小秀一把我的校稿润色扩充 skill

开篇

××× 字草稿，×× 秒出稿。 但很多财务同行，还在为"先校稿还是先润色"、"先扩写还是先缩写"反复来回。 今天就把我们这只 skill 拆开给同行看——能不能干活、谁在用、花了多久、花了多少钱。 图表 1：校稿润色扩充 skill 与人工编辑的工时对比（单份 ××× 字文稿）

一、它不是聊天机器人，是嵌在出文流程里的 AI 工位

校稿润色扩充 skill 不是 ChatGPT 的套壳。它有四个区别于通用聊天的特点：

1. 嵌进流程。一句"按公文格式校稿"丢过去，skill 自动接管以下五步——错别字、结构、字号、空格、用语。
2. 规则先行。区别于 RPA 的不是"能不能调 LLM"，是"读不读得懂非结构化数据"。我们把 **% 节点写成了规则，token 消耗归零；只有 **% 节点才调模型。
3. 经验沉淀。不是空架子——是从几百次真实校稿里蒸馏出来的，每条规则都有真实样本背书。
4. 用语个性化。skill 里内置公文习惯词典，改完不改味儿。 说到底，skill 不是工具，是公文习惯的可执行版本——团队怎么改，skill 就怎么改。 图表 2：skill 与通用聊天机器人的四项差别

二、为什么会有这只 skill：把 prompt 蒸馏成代码

团队有个习惯——但凡自己写过的公文、汇报、月度总结，都要校一遍。 久了发现，指令高度雷同：「按央企财务部公文格式校稿」「先错别字、再润色、再扩到 ×× 字」「别用错别字」「别丢我们那套用语习惯」…… 一开始老老实实按步骤跑 prompt，调半小时起步。后来想明白：与其每次重复口述，不如蒸馏成一只 skill。 于是把几百次校稿经验压成可复用代码，只要丢两个字——"校稿"——剩下的 ×× 秒自己跑完。 一句话触发，×× 秒交付。从 prompt 到 skill，本质是从一次性口述变成永久资产。

三、今儿个秀数据：原文 → 校稿过程 → 润色后

话不多说，上样本。三行草稿，三件事一次做完。 原文（脱敏）：

1. 开展 AI 效能工作，目标分解至部门、团队，在差旅费、办公房租开张提质增效工作；
2. 持续跟进效能提升。截至目前已完成办公房租降价、长项目出差人员当地租房替代酒店。房租同比下降 *%，降本约 ** 万元；手续费下降节省 * 万元；长项目出差人员降本 **.* 万元。
3. 开展差旅费分析，进一步严格出行审批。 校稿过程——三件事一次干完：
4. 错别字校稿。"开张"改成"开展"，"房租"改成"场所租赁"，"token*.x 亿"补成"Token . 亿"——中英文间空格也一并扫掉。
5. 结构润色。三条平铺扩成"一、二、三"，每条补动词、补主语、补语境，按央企公文格式重排。
6. 字数扩充。百字扩到每条 ×× 字上下，既不啰嗦也不单薄。 边角补一句："差旅同比远低于人员增长幅度"自动补成"提质增效成果初步显现"——口语变公文。 润色后（脱敏）： 一、深入开展 AI 效能提升工作，将年度降本增效目标层层分解至部门、团队两级，在差旅管控、办公场所租赁等重点环节集中发力。 二、持续跟进效能提升工作落实，截至目前已先后完成办公场所租赁降价、长项目出差人员当地租房替代酒店等举措……办公场所租赁同比下降 *%，降本约 ** 万元；长项目出差人员通过当地租房替代酒店，降本 **.* 万元。 三、深入开展差旅费分析研判，进一步严格出行审批流程，建立月度通报与异常预警机制，对超规情况及时提醒。 调完出稿，团队一眼过。 图表 3：原文 → 校稿过程 → 润色后（结构 / 字数 / 错别字 / 公文格式）

四、skill 的四件本事

校稿润色扩充，听起来简单，其实是四件本事的组合：

1. 错别字校稿。形近字、漏空格、错标点、错语序，连"中英文间空格"、"全角半角"、"公文标点"这种硬规一并扫掉。
2. 润色。不是堆形容词，是把意思拧顺、把结构撑起来、按公文格式重排。
3. 扩写与缩写。嫌短扩、嫌长压，按字数目标精准控制。
4. 用团队的用语习惯。校完不改味儿，团队公文风格这只工位可不敢动。 通用工具人人能用，习惯只属于你。

五、四个别人没告诉你的细节

你看到的"××× 字 ×× 秒"是结果，背后四件琐事没人提：

1. 规则先于 LLM。校稿 skill 把 **% 节点写成规则（错别字库、空格正则、公文格式模板），token 归零；只有"读不懂"的那 **% 节点才调模型。这是数字员工的命门——能不上 LLM 的坚决不上。
2. 字段级拆解。错别字库按字段拆（形近字 / 缺空格 / 错标点 / 错序），不按字符拍脑袋。
3. 公文格式模板沉淀。央企财务部公文版式（标题层级、标点符号、序号用法）固化进 skill，不再每次重新描述。
4. 用语习惯词典。公文常用语（比如"开展 X 工作"代替"做 X"）写进 skill，让改动有团队味儿。 这几件琐事做了，××× 字 ×× 秒才成立；不做，调半小时起步。 图表 4：skill 的成本结构（规则占 **%、LLM 占 **%）

六、三个判断 + 行动指南

三个月用下来，给同行三个可复用的判断： 判断一：skill 不是技术问题，是经验问题——把每次都重新说一遍的口令沉淀成可复用代码，AI 才能真正帮你省时间。 判断二：规则先于 LLM——能写规则的写规则，能正则匹配的正则匹配，只有"读不懂"的 **% 才调模型。这是 token 成本控制的命门。 判断三：习惯是壁垒。工具是通用的，习惯只属于你。把习惯沉淀进 skill，你的 AI 才是你的 AI。 行动指南：

1. 把过去一个月给 AI 下达的指令整理一遍，找出重复度最高的 - 条。
2. 把这 - 条规则写成可复用 prompt 或 skill，跑一个月，看哪几条 prompt 调得最多。
3. 跑得最多的几条沉淀进 skill 库，单字触发，×× 秒交付。 工具是通用的，习惯是你的。 你只管发"校稿"两个字，剩下的活，skill 自己干。