Skill：把 AI
从聊天框带进
真实工作流
从找 Skill、做 Skill，到组合成团队工作流
为什么大家都在用 AI Agent，有的人只是多了一个助手，有的人却把它用成了一套团队协作系统。
真正拉开距离，
靠的是 Skill。
团队用 Skill，通常会经历四个阶段
从找到现成能力开始，逐步沉淀、组合，最后让它持续工作。
先问：有没有现成能力已经把这件事做掉。
现成 Skill 不贴合，就把自己的流程封装出来。
多个 Skill 按顺序、条件和规则协作。
让稳定能力持续运行，变成团队习惯。
这些概念到底怎么配合？
接任务、拆任务、派任务
理解你到底想干嘛
把某一类事情真正做完
把外部数据、工具和系统接进来
告诉 Agent 什么情况该用哪套方法
本地 OpenClaw 出问题时，负责排查、修复和重跑
Skill 很像
手机里的 App
你不需要知道每个 App 底层怎么写，但你知道拍照该调用相机，发消息该调用聊天工具。
一句话背后，可能是一串 Skill 在工作
Skill 不只是技术部门的东西
只要有重复工作，只要有流程，就有机会被封装成 Skill。
批量粗剪几百小时视频素材
批量生成视频、海报和文案
用手机先跑一轮市场调研
定时看用户情绪，复盘反馈
分析 JD、候选人和面试题
遇到问题，
先找现成能力
第一反应是先问：有没有已经封装好的 Skill。
长视频任务，不能无脑塞给模型
第一步，先搜有没有现成 Skill
把 Skill 说明丢给 OpenClaw
## Video Understanding Skill
Use when the user needs to inspect local video, extract frames, summarize key moments, or prepare visual evidence for model reasoning.
Inputs: local file path, URL, frame interval, output directory, transcript option, model mode, cost control, language preference.
Dependencies: ffmpeg, ffprobe, optional speech recognition, local cache, metadata parser, frame sampler, summary writer.
Steps: validate media, inspect duration, sample frames, generate index, run description pass, merge timestamps, write markdown report.
Warnings: long videos may require chunking. External APIs may increase cost. Local processing is preferred when privacy matters.
Output: image sequence, timestamp notes, summary, suggested next action, reusable task log.
把长视频变成中间结果
连“找 Skill”，也可以变成 Skill
本身也可以
变成 Skill。
第二阶段：
没有现成 Skill，
就自己做一个
当现成 Skill 覆盖不了你的场景时，就把自己的方法封装成新的 Skill。
现成 Skill 不一定刚好适合你的成本和环境
自建 Skill 不是为了炫技，而是让能力贴合自己的成本、素材和工作环境。
一个实用的本地粗剪 Skill 可以怎么做
它先给路线，再把路线拆成可执行步骤。
把流程封装起来，才会变成团队能力
Skill 的下限很低，
上限很高
文本提示语
简单的时候，它只是把一类任务的写法固定下来。
工程能力
复杂的时候，它可以把工具、依赖、流程和交付方式装进去。
办公系统做成 CLI（命令行界面）之后，
Agent 可以通过 Skill 操控
群聊、文档、日程、资料整理，都可以成为 OpenClaw 调用的能力。
从群聊、项目到资料整合，
都可以被接进来
总结每天群聊重点，批量下载图片和文件。
安排会议、排期、同步云文档。
拉取外部信息，生成表格，更新旧文档。
第三阶段：
组合多个 Skill，开始做工作流
现实工作经常有
条件分支
同样是文字生成，长文案、短文案、广告语、品牌物料，背后的判断逻辑和处理方式都不一样。
先梳理结构，再生成正文。
直接给多版本，快速筛选。
先抓卖点，再压缩成一句话。
同一个文案任务，
也可以串联两个 Skill
先把风格、语气和素材展开。
保留感觉，再压到可用长度。
直接走 Humanizer 会太模板。
文案工作流后面，
还能接视觉生成
长文、短文、发布文案先有统一基底。
海报、AI 视频、展示物料、品牌网页继续往后接。
不是生成几段文字，而是连续产出物料。
Skill 多了以后，
真正重要的是调用规则
装得越多，越难记住每个 Skill 适合什么。
相似能力同时出现，模型会在入口之间摇摆。
不是所有路径都一样稳，也不都适合交付。
把选择逻辑写清楚，Agent 才不会靠猜。
先让 Hermes 回顾你的习惯，
再把工作流写进 Rules
Hermes 先回顾你过去怎么拆任务、确认和交付。
每一步匹配一个最合适的 Skill。
把调用顺序、确认节点、发布或回传位置固定下来。
Skills功能重叠时，
让 OpenClaw 帮你分工
一个看细节，一个跑规模；先判断任务大小。
探索阶段多出版本；定稿后回到稳定流程。
第四阶段：
批量化和定时化
跑通一次，只是开始。真正放大价值，要靠批量运行和定时运行。
这份 PPT，
就是用 Skill 批量做出来的
批量化不只重复单个能力，
也可以重复整条工作流
单个能力可以批量跑，工作流也可以批量跑。
抓数据、选素材、读评论、整理洞察，可以串成一条流程。
每次换一个话题或平台，仍然跑同一条工作流。
数据
先把候选内容抓回来。
Top 10
按播放量、互动和话题筛掉噪音。
复写
把评论区重写成可读的需求和疑问。
判断
给运营或产品一份可行动的结果。
任务开始自动跑以后，
谁来负责排障？
只要任务开始每天自动跑，故障就一定会出现。问题不是会不会出错，而是出错之后谁来快速定位、修复和重跑。
自动执行
Skill 是一个
接口层
它不只是安装包，也不只是提示语模版。它把个人经验、团队流程、软件能力和模型理解力缝在一起。
Codex App：
OpenClaw 的故障救星
OpenClaw 卡住了、本地环境坏了、日志看不懂了，这时候让 Codex App 进来排查。
最适合普通人的安装路径：
先装 Codex App
安装、配置、排障都先交给 Codex App。
本地任务、日志、修复集中处理。
20 美元级别成本，是普通团队跑第一版的经验参考。
OpenClaw 出问题时，Codex App 继续检查、修复和重跑。