企业愿意采购一个 Skill，看中的不是某个场景被做成了 Skill，而是它背后的稳定性与可迁移性。这篇从一次 AI 化落地咨询出发，给出企业级 Skill 的四个要素——明确触发条件、确定性执行环节、可验证交付物与可维护机制，以及它的恒等式。

这是本系列第二篇。上一篇我们讲了 Skill 是什么、怎么被发现和调用。这篇我们来换一个工程视角，来看看什么样的Skill才算是企业级 Skill？

01 企业级 Skill 的定义

首先这次文章来源于我最近去一家企业进行AI化落地的咨询，通过这次的咨询我的最大一个感受是：

企业愿意采购一个 Skill，看中的是它背后的两样工程属性，而不是某个场景被做成了 Skill这件事，怎么理解呢？其实就是这两样：

1. 稳定性（Stability）：跑一百次，至多允许有一两次结果抖动，比如模型偶尔格式写错，还能接受；但是发错对象、算错金额、失败了还不吭声，这绝对不行。
2. 可迁移性（Portability）：换底层模型、换平台，行为都不掉链子。这一点直接逼出一个结论：凡是确定性的执行，都得下沉成工具。模型层可以随便换，工具层保持不变。

综合这两点，可以给出企业级 Skill 的工作定义。一个企业级的skill必须由四个要素组成：明确的触发条件、确定性的执行环节、可验证的交付物、可维护的机制。

02 核心公式：Skill 的恒等式

那么落地下来怎么样的skill才算企业可用的呢？我们先把本质写成一个式子：

Skill ≡ U(需求) ∘ T(执行) ∘ M(结论)

其中 U指大模型对用户需求的理解，处理那些没有唯一答案的环节；T 指工具的执行，输入定了输出就定了；M表示按先后顺序组合起来。

这个式子说的是：模型擅长两类非确定性的活，一类是把自然语言翻译成结构化意图（U），另一类是把执行结果组织成人话（M）。夹在中间的那段「执行」则必须确定：输入定了，输出就定了。它还得满足两条工程性质：

1. 幂等性（Idempotency）：同样的输入，必须得到同样的输出。让模型「算一下」没有这个性质，同一句提示词问两次，可能给你两个结果。
2. 可观测性（Observability）：每次执行都要留下结构化的日志和回执，失败能被监控抓到，而不是悄悄回一句「完成」了事。

举个这次我去咨询的真实例子。这家企业说原来的 Skill经常会抽风把用户群找错，事实上呢？是因为这家公司的SKILL把选群放在大模型自由发挥环节，让大模型根据名字来自行匹配，等于把执行里的一部分交给了不确定的模型判断，幂等性就此被破坏。

因此我给他们的修法不是让模型更聪明，而是把选群变成工具内部的一次查表：业务名进去（模糊查询），群 ID 出来，模型手上根本没有选错群的余地。

所以我们由此得出一条实操经验：凡是需要输出确定、可复现、不该有想象空间的结果，都要交给工具去固化；凡是模糊、要给人看、要推理的，才留给模型。

03 模型与工具的边界：三条下沉判据

具体来说哪些动作该从模型手里挪到工具？下面我给大家提供三条判据。

判据一：要求结果分毫不差、不能出错。

像税率计算、网页抓取、金额换算、日期和时区处理这类事，本质都是输入定了，答案就唯一的确定动作。交给模型等于用概率去换精度，方向从一开始就错了。

举个例子，有团队让模型算上季度环比，模型自己编了套算法，数字看着挺合理，财务一对账却对不上。正确做法应该是把企业内部自己的口径计算做成一个工具，让大模型直接用这个工具去重复计算。

判据二：不想每次重造轮子。

像数据拟合、格式转换、批量清洗、复杂查询构造这些活，如果每次都让模型现推，代价有三重：一是烧 Token，不划算；二是质量随随机性波动，不稳定；三是踩过的坑沉淀不下来，攒不成资产。

比如同一套清洗逻辑，A Skill 里写一遍，B Skill 里又写一遍，两次还不一致。把它抽成一个共用的清洗工具之后，全公司都用它，改一处就全生效这就从单点使用成为了企业资产。

给大家分享一个我自己咨询中总结的小技巧：去看看SKILL中提示词祈使句密度，比如一定要先XX，这类话写得越多，越说明这件事该做成工具。提示词是用来告诉模型调哪个工具的，不是用来约束它的；约束是工具该干的活。

判据三：公司已有系统的，不让模型想办法。

像 OA 提报、ERP 单据、库存查询、消息发送这些，公司一定有现成接口，那就可以直接使用接口结果。

比如前面提到的让模型自己发到对应的群，它只能靠群名的字面意思去猜；改成在工具里写死一张业务名到群 ID的对照表，模型只负责传业务名，越权的空间就没了。

同一件事到底该谁做，可以查一张职责矩阵（图 2）：动作、归属、为什么、做错后果，四列一目了然。

所以建议大家记住一条边界：凡是公司已有系统的，Skill 里就别让模型绕开系统。模型只决定「调哪个」，工具永远负责「怎么执行」。

04 端到端实例：竞品商品价格监控

把上面这些规则落到一份真实的 Skill 上，我们来看看怎么落地。

需求是：盯一下那几个对手的最近价，每周跑，涨超 5% 就提醒我。

顺着前面那个式子，把它拆成六步：

我们仔细来看

我们可以看到在当前企业中，几乎是每把一个动作从模型下沉到工具，对应环节的出错概率就趋近于零，整体事故率随之下降。这就是典型的用工程手段来托底整个系统下限。

回到这个例子：六步里，模型只在第 ① 步和第 ⑥ 步自由发挥，中间四步几乎不出错。所以换模型、换平台，监控结果都不变；模型偶尔抽风，顶多发得难看点，数据一定是对的，这才是企业中真正可控的AI化改造。

05 最后

我想说不管是个人还是企业，我们一定要记住要学会把写进 Skill改成沉淀成资产，同一个坑踩到第二次，就该把它变成一个工具函数，而不是把提示词写得更长。Skill 越写越长，往往不是变厉害了，而是在不该用文字的地方硬堆文字。