我把做课方法编译成了一个智能体技能：PRD 推倒重写的思考过程，和可以直接抄的做课提示词

作者：林华鼎 · 华为云开发者发展与支持部 · 科技博主系列

引语：同一个「资料进、课程包出」的需求，我先后做成了网页应用、服务器脚本、智能体技能三种形态。第三版 PRD 把前两版的经验全部收编，把一版系统设计整个作废——这不是返工，是想清楚了「执行者是谁」这个根本问题。附一段可以直接抄的做课提示词。

1. 起点：一个已经能跑的产品，为什么还要做 skill

背景：我们有个做课工具智课工坊，单文件网页应用，老师上传讲义，六步向导走完，AI 生成整套「AI+ 融合版」课程包。已跑通三学科实证：计算机《数据库原理》8 课、经管《市场营销学》8 课、高一化学 20 课。

为什么还要做 skill？两件事：

一是智能体会话里做课，质量明显比网页版好——智能体有整门课上下文，网页版是逐课盲生成。同样是给营销课加 AI 融入层，智能体会自然想起数据库原理那门课的「找 AI 的错」设计，网页版不会。

二是 Agent Team 长跑验证过的事：我让多智能体团队无人值守跑了 172 小时，课程包质量合格——前提是一张写清目标、产物、知识源、验收的任务书。那张任务书就是 skill 的雏形。

于是需求变成：把做课方法编译成智能体可执行的技能，加载后「资料进、课程包出」。

2. 第一次推翻：把 skill 做成了三层系统

第一版 PRD 写得很顺手，也太顺手了——三层架构：API 编排层调生成接口，存储层管课程包持久化，再加账号体系和前端页面，工期七周。

第二天自己读一遍，删了。问题不在技术，在形态：

执行者是智能体，不是浏览器。 skill 的用户不是打开网页的老师，是装载了它的智能体——原生就有 LLM 调用、文件读写、终端执行。我在 PRD 里设计编排层，等于给自带发动机的车装第二套传动。

更具体的判断是三条：

• LLM 调用是宿主能力，skill 不需要自建生成接口
• 文件读写是宿主能力，课程包落盘就是本地目录，不需要存储层
• 鉴权是宿主能力，skill 根本接触不到密钥

一句话总结那次推翻：我在给智能体修高速公路，而 skill 只需要一张好地图。

v3 整版作废的教训：写 skill PRD 前先形态自检——出现 API 编排、数据库、账号体系、前端页面，形态错了，重写。

3. 第二次推翻：地图也不该自己画

第二版回到正确形态，收编三份旧资产：操作流水线、数据契约与坑、对外话术。收编顺利，但我犯了第二个错——把整合写成「百科全书式」的 skill。

问题暴露在使用时：加载后要读的太多，执行流水线反而被淹没。用户发起做课的那段提示词，在几百行文档里找不到锚点。

解法是把 skill 重新分了层：

┌ skill 分层结构（可以直接抄）────────────────
│
│ SKILL.md          六步执行流水线（执行时读）
│   1 参数澄清 → 2 资料通读 → 3 三步生成
│   → 4 课件渲染 → 5 验证门禁 → 6 交付
│
│ corpus/           方法论语料（生成时注入）
│   五融入层 + 边界四条 + 工具映射，带版本号
│
│ scripts/          验证与渲染脚本（零网络依赖）
│   verify_package.py = 交付门禁
│
│ references/       实战记录与坑（出问题时查）
│
│ templates/        审校报告等产出模板
└──────────────────────────────────────

执行层薄、知识层厚、验证层硬——六步流水线只占一屏。

4. 第三版定了三条铁律，其中一条是用户打出来的

最有分量的一条铁律是被真实差距打出来的：首跑把五步流程跑成三步——详案只写骨架、跳过课件 JSON 中间层、讲稿缺失。对比既有最佳课程包：人家详案 6.5KB/课、课件 38 页/课，我的 2KB、6 页。

修复：把「对标先行」写成铁律第零条——生成任何课程前先盘点参照物深度标准，按参照物生成。配套门禁硬断言：详案 ≥4KB/课、课件 ≥12 页、讲稿 ≥4KB、教师模式与 AI 助教在位，exit 0 才算交付。

另外两条：样板先行，第 1 课过目后才准批量；知识必须 sourceRef 对齐资料原文，不许编造。

5. 用户侧的产物：一段可以直接抄的做课提示词

skill 的价值最终要落到「用户一句话发起」。这是说明书里的主模板，改方括号就能用：

【做课提示词】（可以直接抄）

用 zhike-course-factory skill 做一门课，资料已备好。

【资料】[资料绝对路径 + 一句话说明]

【课程参数】
- TOPIC：[《课程名》AI+ 融合版]
- AUD：[学员画像]
- NUM：[课时数] ｜ LEVEL：[入门/进阶/高阶]
- FRAME：[教学框架]
- AI_ENHANCE：True ｜ OUT：[输出目录]

【要求】
1. 先通读资料全文，产出全书摘要 + sourceRef 锚点
2. LESSON_BRIEFS 按资料自身知识链预定义课时锁结构，不要自由划课
3. 五步全流程：方案 → 逐课详案（≥4KB/课）→ slides JSON
   （12+ 页/课）→ 讲稿（≥4KB/课）→ 课件 HTML
4. 知识内容须源于资料原文，不得编造
5. 先做第 1 课全深度样板给我看，认可后再批量生成
6. 完成后跑 verify_package.py，exit 0 才算交付

七个要点各防一个坑：点名 skill 防走旧通道；预定义课时防划课跑偏；深度写死防骨架化；样板先行防整门返工；exit 0 防无门禁交付。

6. 一个意外的收获

skill 化最有意思的发现：收编比新写快得多。v3 预估七周，v4 实际 1.5 周——旧 skill 里的脚本、语料、契约、坑清单全部现成，新 PRD 的工程量是「收编+适配+验证」。

背后的通用判断：沉淀成脚本+契约+坑记录的是可编译资产，只存在于聊天记录里的是沉没成本。skill 化就是把前者装订成册。

7. 总结

三个判断：

一、做 skill 前先问执行者是谁——执行者是智能体就别修高速公路，宿主已有的 LLM/文件/终端能力直接用，skill 只需要方法论这张好地图。

二、验证即门禁，深度要对标——exit 0 和「按参照物深度生成」两条硬约束，比任何「保证质量」的承诺都可靠，因为它们可执行、可复核。

三、收编优于重写——判断方法论是否可迁移，看它有没有被编译成脚本+契约+语料。有，新形态的成本就是装订，不是重造。

金句收尾：给智能体修高速公路的 PRD 都会作废，好地图才留得下来。