企业官网建设流程全解析

1. 这套技能合集到底解决了什么问题

AI 会聊天这件事，大家早就腻了。你问它一句“帮我写个周报”，它能给你洋洋洒洒八百字，但格式不对、数据是编的、语气还像客服机器人。真正让人头疼的是：AI 能说，但不能做。它没法帮你把一段会议录音转成待办清单，没法自动整理你桌面上那堆命名混乱的文件，更没法在你写代码时主动去查文档、跑测试、提交 commit。

这套开源中文 AI 技能合集，核心思路就一个：把“聊天”变成“干活”。它不是一个模型，也不是一个 App，而是一组可插拔的技能模块，每个模块对应一个具体任务场景。你把它挂到自己的 AI 工作流里，AI 就不再只是“回答问题”，而是能真正执行操作、产出结果。

我最早接触这类东西是在去年，当时用某个 AI 助手写爬虫，它给的代码跑不起来，我还得自己 debug。后来发现，问题不在于模型笨，而在于它缺少“技能”——也就是针对特定任务的提示词模板、工具调用逻辑和输出格式约束。这套合集干的就是这件事：把 29 个常见中文场景的“技能包”整理好，你直接拿来用，或者照着改。

适合谁看？三类人：一是普通办公族，想用 AI 自动处理文档、表格、邮件；二是开发者，想给自己的 AI 应用快速接入实用功能；三是AI 产品经理或创业者，想看看中文场景下 AI 到底能落地哪些具体任务。哪怕你只会复制粘贴，也能从里面挑几个技能直接用起来。

2. 29 个技能是怎么分类的

2.1 按任务类型拆成四大块

这 29 个技能不是随便堆在一起的，我梳理了一遍，大致可以分成四类：

• 文本处理类（约 9 个）：摘要提取、格式转换、语气改写、错别字校对、中英互译、会议纪要整理、合同条款比对、简历优化、公文写作。
• 数据与表格类（约 7 个）：Excel 公式生成、CSV 数据清洗、图表描述生成、SQL 查询编写、数据报告自动生成、JSON 格式化、日志分析。
• 代码与开发类（约 8 个）：代码注释生成、单元测试编写、Git commit message 生成、API 文档生成、正则表达式编写、代码审查、依赖冲突排查、报错信息解读。
• 生活与效率类（约 5 个）：旅行行程规划、菜谱生成、健身计划制定、学习路线规划、邮件自动回复。

这个分类不是官方给的，是我自己用下来的感受。你会发现，中文场景下的 AI 技能，跟英文社区那套差别很大。英文那边很多技能是围绕写作、营销、SEO 展开的，而中文用户更关心的是：能不能帮我写周报、能不能把 PDF 转成表格、能不能看懂这段报错。

2.2 为什么是 29 个，而不是 50 个或 10 个

我猜作者是这么想的：技能太多，维护成本高，用户也挑花眼；技能太少，覆盖不了日常场景。29 个刚好卡在一个“够用但不臃肿”的区间。而且每个技能都是独立文件，你可以只拿自己需要的那个，不用把整个仓库 clone 下来。

注意：不要试图一次性把所有技能都装进你的 AI 工作流。技能之间可能有提示词冲突，比如“简洁摘要”和“详细报告”同时开启，AI 会精神分裂。建议按需启用，一次最多挂 3 到 5 个。

2.3 跟市面上其他 AI 技能库的区别

市面上有不少 AI 提示词合集，但大多是英文的，或者只是单纯罗列 prompt。这套东西不一样的地方在于：它带了工具调用逻辑。举个例子，“Excel 公式生成”这个技能，不只是让 AI 写个公式，而是会先问你数据长什么样、要什么结果，然后生成公式并解释每个参数。这背后是一套简单的对话状态管理，不是一句 prompt 能搞定的。

另外，它完全中文化。很多英文技能库翻译过来之后，例子还是英文的，用起来很别扭。这套合集的示例数据、输出格式、甚至错误提示都是中文的，对国内用户友好很多。

3. 核心技能拆解：拿三个最实用的来说

3.1 会议纪要整理：从录音到待办清单

这个技能是我用得最多的。它的输入是一段会议录音转写的文字（或者你直接粘贴聊天记录），输出是一份结构化纪要，包含：参会人、讨论要点、决议事项、待办任务（含负责人和截止时间）。

实现逻辑不复杂，但有几个细节很关键：

1. 先分段再总结。如果直接把一万字会议记录扔给 AI，它要么漏掉后半段，要么总结得乱七八糟。这个技能会先按发言人或时间戳切分，每段单独总结，最后合并。
2. 待办任务要带动词。比如“张三下周三前提交预算表”，而不是“预算表讨论”。这个约束写在提示词里，AI 才会输出可执行的任务。
3. 输出格式用 Markdown 表格。方便你直接复制到 Notion 或飞书。

我实测下来，一段 40 分钟的会议录音，转写加整理大概 3 分钟出结果，准确率能到 85% 左右。剩下的 15% 主要是人名识别错误，需要手动改一下。

实操心得：录音转写尽量用带说话人分离的工具，不然 AI 分不清谁说的，待办任务负责人就会乱。如果转写质量差，可以先让 AI 做一轮“文本纠错”，再走纪要整理流程。

3.2 代码报错解读：把红色错误变成人话

这个技能对新手开发者特别友好。你直接把报错信息粘贴进去，它会输出：错误原因、可能触发的代码行、修复建议、相关文档链接。

我拿一个 Python 的KeyError试过，它不光解释了“字典里没有这个键”，还推测出我可能是在循环里用了不存在的字段，并给了两种修复方案：用get()方法或者先判断键是否存在。这比直接去搜 Stack Overflow 快多了。

背后的技术点在于：它内置了一个常见错误模式库。不是让 AI 凭空猜，而是先匹配已知错误类型，再结合你的代码上下文给出建议。这样准确率比纯靠模型推理高不少。

3.3 公文写作：格式比内容更重要

中文公文有一套固定格式，比如“请示”要有主送机关、事由、请示事项，“通知”要有标题、主送机关、正文、落款。这个技能会先让你选文种，然后按模板填充内容。

我试过写一份“关于开展年度安全检查的通知”，它生成的初稿基本可以直接用，只需要改一下具体日期和部门名称。关键是它不会用错“特此通知”和“请予批复”这种套话，很多 AI 写公文容易在这里翻车。

注意：公文写作技能涉及敏感内容时，建议只用来生成框架和套话，具体数据和事项还是自己填。AI 编造数据的能力很强，但公文里编数据是要出事的。

4. 怎么把这套技能接入你的工作流

4.1 最简方案：直接复制提示词

如果你不想折腾代码，最简单的方法就是：打开技能文件，把里面的提示词复制出来，粘贴到你的 AI 对话窗口里，然后附上你的任务内容。比如“会议纪要整理”技能，提示词大概 300 字，复制过去就能用。

这种方式适合偶尔用一次的场景。缺点是每次都要复制粘贴，而且没法调用外部工具（比如读文件、写表格）。

4.2 进阶方案：用 API 串起来

如果你有点开发基础，可以用 OpenAI 兼容的 API 把技能串成工作流。大致步骤：

1. 读取技能文件，提取系统提示词。
2. 把用户输入和系统提示词一起发给模型。
3. 如果技能需要调用工具（比如读 Excel），先在本地处理好数据再发给模型。
4. 解析模型输出，按技能定义的格式渲染结果。

我用 Python 写了个简单的调度脚本，大概 50 行代码，就能把“Excel 公式生成”和“数据清洗”两个技能串起来：先清洗数据，再根据清洗后的字段生成公式。

import openai def load_skill(skill_name): with open(f"skills/{skill_name}.md", "r") as f: return f.read() def run_skill(skill_name, user_input): system_prompt = load_skill(skill_name) response = openai.ChatCompletion.create( model="gpt-4", messages=[ {"role": "system", "content": system_prompt}, {"role": "user", "content": user_input} ] ) return response.choices[0].message.content

这个脚本很粗糙，但能跑通。你可以根据自己的需求加缓存、加日志、加重试。

4.3 高阶方案：做成浏览器插件或桌面工具

如果你想让非技术同事也能用，可以把它包装成一个简单的桌面应用。我用 Electron 套了个壳，把常用技能做成按钮，点一下就能调用。同事只需要粘贴文本，选技能，点运行，结果就出来了。

这个方案的成本在于打包和分发。Electron 打包出来 100 多 MB，更新也麻烦。如果只是内部用，可以直接跑一个本地 Web 服务，大家通过浏览器访问。

实操心得：不管用哪种方案，一定要加超时和重试。AI API 偶尔会抽风，尤其是长文本处理时。我一般设 30 秒超时，失败自动重试一次，再失败就提示用户稍后再试。

5. 实操中踩过的坑和排查技巧

5.1 技能不生效？先检查提示词长度

有些技能文件里的提示词特别长，超过 2000 字。如果你用的模型上下文窗口小，或者 API 有截断，技能就会失效。表现是：AI 回复很泛，不按格式来。

排查方法：把系统提示词单独拿出来，问 AI“你收到了什么指令”，看它复述的内容是否完整。如果不完整，要么换更大上下文的模型，要么精简提示词。

5.2 输出格式乱？加一个“格式示例”

很多技能定义了输出格式，但 AI 有时候会自由发挥。比如要求输出 JSON，它给你输出 Markdown 表格。解决办法是在提示词里加一个完整的输出示例，越具体越好。

我一般会写：“输出必须严格遵循以下格式，不要添加任何额外说明。示例：json\n{\"name\": \"张三\", \"task\": \"提交报告\"}\n”

5.3 中文标点问题

AI 生成中文时，经常混用中英文标点。比如逗号用,而不是，，引号用""而不是“”。这在正式文档里很扎眼。

解决办法：在技能提示词里加一句“所有标点必须使用中文全角标点”。如果还不行，就在后处理阶段用正则替换。

5.4 常见问题速查表

5.5 一个容易被忽略的细节：技能版本管理

这套合集是开源的，意味着会不断更新。如果你直接改了本地文件，下次更新就会冲突。我的做法是：把官方技能文件放在skills/目录，自己的修改放在skills-custom/目录，加载时优先读自定义目录。这样既能跟进官方更新，又能保留自己的调整。

6. 这套东西还能怎么扩展

6.1 组合技能：把多个技能串成流水线

单个技能解决单点问题，但实际工作往往是多步的。比如“整理会议纪要”之后，可能需要“生成待办邮件”再“安排日历”。你可以写一个简单的编排脚本，按顺序调用多个技能，把上一个的输出作为下一个的输入。

我试过把“录音转写 → 纪要整理 → 待办提取 → 邮件生成”串起来，整个流程从 40 分钟压缩到 5 分钟。当然，中间需要人工确认一下，但已经省了大部分力气。

6.2 自定义技能：照着模板改

官方给了 29 个技能，但你的需求可能更特殊。比如你是做电商的，可能需要“商品标题优化”技能；你是做教育的，可能需要“试题生成”技能。这些都可以照着现有技能的格式自己写。

一个技能文件通常包含：技能名称、适用场景、输入要求、输出格式、提示词正文、示例。你只要把提示词正文改掉，其他部分套模板就行。

6.3 接入本地模型

如果你对数据隐私要求高，可以把这套技能接到本地部署的模型上。现在很多开源中文模型效果不错，跑在消费级显卡上也能用。缺点是速度慢一点，但胜在数据不出本地。

我试过用 Ollama 跑一个 7B 的中文模型，配合“文本摘要”技能，效果勉强能用。复杂任务还是得用大模型，但简单任务本地跑完全没问题。

6.4 做成团队共享的技能库

如果你在团队里推广这套东西，可以搭一个内部技能库。每个人都可以提交自己写的技能，审核后合并。这样团队里积累的“干活经验”就能沉淀下来，而不是散落在各人的聊天记录里。

我们团队现在有 40 多个内部技能，覆盖了周报生成、代码审查、客户邮件回复等场景。新同事入职，直接告诉他“用这个技能写周报”，上手特别快。

7. 我个人在实际操作中的几点体会

第一，不要追求全自动。AI 技能再强，也需要人工确认。尤其是涉及数据、金额、对外发送的内容，一定要过一遍。我见过有人让 AI 自动回复客户邮件，结果把内部报价发出去了，场面很尴尬。

第二，技能提示词要持续迭代。我刚开始用“会议纪要”技能时，待办任务经常漏掉截止时间。后来在提示词里加了一句“每个待办任务必须包含负责人和截止时间，如果原文没有，标注‘待确认’”，效果就好多了。技能不是写一次就完事，得根据实际输出不断调。

第三，中文场景的特殊性值得重视。英文技能库直接翻译过来，往往水土不服。比如中文里的“请示”和“报告”是两种文体，英文里都是 report，但用法完全不同。这套合集好在是原生中文的，省了很多适配工作。

第四，从最简单的技能开始用。别一上来就搞复杂的工作流。先拿“文本摘要”或“格式转换”这种单步技能练手，熟悉了再串多个技能。我见过有人第一天就搭了个五步流水线，结果中间一步出错，整个流程卡死，排查了半天。

最后分享一个小技巧：给每个技能加一个“置信度”输出。让 AI 在结果后面标注“高/中/低”置信度，低置信度的结果你就重点检查。这个简单改动能帮你快速定位哪些输出需要人工复核，省不少时间。