没想到我的构想（详见通用 Agent 的第 4 次尝试）竟如此迅速地被扣子团队在 2.0 版本中落地，相比于 Claude 那种常现于自媒体炫技视频中、不仅伴随封号风险且本地化虚拟机实现方式欠缺优雅的 Cowork 模式，扣子 2.0 才是真正面向未来、普通用户可直接上手的云端通用 Agent 产品。通过组合长期计划（针对长程任务）与Skills，它真正实现了对个人时间的杠杆——在同一时刻让成千上万个 Agent 完成分发的任务。在本文中，我将结合具体案例，展示扣子 2.0 如何实现真实工作场景的落地，成为高质量完成任务的工作伙伴。

令人惊艳的案例

开始之前，请先看一看我使用扣子 2.0 生成的贵州茅台财务分析图。其效果之惊艳，信息密度之高，是我在过往任何 Agent 产品中未曾体验过的。

1. 高密度的信息整合：在一张图上集成了 11 个独立图表，数据维度极其丰富。除了常规的营收、利润、现金流，还涵盖了应收账款、资产构成等细分数据。

2. 直接可用的交付格式：输出结果不再是依赖浏览器的 HTML 交互式网页，而是即刻可供下载、分享的静态数据图表。

3. 智能化的视觉呈现：系统能根据数据特性自动匹配最佳图表类型。例如：

• 使用双轴图展示营收利润（主轴用柱状图表示绝对数值，次轴用折线图表示百分比变化）；

• 使用堆叠柱状图展示资产构成（单柱通过不同色块区分，代表不同子项目）；

• 使用多线走势图描绘现金流的各项变动趋势。

1. 零幻觉的数据真实性：最关键的在于数据的准确性。对于如此复杂的图表，若数据虚构便毫无价值。经我逐一核对，图中所有数据均准确无误，完全不存在模型幻觉。

接下来，我将详细介绍该图表的生成过程。得益于扣子 2.0 便捷的Skills功能，我已将这套流程封装为通用技能（支持任意 A 股公司、任意报告期的财务数据可视化），并在文末免费分享给各位。

扣子 Skills（Agent Skills）

扣子的「技能」设计基本沿袭了 Claude Skills 的核心原则——按需加载与渐进披露。但扣子更进一步将其迁移至云端，成功实现了将少数人的个人经验转化为人人可用的公共技能，让专业经验得以一键调用。目前，创建技能主要有两个入口：

1. 直接在扣子内创建：适合普通用户，门槛较低。

2. 在扣子编程内创建：适合热衷于爱折腾的进阶用户。

扣子内创建

这里先简要介绍扣子的创建方式，该模式适用于将分步执行的操作标准化，从而固化使用习惯、提升效率。例如，这是我常用的一个功能——将最新一期的 AI 开发者日报 转换为播客。该技能包含五个标准步骤：内容获取、内容分析与结构调整、播客脚本撰写、播客风格建议、生成播客。

可以通过自然语言对话直接生成技能。技能创建完成后，会自动同步至「扣子编程」的项目中。你可以直接跳转到扣子编程查看其构建状态，后续的调试与编辑流程与在扣子编程内原生创建的逻辑完全一致。

扣子编程内创建

1. 创建技能

请访问 https://code.coze.cn/home，选择「技能」选项，只需用一句话描述你预期的技能效果即可。

推荐使用如下的提示词模板：「创建[功能名称]的技能，用于[解决什么问题]，当用户[触发场景]时使用，输出[期望格式和内容]」。此外，若希望封装高价值的私有知识，建议在描述过程中明确指定参考上传的附件，以辅助模型深度理解，效果更佳。

2. 生成技能

首先，扣子会初始化一个独立、安全隔离的云端环境（配置为 1 核 2G 的虚拟机）。

随后，一个专门的生成式 Agent 将结合你的意图，自动构建满足需求的技能（生成后支持微调）。该 Agent 在设计上类似于通用的编码 Agent，其核心生成策略包含以下四个步骤：

1. 需求分析：解析用户意图并规划实现方案。

2. 创建技能：建立以文件夹形式组织的项目结构。

3. 代码测试：测试技能中的代码部分（即执行脚本）。

4. 打包技能：生成带有 .skill 后缀的最终交付文件。

3 个核心文件

在技能开发中，需重点关注描述技能的三个关键文件：SKILL.md、.coze 和 .skill。

其中，SKILL.md 是整个技能的灵魂。其结构如下：

• YAML 前置元数据：包含名称、描述及依赖说明。

• 正文内容：以技能名称为标题，涵盖任务目标、前置准备、操作步骤、资源索引（用于动态加载专有上下文）和使用示例这五个部分。

该文件向模型完整且无歧义地描述了技能逻辑，可以被视为一套更加丰富、严谨的专有提示词（Prompt）模板。

---
name: a-stock-financial-analysis
description: 用于分析A股上市公司财务状况的能力，支持获取财务报表数据（利润表、资产负债表、现金流量表、财务指标），并进行多维度财务分析（盈利能力、偿债能力、运营能力、成长能力）。适用于投资者、分析师等需要对上市公司财务健康状况进行评估的场景。
dependency:
  python:
    - tushare>=1.2.80
---

# A 股公司财务分析

## 任务目标

- 能力包含：
  1. 获取公司财务报表数据（利润表、资产负债表、现金流量表、财务指标）
  2. 多维度财务分析（盈利能力、偿债能力、运营能力、成长能力）
  3. 生成财务分析报告和投资建议

## 前置准备

### 依赖安装

本 Skill 需要安装以下 Python 包：

```
tushare>=1.2.80
```

## 操作步骤

1. 获取财务数据
2. 财务指标分析
3. 生成分析报告

## 资源索引

### 必要脚本

- [scripts/fetch_financial_data.py](scripts/fetch_financial_data.py "scripts/fetch_financial_data.py")
  - 用途：从 Tushare API 获取 A 股公司财务数据
  - 参数：
    - `--ts_code`：股票代码（必需）
    - `--report_type`：报表类型，可选 income/balancesheet/cashflow/indicator
    - `--period`：报告期，格式如 2023、2023Q1、2023Q2 等
    - `--multi_period`：多期数据模式，获取最近多个报告期数据
  - 输出：JSON 格式的财务数据

### 领域参考

- [references/financial-indicators.md](references/financial-indicators.md "references/financial-indicators.md")
  - 何时读取：进行财务分析时查阅
  - 内容：财务指标定义、计算公式、评价标准、行业参考值

## 使用示例

### 示例 1：分析单家公司年度财务状况

```bash
# 获取平安银行2023年度财务数据
python scripts/fetch_financial_data.py --ts_code 000001 --report_type indicator --period 2023
```

### 示例 2：对比分析多期数据

```bash
# 获取浦发银行最近4个季度的财务指标数据
python scripts/fetch_financial_data.py --ts_code 600000 --report_type indicator --multi_period
```

随后是 .coze 文件，该文件用于全局性的技能项目描述。

[skill]
  skill_package = "a-stock-financial-analysis.skill"
  name = "a-stock-financial-analysis"
  description = "用于分析A股上市公司财务状况的能力，支持获取财务报表数据（利润表、资产负债表、现金流量表、财务指标），并进行多维度财务分析（盈利能力、偿债能力、运营能力、成长能力）。适用于投资者、分析师等需要对上市公司财务健康状况进行评估的场景。"
  project_name = "财务分析技能"
  project_description = "分析A股公司财务状况"

最后是 {skill_name}.skill 文件。本质上，它是将特定文件夹的内容进行整体打包，在使用时由系统进行动态加载与解压，并严格遵循 SKILL.md 的定义来执行内部的各项按需操作。其典型的目录结构如下：

.
├── .coze
├── .gitignore
├── a-stock-financial-analysis（技能核心文件夹）
│   ├── SKILL.md
│   ├── assets （存放预定义模板、品牌 Logo 等资产。例如企业特有的视觉风格、字体和格式规范等）
│   ├── references（存放个人经验。例如对财务指标的独特理解标准、评估依据等）
│   │   └── financial-indicators.md
│   └── scripts（包含获取数据的必要代码）
│       └── fetch_financial_data.py
├── a-stock-financial-analysis.skill
└── requirements.txt（Python 环境依赖包）

技能部署与共享

为了将成熟高效的技能分享给团队成员或外部用户，可以利用部署功能进行发布。发布后，该技能即可实现人人可访问。扣子为技能开发提供了丰富的工具链路，其中编辑器与终端能力对进阶开发者尤为重要：

• 无缝迁移：这两种工具确保了你可以将原有的 Claude Skills 无缝迁移至扣子环境。

• 深度定制：支持对扣子自动生成的技能进行精细化微调，或通过构建应用脚本实现更高级的自动化操作。

• 版本控制：最令开发者感到安心的设计是其完善的版本管理。在进行二次编辑与更新后，可再次执行发布；若线上效果评估不达预期，支持即刻「回退」至历史版本。

发布后的技能可以立即在预览界面投入使用，也支持在扣子的任意对话中手动引入。当然，最核心的应用场景在于其在长期计划中的智能调度，在后文中展示这种自动化引入所蕴含的巨大潜力。

技能的商业潜力

从前文的截图中不难发现，技能开发已支持集成多样化的第三方服务，包括专有的商业数据接口（API）以及开发者自身的私有数据库。

早在 Claude 推出 Skills 功能之前，我便开始利用类似的机制——Agent 规范语言（Agent Specification Language，简称 ASL）进行服务协同，并在 8 月份的这篇文章中做了详细阐述。目前市面上充斥着大量劣质技能，导致许多人误以为它仅是「增强版提示词」：其产出的结果既无法验证有效性，也缺乏数据支撑，仅被当作传统工作流的平替。

事实上，技能的本质远不止于创建一种更优秀的配置文件格式。尽管目前基于 Markdown 的实现方式在安全性与约束一致性上仍有待完善，但通过这种统一的规范语言，为企业实现大规模 Agent 协调、治理与自动化扩展提供标准化框架，绝对是一条极具潜力的演化方向。

• 可组合的 Agent 协作：这使得复杂的跨职能工作流成为可能。例如，由 project-owner.asl 驱动的「项目交付 Agent」，可以在需要时自动将设计审查任务委托给由 brand-guardian.asl 控制的「品牌守护 Agent」。每个 Agent 在其专业领域内自主运行，通过统一的规范语言实现无缝交互。

• 可执行的知识管理：企业的核心资产——如品牌指南、安全策略、合规流程等，将不再是以静态文本形式沉淀在文档库中。它们将被编码为「可执行的 ASL 文件」，直接指导并约束企业内所有 Agent 的行为。这种模式确保了知识在应用过程中的高度一致性，将知识管理提升至动态、可治理的新高度。

编写并维护能够精准表达复杂业务流程与领域专长的 ASL 文件，是一项兼具技术深度与业务洞察的挑战性工作，这将催生出新兴角色，他们的职责是充当人类专家与 AI 执行者之间的桥梁，将隐性的业务智慧转化为机器可精准执行的规范。

值得关注的是，扣子 2.0 已同步上线了「技能商店」，你的行业解决方案，很可能正是他人的刚需；而困扰你的难题，或许在市场中早有成熟的复用组件，这是可组合的 Agent 协作基石。

我文章开头那个令人惊艳的案例已经固化为技能了，分享给大家 https://www.coze.cn/?skill_share_pid=7596317331958562868，现在你只要输入任何 A 股公司名称，都可以得到一份详尽的、有数据支撑的财务分析。

扣子长期计划（Agent Plan）

长期计划功能专为长程任务设计，是一种典型的目标导向型 AI 协作。它能将用户模糊的工作目标自主拆解为有序的步骤，并调用扣子内置的技能和用户定义的技能进行自主执行，通过在关键环节引入人工校验节点，它能与用户完成必要的信息交互和确认，从而驱动复杂计划的达成。你可以将其视为一种场景更广泛、更通用的 Deep Research 模式：它不仅能主动推进任务，更能实现主动执行与主动汇报。

初次体验的惊喜

在首次尝试时，我将其作为 Deep Research 工具使用，仅要求它生成一份深度调研报告。尽管我在任务描述中并未要求包含可视化图表，但最终报告的结论部分竟主动穿插了图表以辅助说明调研结果。这种智能化的主动性令人印象深刻，此前我仅在 Google 的 Deep Research 中见过类似表现，必须给出好评！

智能调用技能

长期计划功能不仅能调用官方内置的通用技能，还支持通过显式指定调用用户自定义的私有技能。但为了压测其灵活性，我没有显式指定，而是在创建计划时要求「生成中国化学的投资调研报告，并同步转化为播客」，测试它是否能自动化地串联起我此前创建的「财务分析」与「播客生成」两个技能。如下图所示，扣子 2.0 成功理解了业务逻辑，并同时精准调用了这两个自定义技能，实现了预期效果。

任务澄清机制：ORA 框架

在执行前，系统会通过反问进行任务澄清。通过分析其底层的逻辑确认过程，我发现该环节始终遵循 ORA 框架，即：目标（Objective）、要求（Requirements）与关键动作（Actions）。

目前看来，这种澄清逻辑似乎在提示词层面进行了固化，而非根据任务类型动态调整。即便初始指令已经足够详尽，系统依然会按部就班地进行反问，这种设计虽然保证了严谨性，但在灵活性上仍有优化空间。

现在我需要用ORA框架进行拆解。目标已经很明确：生成中国化学的投资调研报告并转为播客。但需要澄清一些具体要求。两个技能都已加载，我需要检查技能是否有额外的对齐问题。从技能描述看，stock-finance-analyze需要A股公司名称和可选报告期数；web-to-podcast-generator需要目标网站URL或内容。但用户要求将stock-finance-analyze的结果转为播客，这意味着我需要先生成报告（包括数据和图表），然后基于报告内容生成播客脚本。
因此，关键动作包括：1. 使用stock-finance-analyze生成中国化学的财务数据分析报告和图表；2. 将报告内容（可能是文本总结和图表）转换为播客脚本，可能需要先将报告整理成网页或文档形式，供web-to-podcast-generator使用。
需要澄清的点：
....
现在我将进行第一轮提问，采用策略二：针对明确需求的"优化+盲区探测"。用户需求明确，但可以优化流程并探测盲区。我会先确认基本要求，然后提出一个优化建议。
我的回复将包括：总结用户需求，提出计划草案，然后询问几个关键问题。我会尽量保持专业、简洁、高密度。
现在生成回复。

计划的激活与执行

在完成问题澄清后，系统会将确认的信息整合为最终的计划执行方案。

用户确认了计划，现在需要激活计划。首先调用计划激活工具。然后初始化memory/spec.txt文件。接着进行事项分派。用户要求生成中国化学的投资调研报告，使用stock-finance-analyze技能分析20期财务数据，侧重现金流和负债结构，然后将结果转为播客，使用web-to-podcast-generator技能，风格为严肃专业的财经分析。
...
为了保险，我们可以将财务分析报告保存为HTML文件，然后使用file://路径。现在开始执行。首先激活计划。

执行过程采用了业界成熟的方案：将拆解后的任务目标写入待办文件 spec.txt（扫描下方二维码可查看详情）。该文件的描述精度直接决定了最终交付物的质量。

关于任务日程的观察

在测试中我发现一个有趣的细节：若未在指令中明确要求「立即执行」，系统可能会将任务自动排入日程。例如，在后台日志中可以看到，系统为了遵循「串行原则」，会为后续任务设置延迟的 schedule_time（如 3 小时后或深夜）。这种机制在处理跨度数天的长期规划（如「年度营销日历」）时非常实用。

但要注意串行原则，不能同时执行多个事项。所以第一个事项schedule_time设为当前时间（2026-01-19 16:51）。第二个事项schedule_time设为稍后，比如一小时后（2026-01-19 17:51），确保第一个事项完成。但实际执行时间不确定，可能需要更灵活的安排。更好的做法是：第一个事项立即执行，第二个事项schedule_time设为明天同一时间？不，我们希望尽快完成。可以设为当天晚上，比如2026-01-19 22:00。但用户可能希望尽快看到结果。我们可以将第二个事项设为当天稍晚时间，比如3小时后。但需要保守一点，因为财务分析可能需要一些时间。我们可以将第二个事项设为当天晚上20:00。现在初始化spec.txt文件。

任务自动加入日程

结语：通用 Agent 的雏形

一句话生成报告、网页或图片固然令人惊艳，但缺乏数据支撑、不可验证的内容终究只是沙盒里的玩具。通过专业技能的组合、真实商业数据的引入，以及强大模型推理能力的叠加，才真正触达了具备生产力的 Agent 形态。扣子 2.0 的意义在于，它不再仅仅是「能生成点东西」，而是能够交付「可以直接拿去用」的成品。在严肃的职场环境中，这种可靠性正是我敢于将任务放心托付的前提。

通用 Agent 的雏形