企业官网建设流程全解析

很多做内容的朋友都会遇到一个烦恼：视频剪好了，图文写完了，真正的“战斗”才刚刚开始。同一个内容，要发 YouTube、B站、小红书，标题长度要求不一样，描述风格不一样，标签数量不一样，小红书还得配一堆表情符号。手动改完一轮，半小时过去了，改出来的东西还未必符合平台调性。

这篇文章里的“Skill”，指的就是 ChatGPT 这类 Agent 工具的技能扩展机制。我在梳理内容发布流程时发现，与其每次手动排版，不如把整套“多平台发布包生成”流程固化成 Skill。核心思路是用一份说明文件告诉 AI 怎么拆分任务，再用一个脚本真正生成发布内容。这样喂入一篇 Markdown 草稿，几分钟内就能拿到三个平台各自的发布包。

文章会从痛点分析开始，讲清楚 Skill 的本质，然后逐步演示目录结构、SKILL.md 配置、Python 生成脚本、调用方式和验证方法，最后补充常见问题和工程建议。哪怕你以前没接触过 Skill，也可以照着跑通一个最小示例。

1. 5分钟生成多平台发布包，真的可行吗

先说结论：可行。但要理解为什么可行，得先看清这到底是一个什么问题。

内容创作的完整链路里，最难的是“从无到有”的阶段，也就是选题、写脚本、拍视频、剪辑。做内容的人在这个阶段投入大量精力。但到了“把一条内容发到多个平台”的时候，任务性质完全变了，它不再需要创造性，而是格式化、确定性的转换工作。YouTube 的标题适合 60 到 100 字符，B站标题最好控制在 30 到 60 字以内，小红书标题更短，正文要分点、加话题标签。这些规则一旦确定，就是机械操作。

机械操作最适合交给 Agent 工具来处理。传统 Prompt 只能让 AI“按经验写文案”，但 Skill 提供了一种更可靠的方式：给 AI 一份技能说明书，里面写清楚触发条件、执行步骤和脚本路径，让 AI 在需要时真正调用本机脚本去生成结果。这样一来，输出的格式是稳定可控的，不是每次对话随缘发挥。

这个思路适合谁？如果你本身是开发者，或者愿意花一晚上折腾脚本，那这套方案能把每周几十分钟的重复劳动压缩到几分钟。如果你只是偶尔发一条内容，手动改改也行，但理解这个流程对理解 Agent 工作方式也很有帮助，因为它代表了 AI 工具从“聊天”走向“执行”的关键一步。

2. Skill 是什么：Agent 时代的“可执行说明书”

在不同工具里，Skill 的实现和命名不完全一致，比如有的叫 Skill，有的叫 Plugin，有的叫 Action，但它们背后的设计思想正在趋同：让 Agent 不再只是“生成文本”，而是能按说明书去操作脚本、读写文件、执行命令。

2.1 从 Prompt 到 Skill 的演进

传统 Prompt 的本质是“在对话里提出要求”。比如你告诉 AI：“帮我写一个 B站视频简介，要有时间轴，要有标签。”AI 会按照训练数据里的模式生成一段文本。问题在于，你每次都要重新描述需求，而且 AI 对“时间轴”的理解每次可能略有不同，格式很难完全稳定。

Skill 的解决方式是把需求预先结构化。一个 Skill 通常包含以下几个部分：

所以简单理解，Skill 就是“给 Agent 的一套可执行说明书”。你不需要在每次对话里重新描述规则，Agent 遇到匹配任务时，会自动读取 SKILL.md，按说明去调用脚本。

2.2 Skill 的核心工作流程

一次完整的 Skill 调用流程大致如下：

1. 用户在对话中提出任务，例如“用发布包生成技能处理今天的草稿”。
2. Agent 根据技能描述判断当前任务匹配哪个 Skill。
3. Agent 读取 SKILL.md，理解输入要求和执行步骤。
4. Agent 执行 scripts 目录下的脚本，传入草稿路径等参数。
5. 脚本在本地或沙箱中运行，生成结果文件。
6. Agent 读取结果文件，把摘要返回给用户。

从产品形态上看，这已经把 AI 从“内容生成器”往前推了一步，开始变成“任务执行引擎”。

2.3 Skill 的边界与限制

Skill 并非万能。它适合任务边界清楚、输入输出明确、有固定处理逻辑的场景，比如格式转换、批量生成、模板填充、数据清洗。它不太适合需要深度创作的任务，比如从零策划一个爆款脚本，这类任务仍然需要人的判断力。

另外要注意的是，Skill 一旦能执行脚本，就涉及本机操作。使用第三方 Skill 前，应该检查脚本内容，确认它不会读取敏感文件、不会执行危险命令。这个安全边界在后面专门讲。

3. 需求拆解：三个平台的发布包各需要什么

要做出好用的 Skill，第一步不是写代码，而是把需求拆清楚。我们可以先看三个平台的发布物差异。

从这个表格能看出，三个平台对“同一篇内容”的表达要求是不同的。如果手动处理，你需要在标题里做取舍，在描述里调整结构，在标签里挑选关键词。这个工作很适合自动化，因为规则是可以写进脚本的。

3.1 定义 Skill 的输入

我们约定 Skill 的输入是一份 Markdown 草稿，文件内容包含两部分：

• front matter 元信息：title、summary、tags。
• 正文：以##开头的章节，代表视频或文章的主要段落。

示例输入草稿如下，文件路径假设为drafts/hello-skill.md：

--- title: "我用 ChatGPT 做了个 Skill" summary: "一次把多平台发布流程自动化的尝试" tags: [ChatGPT, Skill, 内容自动化] --- ## 为什么需要 Skill ## Skill 的基本原理 ## 实战：生成发布包 ## 总结与思考

3.2 定义 Skill 的输出

输出是一个发布包目录，里面包含三个 JSON 文件：

• youtube_package.json：包含 YouTube 标题、描述、标签。
• bilibili_package.json：包含 B站标题、简介、标签。
• xiaohongshu_package.json：包含小红书标题、正文、话题标签。

使用 JSON 而不是纯文本，是为了方便后续接入发布 API，也方便读者检查字段。

需求拆到这里，就可以开始搭建 Skill 了。

4. 搭建 Skill 项目目录与配置

4.1 项目目录结构

一个最小可用的 Skill 项目，目录结构可以这样设计：

content-publisher-skill/ ├── SKILL.md ├── scripts/ │ └── generate_package.py └── templates/ # 后续可扩展，例如不同风格的标题模板

SKILL.md是 Agent 读取的入口文件，scripts/generate_package.py是真正执行生成逻辑的脚本。

4.2 编写 SKILL.md

SKILL.md 的作用是让 Agent 知道：什么情况下使用这个技能、输入是什么、输出是什么、执行步骤是什么。这里给出一份可用的示例，你可以根据自己的工具调整 front matter 字段。

--- name: multi-platform-publisher description: 根据一篇 Markdown 内容草稿，生成 YouTube、B站、小红书三个平台的发布包。当用户要求生成发布包、多平台发布文案、或处理内容草稿时使用。 version: 1.0.0 --- # Multi-Platform Publisher ## 功能概述 把内容创作者的 Markdown 草稿，转换为三个平台可以直接使用的发布文件： - YouTube：标题、描述、标签。 - B站：标题、简介、标签。 - 小红书：标题、正文、话题标签。 ## 输入 用户提供 Markdown 草稿路径，草稿必须包含 front matter： - `title`：内容标题。 - `summary`：一句话摘要。 - `tags`：内容标签数组。 正文请使用 `##` 分章节，每章代表内容的一部分。 ## 执行步骤 1. 确认草稿文件存在，并读取文件内容。 2. 调用脚本 `scripts/generate_package.py`，传入草稿路径。 3. 脚本输出到 `out/` 目录，文件名分别为 `youtube_package.json`、`bilibili_package.json`、`xiaohongshu_package.json`。 4. 检查三个文件是否生成成功，并把文件路径返回给用户。 ## 输出 输出目录结构： ```text out/ ├── youtube_package.json ├── bilibili_package.json └── xiaohongshu_package.json

注意事项

• 不要修改草稿原文。
• 不要在输出文件之外创建额外文件。
• 如果草稿缺少 front matter，提示用户补充。

这里的关键是“执行步骤”写得很明确，Agent 看到后可以直接照做，而不是再自由发挥。 ### 4.3 配置 ChatGPT 或 Codex 类工具 不同 Agent 工具对 Skill 的加载方式不同。以 ChatGPT 桌面版和 Codex CLI 生态为例，通常需要在设置中指定 Skill 目录，或者在项目中放置可识别的技能配置。具体入口因版本而异，最稳妥的方式是查看你所用工具关于 Skills 或插件机制的官方文档。 如果工具支持命令行方式，也可以在终端直接用类似下面的方式测试脚本是否可用： ```bash python3 scripts/generate_package.py --help

先把脚本跑通，再接入 Agent，能够降低排错难度。

5. 完整示例：用 Python 脚本生成发布包

整个 Skill 里，脚本是核心。这里提供一个完整的 Python 示例，它读取草稿 Markdown，提取 front matter 和章节，然后按平台规则生成 JSON 文件。

5.1 创建脚本文件

文件路径：content-publisher-skill/scripts/generate_package.py

#!/usr/bin/env python3 # -*- coding: utf-8 -*- """ 根据 Markdown 内容草稿生成多平台发布包。 用法： python3 generate_package.py path/to/draft.md --output-dir out """ import argparse import json import pathlib import re def parse_draft(draft_path: pathlib.Path) -> dict: """解析 Markdown 草稿，提取 front matter 和章节信息。""" text = draft_path.read_text(encoding="utf-8") meta = {} body = text # 解析 front matter if text.startswith("---"): parts = text.split("---", 2) if len(parts) >= 3: fm_text = parts[1] body = parts[2] for line in fm_text.strip().splitlines(): if ":" not in line: continue key, value = line.split(":", 1) key = key.strip() value = value.strip().strip('"') if key == "tags": # 将 "[A, B, C]" 转为列表 value = [item.strip() for item in value.strip("[]").split(",")] meta[key] = value title = meta.get("title", draft_path.stem) summary = meta.get("summary", "") tags = meta.get("tags", []) sections = re.findall(r"^##\s+(.+)$", body, re.MULTILINE) return { "title": title, "summary": summary, "tags": tags, "sections": sections, } def build_youtube_package(data: dict) -> dict: """生成 YouTube 发布信息。""" title = data["title"][:80] description_lines = [data["summary"], ""] for index, section in enumerate(data["sections"], start=1): description_lines.append(f"{index}. {section}") description = "\n".join(description_lines) tags = data["tags"] # YouTube 标签总量不建议过长，这里截取前 15 个 tags = tags[:15] return { "platform": "youtube", "title": title, "description": description, "tags": tags, } def build_bilibili_package(data: dict) -> dict: """生成 B站发布信息。""" title = data["title"][:60] intro = data["summary"] chapter_lines = [] for index, section in enumerate(data["sections"], start=1): chapter_lines.append(f"{index}:{section}") description = f"{intro}\n\n章节列表：\n" + "\n".join(chapter_lines) return { "platform": "bilibili", "title": title, "desc": description, "tags": data["tags"][:10], } def build_xiaohongshu_package(data: dict) -> dict: """生成小红书发布信息。""" title = data["title"][:20] body_parts = [data["summary"], ""] body_parts.append("重点内容：") for section in data["sections"][:5]: body_parts.append(f"> {section}") body_parts.append("") topic_tags = [] for tag in data["tags"]: topic_tags.append(f"#{tag}") body_parts.append(" ".join(topic_tags)) return { "platform": "xiaohongshu", "title": title, "body": "\n".join(body_parts), "topic_tags": topic_tags, } def main(): parser = argparse.ArgumentParser(description="生成多平台发布包") parser.add_argument("draft", help="Markdown 草稿路径") parser.add_argument("--output-dir", default="out", help="输出目录，默认为 out") args = parser.parse_args() draft_path = pathlib.Path(args.draft) if not draft_path.exists(): print(f"[ERROR] 草稿文件不存在：{draft_path}") return data = parse_draft(draft_path) out_dir = pathlib.Path(args.output_dir) out_dir.mkdir(parents=True, exist_ok=True) packages = [ build_youtube_package(data), build_bilibili_package(data), build_xiaohongshu_package(data), ] for package in packages: platform = package["platform"] output_path = out_dir / f"{platform}_package.json" output_path.write_text( json.dumps(package, ensure_ascii=False, indent=2), encoding="utf-8", ) print(f"[OK] {platform} -> {output_path}") if __name__ == "__main__": main()

这个脚本有几个设计点值得说明。

第一，parse_draft函数负责解析草稿。它把 front matter 和正文分离，正文里所有##开头的行会被识别为章节。如果草稿格式不标准，解析结果可能为空，但脚本不会崩溃，只是生成的描述会缺少章节信息。

第二，三个build_*函数分别处理平台差异。YouTube 标题限制 80 字符，B站限制 60 字符，小红书限制 20 字符。这是演示用的简化规则，实际项目中你可以根据平台规则继续微调。

第三，输出目录通过--output-dir指定，默认为out。这保证了脚本不会乱写文件，降低误操作风险。

5.2 准备测试草稿

为了验证脚本，先创建一个简单的草稿文件。

文件路径：drafts/hello-skill.md

--- title: "我用 ChatGPT 做了个 Skill，5分钟生成多平台发布包" summary: "把重复的内容排版工作，交给带脚本能力的 Agent。" tags: [ChatGPT, Skill, 自动化] --- ## 为什么需要自动化 ## Skill 是什么 ## 实战演示 ## 总结

注意，草稿的tags数组里包含“自动化”，这和脚本里生成的话题标签有关。

6. 运行并验证 Skill

6.1 手动运行脚本

在项目根目录执行：

python3 scripts/generate_package.py drafts/hello-skill.md --output-dir out

如果一切正常，终端会输出：

[OK] youtube -> out/youtube_package.json [OK] bilibili -> out/bilibili_package.json [OK] xiaohongshu -> out/xiaohongshu_package.json

6.2 查看生成结果

以 YouTube 为例，out/youtube_package.json的内容应该是：

{ "platform": "youtube", "title": "我用 ChatGPT 做了个 Skill，5分钟生成多平台发布包", "description": "把重复的内容排版工作，交给带脚本能力的 Agent。\n\n1. 为什么需要自动化\n2. Skill 是什么\n3. 实战演示\n4. 总结", "tags": [ "ChatGPT", "Skill", "自动化" ] }

B站和小红书的文件也会各自生成。整个流程里，用户只需要提供草稿，剩下的格式化工作由脚本完成。

6.3 接入 Agent 后的调用方式

当 Skill 配置好之后，可以在对话中直接说：

使用 multi-platform-publisher 技能，处理草稿 drafts/hello-skill.md

Agent 会读取 SKILL.md，找到脚本，执行命令，然后把生成的文件路径反馈给你。如果 Agent 工具没有自动执行脚本的权限，你可以手动运行命令，再把输出结果作为上下文输入对话。

6.4 如何判断成功

判断标准有三个：

1. out/目录下生成了三个 JSON 文件。
2. 每个文件的必填字段都存在，且标题长度没有超过脚本设定的限制。
3. 草稿中的章节完整出现在描述或正文里。

如果某个平台的文件缺失，优先检查脚本是否报错，以及草稿解析到的章节是否为空。

7. 常见问题与排查思路

在实际使用中，主要会遇到几类问题。这里整理成表格，方便排查。

其中关于 codex cli binary 和 config.toml 的报错，最常见的原因是本机环境问题和配置项写错。遇到这类错误，不要急着重装工具，先看环境变量和配置路径，往往比直接卸载重装更快。

8. 最佳实践与工程建议

Skill 的思路很简单，但真正用起来，有几个工程层面的建议值得记住。

8.1 SKILL.md 要写得像“接口文档”

SKILL.md 是 Agent 和技能之间的接口。触发条件要明确，输入输出要写明，执行步骤要可操作。如果写得太泛，Agent 就不知道该在什么时候调用，也不知道怎么调用。我建议至少包含：技能名称、功能描述、输入格式、执行步骤、输出结构、注意事项。

8.2 脚本要保持幂等

同一个草稿，无论执行多少次，输出结果应该一致。这样才能放心交给 Agent 自动化。不要在脚本里引入随机内容，不要依赖当前目录下不存在的临时文件。

8.3 输出目录与源文件分离

脚本的默认输出目录是out/，草稿放在drafts/，两者分开。这样即使脚本写错，也不太可能覆盖源文件。如果需要在生产流程中使用，建议加上日期或草稿名组成输出子目录，避免不同内容的输出互相覆盖。

8.4 把平台规则抽成配置

现在标题长度、标签数量都写在脚本里。平台规则可能变化，更好的做法是抽成一个config.yaml或 JSON 配置。这样后续调整平台限制时，不需要改动 Python 代码。

8.5 敏感信息不要进 Skill

Skill 脚本里不要硬编码任何 API 密钥、Token、账号密码。如果未来想接入发布 API，密钥应通过环境变量或密钥管理服务加载，并遵循最小权限原则。

8.6 先用最小示例跑通，再覆盖真实内容

第一次创建 Skill，不要一上来就处理几十个草稿。先用一个最小 Markdown 文件验证流程，确认输出正确后，再扩展功能。这个最小示例也是未来排错时的重要基线。

8.7 区分“自动生成”与“自动发布”

当前这个 Skill 只生成发布包，不负责发布。主动把“生成”和“发布”分开，能减少很多风险。内容发布涉及账号安全、平台审核、版权问题，自动化发布一定要谨慎，先小范围测试，确认逻辑稳定后再考虑接入。

9. 总结与下一步方向

这篇文章核心讲清楚了一件事：Skill 不是更复杂的 Prompt，而是“说明文件 + 脚本”的组合，让 Agent 能执行确定性任务。多平台发布包生成就是一个典型的确定性任务，输入是 Markdown 草稿，输出是三个平台的 JSON 发布文件，中间的处理规则固定。

按照文中步骤，你已经可以自己搭建一个最小可用的 Skill 项目：创建 SKILL.md、编写生成脚本、准备测试草稿、运行验证。整个过程不依赖特定平台，适配的是 Agent 工具的核心机制。

下一步值得深入的方向有三个。

第一，优化输出质量。在现有 JSON 基础上，增加标题风格模板，比如“干货型”“故事型”“热点型”，让发布文案更贴近各平台调性。

第二，扩展素材检查能力。脚本可以检查草稿里是否包含配图建议、封面标题、引用链接，并在发布包里生成待办清单，提醒人工补充素材。

第三，接入发布 API。确认平台审核规则后，在 Skill 里增加 Python 脚本调用的发布接口，把“生成发布包”升级为“一键发布”。这是自动化程度更高的一步，但务必做好权限管理和测试环境验证。

先从一个简单草稿开始，跑通一个平台，再逐步加功能。Skill 真正的价值，不在于一次生成多少内容，而在于把创作者从重复劳动里解放出来，把时间留给真正需要人判断的事情。