企业官网建设流程全解析

如果仅仅把 WorkBuddy 当成一个普通聊天框来用，那大概只发挥了它三成能力。这个工具真正的价值，全在那套“技能（Skill）”机制上。所谓技能，就是把固定的工作流程、提示词、外部工具调用和输出模板打包成一个可以直接复用的单元，让 AI 开箱就能按你的方式干活。很多人问过我怎么给 WorkBuddy 定几条规则、让后续所有任务都生效，或者跨对话记忆到底怎么配——其实这些事情都可以通过技能来解决。这篇文章我会按 9 月最新一版的实际使用情况，把最值得推荐的 15 个技能按梯队列清楚。每个技能我都会讲到定位、适用人群、配置思路和容易踩的坑，尽量让你看完就能照着配。

1. 先搞懂 WorkBuddy 的技能机制

1.1 Skill 到底是什么

Skill 本质上是一份“岗位说明书”。它把一组完整的做事流程写进一个文件里：什么条件下触发、按什么顺序执行、调用哪些外部工具、最终输出成什么格式。没有技能的时候，你和 AI 对话就像每次都换一个新实习生沟通，背景要重新讲一遍，格式要求要重新说明一次。有了技能之后，这些都可以固化下来，AI 一进入对应任务就知道自己该干什么。

我自己习惯把技能理解成三层东西的组合：第一层是“身份”，告诉 AI 它现在扮演什么角色；第二层是“流程”，告诉 AI 先做什么后做什么；第三层是“出口”，告诉 AI 最后交出来的成果长什么样。这三点一旦定清楚，技能的质量就稳了一大半。很多人写技能失败，问题往往不在提示词本身，而是没有把这三层结构交代完整，AI 发挥的空间太大，输出自然飘忽不定。

1.2 Skill、MCP 与自定义指令之间怎么配合

刚接触 WorkBuddy 的人最容易把 Skill、MCP、自定义指令这三件事混在一起。其实它们的分工非常清楚。MCP 是连接外部工具的统一接口，负责“能不能连得上”；Skill 是任务流程，负责“按什么顺序做什么事”；自定义指令则是用户偏好，负责“不管做什么都要符合我的要求”。三者配合起来的典型场景是这样的：一个数据库分析技能被触发后，先通过 MCP 连接数据库，再按技能里写好的步骤检查表结构、生成 SQL、解释结果，同时全局自定义指令要求所有 SQL 在正式执行前必须先做只读检查。三个机制各管一段，谁也不会越界。

这里有一个我踩过的坑：把 MCP 的细节直接写死在技能里。比如技能里写死了某个数据库连接串、某个工具名，等环境一换，整个技能就废了。合理的做法是技能只负责说“连接数据库”，具体连到哪个库、用什么账号，由 MCP 配置层面去处理。这样技能的可移植性会好很多。

1.3 技能管理的基本姿势

技能文件建议单独放在一个目录里，用 Git 管理版本。我见过很多人的技能库一片混乱，新技能随便放在桌面上，旧技能改了一版又一版，最后自己都分不清该用哪个。这个问题很好解决：每个技能一个子目录，里面放技能定义文件、示例输出、依赖说明；技能命名统一用“动词+对象+结果”的格式，比如“生成竞品调研报告”“检查前端代码规范”，一眼就能看出用途。

另外要定期做减法。技能不是越多越好，每加载一个技能都会占用上下文空间。我自己的习惯是每个月底把 30 天没碰过的技能禁用掉，需要的时候再启用。这样技能库一直保持在一个精炼的状态，AI 的响应速度和准确率都会更好。

2. 第一梯队：5 个必装的基础层技能

2.1 跨对话记忆：让 AI 换个会话还认得你

这是所有技能里最值得先装的一个，也是很多人问得最多的“跨对话记忆”问题。默认情况下，WorkBuddy 每次开新会话不会自动带上历史内容，因为全量历史塞进去既浪费上下文又混乱。跨对话记忆技能解决的就是这个问题：它维护一个持久化的记忆文件，每次会话开始时先把关键背景读进来，会话结束时再把新的结论、决策、待办写回去。

我通常的做法是在技能目录下建一个 MEMORY.md，技能规则里明确写好三步：读取记忆、执行任务、更新记忆。会话开始时，AI 会把之前沉淀的项目背景、偏好、未完成事项简要加载出来；任务过程中凡是产生新的关键信息，都按固定格式追加到文件里；文件本身按主题分区，比如“技术决策”“用户偏好”“风险记录”。这样做最大的好处是，哪怕隔了一个星期再回来继续做同一个项目，AI 依然能准确说出上次做到哪一步、下一步该做什么。

这里有个避坑要点：记忆文件不能无限膨胀。如果一个文件写了一万字，AI 每次读取的成本很高，而且重要信息会被淹没。我的经验是按周或按项目阶段归档，旧内容移入 archive 目录，当前文件控制在 200 行以内。

2.2 全局规则管家：让所有任务都遵守你的规矩

“给 WorkBuddy 定几条规则，后续对所有任务都生效”这个需求，最好的实现方式不是每次对话里去重复唠叨，而是做一个全局规则技能。这个技能的作用是把你的工作习惯固化为一套可加载的规则文件。比如你要求回答必须给出依据、代码必须写注释、涉及删除和覆盖操作之前必须二次确认，这些都可以写进去。

规则文件建议分成三层来维护。第一层是通用规则，绑定到所有任务上，比如“不要编造数据，任何数字都要标注来源”；第二层是项目规则，只在特定项目生效，比如“本项目前端组件全部走公司内部库”；第三层是临时规则，随时可以追加和撤销。分层的好处是你能精确控制规则的生效范围，不会因为一条临时规矩把通用流程搞乱。

写规则的时候要特别注意简短和明确。太长的规则列表模型根本记不住，优先级高的规则要放在最前面。我自己会控制在十条以内，每条一句话说清楚，不带修饰词。规则之间避免互相冲突，如果多条规则对同一个场景有不同要求，AI 大概率会随机选一个，结果就是行为不稳定。

2.3 MCP 连接中心：一个技能管所有外部工具

当你的 MCP 服务端越来越多，管理连接这件事本身就需要自动化。MCP 连接中心这个技能的价值在于：它帮你统一检查所有外部服务的连接状态，列出当前可用的工具清单，并在调用失败时给出诊断信息。装了它之后，你再也不用因为“数据库连不上”“浏览器工具失效”这种问题去翻日志找半天。

这个技能的配置思路很简单：技能启动时先执行一轮健康检查，逐个服务尝试最小粒度的调用，然后把成功和失败的结果整理成一张状态表。比如文件服务测试的是读一个临时文件，Git 服务测试的是读当前分支名称，HTTP 服务测试的是一个最基本的状态接口。这些测试请求都很轻量，不会造成副作用，却能最快暴露出配置问题。

我提醒一句：不用的 MCP 服务端一定要定期关闭。一方面服务越多启动越慢，另一方面权限面也会变大。只保留当前真正在用的几个服务端，技能执行时的稳定性和安全性都会明显提升。

2.4 角色与风格模板：让 AI 说话像你的同事

如果你觉得 AI 的回答风格太“AI”，问题往往不在于模型本身，而在于你没有给它设定明确的人物角色。角色与风格模板技能做的事情，就是预先定义好一套说话方式，让所有输出都自动贴合你的预期。比如技术文档场景要求语气克制、先结论后细节；代码审查场景要求直接指出问题、按严重级别排序；对外沟通场景要求礼貌但简洁、少用技术黑话。

具体配置上，技能文件里可以写清楚语气特征、句式偏好、禁忌词表。比如“不要使用'众所周知''需要注意的是'这类空话”“答案第一句必须是直接结论”“涉及数据时必须给出统计口径”。这些约束叠加起来，AI 的输出质量会有一个肉眼可见的提升。

但这里有个度的问题。角色约束过强的时候，AI 的内容会变得特别僵硬，像套模板。我自己会在角色规则里留一条弹性兜底：“如果用户没有额外要求，默认按上述风格输出；如果用户明确要求自由发挥，则跳过风格约束。”这样既有稳定的默认风格，又不会把所有对话都锁死。

2.5 任务拆分与规划：任何需求先变成可执行清单

这个技能适合所有经常把大目标丢给 AI 的人。它收到的指令很简单：“把这件事拆成可执行的步骤。”但做起来有一点门槛——它需要把模糊的意图变成有阶段、有顺序、有产出物的任务计划。比如你说“我想做一个企业官网”，这个技能不应该直接开始写代码，而是先输出阶段划分：需求梳理、信息架构、设计稿、前端开发、后端接口、测试、部署上线。

配置这个技能的时候，我倾向于给它一个结构化的输出模板。模板里包括阶段名称、每阶段的目标说明、涉及的角色或工具、预期产出物、耗时估算。这样你拿到的不只是一个任务列表，而是一份可以直接拿去排期的计划。如果某些阶段你觉得拆得不对，改成你的工作习惯版本，下次 AI 就会按新的方式拆。

提醒一下：这个技能容易犯的毛病是拆得太细。一拆拆出三四十个任务，看着专业，实际没法执行。我通常在技能规则里加一个硬约束：任务总数控制在 5 到 8 个之间，超过就必须合并同类项。这样拆出来的计划才真正具有可操作性。

3. 第二梯队：5 个开发类高价值技能

3.1 深度代码审查：比人工 Review 更早发现问题

代码提交之前先让 AI 过一遍，这已经成了我工作流里的固定环节。深度代码审查技能的核心逻辑是绑定到 Git 仓库，自动获取当前分支的改动内容，然后按照你设定的检查维度逐项过一遍。我常用的检查维度有五个：逻辑正确性、安全隐患、性能缺陷、可读性、与项目规范的符合度。输出的时候按文件+行号+严重程度组织，修起来非常方便。

这个技能配置时最关键的一步是定义检查规则。不同团队的标准差异很大，比如有的团队要求所有错误处理都必须有日志，有的团队禁止使用某个第三方库，有的团队对 SQL 有特殊要求。把这些规则写进技能文件里，审查结果就会比其他通用性的代码建议贴合得多。

不过 AI 代码审查的误报率是真实存在的。有时候它会因为代码风格不一致报出问题，实际上并不是 bug；有时候它会漏掉一些隐藏很深的逻辑缺陷。所以我给这个技能加了一条输出要求：每个问题必须标注置信度等级，低置信度的问题单独放在一个“仅供参考”分区。这样既能借助 AI 提效，又不会因为盲目相信而引入噪音。

3.2 自动化测试生成：从补脚本到维护测试套件

写测试是很多开发者的老大难，不是不会写，而是太花时间。自动化测试生成技能的价值就在这里：你给它一个函数、一个模块或者一个接口，它先分析输入输出和边界条件，生成测试计划，确认后再产出具体的测试代码。测试计划这一步不能省，因为直接生成测试代码经常会出现重点不对的情况，该覆盖的核心逻辑没覆盖，反倒测了一堆无关紧要的边角。

这个技能的配置要点是明确测试规范。比如你要求使用什么测试框架、断言风格是什么、是否需要对 mock 数据单独管理、覆盖率阈值定在多少。这些规范写清楚之后，生成出来的测试才能直接并入项目，而不是需要大改一遍才能用。

我吃过一个亏：让 AI 生成测试时没限定数据来源，结果它写了一批依赖外部接口的测试，CI 环境里跑一次挂一次。后来我在技能规则里加了一条强制约束：所有涉及外部依赖的用例必须使用 mock 数据，本地环境和 CI 环境都必须能独立运行。从那以后，生成的测试稳定了很多。

3.3 项目脚手架：五分钟搭好一个规范项目

从零搭一个新项目看起来简单，实际上琐碎得很：目录结构、配置文件、依赖管理、代码规范、CI 流程，每一样都要花时间。项目脚手架技能的作用就是把这些事情一次性处理好。你只需要告诉它技术栈和项目类型，比如“React 前端项目”“Python FastAPI 服务”，它就能输出一份完整的项目骨架。

配置这个技能时，我会把团队内部沉淀的项目模板直接挂载进去。技能执行时先读取模板清单，再按清单生成目录和文件。模板里包含的东西比较全：统一的目录结构、基础配置文件、README 模板、代码规范配置、CI 流水线配置。这样不同项目的初始状态是一致的，新同事接手的时候几乎没有学习成本。

需要特别注意的是框架版本的时效性。很多脚手架技能生成出来的是几年前的旧结构，依赖项过时了还在用。我每个月会抽时间检查一次技能里挂载的依赖版本，把 major 版本升级记录同步进去。否则技能虽然跑得通，生成出来的项目却从一开始就带着技术债。

3.4 API 文档维护：代码和文档不再脱节

只要项目还在迭代，文档滞后就几乎难以避免：接口加了一个参数，路由改了路径，响应结构变了，但文档还是老版本。API 文档维护技能解决的就是这个痛点。它绑定接口代码目录，定时或按需扫描路由定义、参数结构、响应模型，然后生成一份变更清单，告诉你哪些文档需要更新。

实施的时候我建议做成“半自动”模式，不要全权让 AI 直接覆盖文档。技能先输出变更 diff，比如“原文档第 12 行接口 /user/info 新增了字段 email，建议同步增加示例值”，你确认之后再执行写入。这个确认步骤能避免 AI 误判代码逻辑、生成了与事实不符的文档内容。文档这东西错比慢更可怕，错了会误导调用方。

还有一个小技巧：把接口代码里的注释写得规范一点，AI 提取信息的准确度会大幅上升。如果注释写得随意，AI 就只能靠猜，出来的文档自然容易出现偏差。所以在配置这个技能的时候，我会同时给团队立一条要求：接口注释必须标注每个参数的用途和取值范围。

3.5 数据库建模与分析：用自然语言操作数据库

这个技能对不熟悉 SQL 的产品、运营同学特别友好，对开发同学也是个效率放大器。它的工作方式是这样的：通过 MCP 连接到数据库，自动列出表结构和字段说明，然后根据你的问题生成 SQL 查询，解释查询结果。比如你说“看一下最近 30 天注册用户的次日留存”，它先输出将要执行的 SQL 和影响范围，你确认后再执行，最后它把结果整理成简明结论。

配置这个技能时最重要的安全项就是默认只读模式。我会在技能规则里明确写入：“默认情况下只允许执行 SELECT 查询，任何 INSERT、UPDATE、DELETE 操作都必须经过单独授权。”有些数据表敏感字段还不能直接展示，这些都要在技能的过滤规则里写清楚。宁可查得慢一点，也不能因为一个 AI 辅助工具导致数据事故。

实操上我还会让技能在执行每个查询前先输出一个格式说明：“表名、查询条件、返回字段、预计行数”。有了这套确认逻辑，即便是对系统不熟悉的新人，误操作的风险也能控制得很低。

4. 第三梯队：5 个办公与内容技能

4.1 长文档精读与知识萃取：几百页材料变一页摘要

面对一份几百页的 PDF 报告或者几十页的需求文档，逐页读过去费时费力。长文档精读与知识萃取技能干的事情就是三件：分段读取全文、提取每段的核心观点、按你的要求输出结构化笔记。我常用的输出格式是“结论先行、证据紧随、疑点列表”三块。先给出这份材料最重要的结论，再把支撑结论的证据排出来，最后列出看完之后仍然存疑的地方。

这个技能的实现有一个技术细节要注意：文档分段的窗口要设置重叠。如果一次性切得太死，关键信息落在两段中间就白白丢了。我习惯让每段窗口之间有百分之十到二十的内容重叠，确保信息连续。处理完之后也要保留原始文件的路径引用，方便日后回溯核对原内容。

避坑经验是：AI 对长文档的内容概括有时候会“想像”出原文没有的细节，尤其是数据、人名这类具体信息。所以我会在输出模板里加一行“本摘要中涉及的所有数字均应由读者与原文核对”，模糊信息用“原文指出”而不是直接断言。摘要可以帮你快速定位，但最终判断仍然要回到原始材料。

4.2 会议纪要转行动项：会议结束马上有人跟进

开完会之后整理纪要这件事最烦的是信息散乱。这个技能把你的会议转写文本或者速记笔记扔进去，输出一份按议题组织的纪要，内容包括每个议题的讨论结论、存在分歧的地方、需要跟进的事项、负责人、截止时间。输出格式我倾向于用 Markdown 加表格，可以直接粘贴到项目管理工具里。

配置时我会要求技能只保留“结论、分歧、行动项”，不要整段流水账。讨论过程写进纪要里没有价值，反而会增加阅读负担。技能规则里可以加一句：“凡是无法归入结论、分歧或者行动项的内容，一律省略。”这样生成的纪要比人工记的还清爽。

实操中遇到的一个坑是转写文本本身质量不高，口语化严重，还有很多“嗯”“那个”之类的语气词。我会先让技能做一轮文本清洗，把明显的废话、重复内容、口误去掉，再做纪要提炼。清洗和提炼分成两步执行，准确率会比一步到位高很多。

4.3 日报/周报自动汇总：让汇报不再占用下班时间

每天写日报、每周写周报的时间看起来不多，累积起来相当可观。日报/周报自动汇总技能可以从你的 Git 提交记录、任务清单、聊天记录里提取当天或本周的工作痕迹，按你的汇报模板自动生成草稿。输出会按“已完成”“进行中”“风险与阻塞”三类整理，你再花两三分钟微调一下就能发出去。

这个技能的关键点是模板先行走。我会在技能文件里放一份团队认可的汇报模板，规定每条工作描述都要带上量化数据。比如“优化登录接口”这种描述是不合格的，正确写法是“优化登录接口，将平均响应时间从 800ms 降到 350ms，影响用户约 10 万”。AI 如果能提取到这些数据就直接用，提取不到就标注空缺，由你自己补上。

提醒一下：日报不是写得越多越好，也不是“细节越丰富越好”。太多琐碎内容反而会掩盖重点。我给这个技能加了输出条数限制，每天最多写五个主要事项，超过的内容合并或者放弃。这样日报保持在一个快速可读的粒度。

4.4 竞品与行业调研：第一版调研报告十分钟出来

做任何产品决策之前都需要摸清周边情况，但完全人工去搜集信息往往要花上大半天。竞品与行业调研技能按你给的框架去搜集信息、整理对比表格、标注信息来源。比如“帮我调研一下目前主流的 AI 编程工具，对比它们的功能、定价、目标用户、优缺点”，它会先出一个横向对比表，再给一个总体判断。

配置这个技能的时候，我会给出一份固定调研提纲模板：调研目标、目标范围、竞品清单、对比维度、数据截止时间、信息来源要求。模板越明确，产出越稳定。输出里每条关键结论后面标注信息来源和时间，方便你回溯验证。数据时效性这部分一定要写进模板，AI 自身训练的数据是有截止日期的，你让它分析“目前”的情况，它容易把半年前的信息当作现状来讲。

竞品调研类内容是最容易发生 AI 幻觉的场景之一。编造一个不存在的产品功能、给一个错误的价格，都会让报告的可信度大打折扣。我的处理方式是在技能输出要求里明确写着：“每个断言必须附上来源链接或引用材料，无来源信息一律归入待验证区。”宁可多花一点验证时间，也不要让错误信息进入决策环节。

4.5 静态站点与落地页生成：口头需求变成可发布网页

平时闲聊提到“帮我做一个活动落地页”，很多人以为只是改一段对话的问题，但真正落地要处理标题、文案、样式、交互、响应式适配一堆事情。静态站点生成技能把这条路走顺了：你描述页面用途和主要内容，它先输出一个页面原型结构，确认之后生成 HTML/CSS/JS 文件，再给出预览方式。

实操流程上我建议分三步：第一步出内容大纲，第二步生成无样式的 HTML 骨架，第三步再上样式和交互。分步走的好处是你能在早期纠正方向，不至于等到成品出来才发现整体思路不对，浪费一轮完整的生成时间。技能配置里可以绑定你常用的设计风格，比如极简风、卡片式、深色主题，生成的页面会更接近你的审美。

发布环节有一个容易忽略的问题，那就是移动端适配。很多自动生成的页面在电脑上看没有问题，一放到手机上看就乱套。我会在技能的检查清单里强制加上移动端视口检查，并建议把生成结果在手机或浏览器开发者模式下先过一遍再正式发布。另外图片版权、外链安全、页面加载体积这些也要顺手检查，这些都是实战里真实出现过的坑。

5. 技能使用中的常见问题与排查实录

5.1 为什么技能没有生效

遇到技能没有生效，先别急着怀疑 WorkBuddy 出了问题，大概率是以下几个方面之一。第一，触发条件写得不准确，技能描述里的关键词和实际对话里的说法对不上，AI 压根没有意识到该用这个技能。第二，全局开关或者技能列表里的启用状态可能是关的。第三，技能文件路径放错了，AI 找不到定义文件自然无法加载。第四，重名冲突，两个技能描述相近，模型加载了另一个。

我的排查顺序是：先确认技能名字在当前会话里能否被 AI 准确识别，再检查描述文字是否包含足够的触发信号，最后打开技能管理页面看加载状态。定位问题之后，最常见也最简单的修复方式就是重写技能描述，把“动词+对象+结果”写得更具体。比如把“帮我写代码”改成“根据需求和项目结构生成 Python 后端代码”，命中率会高非常多。

5.2 技能与 MCP 连接失败怎么处理

技能本身写得再好，如果底层连接出问题，一切白搭。MCP 连接失败的常见原因大概有三类：服务端进程没启动、工具名或参数名变更、权限配置不足。我的排查步骤比较固定：先看服务状态，确认进程活跃；再看调用参数，逐个字段比对是否和实际接口匹配；最后翻日志，看具体报错是超时、拒绝还是认证失败。

这里值得多说一句：每个 MCP 服务端都应该有一个最小调用测试。比如数据库服务就写一条最简单的 SELECT 1，Git 服务就读当前分支名。把测试写成一个独立技能，环境换到哪都能先验证基础连通性。基础通了再排查服务细节，问题范围一下子就缩小了。

5.3 积分消耗太快怎么办

用 AI 工具最肉疼的往往是积分消耗。想省钱，核心思路是别让高成本模型去做低价值的事情。我会在技能里设置分层模型策略：简单任务，比如格式化文本、翻译、简单问答，走轻量模型；复杂任务，比如代码审查、长文档分析、复杂推理，才启用大模型。每项任务开始之前先判断难度，再决定调用哪一档模型，能省下不少积分。

还有一个技巧是减少无效重复上下文。有些技能每次执行都会把大量背景文件塞进去，重复内容多，费用自然高。把技能里不必要的上下文加载去掉，只保留真正需要的那几个文件，响应速度和成本都会明显改善。另外定期清一下历史会话记录，积攒的会话缓存也会占用资源。

5.4 本地部署和云端版本的区别

本地部署这件事，核心优势在于数据不出本机、离线也能用、不受服务状态影响。缺点是硬件有门槛，模型规模受机器性能限制，安装维护也需要自己来。云端的优势是开箱即用、性能大、更新及时，代价是数据要交到服务方手里、有配额或积分限制，断网时没法用。

如果你要在本地环境部署，我建议重点关注三件事：第一，技能文件目录要单独管理并且用 Git 同步，否则换机器之后还得重新写一遍技能；第二，不同操作系统之间的差异，比如 Windows 和 Linux 的路径分隔符不同、依赖包的安装方式不同，Ubuntu 环境下尤其要注意依赖版本兼容问题；第三，本地小模型的输出质量和云端大模型有差距，同样的技能在这两种环境下跑出来的结果可能不一样，技能设计时要把模型能力差异考虑进去。

5.5 如何自己开发一个技能

最后聊聊怎么从零写一个新技能。我见过太多朋友想做一个很复杂的技能，结果憋了两天也没写出来。其实最小可行版本非常小，只要五步：定义场景、写固定流程、定输出格式、跑测试、迭代优化。不要一开始就想着覆盖所有情况，把当下最常用的这条路打通就够了。

一个最小的技能定义大概长这样：

name: code-review-helper description: 获取当前分支的 Git 改动，按照项目规范进行代码审查，输出问题列表和修复建议。 trigger: 用户要求审查代码，或提到“帮我 review”“检查一下改动”时触发。 steps: - 获取当前分支与目标分支的 diff - 按规范逐项审查：正确性、安全、性能、可读性 - 生成问题清单，标注重度级别和文件行号 - 输出修复建议 output: | ## 审查结论 总体评价与关键风险 ## 问题列表 | 文件 | 行号 | 严重度 | 问题描述 | 修复建议 | ## 仅供参考 低置信度问题单独放在这里

写技能的时候最忌讳流程含糊。每一步都尽量给出明确的动作，比如“获取 diff”“检查字段命名是否满足规范”，而不是“分析代码”。流程越清晰，AI 的执行结果越稳定。先跑通一条主路径，再慢慢补边界情况。

6. 使用习惯与组合玩法：我的一点个人经验

最后分享几个我自己长期在用的习惯，算是对上面这些技能的补充。

第一个习惯是技能组合使用。复杂任务很少靠单个技能完成，更多时候是把两三个技能串起来。比如做一个新项目，我会依次启用“任务拆分与规划”定大体计划，用“项目脚手架”搭工程基座，开发完成后跑“深度代码审查”，到了晚上再用“日报/周报自动汇总”输出当天进展。你会发现这些技能之间有天然的衔接关系，组合起来用比一个个单独调用要顺滑得多。

第二个习惯是每周留一点时间维护技能库。大概半小时就够了，目标是清理掉没用的旧技能、调整失效的规则、把新踩的坑写成一条注意事项挂到对应技能下面。这个维护动作短期看不出什么大的收益，但时间一长差异非常明显，技能库会越来越贴合你的工作方式，你也会越来越难离开这套体系。

第三个习惯是技能文件尽量保持简单，能用一句话说清的规则就不用一段话。复杂的技能文件看起来功能强大，实际上维护困难，出了问题也难定位。我会把大技能拆成几个小技能，各自职责单一，需要的时候再组合触发。

这个体系用下来，最大的变化不是节省了多少时间，而是工作的确定性变高了。以前每次找 AI 帮忙都像开盲盒，现在只要选中对应的技能，结果基本都在预期范围之内。如果你正在用 WorkBuddy 但还没认真折腾过技能库，我建议就从第一个技能开始，装好“跨对话记忆”，把日常项目和任务沉淀进去，其他技能慢慢补充。