当批量生成100条个性化新年祝福只需一句话指令，背后是AI编程中Agent Skill的实践逻辑。它不依赖代码能力，而是将经验沉淀为标准化、可调用、可迭代的工作流模块，让重复性任务真正实现一次配置、长期复用。
智能速览
一句提示词即可驱动AI批量生成96–100号人员的定制化新年祝福，每条均匹配人物关系与相处方式
将拜年任务封装为名为greet的Agent Skill，后续调用只需说‘生成人员列表中96–100的新年贺词’
Skill包含SKILL.md（功能定义）和example.md（真实交互示例），结构清晰、开箱即用
进一步构建create_skill这一‘技能生成器’，自动引导用户澄清模糊需求，直至生成完整可用的Skill
HR简历审核、会计报表核对等标准化流程均可按同样方法封装为Skill，无需手写代码
OpenCode工具链支持本地化部署，所有Skill文件存于.opencode/skills/目录，完全可控
精华内容
不是让AI临时应付一件事，而是教会AI持续处理一类事——Agent Skill的本质，是把人的经验规则化、自动化、产品化。
从指令到技能
初始操作仅需一条自然语言指令：‘帮我根据当前目录下的人员列表.md生成拜年祝福语，每个人的贺词存为独立TXT文件，内容须符合人物关系和相处方式。’
OpenCode解析该指令后，自动读取表格结构的人员列表（含姓名、年龄、职业、性别、关系、相处方式六维字段），并为前5人生成高度适配的贺词：李总获‘大展宏图、财源广进’式商业互吹；王老师得‘桃李满天下’式师长敬语；陈阿姨收‘可开玩笑’风格的亲昵问候。
实测5条生成耗时44.4秒，准确率100%，且全部规避模板化表达，未出现任何通用套话。这证明AI已理解‘关系—语气—内容’的映射逻辑，而非简单关键词替换。
封装为可复用Skill
手动重复输入提示词效率低下，于是将任务固化为名为greet的Agent Skill。
该Skill在.opencode/skills/greet/目录下生成两个核心文件：SKILL.md明确定义功能边界（如‘必须解析人员列表.md中的关系列，并据此调整祝福语正式度’），example.md则提供真实交互快照——包括原始人员列表片段、生成的李总.txt与小明.txt内容，以及执行命令格式。
封装后，调用成本从每次38词提示压缩至7词指令：‘生成人员列表中96–100的新年贺词’。系统自动加载greet Skill，复用全部规则，输出结果与首次运行完全一致，验证了Skill的确定性与可移植性。
自动生成Skill的Skill
多数人难清晰描述工作流，为此构建create_skill这一元Skill。
其设计逻辑是：当用户提出‘帮我生成一个审核简历的Skill’时，create_skill不直接编码，而是分步提问——‘简历以什么格式提交？关键审核项有哪些？通过/驳回标准分别是什么？是否需要生成反馈摘要？’
仅当所有变量明确后，才生成含完整判断树的resume_review Skill。实测该过程平均需4.2轮问答，最终产出的Skill.md文件包含17条具体校验规则，example.md覆盖5类典型简历场景。
这说明Skill开发已脱离‘写代码’范式，进入‘协作定义’阶段，门槛大幅降低。
适用场景与落地效果
greet Skill在测试中处理了100人名单，覆盖CEO、退休教师、实习生、供应商、远房亲戚等19类关系，生成贺词全部通过人工校验。
对比传统方式：人工撰写100条需12小时以上，且易出现语气错位；使用Excel公式+邮件合并仅能实现基础替换，无法处理‘对长辈需引用古语’‘对同事可加入项目梗’等语义层逻辑。
而Skill方案全程无人工干预，总耗时6分23秒（含Skill创建），错误率为0。更关键的是，该Skill可直接迁移至其他节日场景——仅修改SKILL.md中‘新年’为‘中秋’，调整示例中的祝福意象，即可复用于批量生成月饼礼盒祝福。
Agent Skill正在重新定义人机协作的颗粒度：它不替代思考，而是收纳思考成果；不追求万能模型，而是专注解决某一类确定问题。当每个岗位都能沉淀出自己的Skill库，组织知识资产将从文档走向可执行体。下一步值得探讨的是——哪些工作流最适合优先封装？Skill之间能否像乐高一样组合调用？
