第１章 AI Agent 的进化：从提示词到“可组合能力”
1.1 从系统提示词到工具调用 2
1.1.1 早期模型的局限性 2
1.1.2 智能体的出现：从“百科全书”到“数字员工” 2
1.1.3 系统提示词：一份“岗位说明书” 3
1.1.4 工具调用带来的“动作能力” 3
1.1.5 标准化连接：MCP 4
1.2 为什么“大而全的提示词”不再适用 5
1.2.1 token 的使用成本与上下文污染 5
1.2.2 可维护性灾难 5
1.2.3 可复用性差：团队无法积累知识资产 6
1.3 模块化能力的必然性：Skills 的角色 7
1.3.1 把“经验”固化为流程 7
1.3.2 把“规范”变成可执行约束 7
1.3.3 将“复杂任务”拆解为可组合模块 9
1.4 本章小结 10
第 2 章 初识 Skills：它到底是什么
2.1 Skills 定义：给模型装上“参考手册” 12
2.1.1 Skills 的最小单元是什么 12
2.1.2 Skills 与提示词库的区别 13
2.1.3 Skills 与 Agent 的协作机制：调用关系解析 15
2.2 核心价值点：省 token、可复用、可治理 16
2.2.1 减少重复解释 16
2.2.2 知识复用与团队协作 18
2.3 Skills 的适用边界 20
2.3.1 一次性任务 vs. 可复用任务 20
2.3.2 高度不确定的探索型任务 21
2.4 本章小结 22
第 3 章 技术架构解析：Skills 如何被“查阅”与“执行”
3.1 文件结构：SKILL.md 与资源文件的协同 24
3.1.1 技能包的目录组织最佳实践 24
3.1.2 SKILL.md：Metadata 与 Instructions 27
3.1.3 资源文件：模板、脚本、示例 29
3.2 渐进式披露机制 30
3.2.1 为什么不能一次性将所有技能塞进上下文 30
3.2.2 触发与检索：模型如何决定“要不要调用这个技能” 32
3.3 “可控性”设计：约束模型按流程做事 33
3.3.1 步骤化工作流与检查点 34
3.3.2 输出格式规范：表格、JSON、文档结构 34
3.3.3 防幻觉机制：引用、核验与失败回退 35
3.4 本章小结 36
第 4 章 Skills 与 MCP：Know-how 与连接能力的分工
4.1 “菜谱”与“厨具”：Skills 与 MCP 的本质区别 38
4.1.1 Skills 负责流程与标准 38
4.1.2 MCP 负责连接与执行 38
4.1.3 为什么两者会被混淆 40
4.2 协同作战：用 Skills 指挥 MCP 工具干活 41
4.2.1 Skills 是“SOP 说明书”，MCP 是“万能工具箱” 41
4.2.2 Skills 通过命名空间与权限控制调用 MCP 42
4.3 选型与架构决策清单 43
4.3.1 什么时候优先写 Skills 43
4.3.2 什么时候优先做 MCP 连接 44
4.3.3 什么时候两者都需要 45
4.4 本章小结 46
第 5 章 构建开发环境：从个人到团队的工程化配置
5.1 本地开发：在 Claude Code 环境中组织 Skills 48
5.1.1 目录约定与命名规范 48
5.1.2 本地资源引用与相对路径策略 49
5.1.3 最小可运行技能包（MVP） 49
5.2 企业落地：多团队共享与权限边界划分 50
5.2.1 技能库的划分 50
5.2.2 Skills 的版本控制与审核 56
5.3 开发者体验：调试与日志 57
5.3.1 技能触发日志怎么看 57
5.3.2 常见报错与快速定位 60
5.4 本章小结 61
第 6 章 构建高质量的 Skills：协议定义与流程编排
6.1 接口层设计：元数据与路由策略 64
6.1.1 路由优化设计：触发词与“短入口”技巧 64
6.1.2 输入输出协议 65
6.2 逻辑层编排：让模型听话的指令结构 67
6.2.1 结构化流程 67
6.2.2 样本工程（Few-Shot）：正确示例与错误示例的编写 69
6.2.3 异常流处理：失败回退机制与人工介入 70
6.3 工程化规范：可维护性与风格统一 71
6.3.1 目录结构与命名公约：避免冲突的最佳实践 71
6.3.2 必须避免的反模式：逻辑死循环与模糊指令 72
6.3.3 模块化复用：引用公共片段与子流程 73
6.4 本章小结 73
第 7 章 能力扩展：集成代码资源与动态模板
7.1 动态执行能力：脚本文件集成 76
7.1.1 脚本沙箱与环境 76
7.1.2 参数映射与校验 79
7.1.3 结果回传处理 80
7.2 数据查询能力：SQL 与知识库挂载 81
7.2.1 安全查询模板： 参数化查询与防注入设计 81
7.2.2 大数据量处理策略 82
7.2.3 知识库挂载策略 82
7.3 外部资源管理能力 85
7.3.1 静态资源挂载：渐进式披露的工程实践 85
7.3.2 如何引用外部资源 85
7.4 本章小结 86
第 8 章 交付保障：调试、安全与测试评测
8.1 调试与诊断：看懂模型的“思考过程” 88
8.1.1 触发失败归因 88
8.1.2 链路追踪 89
8.1.3 常见报错排查 92
8.2 安全与合规红线 93
8.2.1 防御性提示词 93
8.2.2 敏感信息的脱敏与权限隔离 95
8.2.3 输入输出审核机制 96
8.3 质量评估与上线 99
8.3.1 单元测试集的构建 99
8.3.2 质量评估的核心指标 101
8.3.3 回归测试与版本对比 104
8.4 本章小结 104
第 9 章 释放数据生产力：自动化文档与报表生成
9.1 场景拆解：报表从哪里来、交付的是什么 108
9.1.1 数据源全景 108
9.1.2 业务上下文与指标口径基准 113
9.1.3 交付物定义 117
9.2 动手实战 119
9.2.1 数据获取策略 119
9.2.2 确定性计算：构建 Agent 的业务计算插件 123
9.2.3 推理编排：构建智能体的 SOP 大脑 130
9.2.4 模板渲染：工业级文档的最后拼图 133
9.3 闭环与进化：工业级 Agent 的稳定性与进化 136
9.3.1 防御性设计：构建系统稳定性防线 136
9.3.2 测试与迭代：构建持续进化的能力 140
9.4 本章小结 148
第 10 章 数据科学实战：端到端自动化数据清洗
10.1 数据清洗的通用流程与陷阱 150
10.1.1 缺失值、异常值、重复值 150
10.1.2 口径一致性 157
10.1.3 隐私安全与防泄露机制 160
10.2 动手实战 164
10.2.1 数据输入和输出的标准化定义 164
10.2.2 数据抽取：构建智能抽取器 168
10.2.3 完整的 Skills 定义与目录结构 173
10.3 质量评估体系 176
10.3.1 批处理流水线的构建 176
10.3.2 基于日志的异常管理 177
10.3.3 构建金标准验证集 179
10.4 本章小结 180
