把内部工具封装成 AI 可调用的技能：一次让 AI 真干活的实践

作者 AbeLin · ExcelRouter 是一个免费开源（MIT）的 Excel 批量拆分工具

大部分人对 AI 的使用停在前两步

• 第一步：问问题
• 第二步：写文案

这两步的共同点是只在「生成」环节打转——AI 拿不到你的文件，也执行不了任何操作。

要让它真正干活，需要第三步：给它工具。

思路：把确定性流程封装成技能

判断标准很简单：一件事如果你每周都要做，而且做法固定，那它就该被做成工具。

把这样的流程封装成一个「技能」（Skill），AI 在需要时自己加载、自己调用。以表格批量拆分为例，一次操作的完整链路是：

用户：把这个文件夹里几个月的明细，按区域拆开，每个区域里再按姓名拆到每个人
  ↓
AI：识别意图 → 匹配到拆分技能 → 读取技能说明 → 构造参数 → 调用脚本
  ↓
脚本：读取本地文件 → 按一级字段分组 → 组内按二级字段拆到人 → 输出 + 打包
  ↓
AI：汇报结果（生成了哪些文件、放在哪）

全程不需要用户写代码，也不需要打开 Excel。

技能包的最小结构

excelrouter/
├── SKILL.md          # 元信息 + 使用说明，AI 靠它判断何时加载、怎么调用
└── scripts/
    └── er_split.py   # 实际执行脚本

SKILL.md 的 frontmatter 需要提供足够的触发线索：

---
name: excelrouter
description: 表格拆分与批量分发技能。当用户想拆分 Excel、按部门/区域/姓名拆成多个文件时使用。
---

关键点：description 里要写清用户会怎么描述这件事（拆表、拆分、按部门、一人一份、按网格拆），因为 AI 是拿这些词做匹配的。触发词写得太窄，就会出现「用户说了但 AI 没反应过来」。

和「让 AI 写完代码再粘过去跑」的区别

打个比方：前者相当于装了个 App，后者是每次现场抄一段代码。

这种方式的边界（要说清楚）

• 适合：明确的、重复的、做法固定的动作
• 不适合：一次性的、需要大量判断的事
• 前提：动作本身是确定性的，有清楚的输入和输出规范

一个容易被忽略的设计点：保持双入口一致

同一套内核，同时提供图形界面和技能接口：

• 普通同事用图形界面（免安装、零命令行）
• 用 AI 工具的人直接说人话

两者必须共用同一套核心代码，否则会出现「你用 AI 拆的和他用界面拆的格式不一样」，协作时就是事故。

实践案例

ExcelRouter 就是这个思路的一个实现：桌面版和 AI 技能版共用同一套内核，拆出来的结果行为一致。技能是开源的（MIT），源码可直接查阅。

当然，不用 AI 工具也有完整的桌面版，用不用 AI 不影响功能。

总结

1. 让 AI 干活的关键是「给它工具」，而不只是给它数据
2. 把做法固定、周期性重复的流程封装成技能，装一次长期复用
3. SKILL.md 的 description 要覆盖用户的真实说法，这是触发的关键
4. 双入口（界面 + AI）必须共用同一套内核，保证结果一致
5. 明确边界：只适合确定性、可重复的动作

案例中的技能和桌面版都在这个仓库（开源 MIT）：

GitHub：https://github.com/MarsandSea/ExcelRouter

国内镜像：https://gitee.com/Marsandsea/Excelrouter