AI智能体与Skill应用实战

随着大模型能力持续演进，AI应用正从简单的内容生成和知识问答，逐步走向流程协同、工具调用和任务执行。智能体、工作流、知识库与Skill等技术形态不断成熟，企业员工使用AI的方式，也正在从零散的个人尝试转向更加规范、可复用的业务应用。

在实际应用过程中，不同岗位人员对AI的理解和使用水平存在较大差异。一些人员仍停留在基础问答和内容生成阶段，对智能体的运行机制、提示词设计、Skill与工具之间的关系缺少系统认识；部分业务人员虽然积累了应用想法，但还难以将业务经验转化为可在平台中配置、运行和持续优化的智能能力。

结合公司AI平台升级和AI应用创新工作的推进，有必要开展一次面向业务骨干和相关工作人员的系统培训，帮助学员建立统一的AI与智能体认知，熟悉Dify平台及Skill的基本应用方式，为后续业务场景探索、应用建设和参赛项目开发奠定基础。

1. 建立AI与智能体的统一认知：理解大模型、知识库、工作流、工具、Agent与Skill之间的关系，明确AI适合做什么、不适合做什么，以及哪些环节必须保留人工确认。

2. 理解AI前沿技术与常用工具：了解推理模型、多模态、RAG、MCP、Agent和Computer Use等方向，能够根据任务特点、数据条件和风险等级选择适合的AI工具与实现方式。

3. 掌握高质量提示词与任务模板方法：能够把业务背景、任务目标、输入材料、执行约束、输出格式和复核要求转化为AI可准确执行的任务说明，并进一步沉淀为可复用模板。

4. 掌握Dify应用与Skill创建方法：熟悉Dify中模型、知识库、工作流、Agent、Tool与Plugin的关系，能够创建基础应用，并调用“Skill创建助手”分步生成、接入和调试业务Skill。

5. 形成可迭代的参赛项目起点：能够基于个人业务场景，走通Dify基础应用、引导式Skill创建、SKILL.md及配套资源生成、运行测试与持续优化的完整练习闭环。

一、生成式AI正在改变什么

1. 应用演进：内容生成→知识问答→分析判断→任务执行

2. 大模型擅长：理解、生成、归纳、推理与模式识别

3. 能力边界：幻觉、上下文限制、事实核验、数据安全

二、智能体为什么不仅是聊天机器人

1. 基本组成：模型+提示词+上下文+知识+工具+执行循环

2. 三种形态：普通对话、固定工作流、自主Agent

3. 分工边界：模型管理解生成，知识库管事实，工具管查询执行

4. 高风险管控：权限、审批、异常转交、运行记录

5. AI提高任务完成的效率与质量，人对业务结果承担最终责任

三、当前AI技术发展的重点方向

1. 推理模型：复杂分析、计划与多步骤执行

2. 多模态：文本、图片、表格、语音、视频的统一处理

3. RAG与知识工程：让AI基于企业资料和业务事实工作

4. MCP与工具调用：连接系统、数据和外部服务

5. Agent、Skill与Computer Use：任务能力模块化，从接口调用扩展到软件环境操作

四、常用工具地图与选择原则

1. 任务地图：内容生成、搜索研究、文档数据、代码研发、智能体平台（Dify等）

2. 选择维度：任务复杂度、数据敏感性、成本、权限、可追溯性

3. 能用对话和模板解决的任务，不必上工作流和智能体

现场演示：使用同一个业务任务，对比普通对话、固定工作流和智能体三种完成方式。

案例解析：面对同一业务需求，判断应该使用提示词模板、工作流还是智能体。

一、提示词的本质是任务交办说明

1. 角色定位：身份与专业视角；业务背景：场景、对象、资料、上下文

2. 任务目标：解决什么问题、形成什么结果

3. 约束格式：执行边界、输出结构、禁止事项

4. 复核要求：事实依据、检查标准、不确定项处理

二、复杂业务任务的提示词增强方法

1. 任务分阶段：理解→计划→执行→检查

2. 减少偏差：正反示例、参考模板、结构化输出

3. 显式标记：缺失信息、事实依据、待人工确认事项

4. 好提示词靠连续测试和反馈修正，而不是追求一次写对

三、从一次性提示词到可复用任务模板

1. 模板化：固定流程与质量要求，变量化客户、时间、材料

2. 沉淀对象：业务规则、判断标准、输出模板

3. 升级判断：哪些任务留在提示词，哪些任务升级为Skill

同步跟练：把一句模糊的业务要求改写为结构化任务说明，现场完成一轮测试和修正。

一、认识Dify中的核心能力

1. 应用类型：Chatbot、Chatflow、Workflow与Agent的适用场景

2. 基础分工：模型管推理生成，知识库管企业事实，Tool与Plugin管外部连接

3. Workflow负责确定性流程，需要动态判断和工具选择才交给Agent

二、创建并运行第 一个Dify应用

1. 搭建路径：创建应用→配置模型与角色→设置输入输出→发布测试

2. 连接资源：知识库、工具、变量与权限

3. 运行观察：输入、节点执行、工具调用与最终结果

三、为后续Skill准备运行环境

1. 创建Agent应用，明确角色、输入和输出

2. 识别公司Dify 1.15中的Skill组件、插件、Agent策略与应用模板

3. 预留模型、工具、知识库、变量和权限配置

四、使用日志定位运行问题

1. 结果偏差：提示词、知识、工具和数据来源

2. 调用失败：参数、凭证、权限与返回格式

3. 成本过高：无效上下文、重复调用和多余轮次

同步跟练：导入统一Dify应用模板，完成配置、运行与日志查看，为后续Skill实操建立基础环境。

一、厘清Skill与相关概念的关系

1. Prompt解决一次任务，Skill沉淀一类任务的稳定方法

2. Tool提供操作能力，Skill说明何时用、如何组合、如何验收

3. Workflow预先固定路径，Skill按任务需要加载调用

4. Plugin是能力承载方式，不等同于Skill本身

二、一个完整Skill包含什么

1. 名称与描述：完成什么任务、什么情况下调用

2. 核心指令：执行步骤、判断规则、输出要求、异常处理

3. 配套资源：references（制度、术语、案例）、scripts（计算、校验程序）、assets（模板、示例文件）

三、Skill的渐进式加载与触发逻辑

1. 触发流程：读取名称描述→判断启用→加载SKILL.md→按需读取资源

2. 分层组织替代超长提示词，上下文里只留当前任务需要的内容

3. 优化手段：“应触发/不应触发”双向测试

四、什么样的业务适合沉淀为Skill

1. 重复性：稳定的处理步骤或判断方法

2. 依赖性：固定制度、规则、模板、资料或工具

3. 可验收：输出结构明确，能判断完成与合格

4. 经验含量：易遗漏步骤、经验判断、交接要求

案例拆解：在Dify应用中观察一个业务材料审查Skill，识别触发条件、执行步骤、判断规则、配套资源和人工确认点。

一、用“Skill创建助手”完成引导式创建

1. 原始输入：岗位任务、业务SOP、制度、模板和示例材料

2. 引导过程：大模型借助Skill逐轮追问，补齐场景、输入、步骤、规则与输出

3. 人机分工：Skill负责结构化引导与生成，学员确认业务事实和关键边界

二、确定Skill的合理边界

1. 不过小：不止一个机械步骤；不过大：不试图覆盖整个部门

2. 基本单位是一个完整、可验证、可独立交付的业务任务

3. 出口约定：负责什么、不负责什么、何时转人工

三、生成SKILL.md及配套资源

1. 核心文件：名称描述、触发条件、执行步骤、判断规则、输出与异常处理

2. 资源分层：制度案例入references，固定程序入scripts，交付模板入assets

3. 同步生成：资源缺口清单、正反测试用例与人工确认点

四、接入Dify并完成第 一轮调试

1. 搭建路径：打开Agent应用→挂载Skill与资源→配置模型、工具和知识库

2. 运行观察：Skill选择、工具调用和最终结果

3. 日志定位：未触发、误触发、工具失败和输出偏差

分组跟练：调用统一“Skill创建助手”，基于个人业务场景完成需求澄清、Skill初稿生成、Dify接入和一轮测试，结果通过线上表单提交。

一、测试Skill能否被准确触发

1. 正向用例：典型任务、简略表达、变体表达

2. 反向用例：相似任务、越界任务、错误需求

3. 检查与回改：不触发、误触发、重复触发→优化名称、描述与边界

二、测试Skill能否稳定完成任务

1. 正常案例验证标准路径，缺失、错误、边界案例验证异常处理

2. 对比启用与未启用Skill的输出差异

3. 评价维度：准确性、完整性、一致性、可执行性

三、建立基于运行记录的优化闭环

1. 定位：从日志找错误步骤，判断来源（模型/提示词/Skill/知识/工具/数据）

2. 修改产生错误的规则、步骤和资源，而不是反复人工改答案

3. 版本记录：新增规则、失败案例、修正经验

四、AI大赛项目的展示结构

1. 业务问题：场景选择与原有痛点

2. Skill创建：原始材料→引导追问→结构生成

3. 运行演示：任务识别→Skill调用→结果形成

4. 测试证据：正常、异常、不应触发场景的验证结果

5. 应用边界：权限、人工确认、风险控制、下一步计划

综合练习：基于个人业务场景，调用“Skill创建助手”完成需求澄清、SKILL.md及配套资源生成、测试用例设计和Dify运行验证；课后继续补充资源、数据和展示材料，逐步形成参赛原型。

抽样点评：从线上提交结果中选取典型案例，集中点评Skill边界、引导过程、触发描述、执行步骤和输出标准。