AI产品经理如何让智能体真正懂业务？Agent Skills 实践解析

为什么通用智能体总显得“不懂业务”？

很多AI产品经理都遇到过这样的场景：把业务问题丢给智能体，它也能搜索、能调用工具、能生成图表，但产出的结果放在真实业务场景里就是“不够专业”。问题的根源不在于智能体不会用工具，而在于它不知道在什么时机、以什么组合、按什么顺序去编排这些工具。

据B站UP主的分析，function calling 和 MCP 协议解决的是“能做什么”的问题——让AI可以调用搜索、数据生成等原子能力。但一个真正的业务专家，价值不止于操作工具，更在于掌握业务逻辑和业务流程。通用智能体接到任务后，往往按通用思维惯性走一遍搜索、归纳、总结的流程，流程本身挑不出毛病，却缺少符合行业要求的分析框架、严谨的数据对比和分维度统计，结论自然随意。

这正是“通用处理逻辑”与“专业要求”对不上的核心矛盾。

Function calling（函数调用） 是大语言模型与外部工具交互的基础机制：开发者预先定义一组函数（如搜索、计算、数据库查询），模型根据用户请求判断是否需要调用、调用哪个函数、传入什么参数，并基于返回结果继续生成。它解决了模型“能做什么”的边界问题，但调用顺序和组合逻辑仍由模型的通用推理决定。MCP（Model Context Protocol，模型上下文协议） 则是由 Anthropic 提出的开放协议，旨在标准化 AI 应用与外部数据源、工具之间的连接方式，让不同工具以统一接口暴露给模型。两者都聚焦于“能力接入”，而非“业务编排”，因此通用智能体即便工具齐全，也容易因缺乏行业流程知识而产出不专业的结论。

Agent Skills：把专家经验封装成AI可执行的手册

Agent Skills 的思路不是让智能体自由发挥，而是把行业专家的经验、流程和执行标准写进一个AI能理解、能照做的文件里，通常以 Skill.md 的形式存在。它本质上是给智能体配了一份详尽的“业务专家技能工作手册”。

以“分析国产芯片行业发展情况”这个任务为例，一个封装了行业分析技能的 Skill 不会只写一句“用于分析行业要求”，而会明确规划出标准的操作顺序：

第一步：分维度数据收集

按照设计、制造、封装测试、设备与材料等不同维度分别搜集信息，每个维度下有哪些公司、各家在营收、产业能力、技术突破上的关键信息，分门别类地查找，而不是笼统地搜一遍。

第二步：数据分析与对比

把收集到的数据按维度制作成对比表格，做归纳汇总和对比分析，先整理出能够初步分析得出的结论。

第三步：按规范撰写行业报告

报告必须按照规定的章节组织，比如概述、分维度分析、机遇与挑战、结论，并在特定章节插入有代表性的图表和表格。Skill 末尾还会列出常见错误，帮助规避风险。

Skill.md 是一种以 Markdown 编写的技能描述文件，通常包含技能名称、适用场景、执行步骤、输出规范、示例和常见错误清单等结构化内容。它不同于微调或提示词工程：微调改变模型权重，提示词工程依赖单次对话的上下文，而 Skill.md 是独立于模型的可复用资产，可被智能体在运行时加载并逐步遵循。这种“文件即技能”的形式降低了知识封装门槛，业务专家无需编写代码即可将流程沉淀为 AI 可读的指令，也便于版本管理和跨平台迁移。

行业分析框架 是专业分析师常用的结构化思维工具，例如 SWOT 分析、波特五力模型、PEST 分析以及按产业链上中下游分维度拆解等。通用智能体往往缺乏这类框架意识，容易陷入“搜索—归纳—总结”的扁平流程，导致分析维度缺失、对比不严谨。Agent Skills 通过将框架显式写入 Skill.md，强制智能体按维度收集数据、按表格对比、按章节组织报告，从而把隐性的分析框架转化为可执行的检查清单，这正是专业报告与通用摘要之间的关键差异。

范式变化：从“工具调用”到“标准执行”

两种模式的本质区别在于：传统工具调用模式是把工具交给AI，让它自己决定怎么分析；Agent Skills 模式是告诉智能体“必须按照这份顶级行业分析师的手册一步一步执行”。

这种改变直接命中行业落地的核心痛点：

结果可靠性与一致性。无论谁调用这个技能，产出的报告都遵循同一套专业标准和章节顺序，总结形式固定，可以作为公司、技术部门或小组共用的标准。

行业知识沉淀。行业经验和流程被固化在可读性很强的技能包里，如果来源是多位资深从业者，新员工或其他平台可以快速加载使用，多年积累的能力得以传递。

调试与开发成本降低。用户不再需要多轮调试、反复“鸡同鸭讲”地对话，智能体一次就能按专业标准执行。这在 AI coding 和智能体开发中是非常受欢迎的模式。

对AI产品经理的启示

Agent Skills 的价值不只是技术方案，更是一种产品思路：与其期待通用模型自己“悟”出业务逻辑，不如把业务逻辑显式地写下来、结构化地交给它。产品经理在这个过程中的角色，是把散落在业务专家头脑中的流程、标准和易错点提炼成可执行的技能文件——这本身就是一种高质量的行业信息注入。

当智能体能够稳定地按专业手册执行任务时，AI 产品才真正从“能用的玩具”走向“可落地的业务工具”。