AI 基本概念与 Skill 实战：零基础入门到企业级智能体落地的完整指南

一、什么是 AI？—— 别再被名词搞晕

先讲一个真实场景：某传统制造业老板参加了一场 AI 大会，听到一堆术语——”大模型””AIGC””智能体””RAG””MCP”——回来跟 IT 经理说”咱们也上个 AI”。IT 经理一脸懵：到底上什么？买大模型？买 AIGC？自己做智能体？预算 50 万够不够？

这种情况在 2024-2026 年太常见了。AI 领域最大的门槛不是技术，而是名词。同一件事换几个马甲能说三遍，外行根本分不清。本文第一件事就是把名词讲清楚。

1.1 AI、AIGC、AGI、GAI 四个概念的区别

• AI（人工智能）：最大概念，1956 年提出，所有让机器”模拟人智能”的技术都算 AI
• 判别式 AI：2022 年之前的 AI 主流，只能基于数据给确定结论。比如人脸识别（是不是你）、垃圾邮件识别（是不是垃圾）——只会判断，不会创造
• 生成式 AI / GAI（Generative AI）：能自己”创造”新内容的技术。比如 ChatGPT 写文章、AI 画图、AI 生成视频——这是”生产线”
• AIGC（AI Generated Content）：GAI 生产出来的”产品”——文章、图片、视频、代码。AIGC 是内容，不是技术
• AGI（通用人工智能）：理论上啥都能干的 AI，目前还不存在。OpenAI、Google DeepMind 的长期目标

一句话总结：我们用 GAI（技术/生产线）生产 AIGC（内容/产品）。现在常说的”AI 工具”，主要就是指能生成各类内容（AIGC）的 GAI 应用。

1.2 大语言模型 LLM 是什么

在 2022 年之前，AI 主要是”判别式”——判断这张脸是不是你、这封邮件是不是垃圾、这笔交易是不是欺诈。但 ChatGPT 改变了一切：它可以根据你的输入自己组织语言，创造新内容。ChatGPT 用的底层技术叫”大语言模型”（Large Language Model，缩写 LLM）。

市面上常见的大语言模型：

厂商	代表模型	特点
OpenAI	GPT-4 / GPT-4o / o1 / o3	综合最强，闭源
Anthropic	Claude 3.5 / Claude 4	长文本、编程强
Google	Gemini 1.5 / 2.0	多模态原生，免费
Meta	Llama 3.1 / 3.2	开源，可本地部署
阿里	通义千问 Qwen 2.5	中文优化，开源
字节	豆包	C 端免费，性价比高
深度求索	DeepSeek V3 / R1	推理强，开源
月之暗面	Kimi	长文档检索，C 端免费

大语言模型为数字化世界提供了”思考”能力——以前的所有计算机程序只会判断（if-else），不会思考。这是 AI 革命的核心。

1.3 Token 是什么

在 AI 模型眼中，语言的基本单位叫 Token（词元）。”人工智能故事书”这段话虽然有 7 个汉字，但在 AI 眼中会作为 4 个 token 处理：

• 一个汉字 ≈ 1-2 个 token
• 一个英文单词 ≈ 1-3 个 token
• 一段代码 ≈ 比纯文本多 30-50% 的 token（标点、缩进都算）

Token 直接关系到费用：OpenAI 的 GPT-4o 输入价格约 $2.5/百万 token，输出约 $10/百万 token。一篇 1 万字的中文文章（约 1.5 万 token）走 GPT-4o 总结一次，成本约 ¥0.2。

二、AI 基础概念词典 —— 17 个名词一次讲透

这一节是本文最重要的”速查表”——把这 17 个名词记牢，跟同行聊 AI 不会露怯。

2.1 提示词 Prompt / 提示词工程 Prompt Engineering

我们发给大语言模型的”内容”，用来指挥它干活的这些指令，叫提示词（Prompt）。”提示词工程 Prompt Engineering”就是研究如何向大语言模型发送指令，才能指挥它更好地完成工作的工程。

提示词的好坏直接决定 AI 输出质量。同样问”如何提升销售额”：

• ❌ 烂提示词：”怎么卖东西？”——AI 会给一堆废话
• ✅ 好提示词：”我是 SaaS 产品销售经理，客单价 5 万 Q1 目标 1000 万，目前 Q1 进度 40%。请基于’客户行业+决策角色’两个维度，列出 5 个 Q2 提升销售的具体打法，每条 200 字内，可执行。”

2.2 上下文 Context / 上下文窗口 Context Window

上下文（Context）就是决定当前这句话真实含义的全部相关背景信息与历史对话记录。上下文窗口（Context Window）是 AI 在单次任务中，最多能同时记住和处理的文本总长度。

主流大模型的上下文窗口：

模型	上下文窗口	约等于多少汉字
GPT-4o	128k tokens	~9 万汉字
Claude 4 Sonnet	200k tokens	~15 万汉字
Gemini 1.5 Pro	2M tokens	~150 万汉字
通义千问 Qwen 2.5	128k tokens	~9 万汉字

上下文窗口越大的模型，能”记住”的对话历史或文档越长。Gemini 1.5 Pro 能一次性塞进一整本《三国演义》原文。

2.3 智能体 AI Agent / 工具 Tool / 技能 Skill

这三个概念最容易混，它们的关系是”大脑+手+操作手册”：

• 智能体（AI Agent）= 大语言模型（大脑）+ 工具（手和脚）+ 记忆（持久上下文）。给它一个目标，它能自己拆解步骤、调用工具、最终搞定
• 工具（Tool）= 给 AI 用的软件。比如浏览器、邮件客户端、代码编辑器、数据库查询
• 技能（Skill）= 完成特定任务的”操作手册 SOP”，专门给 AI 看。比如”写周报 SOP””招简历筛选 SOP”

一个经典的比喻：

• 没有 Skill 的 AI = 一个聪明的大学生，什么都知道一点，但干活没套路
• 装了 Skill 的 AI = 一个有 10 年经验的老师傅，脑子里有一套完整 SOP

2.4 RAG 检索增强生成

RAG（Retrieval-Augmented Generation）= 检索 + 生成。先用关键词从知识库里检索出相关内容，再让大模型基于检索到的内容生成回答。

为什么要 RAG？因为大模型有 3 个固有问题：

• 知识截止：训练数据有截止时间，不知道最新事件
• 幻觉：大模型基于概率工作，会”一本正经地胡说八道”
• 私有知识缺失：不懂公司内部数据

RAG 的解法：把公司文档、产品手册、历史工单喂给向量数据库，AI 回答前先检索相关内容，再基于检索内容回答。相当于让 AI “开卷考试”。

2.5 驾驭工程 Harness

Harness（驾驭工程）在 AI 领域指：如何才能有一整套机制/工具/方法，来持续盯着 AI 模型，让它在执行复杂任务的过程中持续在正确的方向和轨道上不跑偏。

公式：Agent = Model(LLM) + Harness。提示词（Prompt）、上下文（Context）、工具（Tool）都是 Harness 的一部分。

实操中 Harness 包含：

• 提示词模板（决定 AI 的角色和输出格式）
• 上下文管理（决定 AI 看到哪些资料）
• 工具调用协议（MCP/Function Calling）
• 异常处理（AI 答不上来时的降级方案）
• 审计日志（记录 AI 每次决策的依据）

2.6 其他高频术语

• CLI（命令行界面）：通过键盘命令操作电脑。最著名的 AI CLI 工具是 Claude Code 和 Codex
• Claude Code：Anthropic 出品的 AI 编程工具，底层是一套通用 Agent 平台
• Codex：OpenAI 出品的 AI 编程及 Agent 平台，Claude Code 的主要竞品
• GPU（图形处理单元）：相比 CPU 擅长高并发的简单浮点运算，是训练大模型的核心硬件
• 幻觉：大模型基于概率计算工作，有时会”一本正经地胡说八道”，这种现象称 AI 幻觉
• 神经网络：类似人大脑内部的物理结构，故称人工神经网络
• 机器学习：不断的”试错”过程，最终试出一套靠谱的模型
• MCP（模型上下文协议）：AI 与各种外部工具之间的通用接口协议，相当于 AI 工具界的 USB 标准
• Workflow（工作流）：把多步任务编排成一个可重复执行的流程
• Tool Calling（工具调用）：AI 自动决定调用哪个工具并传入什么参数
• 多模态 Multimodality：支持文本、图片、音频、视频等多种输入输出形式

三、Prompt、Skill、Agent、MCP、Harness 协同架构

5 个核心概念的关系可以用一句话总结：Prompt 是临时指令、Skill 是永久手册、Agent 是大脑+手脚的集合体、MCP 是工具调用标准、Harness 是 Agent 的驾驭系统。

它们协同工作的流程：

1. 用户输入 Prompt：”帮我做一份产品汇报 PPT”
2. Agent 调度：Agent 接到任务，根据 Prompt 关键词匹配到”PPT 生成 Skill”
3. Skill 加载：读 SKILL.md 全文，按 SOP 拆解任务（数据在哪、模板是什么、风格如何）
4. MCP 协议调用：用 MCP 协议调数据接口读 Excel、调 PPT 模板引擎生成 PPT
5. Harness 监督：全程检查输出质量，异常时降级（如数据读不到 → 用预置示例数据）
6. 输出交付：交付 PPT 文件给用户

没有 Harness 的 Agent 容易”放飞自我”，没有 Skill 的 Agent 容易”啥都做不精”，没有 MCP 的 Agent 是”信息孤岛”，没有 Prompt 的 Agent 是”听不懂人话”。

四、什么是 Skill —— 把工作经验写成 AI 使用说明书

Skill 是一套可复用的工作流系统，它把”完成某件事的完整逻辑”打包进一个文件结构，让 AI 每次调用时都知道该做什么、按什么顺序做、哪些事绝对不允许做。

如果提示词是一条口头指令，那 Skill 就是一本操作手册——带流程图、带约束清单、带知识库、带异常处理规程。口头指令靠的是对方的理解，操作手册靠的是系统的确定性。

4.1 Skill 文件夹结构（4 件套）

创建 Skill 本质上就是在电脑上创建一个文件夹，标准结构：

• SKILL.md（必须）：写清楚这个 Skill 是干嘛的、什么情况下触发、怎么一步步执行——AI 的行动指南
• references/（可选）：放知识文档。比如分析方法论、行业术语表。AI 需要时才读，不占对话空间
• scripts/（可选）：放 Python/Shell 脚本。需要精确计算、批量处理时用，比提示词可靠
• assets/（可选）：放模板文件，比如报告模板、Excel 格式、品牌图片。AI 直接拿来填内容

简单记忆：SKILL.md 是说明书、references 是参考书、scripts 是工具箱、assets 是模板库。

4.2 提示词 vs Skill

对比项	提示词 Prompt	技能 Skill
生命周期	临时指令，用完就没	永久手册，随时召唤
复用性	下次还得重新说	一次写永久用
形式	一段话	文件夹（SKILL.md + references + scripts + assets）
知识库	无	可挂载 references 知识文档
脚本	无	可挂载 Python/Shell 脚本
适用场景	一次性任务、临时探索	高频重复、有 SOP 的任务

4.3 必装 Skill 清单（2026 推荐）

无论用哪个 AI 智能体平台，下面这些 Skill 是企业高频使用必备：

• 浏览器自动化：自动打开网页、填表、抓取数据、跑流程（竞品监控、表单批量提交、网页巡检）
• 多模态内容生成：文生图、文生视频、文生 3D
• 数据可视化：把 Excel/CSV 转成交互式图表（周报、调研、数据看板）
• 网页开发：根据需求生成完整网页（落地页、仪表盘、作品集）
• 网页访问：连接浏览器读取或操作网页（动态页面、登录后页面）
• 视频下载：下载视频、音频或字幕（素材收集、离线学习、字幕提取）
• AI 资讯聚合：聚合并整理 AI 行业资讯（每日简报、选题追踪）
• AI 写作痕迹优化：减少中文稿件的 AI 写作痕迹（公众号、邮件、脚本润色）
• Skill 安全审计：装 Skill 前检查代码与权限风险
• Skill 创建工具：自动生成/更新 Skill

强制审计规则：从市场或外部安装 Skill 前，必须跑安全审计：

• P0 风险 → 强烈警告，建议不装
• P1 风险 → 警告并要求确认
• P2 安全 → 正常安装

4.4 3 步搭一个 Skill（以”每日数据摘要”为例）

场景：你每天需要把某个数据文件里的关键指标汇总成一段话发到企业群。手动操作每次 5-10 分钟，用 Skill 可以一句话触发、30 秒出结果。

Step 1：创建 Skill 目录和文件

mkdir -p ~/.ai-skills/daily-summary
touch ~/.ai-skills/daily-summary/SKILL.md

Step 2：编写 SKILL.md

---
name: daily-summary
description: 读取数据文件，生成每日关键指标摘要，格式化为企业消息。当用户说"生成今日摘要"或"汇总数据"时触发。

# 每日数据摘要 Skill
## 触发条件
用户提到"生成今日摘要"、"汇总数据"、"每日报告"。
## 执行流程
1. 读取工作目录下的 data.csv 文件（或用户指定）
2. 提取字段：日期、总销售额、新增用户数、活跃用户数
3. 计算环比变化（与前一天对比）
4. 生成不超过 200 字的中文摘要，格式：
   【今日数据摘要】
   日期{日期}
   销售额：{金额}（{环比符号}{变化率}）
   新增用户：{数量}
   活跃用户：{数量}
   一句话小结：{核心洞察}
5. 输出摘要后询问是否发送到企业群。
## 注意事项
- 文件不存在时提示用户指定路径
- 环比变化超过 20% 加"⚠️"标注
- 输出为纯文本，不含 Markdown

Step 3：调用和测试

在 AI 智能体对话框输入：生成今日摘要

AI 自动匹配到 daily-summary Skill，按 SOP 执行，几秒钟出结果。

五、Skill 实战案例 · 6 大场景

案例 1：自动写周报 Skill

场景：销售团队每周五提交周报，格式不统一、质量参差不齐，经理收集统计耗时 2 小时。装一个”自动写周报 Skill”后：

• 格式要求：不写废话、每条任务必须包含”做完了/进展中/遇到阻碍”、每条不超过 2 行、重点任务前面加 ⭐ 标记、最后附”下周计划”
• 使用方式：销售在 AI 助手输入本周工作总结，AI 自动按 SOP 整理成标准周报

完整 SKILL.md 内容生成方法：直接对 AI 说：”我希望做一个写周报的 Skill，规则是：不写废话、每条不超过 2 行、重点任务加标记、最后附下周计划。帮我生成 SKILL.md 的内容。” AI 会自动生成初稿，微调确认即可。

案例 2：合同风险审查 Skill

场景：销售/采购上传合同 → AI 自动审查 → 标出风险条款 → 法务再终审。原本一份 50 页合同的审查要 2-3 小时，AI 5 分钟内出初版报告。

典型 Prompt 模板：

请审查这份服务合同，重点关注：
1. 违约责任条款是否对等
2. 知识产权归属是否清晰
3. 付款条件和时间节点是否合理
4. 保密条款范围是否过宽
5. 争议解决管辖地是否合理
请用红、黄、绿三级标注风险。
每个风险点需要标出所在页码、对应条款、风险原因和修改建议。
最后生成一份合同审查摘要。

案例 3：数据分析 Skill

场景：上传 Excel 数据 → AI 自动出图表和分析报告。

典型用法：

• “用图表展示各省份有效订单金额对比，从高到低排列，标注每个省份的数值”
• “用图表展示省份订单各品类的金额占比，突出占比最大的类别”
• “根据这份订单数据生成一个完整的分析仪表盘”

案例 4：PPT 自动生成 Skill

典型 Prompt 模板：

帮我做一份产品汇报 PPT，主题是"2026 年运营数据汇报"。要求：
- 12-15 页，风格：简洁商务风，主色调蓝色，数据用图表呈现
- 第 1 页：封面（标题+日期+汇报人）
- 第 2 页：目录
- 第 3-5 页：核心数据概览（用户量、活跃度、营收，含数据表格和趋势图）
- 第 6-8 页：重点项目进展（3 个项目，每个一页）
- 第 9-10 页：问题与挑战
- 第 11-12 页：下季度计划
- 最后一页：Q&A
内容基于我上传的"发票合并报表.xlsx"

案例 5：招聘与面试 Skill

场景 A：简历筛选 —— AI 从邮箱读取简历、按规则批量评分

典型 Prompt：帮我查一下 QQ 邮箱最近两周收到的"数字化经理"岗位简历，按照【5 年以上经验、有信息化规划和实施能力、熟悉信息化系统】这三个条件给每份简历打分，满分 10 分，输出一个优先级排序表。

场景 B：自动发面试通知

典型 Prompt：帮我给 Top 3 的候选人分别发面试通知邮件。时间安排：李某某明天下午 2 点，张某某明天下午 4 点，王某某后天上午 10 点。面试地点：苏州 XX 公司 HR 会议室。记得让他们提前 10 分钟到并带上一份纸质简历。

案例 6：培训与发展 Skill

场景：HR 用 AI 完成”调研-策划-评估”全链路。

• 调研：用腾讯问卷创建培训需求调研问卷，AI 设计题目、生成推送链接
• 策划：调研结果回收后，AI 自动生成培训方案（课程名称、培训目标、学时、讲师）
• 评估：培训结束后用 AI 汇总学员反馈、生成效果评估报告

六、AI 智能体平台的核心能力

对比”对话式 AI”（ChatGPT/Kimi/豆包）和”智能体平台”两类工具，核心差异是能不能动手干活：

对比项	对话式 AI	AI 智能体平台
核心能力	对话、回答问题	自己动手干活
文件操作	不能碰你的文件	授权后直接操作电脑
输出形式	文字回复	Word/PPT/Excel 成品
远程操控	不支持	手机微信发指令，电脑自动执行
多步任务	需要人盯着	自动跑完流程
典型代表	ChatGPT、Kimi、豆包	Claude Code、Codex、各类 Agent 平台

核心结论：对话式 AI 是”顾问”，AI 智能体平台是”员工”。前者只能回答问题，后者能直接干活。

6.1 AI 智能体平台能干什么（8 大能力）

1. 研究与写作：联网搜索 + 网页抓取，输出一手信息。可生成报告、PRD、专利、技术方案、PPT 提纲
2. 数据与分析：表格数据处理（Excel/CSV）、可视化（图表、词云）、财务报表解读
3. 编程与开发：读懂完整代码库、跨文件重构、写测试、修 bug
4. 浏览器自动化：自动打开网页、填表、抓取数据、跑流程
5. 桌面应用控制：跨 Windows/macOS 原生应用自动化（Office 软件、邮件客户端、批处理）
6. 多模态内容生成：文生图、文生视频、文生 3D、图生 3D
7. MCP 连接器：接入飞书、钉钉、GitHub、腾讯文档、企微、知识库等
8. 自动化任务：定时任务、周期任务、一次性任务（AI 在后台自动跑：日报、周报、监控、巡检、数据采集）

6.2 3 个易混淆概念：Skill、连接器、MCP

• 技能（Skill）：给 AI 一本”操作手册”，教 AI 按特定流程干活
• 连接器（Connector）：给 AI 一把”钥匙”，让 AI 能访问你的外部工具（飞书、企业微信、腾讯文档……）
• MCP（模型上下文协议）：更底层的”万能插头”，连接任意支持 MCP 的工具和服务。连接器是官方预置的”桥”，MCP 是更通用的”桥标准”

6.3 三种执行模式：Craft / Plan / Ask

• Craft（执行模式-做一做）：接到指令直接干。读文件、写文件、执行命令、生成内容一气呵成，不打断你。适合目标明确、你信任 AI 自主执行的场景
• Plan（规划模式-想一想）：先想再做。AI 把任务拆解成分步计划，展示给你看，等你确认后才开始执行。适合复杂任务、你想在执行前把关的情况
• Ask（问答模式-问一问）：纯对话，不动手。只读文件、分析信息、回答问题，不修改任何文件、不执行任何命令。适合探讨思路、查阅信息、还没准备好行动的时候

七、AI Agent 的 5 个配置文件

要让 AI 真正”懂你”，光有 Skill 不够，还要有配置文件——5 个核心文件决定 AI 的”性格”和”记忆”：

文件	职责	路径
SOUL.md	AI 的性格、语气、行为底线	~/.ai/SOUL.md 或项目根目录
USER.md	用户的基本信息、偏好、背景	~/.ai/USER.md
IDENTITY.md	定义 AI”是谁”（名字、角色、与你的关系）	~/.ai/IDENTITY.md
用户级 MEMORY.md	通用的长期记忆	~/.ai/MEMORY.md
项目级 MEMORY.md	本项目的专属记忆 + 每日日志	.ai/memory/MEMORY.md + .ai/memory/YYYY-MM-DD.md

配置技巧：可以直接对 AI 说：”帮我生成 IDENTITY.md、USER.md、SOUL.md，我的职业是自媒体创作者，日常做内容选题/写作/多平台发布，喜欢口语化风格，禁止瞎编数据。”AI 会自动生成初稿，你微调确认即可。

八、AI 三层上下文加载机制

AI 接到任务时，会按”三级漏斗”加载 Skill 和资料，这是 Harness 工程的核心机制：

• 第一层：看名片。AI 一开始只看所有 Skill 的名字和那一句几十个字的描述，判断当下要不要用
• 第二层：读手册。只有当你的话触发了某个 Skill，它才会去把那个 SKILL.md 的全文拿出来仔细读，知道具体怎么干活
• 第三层：找工具。执行过程中，再按需去调用相关的参考资料（Reference）或脚本（Scripts）

这个机制的好处是省 token——不会每次都把全部 Skill 加载一遍，而是按需调用。坏处是Skill 描述写得不好就触发不了。所以写 SKILL.md 时，前面的”触发条件”和”description”字段要写得详细准确。

九、多 Agent 协作 · 从”一个人干”到”带团队干”

单 Agent 就像”你交代一个实习生干活，他一件一件来，做完了再做下一件”。多 Agent 协作 = 你是项目经理，同时派 4 个人干活，各干各的，最后汇总给你。

9.1 多 Agent 的 3 种实现方式

方式 1：自然语言描述（最简单）

直接在对话里描述每个角色要干什么，AI 自动拆解和调度：

请你同时做以下 3 件事：
1. 用 browser 搜索"XX 行业 2026 年趋势"，整理关键数据
2. 把搜索到的数据做成 Excel 对比表格
3. 根据数据写一份 800 字的趋势分析报告

方式 2：Team 模式（更精确）

如果想要更精确的控制，可以用 AI 平台的 Team 功能。创建一个团队，给每个成员分配角色和权限：

• 成员 1：数据猎人 – 负责搜索竞品信息
• 成员 2：表格达人 – 负责整理对比表
• 成员 3：报告写手 – 负责输出分析报告

创建好团队后直接给团队下达任务，每个成员按自己职责执行，结果汇总后统一交付。

方式 3：自动化 + 连接器 + Skill 组合

真正强大的组合拳：

• 自动化 + 飞书连接器 → 定时读写飞书数据，自动生成报告推送
• 自动化 + 自定义 Skill → 定时执行你定义好的复杂工作流
• 自动化 + 连接器 + Skill → 全自动化的多步骤工作流，从读取数据到处理到推送，全程无人值守

9.2 自动化的黄金法则

核心逻辑：自动化 = 定时规则 × 执行指令 × 输出目录。三要素配齐，就能跑起来。

黄金指令模板：指令 = 背景 + 任务 + 格式要求 + 输出位置

重要提醒：不能把一个从来没跑通过的任务直接丢给它定时执行。正确顺序是：先手动跑一次 → 检查输出是不是你要的 → 修改 Prompt → 手动跑第二次 → 直到确认能稳定输出你要的结果后，才能封装成 Skill 或部署自动化。

9.3 自动化实战 4 例

• 每日 AI 简报：每天早上 10:00，搜索当天 AI 领域重要新闻，整理成 3-5 条摘要，推送到企业群
• 选题简报：每天上午 10:30，读取飞书选题库，评分排序，挑出 TOP3，生成简报
• 同行监控：每周一 11:30，抓取同行最新内容，对比分析，输出报告
• 数据采集：每天凌晨 2:00，自动抓取 10 个数据源，更新数据库

十、企业 AI 落地的 4 个核心价值

10.1 重新定义 ERP + AI 智能体的协同

ERP 管数据，AI 智能体管干活。两者结合后的效果：销售一确认需求，订单就出来了；采购需求直接转成采购申请；等货送进仓库入了库，财务凭证也自动跟着生成，不用各部门互相贴表。

ERP 和企业微信消息先打通，内部业务脚本再接上，三条渠道连成一片后，生产报工数据自动回写 ERP，银行流水自动匹配报销单。

10.2 集成模式：API 为主、数据库只读为辅、RPA 兜底

不同 ERP 成熟度走不同路径，但最终效果一致：让业务人员在企业微信里就能驱动 ERP，不用打开 ERP 系统也能完成日常操作。

具体实施建议：

• API 为主：新 ERP（用友 NC Cloud、金蝶云星空、SAP S/4HANA、Oracle EBS）都有 OpenAPI，优先用
• 数据库只读为辅：老 ERP 没 API 时，用只读账号直连数据库查
• RPA 兜底：极老系统（DOS 时代的 ERP）用 RPA 模拟键盘鼠标操作

10.3 安全底线（数据库只读账号）

DBA 新建只读数据库账号，仅开放业务库查询权限，严格禁止 update/delete 写入操作。这条是底线——万一只读账号有了写权限，安全隐患极大。

梳理核心业务表：库存表、销售订单表、采购订单表、应收应付表、生产订单、BOM 表。不需要全库暴露，只开放集成必需的几十张表。

10.4 业务效果量化

取消人工跨系统复制单据、告别 Excel 手工核算，让销售、采购、仓管、财务的重复性工作量下降 60% 以上。一个销售从报价到生成订单，原来需要在 ERP 里点十几个菜单、填几十个字段，集成后一句话搞定。

业务人员用自然语言就能查询数据、用零代码就能搭建流程，不需要懂 SQL，不需要在 ERP 里翻几十个菜单。库存不足、信用超限、应收逾期、成本异常，这些不再靠人盯报表发现，系统自动预警、自动推送、全程留痕。

十一、发布前必读的官方 URL 清单

本文涉及多个 AI 工具和概念，API/参数/版本会随时间变化。发布前请实时打开以下 URL 核对最新状态：

• OpenAI GPT 模型文档：platform.openai.com/docs/models
• Anthropic Claude 模型文档：docs.anthropic.com/en/docs/models-overview
• Google Gemini 模型文档：ai.google.dev/gemini-api/docs/models
• DeepSeek 模型文档：api-docs.deepseek.com
• 通义千问 Qwen 模型文档：help.aliyun.com/zh/model-studio
• Anthropic MCP 协议官方文档：modelcontextprotocol.io
• Prompt Engineering 官方指南（OpenAI）：platform.openai.com/docs/guides/prompt-engineering
• Prompt Engineering 官方指南（Anthropic）：docs.anthropic.com/en/docs/build-with-claude/prompt-engineering/overview
• Hugging Face 开源模型库：huggingface.co/models
• LangChain Agent 开发框架：python.langchain.com/docs/introduction

十二、结语 · AI 不是技术问题，是思维方式问题

最后说一句心里话：AI 落地最大的门槛不是技术，是思维方式的转变。很多企业以为买个大模型 API 就完事了，结果用了一周发现不如搜索引擎有用；真正成功的 AI 落地，是把”如何用 AI 干活”沉淀成 SOP（Skill）、把”反复用的话术”沉淀成模板（references）、把”自动化跑批”沉淀成定时任务（Automation）。

具体来说，企业或个人学 AI 前要先回答 3 个问题：

• 我们日常哪些工作是重复劳动？——决定 Skill 优先级
• 我们用什么工具做身份源？——决定集成工作量
• 哪些工作可以封装成自动化？——决定长期 ROI

把这 3 个问题想清楚，再选 AI 智能体平台落地，技术只是把管理制度固化的手段。本文的核心概念词典、Skill 实战案例、配置 5 件套、自动化 4 例都是经验沉淀，希望能帮正在入门或落地的读者少走弯路。

如果对 AI 智能体落地有任何疑问，或者需要专业的企业 AI 落地咨询，IT 峰哥团队提供从 AI 概念培训 → Skill 设计 → 智能体平台部署 → 培训运维的全流程服务，微信 17712677007 随时可联系。