教 AI Agent 学会你的工作流程,而不只是告诉它如何回答问题
原文链接: https://www.databricks.com/blog/teach-genie-one-your-workflows-ultimate-guide-skills-genie-one?1 来源: www.databricks.com 发现于: 管理台手动提交 说明: 本文由 AIHot汪 自动聚合(原文即中文,未翻译)
AI 总结
Databricks:Teach Genie One your workflows 深度总结
Databricks 官方博客 · 2026年11月16日 · Noah Solomon
原文核心:教 AI Agent 学会你的工作流程,而不只是告诉它如何回答问题。
文章介绍了 Databricks 的 Genie One 如何通过 Skills(技能),把企业员工日常工作中的经验、操作步骤、判断规则和交付标准,变成可以反复调用、组合、共享和定时执行的 Agent 工作流。
原文:Teach Genie One your workflows: The ultimate guide for skills in Genie One
一、最重要的概念:从知识库到工作流
文章提出一个很重要的区分:
Ontology(本体): 告诉 AI 企业的数据和业务概念是什么意思。
Skill(技能): 告诉 AI 一项具体工作应该怎么做。
举个例子:
你告诉 AI:
帮我生成上个月的经营分析报告。
普通 AI 可能会查询数据、分析数字,然后写一份报告。
但拥有 Skill 的 Agent 会:
确认上个月的数据是否已经完整。
查询相关业务指标。
按照既定规则检查异常。
对异常数据进一步拆解。
搜索相关邮件,寻找异常原因。
按照管理层要求的格式生成报告。
必要时提交人工审核。
区别在于:前者是完成一次任务,后者是掌握了一套可以重复执行的工作方法。
二、什么时候应该创建 Skill?
Databricks 总结了五个判断标准:
| 特征 | 典型场景 |
|---|---|
| 经常重复 | 每周项目进度报告 |
| 有固定步骤 | 查询、比较、分析、汇总 |
| 输出格式固定 | 管理层要求固定模板 |
| 存在判断规则 | 什么情况属于异常 |
| 总要人工修改 | 每次都要补充相同内容 |
只要你发现自己反复向 AI 解释同一套操作流程,就应该考虑将它封装成 Skill。
三、Skill 应该如何设计?
这是文章最有实践价值的部分。
Databricks 建议,在创建 Skill 之前,先把工作流程拆解清楚。
Skill 工作流设计的七个要素
触发条件
用户说什么话,或者出现什么情况时,应该启用这个 Skill?
数据和工具
需要读取哪些数据库、文件、Agent、Gmail 或 Google Drive?
执行顺序
先做什么、后做什么,有没有依赖关系?
深入调查机制
发现异常后,是否需要继续拆解,直到找到合理解释?
质量检查
每次执行都必须验证哪些指标、条件和内容?
交付标准
输出什么文件?采用什么格式?需要多长?交付到哪里?
人工干预点
哪些步骤可以自动完成,哪些必须等待人工确认?
特别值得注意的是:Databricks 并不是让用户自己编写复杂的 Agent 程序。
它推荐采用对话式创建:
用自然语言描述工作流程。
让 Genie One 反过来采访你,补齐细节。
Genie One 根据已有业务知识生成 Skill。
用户检查并修正 Skill。
这实际上是把 Skill 创建变成了一种工作流程访谈。
四、不要把所有工作塞进一个 Skill
文章强调一个架构原则:
小技能、单一职责、组合执行。
例如,一个完整的月度经营报告,可以拆成:
月度经营报告 Skill
负责组织整个工作流程
数据分析 Skill
提取、计算指标
异常调查 Skill
识别、追踪原因
邮件检索 Skill
寻找业务背景
报告生成 Skill
按模板输出
最终经营报告
统一交付
还有一个很有意思的设计:
可以单独创建一个团队通用的「领导层报告格式 Skill」。
其他 Skill 在执行时引用它。
以后只需要修改一次格式规则,其他 Skill 就能复用更新后的标准,而不用逐个修改。
这与软件工程中的模块化、函数复用和公共组件非常相似。
五、如何保证 Skill 不会越用越偏?
文章提出了一套测试机制,值得认真借鉴。
1. Golden Reference(金标准样例)
当 Agent 生成的报告达到预期后,把它保存为标准参考样例。
以后每次修改 Skill,都拿新结果和这个样例比较。
2. 对话式修正
例如发现报告存在两个问题:
数据尚未完整,就提前生成了上个月的报告。
把销售额太小的产品波动也列为重大异常。
直接告诉 Agent:
只允许分析已经完整结算的月份。
销售额低于 5 万美元的项目不列入重大异常。
Agent 更新 Skill,再重新执行。
3. 必须开启全新对话重新测试
这是很重要的一点。
不能只在当前对话中测试,因为当前对话可能残留了大量上下文。
必须新开一个对话,使用普通自然语言提出任务,确认 Agent 能否自动识别并调用正确的 Skill。
这才是真正验证 Skill 是否独立有效。
六、Skill 的企业级管理
Databricks 不仅考虑了个人使用,还考虑了组织级管理。
| 能力 | 作用 |
|---|---|
| Unity Gateway | 集中发布和管理 Skills |
| Unity Catalog | 权限控制、标签和审计 |
| 团队共享 | 让其他员工直接使用 |
| 编辑权限 | 指定人员共同维护 |
| Clone | 复制 Skill,创建个人版本 |
| 定时任务 | 按计划自动执行 |
还有一个值得关注的细节:
Skill 可以按照 Agent Skills 开放格式保存,主要文件是 SKILL.md,旁边还可以放置模板、参考样例等文件。
其结构类似:
monthly-trading-brief/
├── SKILL.md
├── templates/
│ └── trading-report.md
└── references/
└── golden-example.md
也就是说,它不只是某个平台里的一个隐藏配置,而是可以审阅、修改、维护的文本资产。
更进一步,发布到 Unity Gateway 后,还能供支持 MCP 的其他 Agent 使用,包括编码 Agent。
七、定时执行:从被动响应到主动工作
Skill 创建成功后,可以设置定时任务。
例如:
每月第一个工作日:
1. 执行月度经营报告 Skill
2. 检查数据完整性
3. 分析异常
4. 生成报告
5. 发送到指定会话和邮箱
如果 Skill 本身设置了人工审核环节,还可以专门规定无人响应时,定时任务应该如何处理。
这一点非常关键:
Skill 不仅是一个被动等待用户调用的工具,还能成为自动化工作流的执行单元。
以上内容均来自文章的设计和示例。Databricks Blog
八、这篇文章真正值得关注的架构思想
我认为它最有价值的不是 Genie One 这个产品,而是它体现出的 Agent 架构演进方向。
传统 Agent 和 Skill 化 Agent 的区别:
| 维度 | 普通 Agent | Skill 化 Agent |
|---|---|---|
| 工作方法 | 临时理解用户指令 | 复用固定工作流程 |
| 操作步骤 | 每次重新规划 | 有明确执行步骤 |
| 质量标准 | 依赖提示词 | 固化检查规则 |
| 输出格式 | 每次可能不同 | 有标准模板 |
| 能力复用 | 依赖对话上下文 | 独立 Skill |
| 维护方式 | 修改提示词 | 更新技能文件 |
| 团队协作 | 复制提示词 | 发布和共享技能 |
这里还有三个值得提炼的技术思想:
知识与方法分离。 业务知识告诉 Agent 世界是什么样的,Skill 告诉 Agent 如何完成工作。
工作流程与执行模型分离。 同一个 Skill 可以由不同 Agent 执行。
能力与记忆分离。 不应该依赖某次对话记住工作方法,而应该将方法沉淀成可复用资产。
九、结合你的 Agent 项目管理体系,应该怎么应用?
你之前研究过 TRAE Personal Agent,也尝试过 OpenClaw、GitHub 交接文档以及 Claude Code 的项目管理方式。
我认为这篇文章恰好提供了一个值得借鉴的方向:把项目管理经验做成 Skills,而不是不断增加 Agent 的系统提示词。
可以设计成下面这个结构:
项目管理 Agent 架构
Personal Agent
统一入口、任务识别、工作调度
项目跟踪 Skill
读取 GitHub、检查进度、识别延期
交接管理 Skill
生成交接文档、恢复任务上下文
任务拆解 Skill
分解任务、依赖关系、验收标准
风险检查 Skill
识别阻塞、异常、资源不足
项目周报 Skill
汇总进展、变更、风险和下一步计划
统一项目状态与知识库
GitHub / Markdown / 项目文档 / 任务记录
例如,你使用 Claude Code 开发一个项目:
Claude Code 负责实际编码。
交接管理 Skill 负责记录当前进度、已完成工作、未解决问题。
项目跟踪 Skill 定期检查 GitHub 更新。
风险检查 Skill 识别长期没有进展的任务。
Personal Agent 汇总所有项目状态。
这里最重要的是:Agent 不必一直盯着某个对话,也不必依赖开发者每次手动写一份交接文档。
当然,定时调度、后台执行和状态持久化仍需要相应的运行平台支持,单独一个 SKILL.md 并不能自动实现这些能力。
十、我的最终评价
这是一篇有实际架构参考价值的文章。
但它并不是一篇突破性 Agent 算法论文,而是一篇企业级 Agent 工程实践指南。
我认为最值得吸收的是这三个设计:
第一:Skill 化。 将重复工作流程固化为可复用的能力。
第二:组合化。 单一职责的 Skill 可以相互调用,构建复杂工作流。
第三:可验证。 Golden Reference、新对话测试、人工审核,让 Agent 的工作结果有明确质量标准。
还有一个更深层的判断:
未来 Agent 的竞争力,不只是模型有多聪明,而是它能否持续积累、调用和改进一套组织化的工作方法。
对你目前的本地 LLM + vLLM + Hermes + Claude Code 体系而言,这套思想尤其值得借鉴。模型负责推理,Skill 负责固化流程,Agent 负责调度,外部系统负责持久化和执行。
这