Agent Skills 多平台应用实战

引言：技能孤岛，正在浪费AI的生产力

今天，一个团队可能同时使用多个AI平台：

• 研发用 Claude Code、Cursor；
• 运营用 Dify、Coze；
• 自动化用 n8n、Make；
• 客服用飞书、钉钉、企业微信机器人；
• 数据分析用 DeepSeek、LangGraph、Python。

每个平台都能做AI，但彼此割裂。同一个“会议纪要”流程，在Claude里写一遍提示词，在Dify里搭一遍工作流，在n8n里再配一遍节点。重复建设、标准不一、维护困难。

Agent Skills 的价值，就是把这些重复流程封装成可复用技能。而“多平台应用实战”要解决的，是更进一步的问题：

如何让一个技能，在多个平台上都能运行？

一、什么是多平台 Agent Skills？

Agent Skills 通常是一个文件夹，核心是 SKILL.md，里面包含元数据、执行步骤、模板、脚本和参考资料。智能体按需加载，按标准流程完成任务。

多平台 Agent Skills，意味着同一套技能资产，可以通过不同适配方式，运行在：

• Claude 应用、Claude Code、Claude Agent SDK；
• Cursor、Windsurf、Cline、Roo Code 等 IDE Agent；
• Dify、Coze、n8n、Make 等低代码/工作流平台；
• LangGraph、CrewAI、AutoGen、OpenAI Agents SDK 等开发框架；
• 飞书、钉钉、企业微信、Slack 等企业入口；
• 通过 MCP 连接数据库、CRM、ERP、邮件、日历等系统。

核心思路是：技能逻辑与平台实现分离。

二、多平台技能的四层架构

一个可移植的 Agent Skill，建议分成四层：

1. 核心层：SKILL.md

定义“做什么、何时用、怎么做、输出什么”。这是跨平台不变的部分。

2. 资源层：scripts、templates、references

• scripts/：确定性逻辑，如数据清洗、格式转换、计算；
• templates/：输出模板；
• references/：规范、术语、示例；
• examples/：优秀案例，帮助模型理解质量标准。

3. 适配层：adapters

针对不同平台的加载方式：

• Claude Code：原生 Skills 目录；
• Cursor：Rules 文件；
• Dify：知识库 + 工作流；
• n8n：Workflow JSON；
• LangGraph：Python 节点；
• MCP：封装为 Server 的 prompts/resources/tools。

4. 治理层：权限、日志、版本、安全

跨平台运行时，权限不能依赖模型自觉，必须由外部系统强制执行。

三、平台能力地图

原则：原生支持优先，提示注入兜底，MCP服务化放大，工作流嵌入业务。

四、跨平台 SKILL.md 怎么写

一个可移植技能，建议在元数据中声明平台、权限和输入输出。

---
name: meeting-minutes
description: 当用户提供会议录音、转写文本或会议记录，并要求生成会议纪要、行动项或决策清单时使用。
version: 1.2.0
platforms:
  - claude-code
  - claude-app
  - dify
  - n8n
  - langgraph
inputs:
  - audio_or_transcript
outputs:
  - minutes_markdown
tools:
  - transcription
  - filesystem
  - calendar
permissions:
  read: true
  write: false
  external_send: false
---

# 会议纪要生成

## 执行步骤
1. 获取录音或转写文本。
2. 若为录音，调用 `scripts/transcribe.py`。
3. 读取 `templates/minutes.md`。
4. 参考 `references/glossary.md` 纠正专有名词。
5. 输出：主题、参会人、讨论要点、决策、行动项、负责人、截止时间。
6. 行动项缺少负责人或时间时，标记“待确认”。

## 安全边界
- 不猜测未明确说出的决策。
- 敏感内容标注“内部保密”。
- 发送邮件前必须人工确认。

关键点：

• 描述要具体，便于触发；
• 步骤要可执行；
• 权限要最小化；
• 高风险操作必须人工确认。

五、五种跨平台适配模式

1. 原生加载

适用于 Claude Code、Claude 应用等原生支持 Skills 的平台。把技能目录放入指定位置，Agent 自动发现。

2. 系统提示注入

适用于 Cursor、Coze 等没有原生 Skills 的平台。把 SKILL.md 内容注入系统提示或 Rules 文件。

3. RAG 技能索引

把技能元数据放入向量库，Agent 先检索技能，再加载正文。适合技能数量多的企业。

4. MCP 服务化

把技能封装成 MCP Server，暴露为 prompts、resources 或 tools。任何支持 MCP 的客户端都能调用。

5. 工作流节点编排

在 Dify、n8n 中，把技能拆成节点：输入、检索、LLM、代码、模板、输出。技能文件作为知识或提示模板。

六、实战一：会议纪要技能跨平台

技能结构

meeting-minutes/
├── SKILL.md
├── scripts/transcribe.py
├── templates/minutes.md
└── references/glossary.md

Claude Code

放入 .claude/skills/meeting-minutes/，原生加载。

Cursor

生成 .cursor/rules/meeting-minutes.mdc，内容引用 SKILL.md。

Dify

• 知识库上传 SKILL.md、glossary.md；
• 工作流节点：语音转写 → LLM 生成纪要 → 模板渲染；
• 敏感发送节点加人工确认。

n8n

• Webhook 接收录音；
• Whisper 节点转写；
• LLM 节点按技能生成纪要；
• 邮件节点发送前等待确认。

飞书/企微

Bot 接收会议文件，后端调用同一套技能逻辑，返回纪要卡片。

效果：一次编写，多端运行，格式一致，权限可控。

七、实战二：竞品周报技能跨平台

技能结构

weekly-competitor-report/
├── SKILL.md
├── scripts/fetch_metrics.py
├── templates/report.md
└── references/style-guide.md

跨平台组合

• Claude Code：原生 Skills + MCP 搜索；
• Cursor：Rules + 终端脚本；
• LangGraph：Python 节点编排搜索、分析、写作；
• n8n：定时触发 → HTTP 抓取 → LLM 分析 → 生成报告；
• 企业微信：Bot 推送周报摘要。

关键设计

• 数据来源必须可追溯；
• 无法确认的信息标注“待核实”；
• 对外发布前人工审核；
• 技能版本化，避免口径漂移。

八、实战三：财务分析技能跨平台

场景

用 DeepSeek 等模型，结合 Agent Skills，完成财报解读、经营分析、预算差异归因。

技能结构

financial-analysis/
├── SKILL.md
├── scripts/ratios.py
├── templates/monthly-report.md
└── references/accounting-policy.md

多平台落地

• Dify：知识库 + 代码节点 + LLM；
• n8n：定时读取报表 → 计算比率 → 生成分析；
• LangGraph：多步骤分析，人工复核节点；
• 本地部署：Ollama + DeepSeek，数据不出域。

安全底线

• 财务数据脱敏；
• 权限最小化；
• 关键结论人工复核；
• 不构成投资建议。

九、调试、评估与版本管理

跨平台技能必须可衡量。

核心指标

• 触发准确率：该用时是否触发，不该用时是否误触发；
• 任务完成率：是否按步骤完成；
• 人工修改率：输出需要改多少；
• 成本：token、API、脚本资源；
• 延迟：端到端耗时；
• 安全事件：越权、泄露、误操作。

日志建议

记录：

skill_name, skill_version, platform, model,
tool_calls, tokens, latency, outcome, human_edit_rate

版本管理

用 Git 管理技能目录，语义化版本。每次修改记录变更原因和影响范围。

十、安全与合规

Agent Skills 是“指令 + 代码 + 资源”的组合，必须当作供应链安全管理。

• 技能来源可信，必要时签名审查；
• 脚本最小权限，禁止硬编码密钥；
• 敏感操作人工确认；
• 外部内容防提示注入；
• 数据出域前脱敏；
• 审计日志完整；
• 跨平台权限由外部系统强制，不依赖模型自觉。

十一、企业落地路线图

30天：单点跑通

• 选1个高频技能；
• 写好 SKILL.md；
• 在1个平台跑通；
• 定义指标。

90天：多端适配

• 适配3个平台；
• 建立技能库；
• 加入权限与日志；
• 评估ROI。

365天：技能中台

• 技能服务化，MCP 封装；
• 自动生成与推荐技能；
• 权限、审计、版本体系完善；
• 技能成为企业AI资产。

附：课程大纲

模块一：认知篇 Agent Skills 与多平台生态、MCP、RAG、工作流的关系。

模块二：规范篇 跨平台 SKILL.md 设计、目录结构、权限声明、版本管理。

模块三：Claude 篇 Claude Code、Claude 应用、Agent SDK 原生技能实战。

模块四：IDE 篇 Cursor、Windsurf、Cline 的 Rules 与脚本适配。

模块五：低代码篇 Dify、Coze、n8n 工作流与技能嵌入。

模块六：框架篇 LangGraph、CrewAI、AutoGen 加载技能与 MCP 服务化。

模块七：安全篇 权限、沙箱、审计、提示注入、数据合规。

模块八：实战篇 会议纪要、竞品周报、财务分析三个跨平台项目路演。

适合人群：AI应用开发者、产品经理、企业数字化负责人、自动化工程师、希望把AI技能产品化的团队。

学习收获：能设计跨平台技能，能适配主流AI平台，能封装MCP服务，能建立企业技能库，能安全合规地规模化落地。

结语：技能一次编写，智能体处处运行

Agent Skills 的终极价值，不是让某个平台更聪明，而是让专业能力脱离平台束缚，成为可移植、可组合、可治理的数字资产。

未来，企业的竞争力不只取决于用了多少AI工具，更取决于拥有多少高质量技能，以及这些技能能否在多个平台上稳定运行。

一次编写，多端运行。让技能流动起来，AI才能真正进入业务深处。