面对全球经济衰退、经济环境恶化与AI新技术革命等挑战，如何提升员工数字技能，利用AI实现降本增效？如何建立逆境中增长的创新管理模式？如何引入AI、RPA等数字技术推动企业成功转型？如何利用AI、物联网等新数字技术，进行商业模式创新？志成互联专注民企服务，为企业提供创新的咨询与培训，帮助民企穿越周期，赢得未来！

产业白皮书自动生成器Skill 的制作

——对AI 技能迭代的完整复盘

       产业研究和分析是顾问公司的基本功，产业白皮书是战略管理的附产品。为企业战略规划制定提供基础，同时定期发布白皮书也代表了公司对产业趋势的认知，也是产业沟通和合作共识的工具。

       2026 年 8 月，我们为某中日韩设备贸易公司做了份《中日韩半导体设备趋势与维护服务白皮书》。目标很明确：这份白皮书要能作为行业高层阅读资料，有较高参考价值，同时能传播客户公司的品牌，树立专业形象。

       考虑到该公司还有十多个产业事业部，每个事业部都要定期出产业白皮书。传统的产业研究和白皮书制作太慢也太费人工，我们试图建立一套定期自动化生成和发布产业白皮书的AI工具。我们先用 Open Claw做了一个"产业白皮书制作"的专属技能（Skill），通过反复调试，跑通了全流程。

     结果出来了：一份 9 章、约 1.4 万字的白皮书，排版成册后只有 14 页，结果并不让人满意。问题用李鸿飞老师一句话总结："过于简洁了，只有十几页，且都是 AI 做的结论，不太可信。"

       随后我们对同一个技能做了多次深度优化。同样是这个主题、同样的流程，第二版产出了 120 页：2.75 万汉字、54 家企业档案卡、15 个案例、109 张数据表、14 张图表，并且有了封面、版权页、页眉页脚、统一配色——真正有了"专业公司"的质感，如下图，左边是旧版，右边是新版:

        14 页和 120 页之间，差的不是 AI 够不够努力，而是技能（Skill）的完善优化。

      这篇文章，我想用这个真实案例，讲清楚三件事：AI 的技能（Skill）到底是什么、它能给企业带来什么价值、以及如何做出一个真正好用的专属技能。

一、Skill 是什么：把"专家的一次发挥"

变成"团队的可复制能力"

      Skill（技能），本质上是给 AI 的一份"标准作业程序（SOP）"。我们用户日常跟 AI 对话，往往是"一次性"的——你临时描述需求，AI 临时发挥，结果高度随机。今天它可能写得很专业，明天换个说法，质量就飘了。

      而 Skill 做的事情，是把一套经过验证的工作流程、判断标准、输出规范，提前固化下来，写进一个 AI 每次执行前都会读取的文件里。

      Skill通常包含四个部分：触发条件（什么时候用）、工作流程（分几步、哪步必须等确认）、质量标准（什么算合格）、模板资产（排版模板、脚本、核查清单）。如下表内容，这是一个产业白皮书最初的SKILL版本：

————————————————————————————————

---

name: "industry-whitepaper"

description: "行业白皮书/手册制作：调研-撰写-图表-排版成册全流程，输出专业可直接发布的白皮书成品。"

---

# 行业白皮书制作 (Industry Whitepaper)

> 为 IP/新媒体/行业研究场景打造的一套专业白皮书与手册制作技能。

> 目标：输出**专业可信、有设计感、可成册**的白皮书成品（Word/PDF/Markdown+图表）。

## 一、适用场景

- 行业白皮书 / 行业报告 / 行业手册 / 行业观察

- 技术趋势分析、市场研究、产业图谱

- 需要"专业内容 + 可视化图表 + 排版成册"的综合产出

## 二、核心原则

1. **专业可信**：数据必须有来源，严禁编造。引用第三方权威来源（官方报告、券商研报、行业机构、海关/协会数据）。

2. **双语互证**：涉海外数据/概念时，用中英文分别搜索交叉验证；冲突时以权威英文源为准。

3. **事实核查**：时间词（"2024年""今年"）必须与数据发布年份严格对应；避免易过时版本号。

4. **有设计感**：不输出干巴巴的 Word 文本，必须配套专业图表（data-chart-maker）和统一视觉风格。

5. **可成册**：最终能形成结构完整、可排版发布/印刷的手册。

## 三、默认章节结构（白皮书标准骨架）

> 下列结构为通用模板，生成时根据具体主题增删调整，但**必须包含**核心要素。

1. **封面 / 版权页**

2. **摘要 (Executive Summary)** — 一页讲清核心结论与数据亮点

3. **目录**

4. **第一章 行业概况与市场环境** — 市场规模、增长率、产业链位置

5. **第二章 核心技术与发展趋势** — 技术演进、前沿方向

6. **第三章 重点区域/国家分析**（如中日韩）— 分区域深度拆解

7. **第四章 竞争格局与代表企业** — 玩家图谱、梯队

8. **第五章 机遇、挑战与风险**

9. **第六章 市场预测与展望** — 未来 3-5 年趋势

10. **第七章 专业洞察与建议**（可选，针对特定受众如维护服务商）

11. **附录：数据来源、术语表、图表目录**

## 四、图表规范

- 每个核心数据点尽量配 1 张图（market size、增长率、份额、趋势）。

- 调用 **data-chart-maker** skill 生成专业图表（SVG 数据图、Mermaid 流程图/架构图）。

- 图表需有标题、数据来源脚注、统一配色。

- 复杂概念/架构用 Mermaid 流程图或文生图信息图。

- **图表核查注意事项（重要）**：不要依赖 image 视觉模型来核查图表（图像模型可能因 key 过期/账号删除而不可用）。改用**直接审查 SVG/Mermaid 源码**：核对数值、标签、图例、布局是否正确；中文用系统字体（PingFang SC / Microsoft YaHei）不会乱码。可先用 `sips`（macOS 自带）转 PNG 预览。

## 五、设计成册规范

- **成册工具链（明确顺序）**：

1. **首选 HTML 成册**：生成自包含 HTML（内嵌图表 PNG、封面、目录、正文、表格、图注），可直接浏览器预览/打印为 PDF、直接分享。这是最通用、无额外依赖的方案。

2. **有 pandoc 时**：可额外转 `docx`/`pdf`。

3. **macOS 且 markdown 转档时**：`textutil` 对 Markdown 支持有限（会把 `#` 当普通文本），不建议用于白皮书；如需 Word 用 pandoc 或直接以 HTML 为准。

- 输出建议格式：**Markdown 主稿 + 图表**，再加 HTML 成册版（兜底可发布）。

- 封面信息：标题、副标题、发布机构/作者、版本日期。

- 统一版式：正文字体层级（标题/小标题/正文）、图表编号（图 1-1）、页眉页脚、页码。

- 如需印刷级高保真设计，可补充 frontend-slides / svg-ppt-maker 生成视觉稿。

## 六、工作流程（严格顺序，禁止跳步）

### 第 1 步：澄清需求（Ask）

向用户确认：

- 主题领域与范围

- 目标受众（决策层/技术层/行业从业者）

- 预计篇幅（页数/字数）

- 是否需要图像/图表、成册格式（Word/PDF/<设计稿>）

- 发布机构署名

**用户确认需求后**，进入第 2 步。

### 第 2 步：全网调研（Research）

1. 按"主题 + 中文"和"主题 + 英文"分别搜索。

2. 收集：市场规模、增长率、技术趋势、区域数据、代表企业、政策。

3. **记录每个数据的来源**（机构名 + 年份 + 链接/名称）。

4. 充分性检查：资料是否足够支撑全部章节？不足则继续补搜。

#### 搜索工具降级预案（重要）

搜索工具（web_search）不可用时，按以下顺序降级，不要卡住：

1. **确认配置**：检查 `tools.web.search.provider` 是否已配置（如 tavily），key 是否被空格/换行污染（曾出现 `tvly- dev-4J6G...` 带空格导致 401）。

2. **换 provider**：优先配置 Tavily（`@openclaw/tavily-plugin`）；DDG 易限流，MiniMax 的 OAuth 无法被 web_search 读取。

3. **绕过工具直接用脚本**：用 Tavily 官方 Python API 直接抓取（如 workspace 下 openclaw-tavily-search 的 tavily_search.py）。

4. **多引擎兜底**：可改用多搜索引擎 skill。

5. **实在拿不到数据**：绝不编造——改为「定性分析 + 【待补数据】标注」，并把需要的资料清单明确列出请用户提供；或按"骨架版"方案先跑通流程验证技能（用于技能自测场景）。

### 第 3步：形成大纲与要点

形成完整章节大纲 + 每章要点 + 数据及计划配图清单，**交用户审阅**。

### 第 4 步：撰写初稿（Draft）

按大纲撰写。每个数据点标注来源。撰写时遵守繁体/简体、专业术语规范。

### 第 5 步：自我核查（Verify）

对照核查清单：

- 数据是否有来源？是否编造？

- 时间词是否与资料年份对应？

- 章节结构是否完整？

- 图表是否与数据一致？

- 术语是否统一？

发现问题→返回第 4 步修改，直至通过。

### 第 6 步：用户确认（Confirm）— 强制暂停点

展示完整初稿（含章节、数据来源），**显式询问用户**："初稿已完成，是否确认？确认后我将生成图表并排版成册。"

**在用户明确确认前，严禁执行第 7 步。**

### 第 7 步：图表与成册（Design & Publish）

1. 调用 data-chart-maker 生成全部配图。

2. 组装主稿与图表，形成完整手册（Markdown）。

3. 按用户需求转 Word/PDF（Office skill）或高保真设计稿。

4. 输出成品 + 交付给用户。

## 七、交付物建议

- `whitepaper.md`：完整主稿（含图表引用）

- `charts/`：全部图表文件

- `whitepaper.docx` / `.pdf`：成册成品（如用户要求）

- `sources.md`：数据来源清单（可追溯）

## 八、核查清单（Checklist）

- [ ] 所有数据有来源，无虚构

- [ ] 中英文数据交叉验证（涉海外时）

- [ ] 时间词与数据年份对应

- [ ] 章节结构完整（含摘要/结论/来源）

- [ ] 图表与文字数据一致、有图注（核查采用源码审查，不依赖图像模型）

- [ ] 术语统一、无易过时版本号

- [ ] 排版统一（标题层级/页码/图编号）

- [ ] 成册：优先 HTML（可打印/分享），有 pandoc 再补 Word/PDF

————————————————————————————————

我们看到Skill其实就是写给AI看的工作手册，它详细地规定了AI输出的标准和规范，也规定了AI工作的流程和调用的工具。极大的提升了AI的应用场景和能力

普通对话里的 AI，是一个"凭感觉干活的自由职业者"；加载了 Skill 的 AI，是一个"手里拿着作业指导书的熟练员工"。

前者发挥不稳定，后者每次都能保证下限。对企业来说，这正是"从依赖个人发挥"到"建立标准化能力"的关键一跃。

二、Skill 对企业的价值：不止是"方便"，

更是"资产的沉淀"

企业梦想拥有7×24小时工作、超常发挥，永远不发脾气的的数字员工、AI员工，而Skill就是实现AI员工中关键的一环，Skill 对企业的价值：不止是"方便"，更是"资产的沉淀"。在我们看来，Skill有5大价值点：

1. 把"一次性投入"变成"可复用资产"

      一份白皮书的制作，涉及澄清需求、形成大纲、全网调研、撰写、核查、排版成册六七个环节。如果没有 Skill，每次都要从头跟 AI 交代一遍，而且大概率会漏掉关键步骤。有了 Skill，这套流程被固化下来，下次做任何行业白皮书，都能复用同一套标准。

一次投入，反复产出。这就是 Skill 最朴素也最核心的价值。

2. 流程AI化，让事情一次做对、做好

       流程是我们做事的程序和方法，优秀的企业和普通企业的流程之间有巨大的差异。好的skill和差的之间也差异也在这里。比如说，最初的SKILL版本的“六、工作流程“中，第 2 步：全网调研（Research）和第 3步：形成大纲与要点，就出现了程序颠倒的情况，AI通过能搜索到的数据材料来形成大纲和要点，这就不能站在产业的高度，分析问题了。正确的做法是：应将第3步和第2步倒过来，先定框架和章节，再调用搜索和爬虫去填充数据，AI搜索不到的章节就空置，用企业自己积累的行业知识库来解决。

写好Skill让流程AI化，让事情一次做对、做好。

3. 把"专家脑子里的经验"变成"团队可继承的规则"

       一个资深研究员做白皮书，脑子里有很多"只可意会，不可言传"的经验，在知识管理中，我们叫隐性知识，比如：数据不能编造、口径冲突要标注、排版要有页眉页脚，分析足够数量的上市公司和黑马企业，才能归纳总结形成行业成功要素和竞争规律。这些经验如果不写下来，AI 不知道，新人也学不会。编写Skill 的价值，就是把专家的隐性经验，翻译成 AI 能执行的显性规则。

      比如，在这个案例里，有一条规则至关重要："维护服务的精确市场规模，各机构数据离散，正文采用区间判断并标注综合口径，不当作确定事实。"——这是典型的"只有做过才知道的坑"。写进 Skill 后，AI 就不会再犯"把某个机构的估算值当成确定事实"的错误。

编写Skill 的价值，就是把专家的隐性经验，翻译成 AI 能执行的显性规则。

4. 保证质量下限，而不是指望超常发挥

     Skill 不能保证 AI 每次写出惊世之作，但能保证它不低于某个专业水准。120 页的白皮书，靠的不是 AI 某一次灵光乍现，而是一套"页数预算表 + 信息单元模板"的硬约束在起作用——这恰恰是普通对话做不到的。

个人和AI聊天模式，很难生成高质量的报告，在真实的工作场景下，需要用skill来反复调用AI API完成复杂工作成果，当然，这会消耗大量token，也会有一笔费用，不过相对于人工成本来说，性价比还是极高的。

Skill 不负责让 AI 变得聪明，它负责让 AI 变得可靠。而商业上，"可靠"往往比"聪明"更值钱。

5. 形成持续迭代和更新的AI源代码

      Skill（技能）本质上是给 AI 的标准作业程序（SOP），它也是AI时代的企业业务流程新形式，是让人工智能在企业真正运行的源代码。

       企业全面推进工作skill化，将形成持续迭代和更新的AI源代码，也奠定了企业智能化和组织持续进化的基础。

       原来适用于流程管理和提效的跨部门泳道图与流程说明、流程优化与流程重组的思想继续适用，企业可以组织优秀的员工、业务专家，形成跨部门的智能化小组，不断地审核和修订skill，就能达到AI持续提效的目的，形成企业的核心竞争力。

三、案例复盘：14 页和 120 页，

SKILL之间差在哪？

      回到真实的案例，我们从这个单点出发，剖析一下如何将我们自己的AI 技能升级迭代。我们来看看，两版技能到底差在哪里，如何将一个SKILL，优化成为好的SKILL。

第一版的病根：把"白皮书"做成了"长一点的分析文章"

       第一版 Skill 的工作流是完整的，但它的内容架构是错的。它默认白皮书就是"精炼结论的罗列"：市场规模、增长趋势、竞争格局、建议……每章写两三段观点、配一张表，写完就结束。整个 Skill 里没有一个"信息承载量"的要求——没有规定"每章必须放几家企业档案、几张数据表、几条政策、几个案例"。

结果就是：AI 很努力地把"观点"写清楚了，但观点是空的。读者 10 分钟读完，得到的是"AI 告诉我的结论"，却没有可以查证、可以比对、可以留档的信息。这就是用户说的"都是 AI 做的结论"。

新版的破局：从"观点驱动"转向"信息驱动"

       新版做了一个根本性的定位重构——把白皮书从"AI 写一篇分析文章"，改造成"一本资料汇编手册"。

       这里有一个关键认知：一本有参考价值的白皮书，价值来自两个层次，而这两个层次的比例应该是失衡的。

      第一版是 95% 观点 + 5% 信息；新版倒过来，是 30% 观点 + 70% 信息。

      这个比例背后有一个朴素的道理：数据多 = 可信 = 高参考价值 = 品牌专业感。麦肯锡、三菱综合研究所这类机构的报告，都是这个结构——高层读摘要和结论，需要深挖时翻到后面的数据附表、企业档案、政策清单。

把"定位"翻译成 AI 能执行的机制

      光有定位还不够，还要把定位翻译成 AI 能执行的机制。第二版引入了两个此前没有的东西：

·信息单元模板库：把"信息汇编"拆解成 8 种标准化"信息单元"，每种都有明确的字段结构和篇幅下限——数据附表、企业档案卡、政策汇编表、案例研究、术语词典、产业链图谱、时间轴、技术路线表。

·页数预算机制：在第 2 步形成大纲时，强制产出一张"页数预算表"，用"单元数量 × 篇幅"倒逼内容量，并立下硬规则：预算表不到目标页数，就增加信息单元，而不是把文字写长。

这就是第二版能从 14 页做到 120 页的底层逻辑：用"单元数量 × 篇幅"倒逼内容量，而不是靠"写长一点"这种模糊指令。

排版质感的差距：从"转换脚本"到"排版系统"

      第一版的成册，是一个把 Markdown 机械转成 HTML 的脚本，缺少专业出版物的一切要素：封面、版权页、页码目录、章节分隔页、页眉页脚、配色体系、分页控制。

      新版直接内置了一套高保真排版模板，包含封面（品牌色 + logo）、版权页、带锚点的目录、章节分隔页、页眉页脚页码、字体层级、配色系统、A4 分页控制。再加上一个一键渲染脚本，Markdown 主稿自动变成印刷级 HTML，浏览器打开就能打印成 PDF。

"质感"不是"排版的某个细节"，而是"一套完整的排版系统"。缺了任何一个要素，成品都会显得业余。

四、专属 Skill 的制作技巧

         通过这个小小的案例，从这次实践中，鸿飞老师总结提炼出五条可复用的制作技巧，供各位朋友迭代个人AI 技能时参考。

技巧一：先定”定位”，再定”流程”

      做 Skill 之前，最该问的一个问题是：这个 Skill 产出的东西，本质是什么？

“白皮书”这个词很笼统。它可以是”一篇深度分析文章”，也可以是”一本资料汇编手册”，还可以是”一份可印刷的品牌手册”。定位不同，架构、信息权重、排版要求就完全不同。两版的差距，追根溯源就是这一个问题的答案不同。

第一步不是急着写流程，而是先把”产出物的本质”和用户对齐。

技巧二：把”模糊期望”翻译成”量化约束”

     用户说”内容要丰富”，这是模糊期望。Skill 要做的是把它翻译成 AI 能执行的量化约束：

·“内容要丰富” → “页数预算表合计 ≥ 120 页”

·“要有参考价值” → “企业档案卡 ≥ 15 家、数据表 ≥ 10 张、案例 ≥ 5 个”

·“要可信” → “每个数据点标注机构 + 年份 + 链接”

·“要专业质感” → “封面/版权页/目录/章节页/页眉页脚/配色/分页，七要素缺一不可”

AI 最怕的不是”难”，而是”模糊”。给它一个具体数字、一个明确清单，它就能稳定做到。

技巧三：设计”强制暂停点”

        白皮书制作涉及大量不可逆的步骤（生成十几张图、排版成册），一旦方向错了，返工成本极高。所以 Skill 里要设计”强制暂停点”。

     第二版 Skill 的第 6 步明确写着：展示完整初稿，显式询问用户是否确认，确认前严禁执行下一步。这个设计把人力花在最值得确认的节点上，避免 AI 一口气跑到终点、结果发现方向错了。

技巧四：为外部依赖写”降级预案”

       Skill 依赖的外部工具（搜索、图像模型、排版工具）都可能失灵。好的 Skill 要提前写好降级路径，而不是卡住。这个案例里，图像模型全部失效、搜索工具被限流，Skill 里因此沉淀了这样的预案：

·搜索不可用 → 换 provider → 绕过工具直接用脚本 → 多引擎兜底 → 实在拿不到就标注【待补数据】，绝不编造

·图像模型不可用 → 改用手写 SVG + 直接审查源码 + 转图验证

“拿不到数据就标注待补，绝不编造”，这条规则守住了产出的底线，也是专业白皮书和”AI 水文”的分水岭。

技巧五：把”专家的坑”写成”显性规则”

       每个领域都有”只有做过才知道的坑”。做 Skill 的价值，就是把它们挖出来写进去。这个案例里至少有三条：

·数据口径冲突必须标注——同一个”国产化率”有多套口径，混用就自相矛盾

·时间词必须对应数据年份——写”2024 年”却引用 2025 年数据，是致命硬伤

·涉海外数据要中英文交叉验证，冲突时以权威英文源为准

五、经验与避坑

·别指望一次写完美：Skill 是"活"的文档，要用真实案例去检验它、逼它进化。第一版不是"错"，是"不够好"——而"不够好"只有跑通真实用例、看到 14 页产出后才会暴露。

·两个工具配合：这次是 OpenClaw 先做、Claude Code 再优化，前者跑通基础流程，后者做定位重构和排版升级。不同工具各有擅长，配合使用能互相补足。

·质感是"系统"问题：不要指望调一个颜色、改一个字号就变专业，要做就做一套完整的排版系统，一次到位。

·模板和资产要"内置"：把高保真 HTML 模板、logo、渲染脚本都做成 Skill 自带资产，AI 下次做白皮书直接套用，不用每次从零搭排版。

·守住"不编造"的底线：数据有来源、口径透明、拿不到就标注待补——三条守住了，白皮书才配得上"给行业高层阅读"的定位。

六、Skill 是企业 know-how 

的"资产化"

        回到开头的问题：为什么同一份白皮书，第一版 14 页、新版 120 页专业？答案不是"新版让 AI 更努力了"，而是新版把 Skill 的定位从"写文章"改成了"编手册"，并用"信息单元模板 + 页数预算"把"丰富"这个模糊期望，变成了 AI 可以严格执行的量化约束。

        这就是 Skill 这件事的精髓：它不负责让 AI 变得聪明，它负责让 AI 变得可靠。

        一个真正好用的专属 Skill，本质上是你所在领域"隐性专业知识"的固化——你把"怎么做才算专业"这件事想清楚了、写明白了、验证过了，AI 就能每次都做到那个水准，而且能无限次复用。

        对企业而言，这意味着什么？意味着你的行业 know-how，不再只存在某个老员工脑子里，而是可以被沉淀、被复制、被规模化产出。

这才是 AI Skill 真正的商业价值：它把"个人能力"变成了"组织资产"。

如果企业高层担心组织员工编写的SKILL，沉淀出的AI资产，非常容易被员工带走和流失，也可以将其封装在自动化程序中，转化为企业专属工具，提供给员工或客户付费使用。比如：我们可以将产业白皮书SKILL封装，制作成为产业白皮书自动生成器，如下图：

        经过多轮调试优化，Skill才能达到我们期望的结果，就可以做成APP或Windows上的执行文件，和企业积累的行业知识库封装在于一起，也可以申请软著或专利，成为受保护的企业的资产。

         对产业白皮书SKILL或自动生成器有兴趣的咨询同行，可以在本文后打赏168并留言，我们将提供相关代码和全套源文件。

         志成互联是国内领先的数字化管理咨询公司，推动AI技术企业应用，帮助企业降本增效实现成功的数字化和智能化转型。欢迎留言，共同探讨。

延伸阅读：