把业务流程萃取成高质量 Skill 的实践路径
业务流程零散地分布于系统页面、本地文件与个人经验中，如何将其固化为稳定且可复用的AI技能，是当前许多业务人员面临的现实挑战。本文详细阐述一条从录制生成到API升级的完整实践路径。
一、业务流程AI化的真实痛点
当下，众多业务人员开始尝试借助AI重构日常工作流，但在创建技能过程中遭遇诸多难题：
1. 日常工作流程分散在不同位置：系统页面、本地文件，甚至部分流程需要依靠经验判断。许多人无法清晰描述流程，导致AI反复混淆，最终只得放弃；
2. 即使AI理解了流程，实际执行时问题依然频发：登录态无法获取、本地环境缺少依赖、浏览器操作点击不准确等；
3. 好不容易运行成功一次，换一个对话窗口、换一个输入或隔天再执行，又会出现新问题。原因在于当时沟通明白的逻辑，很多并未写入技能，只存在于那次对话上下文中。
经过多轮业务场景调研与实际验证，我们总结出一条稳定高效的业务流程技能化路径。
二、如何把业务流程创建成高质量Skill
- Mac用户可使用Codex Record & Replay记录操作过程。Windows用户可先录屏，将视频交给Codex生成初版技能。
- 生成出的
SKILL.md如果是英文，让Codex翻译成中文。 - 补充相应业务背景，说明该流程的目的、目标用户、输入来源、输出受众。字段口径、专有名词、异常情况及安全红线，建议人工审查。
- 涉及浏览器操作的步骤，后续需转换为API接口版本。
- 涉及本地应用操作的步骤（如Excel操作、文件改名、目录归档等），后续需让Codex转换为本地脚本。
- 使用真实数据验证技能，若运行不畅，直接让Codex修改技能。
1. 用录制生成 Skill
创建技能时，可利用Codex的Record & Replay插件，录制一次手工操作，再让AI生成可复用流程。这种方式不仅速度快捷，还能让AI迅速理解实际业务流程，后续优化时无需人工反复描述。
安装插件Record & Replay
使用
录制
复用
注意事项：
- 首次仅录制低风险的读操作，不录制自动提交、自动发布、自动改价等操作。
- 录制完成后，让AI解释每一步的操作目的。
- 页面发生变更后需重新验证。
目前Record & Replay仅在Mac版本的Codex中支持，Windows用户可基于自己录制的视频制作技能。
提示词及中间过程
最终效果
codex根据视频生成skill，token消耗统计：
工作内容：打开浏览器，跳转部门风险统计页面，查询并下载excel，基于Excel进行聚合统计
视频长度：1分30秒
codex推理等级：中，模型：GPT5.5
codex生成skill时长：6分钟
cc-switch统计-token消耗：$22. 页面操作逐步转 API 操作
通过Record & Replay创建的技能，虽然流程简单，但其实质是让AI操作页面，这可能会影响对电脑的使用，且存在无法稳定复现的风险。若流程长期固定，可逐步升级为API操作，效率更高且更稳定。
升级路径：
2.1. 录制成功路径并同步保留网络请求记录
打开浏览器开发者工具的Network面板，执行业务流程，导出HAR文件交给Codex。HAR文件中包含了请求、响应、Header、Cookie、耗时等详细信息。
如何获取并下载HAR？
1. 在Chrome浏览器页面按F12，唤起如下图左的开发者工具。
2. 唤起开发者工具后，正常操作页面。
3. 浏览器全部操作结束后，依次点击网络->Fetch/XHR->下载，下载har文件。
开发者工具
下载
2.2. AI 输出替换升级方案
首先让Codex解释页面动作，再分析网络请求。一次页面操作会触发大量请求，但真正需要自动化的通常只有几个核心业务接口。让Codex同时阅读旧技能和HAR文件，筛选出核心接口并输出替换方案。
可让Codex按以下要求执行：
请基于我提供的旧 `SKILL.md`以及 HAR 文件输出一份Skill升级替换方案。
先不要修改 Skill，也不要执行接口。请先完成分析并给出替换方案。
要求：
1. 先还原原流程
- 每一步页面操作对应什么业务目的。
- 每一步需要什么输入。
- 每一步产生什么输出。
- 最后怎么判断结果正确。
2. 再分析网络请求
- 从 HAR 中找出核心业务接口。
- 过滤静态资源、埋点、日志上报等无关请求。
- 标出和登录、鉴权、CSRF、任务轮询、文件下载有关的请求。
- 如果一个页面动作触发多个接口，请说明它们的先后关系。
3. 输出替换方案
请按表格输出：
- 原 Skill 步骤
- 当前执行方式
- 建议替换方式：API / 本地脚本 / 继续浏览器操作 / 人工确认
- 对应接口或脚本
- 关键入参
- 关键出参
- 验收方式
- 风险等级
- 是否建议现在替换
4. 登录态处理
- 使用 Python 的 `browser-cookie3` 来获取jd.com的Cookie登录态，用这个登录态访问接口。
- 不要把 Cookie 写进 `SKILL.md`、脚本或日志。
5. API 替换要求
- 查询、筛选、导出、下载这类低风险读操作，可以优先改成 API。
- 提交、审批、发消息、改状态等写操作，必须保留人工确认。
6. 本地脚本替换要求
- Excel 处理、文件改名、目录归档、数据清洗，可以改成本地脚本。
- 请说明脚本入口、输入参数、输出路径、失败日志和验收方式。
7. 信息不足时
如果缺少必要信息，请列出还需要我补充的材料，例如新的 HAR、接口返回样例、字段口径、截图、业务规则说明。
最终只输出升级方案，不要直接改文件。2.3. 固化到 Skill
修改技能时，将“点击页面”和“操作电脑”的描述替换为更稳定的执行方式：
- 浏览器查询步骤 -> 调用查询API。
- 浏览器导出步骤 -> 调用导出API，并轮询任务状态。
- 下载后打开Excel -> 用脚本读取Excel。
- 手工复制粘贴 -> 用脚本合并、筛选、生成结果。
- 人工检查环节 -> 保留抽样核对和确认点。
可让Codex按如下要求执行：
请基于刚才的替换方案优化这个 Skill。
要求：
1. 保留 Skill 的适用场景、输入项、输出项和业务规则。
2. 把可替换的浏览器点击改成 API 调用步骤。
3. 把可替换的电脑操作改成本地脚本步骤。
4. 不要自动执行写操作；涉及提交、审批、发消息时保留人工确认。
5. 给每个 API 或脚本步骤补充验收方式。初始切换时，极易遇到接口报错。可让Codex排查原因进行优化，直至稳定执行；也可增加不同筛选条件重复步骤1，为Codex提供更多可参考的HAR文件。
3. 让 Skill 在多台电脑稳定跑通
技能首次运行成功，仅代表它理解了一个样例。要使其胜任日常工作，需要在自己的电脑、不同输入条件以及他人电脑上反复运行。每次失败后，将原因写入技能或脚本，减少后续临场解释的工作量。
建议按以下三轮进行验证：
3.1. 本机连续验证
先在自己电脑上运行三次：第一次使用录制时的同组输入，第二次更换新的真实输入，第三次故意制造边界情况。
3.2. 跨环境验证
将技能分享给一位同事，或换一台电脑运行。重点关注四类问题：是否依赖个人绝对路径；是否写死账号、Cookie、Token；是否缺少浏览器插件、Python包、Node包或系统权限；输出目录和文件命名是否能被他人理解。发现环境差异后，将处理方式补充至技能的“前置条件”和“常见问题”部分。
3.3. 业务结果验证
抽样核对结果是否符合人工口径：筛选条件是否生效，导出数量是否准确，写操作是否停留在人工确认环节。涉及API替换的步骤，还需核对接口返回数量、文件下载状态以及最终表格行数。
运行发现接口报错
给出参考请求让AI修改
正常使用
4. 定时自动执行
当技能能够稳定运行后，可通过Codex中的定时任务功能，设置定时自动执行，从而省略人工操作；也可考虑将其交由内部定时任务或正式系统执行。
示例：
每个工作日上午 9 点，执行/XXX-skill这个技能，
汇总关键指标，生成一页摘要存到“汇总”文件夹。注意事项：
- 定时任务需设置失败提示。
- 电脑休眠、关机或软件未开启时，本地任务可能无法执行。
- 关键业务结果仍需人工核对。
三、一个真实案例：JoyHR 找简历 Skill
原始流程：
- 打开JoyHR找简历页面。
- 选择所需的筛选范围。
- 点击查询。
- 逐个搜索简历并点击导出。
- 下载PDF。
- 人工检查。
API技能流程：
- 将招聘需求转换为JoyHR搜索参数。
- 调用JoyHR人才库搜索接口，分页获取候选人列表，保留候选人的安全摘要和
reviewRank。 - 按候选人逐个调用简历详情接口，提取工作经历、项目经历、教育经历、技能标签等筛选证据。
- 用脚本替代页面逐个点开简历的动作，生成初筛结论及不推荐原因。
- 对推荐候选人进行二次排序，分为“优先关注”、“备选关注”和“复核不通过”。
- 仅下载“优先关注”和“备选关注”的简历附件，并写入指定目录。
- 输出筛选条件、候选人清单、推荐理由、风险点、简历文件路径及下载状态。
- 人工确认。
Record & Replay 版本
API 版本
升级过程：
四、后续迭代流程
目前，我们正逐步将内部网站和软件功能转换为CLI形式，以进一步降低业务流程AI化的成本。
登录查看剩余 70% 内容