。缓存结果对于相同的输入技能的输出通常是一样的。你可以把结果缓存起来下次遇到相同输入时直接读缓存不用重新调用。异步执行如果技能之间没有依赖关系可以并行执行。比如你有 10 个文档要摘要可以同时启动 10 个技能调用而不是排队执行。精简提示词提示词越长模型处理时间越长。在保证效果的前提下尽量精简提示词去掉不必要的描述。注意批量处理时建议先小规模测试确认输出质量符合预期后再扩大规模。否则一旦发现问题返工成本会很高。6. 这套技能合集的适用边界与扩展方向6.1 什么场景下不适合用这套技能合集虽然覆盖面广但也不是万能的。有几种场景我建议不要用第一需要高度专业判断的场景。比如法律文书审核、医疗诊断建议这些场景对准确性要求极高AI 的输出只能作为参考不能作为最终依据。第二需要实时交互的场景。技能调用通常有一定的延迟如果你需要毫秒级的响应那这套方案可能不太适合。第三涉及敏感信息的场景。虽然技能合集本身是本地运行的但如果你调用的模型是云端服务那输入数据会经过网络传输。对于涉及个人隐私或商业机密的数据建议谨慎处理。6.2 与其他工具的集成可能性这套技能合集可以和其他工具集成形成更完整的工作流。比如与版本控制工具集成把技能配置文件纳入版本管理每次修改都有记录方便回溯和协作。与任务管理工具集成技能生成的待办事项可以直接同步到任务管理工具里形成闭环。与文档工具集成技能生成的文档可以直接保存到文档工具里方便后续查阅和编辑。与自动化平台集成把技能调用封装成自动化流程定时执行或者触发执行。集成的关键是接口设计。技能合集的输入输出通常是文本格式所以只要目标工具支持文本导入导出集成就没有太大障碍。6.3 后续扩展的优先级建议如果你打算在这套技能合集的基础上做扩展我建议按照以下优先级来第一优先级补齐高频场景的技能。比如你经常处理 Excel 数据那就优先扩展数据处理类技能。高频场景的技能投入产出比最高。第二优先级优化现有技能的配置。把常用的技能参数调优把提示词打磨得更精准这些优化不需要写新代码但效果提升很明显。第三优先级建立技能之间的串联关系。把相关的技能组合成工作流减少手动切换的次数。第四优先级开发全新的技能。这一步投入最大但也是最有创造性的部分。建议在前三步都做完之后再考虑这一步。我在实际使用这套技能合集的过程中最大的体会是技能的数量不重要重要的是你能不能把几个核心技能用熟、用透。29 个技能里我日常高频使用的其实只有七八个但这七八个技能我反复调整配置、优化提示词现在已经能覆盖我 80% 的日常任务。剩下的技能偶尔用到的时候查一下文档就行。所以如果你刚开始接触这套东西不用想着把所有技能都学会先挑几个和你工作最相关的用起来再说。