去年我们给一家做工业配件的客户交付一套钉钉里的销售辅助 Agent，第一版上线后销售反馈最多的不是「答得不准」，而是「每次都要把客户背景、过往报价、产品手册重新粘贴一遍」。我们坐下来盘了一下他们销售每天用 AI 干的事，发现 80% 是七八个高频动作的反复组合——给客户出报价、把客户回传的合同和底稿对一遍、拜访前查一下对方的工商背景、把会议录音整理成纪要、问一下「这个季度我管的片区做了多少」。这些动作我们后来打包成了 5 个 Skill，挂在他们企业内的 AI Agent 里，销售一句话能调起来，输出格式固定、字段齐全、能直接发给客户或老板。
这就是这篇文章想讲的：当中小企业已经用上了 AI Coding 工具或者 AI Agent 平台，下一步该把零散的临时用法沉淀成「自家 Skill 库」。我们把过去一年自己搭、也帮客户搭过的 Skill 库经验拆开讲清楚——Skill 是什么形态、5 个最容易出价值的玩法长啥样、谁来维护、怎么治理权限，以及为什么 AI Coding 把这件事的门槛降到了 80 人公司也够得着的位置。
什么叫「Skill 库」：把高频业务动作沉淀成可调用的 AI 工具
Skill 这个词在 AI Agent 圈子里没有完全统一的定义，但落到企业里我们一般这么说：Skill 是一个被命名、被描述清楚、能被 AI Agent 在对话里识别并调用的「业务动作单元」。它通常包含一段提示词模板、一份输入参数清单、一段执行代码（可能调外部 API、可能跑本地脚本）、以及一份输出格式约定。
举个最朴素的对比。没有 Skill 库之前，销售用 AI 出报价是这样的：打开 ChatGPT/钉钉智能助理，把客户名、行业、需求点、历史报价、产品价目表分 5 段粘进去，提示词每次写得不一样，输出格式时而是表格时而是段落，发给客户前还要手工排版。有 Skill 库之后是这样的：销售在 Agent 里说「给 XX 客户出个钉钉年度续费报价，按 A 类客户折扣」，Agent 识别到这是「报价 Skill」，自动调用客户数据库取背景、取历史成交、取折扣系数，按统一模板生成 PDF，5 分钟内交到销售手上。
Skill 库的价值不在 Skill 的数量，而在「一个公司高频业务动作里，被 Skill 化的比例」。我们的经验是：
| 阶段 | Skill 数量 | 月度调用次数 | 业务覆盖度 |
|---|---|---|---|
| 起步期 | 3-5 个 | 几十次 | 单一岗位（多是销售或交付） |
| 成形期 | 8-15 个 | 几百次 | 跨 2-3 个职能（销售+交付+财务） |
| 资产化 | 20-40 个 | 上千次 | 全员可用，有专人维护 |
| 平台化 | 50+ | 上万次 | 对外开放给客户或渠道 |
绝大多数 80-200 人的中小企业现在还在「起步期到成形期」之间。这个阶段最重要的不是堆数量，而是挑对前 5 个 Skill。下面我们就来讲，按我们看到的真实落地节奏，最先该做的 5 个 Skill 长啥样。
玩法 1：报价 Skill——销售一句话生成报价单
报价是我们见过最容易做出价值、也最容易让销售口碑炸开的 Skill。逻辑很简单：销售在跟客户聊的过程中，对方一句「能不能发个报价过来」往往就是临门一脚。传统流程是销售自己开 Excel、查上次成交价、查折扣权限、排版、转 PDF、加水印、最后发出去——快的半小时，慢的拖到第二天，临门一脚就凉了。
报价 Skill 的形态是这样：销售在 Agent 里说「给杭州 XX 公司出个钉钉 50 人版+魔笔的年度报价，A 类客户折扣」，Agent 拿到这句话后做几件事——查客户在 CRM 里的等级和历史成交、查产品价目表、按折扣规则算出报价行项目、套用公司报价 PDF 模板、加上水印和销售本人的联系方式、生成文件链接回传。整个过程通常 1-3 分钟。
落地时有几个关键设计点：
| 设计点 | 不踩坑的做法 |
|---|---|
| 折扣权限 | Skill 内置三档权限校验：销售自己能批的、需要主管批的、需要老板批的 |
| 价格口径 | 与官网/产品中心同源一份价目表，Skill 直接读，不让销售自己改 |
| 客户名脱敏 | 输出 PDF 里的客户全称必须命中 CRM 主档，不允许 AI 自己生成 |
| 历史成交参考 | 引用同行业、同规模的过往报价作为参考线，但不直接套用 |
| 报价编号 | 自动按规则生成，回填到 CRM，方便后续跟单 |
我们自己也用这个 Skill 给客户出钉钉相关产品的报价，效果是销售从「不愿意做小单」变成「愿意试」。因为以前出一份报价的人力成本和单子能赚的钱不成比例，现在边际成本几乎为零。这个 Skill 的进化方向可以参考 /blog/quote-template-ai-coding/ 这一类的报价模板设计，但更通用的方法论我们写在 /blog/ai-coding-software-delivery/ 里。
玩法 2：合同对照 Skill——把客户回传合同与底稿自动对比
签合同这个环节，最折磨人的不是起草，而是「客户改了一版回传，对方说就改了几个小地方，但你得逐字过」。法务和销售都怕这一步，怕漏看一个条款赔进去。
合同对照 Skill 的做法是：销售把客户回传的合同 docx 丢给 Agent，说「跟我们的底稿对一下」，Agent 自动取上一版底稿，做条款级 diff，输出一份结构化报告——哪几条改了、改的方向是有利还是不利、哪些条款是「红线条款」（比如付款节点、违约金、知识产权归属）必须法务复核、哪些是「灰区条款」（比如交付周期、验收标准）可以销售自己判断。
| 条款类别 | 处理优先级 | Skill 输出 |
|---|---|---|
| 红线条款（付款/违约/IP） | 必须人审 | 高亮+附原文+附底稿对照 |
| 灰区条款（交付/验收/SLA） | 销售可初判 | 列出差异+给建议 |
| 文字调整（措辞/标点） | 自动通过 | 折叠显示，不展开 |
| 新增条款（客户加的） | 必须人审 | 单独成块，列法律风险点 |
| 删除条款（客户删的） | 必须人审 | 显示原条款+删除理由请求 |
这一步真正解放的是法务。我们看到过一家 100 多人的乙方公司，原来一周要花 8-12 小时在合同对照上，上了这个 Skill 后稳定在 2-4 小时，省下的时间用来盯真正的高金额合同。Skill 不是替代法务，是把法务的注意力从「找差异」转到「判断差异的影响」。
玩法 3：拜访准备 Skill——给客户做企业背景速览
销售去见一个陌生客户之前，要花 30-60 分钟做基础调研——查工商、看官网、扫一眼公开新闻、翻一下我们公司过往有没有跟他们打过交道。这件事重要但琐碎，做得好或不好取决于销售当天的心情和加班时长。
拜访准备 Skill 的形态：销售在 Agent 里说「明天要去拜访 XX 公司，给我准备一下」，Agent 自动跑一圈——工商信息（注册资本量级、成立年限、股东结构、是否高新企业）、公开新闻（最近 6 个月的融资、招聘动向、负面舆情）、CRM 里有没有交集记录（前同事跟过吗、有没有报过价、上次接触是什么时候）、行业画像（同行有哪些已经在用什么类型的数字化工具），最后输出一份 1-2 页的速览文档，标注几个适合开场的话题钩子。
这个 Skill 的关键不是「数据多全」，而是「数据被组织成销售看得懂的样子」。我们做过对比，原始数据堆给销售他不看，1 页带结构的速览销售一定看。所以 Skill 输出的不是数据库 dump，是「适合带去见客户的简报」。
倒推回去也能看出，AI Coding 让这种「过去做不起的小工具」变得可承担——以前要让程序员专门做一个「客户背景速览生成器」，开发费 8000-15000 元/人天起步，做一个工具至少 3-5 天，性价比不划算；现在用 AI Coding 写 Skill，工程师半天到一天搭出第一版，业务 owner 后续迭代提示词不用工程师，定制成本不再随功能数量等比例上涨。这是我们在 /blog/ai-coding-software-delivery/ 里反复强调的核心叙事。
玩法 4：会议纪要 Skill——转写+摘要+待办自动派
会议纪要这件事，几乎每家公司都做不好。要么没人写，要么写了没人看，要么看了没人跟进。AI 转写工具市面上一大把，但单纯一份转写稿没用——一小时会议的逐字稿没人读。
会议纪要 Skill 比单纯转写多了三层加工：第一层是结构化摘要（按议题分段，每段 3-5 句话讲清楚结论和分歧），第二层是待办抽取（谁、什么时间、做什么、截止日），第三层是自动派单（待办直接同步到对应人的待办列表或项目管理工具里，附上原会议的时间戳和原话）。
| 模块 | 没有 Skill 时 | 有 Skill 时 |
|---|---|---|
| 转写 | 找助理转或会后回忆 | 实时转写 |
| 摘要 | 助理凭印象写一段 | Skill 按议题分段摘要 |
| 待办 | 散落在聊天记录里 | 自动抽取并派单 |
| 复盘 | 翻聊天记录 | 关键词搜原话+时间戳 |
这个 Skill 上线后我们看到的变化是「会议变短了」。因为大家知道纪要会被自动生成、待办会被自动派出去，开会的时候就更愿意明确「谁负责、什么时候交」，反而省了会后的扯皮时间。Skill 不解决会议本身的质量问题，但它把「会议结束到行动开始」之间的摩擦磨掉了。
如果你对会议纪要背后的转写+落地流程更感兴趣，可以参考 /blog/ai-workflow-automation-cases/ 里的真实案例拆解。
玩法 5：数据分析 Skill——自然语言问数
业务老板最常问的几个问题：「这个季度我们片区做了多少」「这个产品线毛利率怎么样」「上个月新签客户里多少是续费多少是新拓」。这些问题答案都在 CRM/ERP/财务系统里，但要拿到答案得让数据分析师跑报表，或者老板自己在 BI 工具里点半天。
自然语言问数 Skill 的形态：老板/销售在 Agent 里直接说人话，「上个月华东片区新签的客户里，制造业占比多少」，Skill 把这句话翻译成查询语句，跑出结果，输出表格+一句话解读。
设计上有几个雷区要避开：
| 雷区 | 处理 |
|---|---|
| 字段歧义（「新签」是签合同还是回款） | Skill 启动前先确认口径 |
| 权限越界（销售看不该看的同事数据） | 查询前校验问问题人的角色 |
| 跑大查询拖垮库 | 预置慢查询超时和数据量上限 |
| AI 编字段 | 严格白名单，问到不存在的字段直接说没有 |
| 结果误读 | 输出附数据口径定义和时间窗 |
自然语言问数是最考验「数据治理」基础的 Skill。如果公司本身数据散乱、字段命名混乱、权限模型混乱，做这个 Skill 等于把混乱放大给老板看，反而出事。我们一般建议先把核心表清理一遍，再上 Skill。关于 BI 工具与数据问数的关系，/blog/bi-reporting-tool-selection/ 这篇里有更系统的对比。
Skill 库的运维：怎么迭代、怎么治理权限、谁来维护
Skill 库不是「搭完就完」的项目，它更像一个内部产品，需要持续运营。我们把运维拆成三个抓手——版本管理、权限治理、责任分工。
版本管理：每个 Skill 都有一个版本号和一份 changelog。改提示词、改字段、改外部接口都要留痕。我们的经验是 Skill 在前 3 个月会被改得很频繁（一周 2-3 次），之后趋于稳定（一月 1-2 次）。配套要有 5-10 条回归用例，每次改完跑一遍，否则上线一个新版本就翻车。
权限治理：Skill 调用要做三层校验——谁能调（角色）、调什么（数据范围）、调多少（频次/金额阈值）。报价 Skill 是典型例子：销售能调，但 A 类客户报价销售只能看建议价、最终价要主管审；自然语言问数 Skill 也是典型例子：销售只能查自己片区。这套权限模型不能 hardcode 在 Skill 里，要和公司原有的权限系统打通，否则后续维护是灾难。
责任分工：我们看到稳定运转的 Skill 库都有「1+0.5」配置。
| 角色 | 时间投入 | 主要职责 |
|---|---|---|
| Skill owner（业务） | 每周 4-8 小时 | 收集需求、改提示词、定优先级、追业务收益 |
| Skill 工程师（半个人月） | 每月 30-50 小时 | 接口、权限、跑批、版本发布、回归用例 |
| 业务使用方 | 调用即可 | 反馈坏 case、提建议 |
| 数据治理（兼） | 按需 | 字段对齐、口径定义、权限模型 |
中小公司常见的误区是「让工程师一个人扛所有 Skill」，结果工程师不懂业务、改不动提示词，业务又不会写提示词，两边都觉得对方不行。正确做法是业务 owner 拿提示词的钥匙，工程师只管基础设施。
为什么 AI Coding 让 Skill 库的门槛降到中小企业够得着
3 年前，搭一个企业内 Skill 库这种事是大厂玩的。一个 Skill 从需求到上线需要业务、产品、前端、后端、测试 5 个角色，做 2-4 周，成本 10-30 万。中小公司根本没法玩——Skill 库价值的本质是「高频业务动作的复用」，但传统开发模式让每个 Skill 的边际成本太高，复用都还没开始攒，预算就花完了。
AI Coding 时代变了。我们自己实测过，一个工程师用 Claude Code / Cursor 这类 AI Coding 工具，搭一个新 Skill 的耗时大致是：
| 阶段 | 传统开发 | AI Coding 加持 |
|---|---|---|
| 需求理解 | 1-2 天 | 半天 |
| 接口/数据接入 | 2-3 天 | 半天到 1 天 |
| 提示词调试 | 不适用 | 1-2 天（业务 owner 主导） |
| 联调测试 | 2-3 天 | 半天到 1 天 |
| 文档与回归 | 1-2 天 | 半天 |
| 合计 | 7-12 天 | 3-5 天 |
更关键的是后续迭代。传统开发改一个字段、加一条规则都要走需求-排期-开发-测试-上线全流程，2-3 周起步；AI Coding 下改提示词当天生效，改胶水代码 1-2 天能上。Skill 库这种「持续迭代型」的资产，在传统开发模式下根本攒不起来，因为越攒越累赘；在 AI Coding 模式下越攒越值钱，因为复用率随基数线性涨。
AI Agent 接业务能否真出结果是可衡量的：报价 Skill 看销售出报价的平均时长和单据数；合同 Skill 看法务人均处理合同数和漏检率；问数 Skill 看老板自查数据的次数和数据分析师被打扰的次数。我们建议每个 Skill 上线时就定 2-3 个量化指标，3 个月后复盘，没出业务收益的及时砍掉，别舍不得。关于 AI Agent 落地路径更系统的方法论可以看 /blog/ai-agent-implementation-roadmap/，关于成本怎么算清楚可以看 /blog/ai-agent-development-cost-breakdown/。
决策自检：你的公司适合从哪个 Skill 开始
不是每家公司都该按上面的顺序铺 5 个 Skill。我们给客户的建议是先做这一组自检，分数最高的那一类先做。
| 检查项 | 报价 Skill | 合同 Skill | 拜访 Skill | 纪要 Skill | 问数 Skill |
|---|---|---|---|---|---|
| 每月触发次数 | 销售出报价≥30 次 | 合同回传≥10 份 | 陌拜≥10 次 | 关键会议≥15 场 | 老板问数据≥20 次 |
| 当前耗时痛感 | 高（销售吐槽多） | 高（法务超负荷） | 中（销售自我消化） | 中（纪要常缺失） | 高（数据分析师挡不住） |
| 数据基础好坏 | CRM 有产品价目表 | 有合同底稿库 | 有客户主档 | 有会议录音/字幕 | 数据仓库已经规整 |
| 见效速度 | 2-4 周出效果 | 4-8 周出效果 | 2-3 周 | 2-3 周 | 6-10 周 |
| 业务方接受度 | 销售欢迎 | 法务谨慎 | 销售有阻力 | 一线欢迎 | 老板欢迎，下面紧张 |
简单的判断法则：销售团队大、出报价频繁 → 先做报价 Skill；法务团队小但合同多 → 先做合同 Skill；老板天天问数据 → 先做问数 Skill；会多到开不完 → 先做纪要 Skill；销售拜访多 → 拜访准备 Skill。一次只做一个，做完跑 4-8 周看数据，再决定下一个。
结语：Skill 库是 AI Coding 时代最值得攒的资产
很多老板问我们「AI 投了一年没看到 ROI 怎么办」，我们通常先反问一句：你这一年用 AI 做的事情里，有多少被沉淀成可复用的 Skill 了？如果答案是「都是临时用一下」，那就是为什么没看到 ROI——每次都从零开始，AI 只是个更贵的搜索引擎。
Skill 库的本质是把公司里那些「靠人肉重复跑」的高频动作，变成可被 AI 调用、可被审计、可被改进的资产。它不依赖某个员工的经验，不会因为人走了就断档。AI Coding 让搭和改 Skill 的成本降到 80-200 人公司能承担的位置，剩下的就是老板愿不愿意花半年时间把第一个 Skill 真正做扎实。
第一个 Skill 永远是最难的，因为你要同时趟通业务流程、数据接口、权限模型、回归测试。但只要趟通了一个，后面每一个的边际成本会快速下降。我们见过的状态最好的 Skill 库，都是从一个看起来不那么性感的「报价生成器」起步的。
