用AI Agent Skill打造行业调研工作流：从SKILL.md到结构化报告

大多数人第一次让 AI“了解一个行业”拿到的都是同一套话术行业前景广阔、市场竞争激烈、头部效应明显。信息正确但没法直接用。原因是通用模型没有一套行业分析的工作流它只是在一问一答里随机组织内容。这次我们来看一个不太一样的做法我基于 AI Agent 的 Skill 机制做了一 个专门用于行业快速调研的 Skill。输入一个行业名称AI 会按产业链、市场规模、竞争格局、政策环境、代表企业、信息缺口这套固定框架把信息整理成可以直接交给业务方的报告。这个 Skill 解决的核心问题是三个。第一让 AI 的输出结构可控不再是想到哪写到哪。第二把行业调研的方法论沉淀成可复用的文件换任何行业都能套用不需要每次重新写提示词。第三支持在同一个对话里追问深挖某个产业链环节也支持用脚本做多行业横向对比。下面这篇文章会把设计思路、目录结构、SKILL.md 配置、安装步骤、测试方法和常见坑全部讲清楚如果你正准备用 AI 做行业研究、投资梳理、竞品分析或者内容选题这篇可以直接收藏。先说结论这个 Skill 不需要 GPU不依赖本地大模型普通办公电脑就能跑。它的运行环境是支持 Agent Skill 机制的 AI 客户端核心资产是一份 SKILL.md 文件加几个辅助模板。整个安装过程本质上就是“把文件放到指定目录”没有任何编译和依赖安装。所有大模型推理都发生在云端或者你原有的 API 服务上所以硬件门槛约等于零。1. 核心能力速览先把这个 Skill 的能力边界和运行条件一次性说清楚。能力项说明项目类型AI Agent Skill技能插件 行业调研工作流输入内容一个行业名称例如“新能源电池”“工业软件”“宠物医疗”输出内容结构化行业调研报告Markdown 格式核心功能自动拆解产业链、市场规模判断、竞争格局分析、政策环境梳理、代表企业盘点、信息缺口标注运行环境支持 Agent Skill 机制的 AI 客户端常见形式是识别 skills 目录和 SKILL.md 文件硬件要求无需 GPU普通电脑即可所有推理由远端大模型完成磁盘占用极低主要是几个文本文件网络要求需要能正常访问大模型 API 或对应客户端服务批量任务支持可通过循环调用或脚本批量调研多个行业是否需要编程不需要手动复制文件即可只有批量任务场景需要简单 Python适合人群产品经理、分析师、投资人、内容创作者、咨询顾问、学生从材料看这个 Skill 的核心竞争力不在“AI 能回答多少”而在“AI 按什么顺序回答”。只要把行业调研的步骤固化成文件任何一个具备基础问答能力的大模型都能输出比普通聊天更高质量的结果。2. Skill 到底是什么为什么要自己做如果你还没有接触过 Agent Skill这里先花 60 秒说明白。Skill 不是新的模型也不是独立的软件它是一段可复用的“操作手册”。普通聊天中你每次都要重新说清楚需求而 Skill 机制允许你把一套固定的流程、规则、输出模板打包成一个文件。AI 客户端在识别到用户问题与 Skill 描述匹配时会自动加载这个文件并按里面的步骤执行。对比一下普通对话和 Skill 的差别。普通聊天场景下用户说“帮我了解一下光伏行业”模型可能会这样输出先讲定义再讲分类然后讲发展趋势最后给几个公司名字。内容不是不对而是结构不稳定。同一个问题问三次三次的章节顺序和深度都不一样。Skill 场景下用户说同样的话AI 客户端会先判断“这个问题命中了 industry-research 这个技能”然后加载 SKILL.md里面明确写了要先确认行业边界、再拆产业链、再看市场规模、再列竞争格局、最后标出信息缺口。模型相当于拿到了一个 SOP输出稳定性和完整性都会明显提高。为什么要自己做而不直接用通用提示词两个原因。第一通用 Prompt 存在聊天窗口里换一个对话就失效Skill 文件可以长期保存在指定目录随时复用。第二Prompt 只能约束回答文本Skill 还可以附带辅助模板和脚本比如 report_template.md、checklist.md让模型严格按模板填空。对于行业调研这种强流程场景Skill 的收益非常明显。3. 行业调研 Skill 的设计思路设计这个 Skill 之前我先想清楚一个问题一份真正对业务有用的行业报告最少要包含什么。不是“行业概述前景展望”这种空壳而是能支撑判断的内容。3.1 先定义输出再定义过程我最终确定的报告结构包含八个模块模块说明行业定义与分类明确边界避免概念混淆产业链拆解上游、中游、下游分别是什么市场规模与增速量级判断和资料来源需求驱动因素这个行业靠什么增长竞争格局集中度、主要玩家、差异化政策与合规环境监管方向和准入门槛代表企业与商业模式典型公司怎么赚钱关键成功要素谁能在这个行业活得好这八个模块不是每个都要写 2000 字而是要求 AI 必须覆盖缺哪个就标注哪个。模块缺失比字数不足更影响决策。3.2 拆解调研执行步骤Skill 执行过程我拆成五步确认行业边界。如果用户说“电池”要追问是动力电池、消费电池还是储能电池含糊的输入会导致整份报告跑偏。按八模块框架收集信息。这个阶段 AI 可以直接调用自身知识也可以结合联网搜索工具。输出结构化报告。严格按 report_template.md 渲染不自由发挥章节顺序。标注信息可信度。报告分为“确定性结论”“估算数据”“待核实数据”三档。列出建议追问。把下一步可以深挖的方向写清楚方便用户继续对话。3.3 限制与防幻觉行业调研最怕 AI 编数据所以我在 SKILL.md 里加了一条硬性要求如果模型不知道具体市场规模数字可以给量级估算但必须标注“估算值”禁止把估算写成精确统计。同时要求 AI 在报告末尾单独列一个“信息缺口”小节把拿不准的内容集中放到那里而不是混在正文里影响判断。4. 环境准备与前置条件这个 Skill 的环境准备非常简单因为本质上只有两个依赖一个支持 Skill 机制的 AI 客户端一个能正常运行的大模型 API 或订阅服务。需要准备的内容如下项目要求AI 客户端支持 Agent Skill 机制能读取 skills 目录下的 SKILL.md 文件大模型服务具备较强中文理解和长文本生成能力建议使用支持思维链推理的模型网络环境能正常访问客户端和 API 服务操作系统Windows、macOS、Linux 均可无特殊限制磁盘空间预留 100MB 以内用于存放 Skill 文件和输出报告Python可选如果要做批量调研建议安装 Python 3.9 以上版本requests 库可选批量脚本发送 HTTP 请求用需要注意一个判断不同 AI 客户端对 Skill 的目录结构和触发机制存在差异设计文件时不能默认所有客户端都按同一套规则解析。更稳妥的做法是先查一下你所使用客户端的官方文档确认识别规则。当前社区里比较常见的约定是“skills 目录 SKILL.md 文件 YAML frontmatter 描述”但这不是唯一标准落地前一定要验证自己的环境。5. Skill 目录结构与 SKILL.md 配置5.1 目录结构推荐使用下面的目录结构逻辑清晰也方便后续扩展skills/ └── industry-research/ ├── SKILL.md ├── framework/ │ ├── report_template.md │ └── checklist.md └── scripts/ └── batch_research.pySKILL.md 是核心文件AI 客户端通过它识别和调用技能。framework 目录存放输出模板和检查清单让模型严格按模板填充。scripts 目录存放批量调研脚本属于可选能力。5.2 SKILL.md 完整示例下面是一份可以直接复制的 SKILL.md每段内容都是按照主流 Agent Skill 的约定格式写的。使用时请结合你自己的客户端文档微调--- name: industry-research description: 当用户需要快速了解一个行业、分析产业链、评估市场规模、研究行业竞争格局或撰写行业调研报告时使用。触发词包括了解XX行业分析XX产业XX行业有多大XX产业链怎么拆。 --- # 行业快速调研 ## 目标 帮助用户在最短时间里把一个陌生行业讲清楚。输出必须结构完整、数据可信、边界清晰。 ## 执行步骤 ### 第 1 步确认行业边界 1. 如果用户只输入行业大词例如电池材料机器人先列出可能的细分方向请用户确认。 2. 用户确认后再进入下一步不要擅自假设。 3. 如果用户希望快速输出允许按用户给出的原始名称继续但报告开头必须注明本报告按 XX 口径分析。 ### 第 2 步按框架收集信息 必须覆盖以下八个模块缺失模块要在报告末尾说明原因 1. 行业定义与分类 2. 产业链拆解上游 / 中游 / 下游 3. 市场规模与增速判断 4. 需求驱动因素 5. 竞争格局 6. 政策与合规环境 7. 代表企业与商业模式 8. 关键成功要素 ### 第 3 步输出报告 1. 严格按 framework/report_template.md 的结构输出。 2. 使用 Markdown 格式层级清晰。 3. 市场规模数据优先采用可查证的公开资料如果不知道准确数字只写量级和趋势并标注估算值。 4. 禁止编造具体的公司营收、市占率、市场规模数字。 ### 第 4 步标注信息可信度 报告末尾必须包含以下三个小节 - 本报告中的确定性结论 - 需要进一步核实的估算数据 - 建议用户下一步深挖的方向 ## 禁止行为 - 禁止编造任何精确到小数点的市场规模数字。 - 禁止把个别公司案例推广为全行业规律。 - 禁止涉及非公开的未披露企业数据。 - 禁止输出与行业调研无直接关系的泛泛总结。5.3 辅助模板文件report_template.md 用于约束最终输出格式。可以把下面这份模板放到 framework 目录下# {行业名称} 行业调研报告 ## 1. 行业定义与分类 ## 2. 产业链拆解 | 环节 | 代表企业 | 商业模式 | 关键要素 | | --- | --- | --- | --- | ## 3. 市场规模与增速 - 当前量级 - 增速判断 - 数据来源说明 ## 4. 需求驱动因素 ## 5. 竞争格局 ## 6. 政策与合规环境 ## 7. 代表企业与商业模式 ## 8. 关键成功要素 ## 9. 信息可信度与信息缺口 - 确定性结论 - 估算数据 - 建议深挖方向checklist.md 可以简单一些用于在输出前做自检内容是一个可勾选清单- [ ] 行业边界是否明确 - [ ] 八模块是否覆盖完整 - [ ] 市场规模是否标注来源或估算属性 - [ ] 是否存在编造的精确数据 - [ ] 是否列出信息缺口和下一步问题6. 安装与启用步骤安装过程不涉及编译核心动作就是“把文件放到客户端识别的目录里”。6.1 第一步找到客户端 skills 目录不同客户端的目录位置不一样。常见做法是查找客户端配置目录下的 skills 文件夹或者直接看官方文档的 Skill 安装说明。如果目录不存在可以手动创建一个。6.2 第二步创建 Skill 目录在 skills 目录下创建子目录名称建议和 Skill 名保持一致也就是 industry-research。# 进入你的 skills 目录后执行 mkdir -p industry-research/framework mkdir -p industry-research/scripts6.3 第三步写入文件把上面 SKILL.md 的内容保存到 industry-research/SKILL.md把 report_template.md 和 checklist.md 保存到 framework 目录下。注意编码格式使用 UTF-8避免中文乱码。6.4 第四步重启客户端修改或新增 Skill 文件后需要重启 AI 客户端让技能列表重新加载。部分客户端支持热刷新但重启是最稳妥的验证方式。6.5 第五步验证被识别重启后可以直接问客户端“你有哪些可用的 Skill”如果支持技能列表查询能看到 industry-research。如果看不到检查文件路径和 frontmatter 格式。7. 功能测试与效果验证安装完成后不要直接投入正式使用先用测试用例验证一下 Skill 是否按预期工作。7.1 基础触发测试测试目的确认输入行业名称时Skill 能被正常触发。输入示例帮我快速了解新能源汽车充电桩行业判断标准AI 是否自动进入行业调研模式而不是普通闲聊式输出。报告是否按 report_template.md 的章节结构输出。是否包含“信息缺口”小节。如果在客户端日志或回复中能看到类似“正在使用 industry-research 技能”的提示说明触发成功。7.2 边界确认测试测试目的确认 AI 遇到模糊输入时不会跑偏。输入示例了解机器人的行业情况理想表现AI 先追问你关注的是工业机器人、服务机器人还是人形机器人或是在报告开头明确标注“本报告按 XX 口径分析”。如果它完全不确认边界直接输出说明 SKILL.md 第一步的约束没生效需要检查文件是否被正确加载。7.3 数据真实性测试测试目的确认 AI 不会为了凑满报告而编造精确数据。输入示例用这个调研框架分析储能行业重点说市场规模判断标准数据是区间表述或量级表述而且标了“估算值”属于正常。数据精确到“某年某公司市占率 23.75%”而且没有引用来源需要警惕。报告末尾是否主动列出“需要进一步核实的估算数据”。7.4 追问深挖测试测试目的确认同一对话中能否继续深挖某个产业链环节。输入示例重点分析正极材料环节的竞争格局理想表现AI 不重写整份报告而是聚焦到正极材料这个环节补充分类、主要玩家、技术路线、毛利水平等信息并更新信息缺口列表。如果它把第一次调研结果全部推倒重来说明上下文利用不好建议在 SKILL.md 中增加“结合前文已有结论进行增量分析”的说明。7.5 多行业对比测试测试目的确认批量处理能力。输入示例用行业调研框架分别分析光伏、风电、储能最后输出一张对比表理想表现AI 先按固定框架分别输出三份结构一致的报告再总结共同点和差异点。这可以作为后续做多行业研究的起点。8. 批量任务思路Skill 本身解决的是“单个行业怎么调研”批量任务解决的是“多个行业怎么跑”。常见场景包括横向对比多个赛道、定期追踪某个产业链的上中下游、为选题库批量生成行业背景。批量任务有两种实现方式。第一种方式是在一个对话里让 AI 依次处理多个行业。这种方式操作简单适合 3 到 5 个行业。缺点是输出长度有限行业太多时容易截断需要分多次对话。第二种方式是写一个脚本循环调用 API每个行业单独跑一次。下面是通用模板请求格式需要按你自己的 API 服务调整import requests import time # 请求地址和鉴权方式替换成你实际使用的服务 API_URL https://your-api-endpoint/chat API_KEY your-api-key headers { Authorization: fBearer {API_KEY}, Content-Type: application/json } industries [光伏, 风电, 储能] for industry in industries: prompt f请使用 industry-research 技能输出一份关于{industry}行业的调研报告 payload { prompt: prompt, max_tokens: 4000 } try: response requests.post(API_URL, jsonpayload, headersheaders, timeout180) if response.status_code 200: result response.json() # 把结果写入文件文件名为行业名称 with open(f./reports/{industry}.md, w, encodingutf-8) as f: f.write(result.get(text, )) print(f[完成] {industry}) else: print(f[失败] {industry}, HTTP {response.status_code}) except Exception as e: print(f[异常] {industry}, {e}) # 控制请求频率避免触发限流 time.sleep(5)使用这段脚本前需要先确认三件事你的 API 接口是否会在单次请求中保留 Skill 机制如果只是走普通对话接口需要在 prompt 里把 Skill 的流程说明嵌入进去输出字段名要按实际返回值调整。脚本里的 .get(text, ) 只是一个通用写法不一定适用于所有服务。9. 常见问题与排查方法实际使用中比较常见的有六个问题问题现象可能原因排查方式解决方案输入行业名称后 Skill 完全不触发description 描述与用户问题不匹配或目录放错位置检查 SKILL.md 是否在客户端识别的目录下检查 description 触发词扩大 description 里的触发词范围按官方文档调整目录位置报告结构混乱不按模板输出客户端没加载 framework 目录下的模板或模板描述不够明确确认报告里是否出现模板章节名称在 SKILL.md 第 3 步中强制要求写出所有章节标题而不是“参考模板”AI 编造市场规模数据模型自身防幻觉能力弱或 SKILL.md 禁止行为没生效观察报告是否出现无来源的精确数字强化禁止行为描述要求必须标注估算属性只触发一次第二次对话又失效Skill 只在特定模式下生效或客户端没有持久化上下文检查对话上下文长度和技能加载范围每次新对话重新确认技能是否触发不要默认技能跨会话保留输出过长被截断报告体量超过上下文窗口分批输出或让 AI 只输出关键模块修改 SKILL.md支持“先给摘要再按模块追问”API 批量请求失败鉴权失败或请求频率过高查看 API 返回状态码和错误信息增加重试逻辑降低请求频率按实际接口文档调整字段中英文混合输出模型语言偏好与输入不一致检查客户端语言设置在 SKILL.md 中增加“全文使用中文输出”要求最容易踩的坑是第一个description 写得太窄。比如只写“分析电池行业”用户问“怎么看储能这个赛道”时就不会触发自然也就拿不到结构化输出。建议把触发词写宽覆盖“了解、分析、调研、怎么样、有多大、产业链、竞争格局”这些常见表达。10. 最佳实践与合规边界10.1 使用建议第一次使用前先用一个自己熟悉的行业做测试比如你本职工作所在的行业方便判断报告质量是否达到可用水平。不要一上来就跑陌生行业否则很难分辨是 AI 输出质量问题还是 Skill 配置问题。建议为每个行业建立一个独立目录保存原始调研结果、人工校验记录、最终报告三个版本。这样后续需要更新数据时可以追溯到原始输出。批量调研要控制每日请求量。很多 API 服务都有频率限制脚本里加上 time.sleep 和失败重试可以有效减少中断。10.2 合规边界行业调研会涉及大量信息使用这个 Skill 时必须注意几个边界不输入和输出未公开的企业内部敏感数据。如果调研对象是上市公司优先使用公开财报和公告如果涉及未上市企业不要使用非公开渠道获取的数据。对外发布报告前必须人工复核关键数字。AI 生成的市场规模、市占率、增速等数据只能作为线索不能直接作为引用依据。引用第三方报告结论时要保留来源说明。Skill 的模板目前只是让 AI 标注数据可信度并不能替代真实的引用管理正式报告需要补充详细来源。不要把这个 Skill 用于内容农场式生产批量生成大量未经核实的行业结论去分发风险不在工具本身而在使用者是否尽到了核实义务。11. 总结这个 Skill 最值得尝试的点是把“了解一个行业”从自由聊天变成了固定工作流。你不需要记住行业调研应该看什么AI 会按框架带着你把行业定义、产业链、市场规模、竞争格局、政策环境、信息缺口全部过一遍。它适合所有需要快速建立行业认知的人尤其是产品、投资、咨询和内容方向的读者。最先应该验证的功能是基础触发测试。随便输入一个你熟悉的行业看看输出结构是否稳定数据标注是否合理。只要这一步通过这个 Skill 在后续所有行业上基本都能跑通。最容易踩的坑有两个一个是 SKILL.md 放错目录导致技能不触发另一个是 description 触发词写得太窄。这两个问题都属于配置问题排查起来不复杂按前面第九节的表格对照处理就可以。后续可以扩展的方向有三种接入联网搜索工具让 AI 在生成报告时实时检索最新数据和公开资料增加自动对比功能一次调研多个行业并输出横向表格再加一个 PPT 大纲生成模块把调研报告直接转为演示文稿结构。行业调研这件事AI 的价值不在于替你背诵资料而在于帮你把“看行业”的过程标准化让每次分析都建立在完整框架上而不是靠感觉。