企业官网建设流程全解析

先说一个让我头疼了很久的真实场景。我一直在维护自己的一套 AI 编程辅助 Skill 文件，用它来约束大模型按固定的方式生成代码。结果在一次 Python 数据处理脚本的生成任务里，我给 AI 塞了一份写满约束的 SKILL，它却在对话里绕了三轮，每次都回“好的，我现在开始生成”，然后交出来一堆解释性文字，代码块空空如也。那一刻我明白，问题或许不在 AI 能力，而在我写的 SKILL 本身就是个“反执行”的结构。这篇文章就围绕我对 SKILL 的这次重新设计来写，记录怎么把它从“堆需求”改成“框架+细节”的完整调试验证过程，其中一部分重点就是 AI 反复不执行代码这件事到底该怎么排查、怎么修。

1. 为什么传统 SKILL 会遇到“说了不执行”

1.1 先搞清楚 SKILL 到底是什么

SKILL 这个概念在不同场景里有不同含义，在 EDA 领域它是一种类 Lisp 的脚本语言，在 AI Agent 实践中它是一种“技能包”。我这里说的 SKILL，是指你交给 AI 的那套任务说明文件，你可以把它理解成 Agent 体系里的“岗位说明书”，里面装着模型执行任务时遵循的规则、步骤、输入输出约定和禁止事项。

我在实际使用中见过很多人把 SKILL 直接当成“长篇提示词”来写，觉得只要把需求写清楚，AI 就会老老实实执行。这个认知在简单任务上勉强成立，可一旦任务复杂度上来，或者 SKILL 里同时存在多个约束条件，AI 就会开始“选择性失明”——它只关注最开头几条，或者只挑自己认为重要的信息来执行，剩下的全被忽略。这其实不是 AI 故意偷懒，而是模型在处理超长、扁平的指令序列时，注意力会被稀释，优先级判断也会失真。

1.2 传统堆叠式 SKILL 的三个隐患

我先复盘一下自己第一版 SKILL 的问题，它很有代表性：

第一个隐患是注意力被稀释。当时我写了一份上百行的 SKILL，里面包含“你要负责”“请不要”“必须确保”“如果……那么……”这些表述，规则数量超过二十条。结果 AI 在执行时只记得开头几项，后面的要求几乎全部丢失。比如我明确要求“输出文件必须带 output_ 前缀”，它生成的代码里还是写死了输入文件名作为输出名，完全无视我的约定。

第二个隐患是层级扁平。整个 SKILL 就是一段连续排布的规则，没有“目标-约束-执行-验收”的层次结构。AI 相当于拿到了一堆散装零件，却没有装配图，它只能靠自己的理解去组装，组装结果自然不可控。后来我对比过几份工业级 Skill 定义，发现它们普遍有清晰的分层结构：最顶层一定是任务目标，其次是输入输出规范，再次才是具体执行步骤，最后是验收标准和禁止项。一字排开的写法，根本算不上 Skill，只能算需求清单。

第三个隐患是缺少可验证的验收标准。很多 SKILL 会写“生成高质量代码”“确保代码健壮”，但从不定义什么算高质量、怎样算健壮。AI 没有量化标准，自然没法判断自己有没有完成任务。我之前有一次让它生成批处理脚本，它给了我一个“看起来能跑但有严重性能问题”的版本，我追问它为什么，它回了一句“我已经完成了你的要求”。问题就出在“要求”写得太抽象了。

我印象很深的是，当时我在网上也找过不少 Skill 模板，最流行的结构是“你是 XX 专家，你擅长 XX，请根据以下需求完成任务”。这种模板适合对话式需求，却不适合多步骤代码生成。后来我把它全部推翻，重新设计了“框架+细节”的结构，执行成功率才算是真正稳定下来。

2. 框架+细节：SKILL 设计的核心思路

2.1 框架先行，细节随后

我理解的“框架+细节”，核心就两句话：框架负责回答“做什么、按什么顺序做”，细节负责回答“每一步具体怎么做、做到什么程度算完”。这个顺序不能反，如果先堆细节，AI 就会被碎片信息淹没，失去对整个任务路径的把握。

打个比方，你去餐厅点餐，菜单是框架，它决定了“前菜-主菜-甜点”的流程；但菜单不会告诉你宫保鸡丁要放多少克花生米，那是细节。框架保证厨师不会把甜点端到你面前当主菜，细节保证菜品味道稳定可复现。AI 执行任务也是同一个道理，框架管方向，细节管质量，两者缺一不可。

我在重构 SKILL 时，第一步就是画任务流程图。比如一个“CSV 文件数据统计”的任务，流程是“读取文件→检查数据→逐列计算→保存结果”。这个流程用文字写出来就是框架。然后把每一环节展开，补充“用什么函数读取、空值怎么处理、输出编码用什么”这类细节。这样一来，AI 的执行路径就非常清晰，想跑偏都难。

2.2 SKILL 的推荐结构

经过这轮调试，我沉淀了一套 SKILL 编写结构，现在做任何任务，我都会按这个结构来组织：

• 任务目标：用一两句话说明任务要达成的最终效果，必须可量化。
• 输入清单：列出 AI 需要接收哪些输入参数，以及输入缺失时的处理方式。
• 执行步骤：把任务拆分为可验证的步骤，每步有明确的输入、操作和输出。
• 输出规范：规定交付物的结构和格式，比如代码放哪里、运行示例放哪里。
• 验收清单：列出完成后必须满足的检查项，让 AI 能自查。
• 禁止事项：明确列出不能做的事情，数量控制在三条以内。

这个结构不是拍脑袋想出来的，是在反复调试中一点点试出来的。每次 AI 执行异常，我都会回头审视 SKILL，看是哪个部分出了问题。后来我发现，90% 的“不执行”都出在执行步骤不清和输出规范缺失上，所以我特别重视这两块。尤其是执行步骤，一定要细到“每一步之后 AI 应当输出什么”，这样就算它走错了，我也能立刻从回复里看出来。

3. 按 SKILL 生成代码的完整实操记录

3.1 这次要完成的任务

为了把这次实践记录完整，我重新搭了一个测试场景。任务目标是让 AI 根据 SKILL 生成一个 Python 脚本，功能是读取一个名为 data.csv 的时间序列数据文件，对每一列计算均值、最大值、最小值，然后把统计结果保存为一个新的文件 output_data.csv。任务本身不难，但要求很明确：

• 使用 pandas 的 read_csv 读取数据。
• 对非数值列要跳过，但必须输出提示信息。
• 输出文件必须使用 utf-8 编码，避免中文乱码。
• 脚本最后要附带一条可直接运行的示例命令。

这个任务是我故意选的，因为它能够暴露出 AI“不执行”的几乎所有常见问题。比如只解释不写码、忽略编码参数、输出文件和需求不一致等，后面都会一一遇到。

3.2 第一版 SKILL：只有框架没有细节

第一版 SKILL 我写得很简单，结构只有框架，没有细节：

任务目标：生成一个 Python 脚本，读取 data.csv，统计每列均值、最大值、最小值，保存到 output_data.csv。 输入：data.csv。 执行步骤： 1. 读取 CSV 文件。 2. 计算每列统计值。 3. 保存结果。 输出规范： - 代码放在 python 代码块中。 - 附带运行示例。 禁止事项： - 不要修改输入文件。

这版 SKILL 看起来要素齐全，运行后问题却非常多。AI 确实生成了一个完整脚本，但 read_csv 没有指定编码，遇到含中文路径的输入文件直接报错；输出文件名也没有按我预期的 output_data.csv 来命名，而是擅自改成了 statistics.csv；更离谱的是，它生成的“运行示例”是一段伪代码，根本没有可执行性。

3.3 第一轮测试暴露的问题

我拿第一版 SKILL 跑了一轮测试，结果可以总结成一张问题表：

这一轮测试让我认识到，框架只能解决“AI 不会走错大方向”的问题，没法解决“小细节处处踩坑”的问题。要想让 AI 生成能直接跑起来的代码，必须把细节补进去。带着这个结论，我开始第二轮优化。

4. AI 反复不执行的全程调试实录

这一节是文章的重头戏，也是标题里“AI 反复不执行”这个问题的完整记录。我把过程拆成了五轮，每一轮都有具体的修改动作和验证结果，你可以照着这个思路排查自己的 SKILL。

4.1 现象描述：AI 在“空转”

第一次发现 AI“不执行”，是我给了一份比上一节更复杂的 SKILL 之后。任务还是生成代码，但 SKILL 里增加了一堆“注意事项”，比如“要考虑代码性能”“要考虑异常处理”“代码风格要统一”。结果 AI 在对话里绕了一大圈，先输出一段“我理解你的需求”，再输出一段“我的实现思路”，然后停在了“思路”这一步。

我催它“生成代码”，它回了一句“好的，我现在为你生成”，然后又开始重复思路。整个过程就像一台发动机在原地空转，转速很高，但车子一步都没动。后面我试了十几轮，每次都是这个模式：AI 输出理解，输出计划，然后停住。它不会得出结论，也不会给出实质性的代码内容。

4.2 第一轮排查：指令太多，优先级不明确

我做的第一个动作是排查指令优先级。我把 SKILL 从头到尾读了一遍，发现自己写了二十多条要求，有性能方向的，有风格方向的，有异常处理方向的，还有“不要问用户、直接做”的。这些要求单看都没问题，但混在一起就让 AI 失去了优先级判断力。它不知道哪个要求该先满足，索性选择了一种最稳妥的执行策略——先描述计划，等用户确认。

这个现象在心理学上跟“选择悖论”有点像，选项过多反而让人无法决策。AI 虽然没有真实意识，但它在庞大且互相干扰的指令集合面前，很容易陷入“什么都想做，结果什么都不做”的状态。

解决办法是做减法。我删掉了所有与“生成一个可运行脚本”无关的要求，只保留一个核心目标，并把它放在 SKILL 最前面。修改后测试，AI 终于开始输出代码了，虽然还有一些细节错误，但至少“不执行”的现象消失了。

4.3 第二轮修改：把“生成代码”改为“按顺序执行”

第一轮做完减法，AI 偶尔还是会当场摆烂。我进一步对比了两次对话的差异，发现一个关键点：我在 SKILL 里用的是“生成代码”这个目标性表述。对 AI 来说，“生成代码”既可以指“写出代码”，也可以指“给出生成代码的方案”。它选择后者，严格来说不算错误，但不符合我的预期。

这个发现让我调整了措辞。我把 SKILL 里的“生成代码”改成了“按以下顺序执行每个步骤，每完成一步，在回复中输出当前步骤的结果”。这个改动看起来只有几个字的变化，但对 AI 的行为影响极大。它开始真正“分步执行”：先输出“读取 data.csv 成功”，再输出“计算完成”，最后输出“已保存结果”，每一步都有实质输出。

这个技巧的原理是：把抽象目标替换成可验证的过程指令，AI 就能明确知道自己在哪个节点、下一步该做什么，而不是把任务当成一次“论文式回答”。

4.4 第三轮修改：用细节消除歧义

AI 开始执行之后，我遇到了另一类问题：它执行了，但执行结果跟需求不一致。比如我要求输出文件名必须是 output_data.csv，它生成代码时写死成了 data_statistics.csv；我要求运行示例必须是可执行的命令，它给的是注释文字。这类问题说明 AI 虽然理解了框架，但在细节层面仍在自行补全假设。

我的解决办法是给关键位置全部加上细节约束。首先是输入输出文件名，在 SKILL 里直接用具体文件名替代模糊描述；其次是编码参数，明确写出“read_csv 时指定 encoding='utf-8'”；再次是运行示例，要求“必须是以 python -c 开头的一行命令，且可以直接复制到终端执行”。这些细节加上之后，AI 生成的结果一下子就“听话”了。

4.5 最终稳定版 SKILL

经过前三轮修改，SKILL 最终定型。下面是一份完整版本，你可以直接参考：

# SKILL 时间序列统计脚本生成器 ## 目标 生成一个数据处理脚本 script.py，输入 data.csv，输出统计结果到 output_data.csv，脚本必须可直接运行。 ## 输入 - input_file: data.csv - output_file: output_data.csv ## 执行步骤 1. 使用 pandas.read_csv 读取 data.csv。 1.1 若文件不存在或读取失败，输出错误信息并停止。 1.2 若文件为空，输出空文件提示并停止。 2. 对每一列计算 mean、max、min 三个统计值。 2.1 跳过非数值列，但必须在回复中注明跳过了哪些列。 3. 将统计结果保存为 output_data.csv。 3.1 使用 encoding='utf-8' 写入，避免中文乱码。 3.2 保留原始列名。 ## 输出规范 - 所有代码必须放在 ```python 代码块中。 - 代码块之后必须紧接一段“运行命令”，命令可直接复制到终端执行。 - 不要输出与脚本无关的解释性文字。 ## 验收清单 - [ ] 脚本能读取 data.csv 并生成 output_data.csv。 - [ ] 非数值列被跳过，且回复中包含跳过列的提示。 - [ ] 运行命令可以直接执行。 ## 禁止事项 - 不要修改输入文件。 - 不要省略任何一列的统计结果。

这版 SKILL 的使用效果让我很满意：同任务跑五轮，四轮能一次生成正确可运行的脚本，失败的那一轮也是因为我在输入数据里埋了特殊字符串，属于测试数据本身的问题，不是 SKILL 的问题。我终于把这个“AI 反复不执行”的顽疾治住了。

5. 调试过程中的常见问题速查表

调试这轮 SKILL 的过程中，我积累了相当多的排查经验。下面整理成一张速查表，你遇到类似问题可以直接对照使用：

这张表里我实际踩过最多次的就是第一行“只解释不写代码”。以前我觉得是模型太笨，后来才发现是 SKILL 里没有“必须输出代码”这个硬约束。大模型天然倾向于对话式的回复，你要是不明确告诉它“代码必须放代码块里”，它就可能给你来一大段文字描述，让你自己写代码。

另一个容易踩的坑是“禁止事项写太多”。我试过写十条禁止内容，结果 AI 把禁止项当成需要讨论的话题，每条都要“确认一下你是否真的需要禁止”。后来我把禁止项压缩到三条，只保留最可能出问题的，AI 反而不会纠结了。这也印证了一个原则：SKILL 里每一句话都应该有存在的理由，没有理由的字句就是噪音。

6. 框架+细节 SKILL 的通用模板

调试完成后，我把这套思路提炼成了一个通用模板，现在已经在我自己的 Agent 项目里反复使用。模板长这样：

## 目标 （用一两句话说明任务要达成的最终效果，必须可量化、可验证） ## 输入 - 参数 1：说明 - 参数 2：说明 （如果输入缺失，应该怎么处理） ## 执行步骤 1. 步骤一（动作说明） 1.1 子步骤 A 1.2 子步骤 B 2. 步骤二（动作说明） 2.1 子步骤 C （每一步之后 AI 必须输出什么结果，需要写清楚） ## 输出规范 - 输出文件格式、命名规则 - 示例命令的书写格式 - 不允许出现的输出形式 ## 验收清单 - [ ] 检查项 1 - [ ] 检查项 2 （AI 完成后必须逐项自查） ## 禁止事项 - 禁令一 - 禁令二 （最多三条）

这个模板可以适配大部分代码生成类任务。你在填写时需要注意几点：

第一，细节是“服务于步骤”的，不能写成流水账。比如“读取 CSV 文件”这个步骤，你可以补充“指定 encoding='utf-8'”，但没必要补充“pandas 是第三方库，需要先安装”。后者对执行没有直接帮助，反而会让 AI 花注意力在无关信息上。

第二，每一步都要有可验证的输出。我见过很多 SKILL 写“处理数据”“优化代码”，但从不写处理完之后 AI 应该输出什么。对 AI 来说，没有验证标准的任务就是模糊任务，模糊任务最容易导致“空转”。

第三，验收清单比禁止事项更有用。禁止事项告诉 AI 不能做什么，验收清单告诉 AI 必须做到什么。后者给了 AI 一个自我检查的抓手，让它在输出前就能意识到自己漏了步骤。

我自己在写模板时，会先花五分钟把任务的目标和步骤用最朴素的流程图画一遍。画完再写 SKILL，效率和准确率都会高很多。流程图画清楚之后，AI 执行的成功率基本上不会低于七成。

这次对 SKILL 的全面重构，让我彻底改变了编写思路。现在我做任何 AI 辅助开发任务，都会先搭框架、再填细节、最后设验收，三部曲走完再交给 AI 去执行。如果你也被 AI 反复不执行的问题折磨得头疼，建议先别急着换模型或者加更多提示词，而是回头审视一下自己的 SKILL 是否缺少了“执行路径”和“验证标准”这两块拼图。很多时候，不是 AI 不配合，而是它压根没弄明白你想要的路径到底长什么样。