企业工作流自动化通常需要在大量运营文档（SOP、政策文档）中检索完整、准确的相关信息，以应对特定场景或请求。以客户支持为例，人工专家必须为每个案例确定正确的解决步骤，这要求对政策文档有精确的落地。传统生产环境往往依赖复杂的文档切分、索引、检索流水线，并叠加学习型重排序、查询改写以及定制的代理式 RAG 基础设施。我们在一次部署中尝试了更简洁的方案：一个可移植技能，由自然语言指令、轻量工具（检索 API、格式检查脚本）以及经过 LLM 生成的导航层组成，后者是对底层文档的结构化“维基百科式”索引。该方案实现仅需 1‑2 天工程师时间，可在不同的代理式框架（如 Claude Code）间迁移，并在客户支持的工作流生成任务上表现出色，达到 99.2% 的程序等价性和 83.3% 的证据充分性。唯一的不足是每个案例的响应时间约为 90 秒，约为生产助理的十倍（8‑9 秒），因此没有延迟优势。我们的结论仅适用于：文档库成熟且经过精心整理、对延迟容忍、并对每个案例进行人工审查的场景。在这种环境下，技能取代了复杂的 RAG 堆栈，维护工作也从模型再训练转变为文本和数据的编辑。
点评