企业官网建设流程全解析

1. 从“会聊天”到“会干活”，中间差的是什么

大模型能跟你聊哲学、写诗、编段子，但真让它帮你干点正事——比如把一份混乱的会议纪要整理成结构化待办、把一段产品需求翻译成技术方案、把一堆散乱的用户反馈归类成可执行的迭代清单——你会发现它经常“翻车”。不是能力不够，而是缺少一套明确的技能框架来约束和引导它的输出。

这个开源项目做的事情很直接：把 29 个中文 AI 技能打包成一个合集，每个技能对应一个具体的、可复用的工作场景。你可以把它理解成给 AI 装了一套“操作手册”——不是教它怎么变得更聪明，而是教它怎么在特定任务上稳定输出可用的结果。

我拿到这个合集之后，花了大概两周时间逐个跑了一遍，覆盖了从文档处理、代码辅助、数据分析到内容创作的多个场景。实测下来，最核心的价值不在于技能数量多，而在于每个技能都定义了清晰的输入输出边界。这恰恰是大多数人用 AI 时最缺的东西——你知道它能干什么，但不知道怎么让它稳定地干好。

这篇文章会从技能合集的设计逻辑、核心技能拆解、实际使用中的配置方法、踩过的坑以及进阶玩法几个维度展开。不管你是刚接触 AI 工具的新手，还是已经在日常工作中重度依赖 AI 的老手，都能从中找到可以直接抄作业的东西。

2. 这 29 个技能到底是怎么组织的

2.1 技能分类的底层逻辑

先看整体结构。29 个技能不是随便堆在一起的，它们按照任务类型分成了几个大类。我整理了一下实际使用中感受到的分类逻辑：

这个分类方式的好处是按场景找技能，而不是按技术找技能。你不需要知道什么是 prompt engineering，只需要知道“我现在要整理会议纪要”，然后找到对应的技能直接用。

2.2 每个技能的标准结构

我拆了几个技能的文件结构，发现它们遵循一个统一的模板。以“会议纪要整理”为例，一个完整的技能定义包含这几个部分：

• 角色设定：告诉 AI 它现在是什么身份，比如“你是一名资深项目经理”
• 输入说明：明确需要用户提供什么，比如“粘贴会议原始记录”
• 处理规则：定义输出的格式和逻辑，比如“按议题分段，每段包含结论、待办、负责人”
• 输出示例：给一个标准样例，让 AI 有参照
• 边界条件：说明什么情况下这个技能不适用

这个结构看起来简单，但实际用起来差别很大。没有角色设定的 AI 输出是飘的，没有输出示例的 AI 输出是随机的，没有边界条件的 AI 输出是危险的。这三个坑我在早期自己写 prompt 的时候全踩过。

2.3 为什么是 29 个而不是更多

我一开始也好奇，为什么偏偏是 29 个。用了一段时间之后大概理解了：技能太多会导致选择困难，太少又覆盖不了核心场景。29 个刚好能覆盖一个知识工作者日常 80% 以上的 AI 辅助需求，同时每个技能都有足够的使用频率来验证效果。

而且这个数量是有扩展空间的。合集的目录结构支持你自己往里加技能，只要按照标准模板写，就能无缝集成。我后来自己加了两个针对特定业务的技能，跑下来完全没问题。

3. 几个我反复使用的核心技能拆解

3.1 会议纪要整理：从流水账到行动清单

这个技能是我用得最多的。以前开会录音转文字之后，得到的是一大段没有重点的对话记录。手动整理至少要半小时，用这个技能之后，从粘贴原文到拿到结构化输出，大概 30 秒。

它的处理逻辑是这样的：先把原始记录按话题切换点分段，然后对每段提取三个要素——结论、待办、负责人。如果某段没有明确结论，它会标注“待确认”；如果没有待办，它会标注“仅同步信息”。这个设计很实用，因为实际会议中确实有很多内容只是同步，不需要产生行动。

我实测下来发现一个细节：输入的时候最好把说话人标注带上。比如“张三：我觉得这个方案可行”比“我觉得这个方案可行”的输出质量高很多。因为 AI 需要根据说话人来判断谁是负责人。如果原始记录没有标注，它只能猜，准确率会下降。

提示：如果会议记录特别长，建议先按议题拆成几段分别处理，再合并结果。一次性输入超过 5000 字，输出质量会明显下降。

3.2 代码审查助手：不只是找 Bug

这个技能的名字叫“代码审查”，但实际用下来，它做的事情远不止找 Bug。我把它用在几个场景：

• 新人代码 Review：快速识别命名不规范、缺少边界处理、日志缺失等问题
• 老代码重构前评估：找出潜在的耦合点和重复逻辑
• 代码注释补全：给没有注释的函数自动生成说明

它的输出格式很清晰，按严重程度分级：阻断性问题、建议修改、可选优化。这个分级很关键，因为代码审查最怕的就是把所有问题混在一起说，导致开发者不知道先改哪个。

我踩过的一个坑是：不要用它审查涉及核心业务逻辑的代码。它能看到语法层面的问题，但理解不了业务规则。比如一个折扣计算逻辑，它可能会建议你简化条件判断，但实际上那些条件是为了覆盖特殊场景。所以我的做法是：用它做第一轮筛选，人工做第二轮确认。

3.3 长文摘要与改写：保持原意的压缩

这个技能解决的是一个很实际的问题：如何把一篇 5000 字的文章压缩到 500 字，同时不丢失关键信息。

它的处理方式不是简单的“提取前几句”或者“找中心句”，而是先识别文章的结构——论点、论据、结论——然后按比例压缩每个部分。论点保留完整，论据只留最强的那个，结论原样保留。

我拿它处理过技术文档、行业报告、新闻稿，效果最好的是结构清晰的技术文档，效果最差的是散文类的随笔。因为随笔的逻辑是隐性的，AI 很难判断哪些是核心信息。所以这个技能有明确的适用边界：适合处理有明确结构的非虚构类文本。

3.4 需求拆解：从一句话到可执行任务

这个技能对做产品或者项目管理的人特别有用。你给它一段模糊的需求描述，比如“用户希望结算页面更快”，它会输出：

• 性能指标定义（多快算快？）
• 可能的影响因素（接口响应、渲染逻辑、数据量）
• 可执行的排查步骤
• 建议的验证方式

这个拆解过程的价值在于把模糊的形容词变成了可量化的指标。我试过用它处理十几条用户反馈，输出的任务清单直接可以导入项目管理工具，省掉了大量手动整理的时间。

4. 怎么把这套技能用起来

4.1 环境准备：你不需要写代码

这个合集的设计原则是零代码使用。你不需要安装 Python 环境，不需要配置 API Key，甚至不需要懂什么是 prompt。所有技能都是以纯文本形式提供的，你只需要：

1. 打开你常用的 AI 对话工具
2. 把对应技能的内容复制进去
3. 按照技能说明提供输入
4. 拿到输出

我试过在几个不同的 AI 平台上跑同一套技能，输出质量有差异，但整体逻辑都能跑通。差异主要来自底层模型的理解能力，而不是技能本身的问题。

4.2 技能调用的标准流程

虽然每个技能的具体内容不同，但调用流程是统一的。我总结了一个标准操作顺序：

• 第一步：确认场景匹配。先看技能说明里的“适用场景”，确认你当前的任务确实在这个范围内。不匹配的场景硬用，输出质量会很差。
• 第二步：准备输入。按照技能要求的格式整理你的原始材料。大部分技能对输入格式有要求，比如“用空行分隔不同议题”。
• 第三步：粘贴技能定义。把技能的完整内容复制到对话开头。
• 第四步：提供输入。在技能定义之后，换行，粘贴你的实际内容。
• 第五步：检查输出。重点看有没有遗漏关键信息，有没有编造不存在的内容。

这个流程看起来简单，但第三步和第四步的顺序很关键。我试过先贴内容再贴技能定义，效果明显差很多。因为 AI 需要先建立“角色认知”，再处理具体任务。

4.3 自定义技能的扩展方法

合集里的 29 个技能不可能覆盖所有场景。我后来根据自己的工作需求，照着模板加了几个技能。扩展的方法不复杂：

1. 找一个现有技能作为模板
2. 修改角色设定，换成你的场景需要的身份
3. 调整处理规则，定义你需要的输出格式
4. 补充一个输出示例
5. 写清楚边界条件

我加的一个技能是“竞品分析报告生成”，角色设定是“你是一名资深行业分析师”，处理规则是“按功能对比、定价策略、用户评价三个维度输出”。跑了几次之后，输出质量稳定，直接可以用在周报里。

注意：自定义技能的时候，输出示例一定要写。没有示例的 AI 输出就像没有参考图的装修——它知道要刷墙，但不知道你要什么颜色。

5. 实际使用中踩过的坑和解决方案

5.1 输出格式不稳定的问题

最开始用的时候，我发现同一个技能，有时候输出是表格，有时候是列表，有时候是段落。后来定位到原因是技能定义里的输出示例不够具体。比如只写了“按议题分段”，但没有说明分段后用什么格式呈现。

解决方案是在技能定义里加一句明确的格式指令，比如“每个议题用三级标题，下面用无序列表列出结论和待办”。加了这句之后，输出格式就稳定了。

5.2 长输入导致的信息丢失

处理超过 3000 字的输入时，AI 经常会在输出里漏掉一些信息。我试过几种解决方案：

• 分段处理再合并：把长文按章节拆开，分别跑技能，最后人工合并。效果最好，但操作麻烦。
• 在技能定义里加“完整性检查”指令：让 AI 在输出末尾列出“未处理的内容”。有一定效果，但不能完全避免遗漏。
• 先摘要再处理：先用摘要技能压缩，再用处理技能。适合对精度要求不高的场景。

我现在的做法是：超过 3000 字的输入一律分段处理。虽然多几步操作，但输出质量有保障。

5.3 技能之间的冲突

有一次我把两个技能的内容同时粘贴进去，想让 AI 同时做两件事。结果输出质量很差，两个任务都做得不完整。后来明白了：一个对话只跑一个技能。需要多个技能的时候，开新的对话分别跑，最后人工整合。

这个坑的本质是 AI 的注意力是有限的。同时处理多个任务会导致它在每个任务上的投入都不够。

5.4 对输出结果的验证

AI 输出最危险的地方是它会把不确定的内容写得像确定的一样。我在处理数据类任务的时候踩过一次坑：它生成的报表里有一个数字明显不对，但格式看起来很正规，差点直接用了。

从那以后我养成了一个习惯：所有涉及数字、日期、人名的输出，必须人工核对一遍。技能定义里也可以加一句“不确定的信息标注‘待确认’”，但最终还是需要人来把关。

6. 进阶玩法：把技能串起来用

6.1 技能链的搭建思路

单个技能解决单个问题，但实际工作往往是多个问题的组合。比如“整理会议纪要”之后，可能需要“把待办拆解成任务”，再“生成邮件通知相关人”。这三个技能可以串成一条链。

我的做法是：第一个技能的输出直接作为第二个技能的输入。中间不需要人工整理，因为技能定义的输出格式是标准化的，可以直接被下一个技能识别。

实测下来，这条链跑通之后，从会议结束到邮件发出，整个过程可以压缩到 5 分钟以内。以前至少需要半小时。

6.2 多技能协作的注意事项

串技能链的时候有几个细节要注意：

• 格式兼容性：前一个技能的输出格式要能被后一个技能识别。如果前一个输出的是表格，后一个期望的是段落，就需要加一个转换步骤。
• 信息损耗：每经过一个技能，信息都会有一定程度的压缩。所以链条不宜过长，一般 3 个技能以内比较合适。
• 人工检查点：在关键节点设置人工检查，比如第一个技能输出之后确认一下有没有遗漏，再进入下一个技能。

6.3 结合外部工具的使用方式

这套技能本身是纯文本的，但可以和你现有的工具结合。我试过几种组合：

• 配合笔记软件：把技能输出直接粘贴到笔记里，作为工作记录
• 配合项目管理工具：把任务拆解的输出导入看板
• 配合代码编辑器：把代码审查的输出作为注释加到文件里

这些组合不需要额外的技术配置，就是复制粘贴的操作。但建立固定的操作流程之后，效率提升很明显。

7. 我对这套技能合集的实际体会

用了大概两周之后，我最大的感受是：AI 工具的价值不在于模型本身有多强，而在于你有没有一套稳定的使用方法。这套技能合集提供的正是这样一套方法——它把“怎么问”这件事标准化了，让你不需要每次都想 prompt，直接找到对应技能就能用。

另一个体会是：技能的数量不重要，重要的是每个技能都有明确的边界。29 个技能里我高频使用的其实只有 6-7 个，但这 6-7 个已经覆盖了我日常 80% 的 AI 辅助需求。剩下的技能我偶尔会用，但使用频率不高。这很正常，就像工具箱里的工具，常用的就那几把，但其他的备着也不碍事。

最后分享一个小技巧：把你最常用的技能保存在一个固定位置，比如笔记软件的置顶或者浏览器的书签栏。用的时候直接复制，不用每次去翻合集。这个操作看起来很小，但实际用起来能省不少时间。