过去我们评价一个职场人专业与否常常看他能不能做出一份漂亮的幻灯片把阶段性成果讲得清楚而现在越来越多团队更在意一件事你能不能把重复性的信息处理工作沉淀成一个脚本、一段代码、一套提示词流程让下一次产出只需要一条命令。换句话说真正的高端职业正在从“制作幻灯片”转向“编写技能”。这篇文章不是要否定汇报和表达的价值而是想和你聊一种更底层的变化AI 时代个人和团队的核心竞争力正在从“展示一次”变成“固化多次”。我会从概念讲起再给出一套可落地的技能化写作与自动化案例最后聊常见的误区和工程建议。无论你是后端、数据分析师、项目经理还是刚开始学习编程的职场新人都能从中找到可以立刻用起来的思路。1. 理解“技能优先”从交付物思维转向系统思维1.1 两种交付方式幻灯片交付与技能交付先看两个场景。场景 A产品团队每个月要做经营分析汇报。运营同学从后台导出数据经过清洗、透视、做图再粘贴到幻灯片模板里。整个过程需要 2 到 3 天产出物是几十页 PPT。如果下个月数据口径变了或者领导突然要求换一种图表类型又得从头改一遍。场景 B同样做经营分析团队维护了一个仓库里面放着数据抽取脚本、指标计算逻辑、报告模板。每周只需要把最新数据放到指定目录执行一条命令就能生成 Markdown 报告、HTML 页面或 PDF 文档。如果指标口径变了只改一处配置如果领导想换个版面只改模板文件。这两种方式的差异不是工具层面的差异而是交付物层面的差异。前者交付的是“一张幻灯片”后者交付的是“一套可以不断产生幻灯片的能力”。“制作幻灯片”代表的是传统的展示型工作把已经完成的分析结果包装成便于阅读的信息。它本身有价值但它的价值是一次性的。数据变、结论变、受众变原来的劳动成果就要打折扣。“编写技能”代表的是工程型工作把分析过程、生成逻辑、输出格式都沉淀成可以被复用、被调度、被改进的模块。技能的价值是复利式的写一次可以用很多次而且随着数据变化能持续产出新结果。1.2 为什么“技能”在 AI 时代更有价值这里的关键在于生成式 AI 正在让“生产内容”的成本趋近于零。以前做一份 30 页的行业研究报告需要分析师查资料、整理框架、逐页撰写现在使用大语言模型只要给出清晰的结构和资料它很快就能生成初稿。既然如此如果一个人只会“把信息做成幻灯片”那他的稀缺性就会大幅下降。因为 AI 本身就能做到“快速展示”而且做得并不差。但 AI 不能天然做到的是理解业务目标、设计数据口径、定义输出标准、判断结论是否可靠、发现异常数据、维护一套稳定运行的自动化流程。这些工作本质上都是“编写技能”。这里说的“技能”不一定是复杂的软件系统它可以是一个 Python 脚本可以是一套提示词模板也可以是一组被封装好的函数。关键是它有明确的输入、处理逻辑、输出格式并且能够被重复使用。所以我理解的“新高端职业”并不是一个新岗位而是一种新的工作方式把个人经验固化为可运行、可复用、可迭代的资产。过去你觉得一个员工厉害是因为他脑子里的东西多现在更重要的是他能把脑子里的东西变成团队能共享的工具。2. 环境准备把电脑变成“编写技能”的工具如果你以前主要用 Excel 和 PowerPoint看完前面的内容可能觉得有点抽象。没关系下面我们动手做一个最小实践。这个实践会让你直观地感受到一条命令代替手工复制粘贴到底是什么体验。2.1 本文示例所需的工具为了让下面的案例顺利跑通建议准备以下环境操作系统Windows、macOS、Linux 均可本文命令以通用命令行方式展示。Python需要 Python 3.8 及以上版本。如果你已经安装 Anaconda也可以直接用 conda 环境。编辑器推荐 VS Code或者任何你熟悉的代码编辑器。基础工具一个终端命令行工具。Windows 用户可以是 CMD、PowerShell 或 Git BashmacOS / Linux 用户直接使用 Terminal。可选工具Git用于版本管理pandoc用于把 Markdown 转成 PDF 或 Word。版本说明Python 版本更新较快不建议死记硬背某个固定版本。只要你的 Python 版本在 3.8 以上代码基本都能运行。如果你的环境是 Python 3.13或者系统里同时存在多个 Python 版本记得用python3或py命令区分。2.2 示例项目目录结构我们先建立这样一个目录skill-first-project/ ├── data/ │ └── business_data.json ├── scripts/ │ └── render_report.py ├── output/ │ └── (自动生成) └── README.md这个结构很小却已经具备了“技能”的雏形data存放输入数据scripts存放处理逻辑output存放生成结果README.md说明怎么运行。不要小看这种目录划分。很多时候一个脚本从“一次性命令”变成“团队技能”第一步就是给它一个清晰的家。只要输入、处理、输出三者分离后续维护和扩展都会容易很多。3. 核心思路拆解把“做报告”拆成“输入、处理、输出”在写代码之前我们先想清楚一件事为什么同样的信息有的人只能做成一页幻灯片有的人却能做成一整套自动化报告区别在于能不能做完“需求拆解”。做幻灯片时你的注意力往往放在版式、配色、动画上做技能时你的注意力放在三个问题上输入是什么数据来源、字段结构、更新频率。处理逻辑是什么指标怎么算结论怎么生成输出格式是什么Markdown、HTML、PDF还是直接发送到企业 IM 群一旦你把这些问题想清楚所谓“技能”就只是把答案翻译成代码的事。3.1 从一次性产出到可复用函数先来看一个最小函数示例。假设你要把一个 JSON 文件里的指标读出来并打印# 文件路径scripts/parse_data.py import json import pathlib def load_data(path: str) - dict: 读取 JSON 文件并返回字典对象。 return json.loads(pathlib.Path(path).read_text(encodingutf-8)) if __name__ __main__: data load_data(data/business_data.json) print(f成功读取数据{data[title]})这个函数很小但它体现了一个很重要的原则把“读数据”这件事从“写报告”中独立出来。以后无论你怎么改输出格式数据读取逻辑都不需要动。这里需要注意的是很多初学者喜欢把所有代码堆在主流程里一个脚本从上到下写完。短期内可以运行但一旦需求变化比如数据从 JSON 改成读取数据库或者输出从 Markdown 改成 HTML就意味着重写整个脚本。而函数化、模块化之后你只需要替换其中一层。3.2 提示词结构化也是“技能”除了写代码还有一种更轻量的“技能编写”方式把提示词结构化。很多人使用大语言模型时只是随手打一句话“帮我写一个周报。”这种方式生成的答案质量取决于你问题的随机性下一次提问可能得到完全不同的结果。但如果你把提示词看成一段可复用的“代码片段”情况就不一样了。比如你是资深运营分析师请根据我提供的原始数据生成周报初稿。 输出要求 1. 用表格列出核心指标包括数值和环比变化 2. 给出 2 到 3 条结论必须基于数据 3. 给出 1 到 2 条下一步行动建议。 原始数据 {把数据贴在这里}这段提示词本身就是一个“技能”。它有明确的角色设定、输出格式、约束条件而且可以被反复用于不同周的数据。你只需要替换“原始数据”这一部分输出结构就能保持稳定。这种技能同样需要版本管理。当你发现某次输出效果特别好把这段提示词保存下来标上日期和适用场景当你发现某个措辞导致结果偏差就修改并记录原因。慢慢地你会积累自己的“提示词技能库”。它和代码库里的一组函数本质上没有区别。3.3 把人工操作变成自动化流水线有了函数、有了模板下一步就是自动化。自动化最简单的形式是把多个命令串成脚本。比如我们接下来要做的案例就是读取 JSON 数据生成 Markdown 报告。这个流程看起来简单但它已经完成了“数据 → 文本 → 文件”的自动化。再往上一步可以用定时任务让报告每天自动生成。Windows 可以用任务计划程序macOS/Linux 可以用 cron。如果你熟悉云平台也可以用 GitHub Actions 或云函数让数据更新后自动触发报告生成。不过我这里想特别强调一个原则自动化不是目的稳定可靠才是目的。手工做幻灯片出了问题可以马上手改自动化流程出了问题可能整条线都会卡住。所以自动化一定要配合日志、监控和人工复核并不是“一键全自动”就一定更好。4. 完整实战案例用脚本自动生成周报而不是手工做 PPT接下来我们做一个能实际运行的案例。这个案例模拟的是运营人员每周录入业务数据脚本自动生成一份结构化周报。你以后可以把这里的思路复制到任意重复性汇报场景中。4.1 需求拆解我们希望脚本做到以下三件事读取data/business_data.json中的业务指标根据指标生成带标题、表格、结论的 Markdown 文本将文本保存到output/weekly_report.md。这里没有复杂的数据清洗因为重点是演示“技能化”流程。真实项目中你可以在scripts里增加clean_data.py或analyze_data.py让每一步更独立。4.2 准备业务数据先在data目录下创建business_data.json{ title: 产品团队第 12 周运营周报, generated_at: 2025-06-10, metrics: [ { name: 新增用户, value: 3280, trend: 12% }, { name: 次日留存率, value: 46.2%, trend: 2.1% }, { name: 工单解决数, value: 176, trend: 8.6% } ], suggestions: [ 注册转化率仍有提升空间建议优化首屏文案。, 本周工单平均响应时长下降可保持现有排班方式。 ] }这个 JSON 的字段设计是有意的title对应报告标题metrics对应指标表格suggestions对应结论与建议。也就是说数据结构和输出结构一一对应。这样脚本的主要工作就只是“把数据翻译成文本”逻辑会非常清楚。4.3 编写文本生成脚本在scripts目录下创建render_report.py# 文件路径scripts/render_report.py import json from pathlib import Path def load_json(file_path: str) - dict: 读取 JSON 数据文件。 return json.loads(Path(file_path).read_text(encodingutf-8)) def render_markdown(data: dict) - str: 把字典数据渲染为 Markdown 文本。 lines [] # 标题 lines.append(f# {data[title]}) lines.append() lines.append(f 生成时间{data[generated_at]}) lines.append() # 指标表格 lines.append(## 核心指标) lines.append() lines.append(| 指标 | 数值 | 环比变化 |) lines.append(| --- | ---: | ---: |) for item in data[metrics]: lines.append( f| {item[name]} | {item[value]} | {item[trend]} | ) lines.append() # 结论与建议 lines.append(## 结论与建议) lines.append() for suggestion in data[suggestions]: lines.append(f- {suggestion}) lines.append() return \n.join(lines) def save_markdown(content: str, output_path: str) - None: 把 Markdown 内容写入文件。 Path(output_path).write_text(content, encodingutf-8) if __name__ __main__: data load_json(data/business_data.json) md_content render_markdown(data) save_markdown(md_content, output/weekly_report.md) print(报告已生成output/weekly_report.md)这份代码里有几个地方值得关注。load_json把文件路径作为参数而不是写死路径。这样以后如果你从项目根目录、从工作目录、或者从其他调用方执行都能自由控制文件位置。render_markdown只负责“数据到文本”的转换不碰文件操作。这遵循了单一职责原则。如果你以后想把输出改成 HTML只需要再写一个render_html不需要改动读取逻辑。函数返回的是字符串而不是直接打印。这样设计方便后续对内容做再加工比如加入模板、发送邮件等。4.4 运行并验证结果现在打开命令行进入项目根目录cd skill-first-project python scripts/render_report.py如果你使用 macOS 或 LinuxPython 命令可能需要用python3python3 scripts/render_report.py运行成功后会看到输出报告已生成output/weekly_report.md打开output/weekly_report.md内容类似# 产品团队第 12 周运营周报 生成时间2025-06-10 ## 核心指标 | 指标 | 数值 | 环比变化 | | --- | ---: | ---: | | 新增用户 | 3280 | 12% | | 次日留存率 | 46.2% | 2.1% | | 工单解决数 | 176 | 8.6% | ## 结论与建议 - 注册转化率仍有提升空间建议优化首屏文案。 - 本周工单平均响应时长下降可保持现有排班方式。到这里你已经拥有一个最小的“技能”了。它不需要打开编辑器去调整格式不需要复制粘贴数据下一次只要更新 JSON 文件再执行一次命令就能得到一份标准周报。4.5 扩展让脚本直接生成 HTML很多公司不一定习惯 Markdown那么你可以扩展脚本生成更友好的 HTML 文件。先安装依赖库pip install markdown然后修改主流程增加一个 HTML 渲染函数# 文件路径scripts/render_report.py扩展片段 import markdown def render_html(md_content: str) - str: 把 Markdown 文本转换为 HTML 页面。 body markdown.markdown(md_content, extensions[tables]) html f!DOCTYPE html html head meta charsetutf-8 title周报/title /head body {body} /body /html return html if __name__ __main__: data load_json(data/business_data.json) md_content render_markdown(data) save_markdown(md_content, output/weekly_report.md) html_content render_html(md_content) Path(output/weekly_report.html).write_text(html_content, encodingutf-8) print(报告已生成output/weekly_report.md 和 output/weekly_report.html)注意我在 HTML 模板的head区域加入了meta charsetutf-8这是为了避免中文在浏览器中乱码。很多初写自动化报告的人容易漏掉这一行。这样团队里即使不用 Markdown也能直接双击 HTML 文件在浏览器里查看周报。5. 进阶方向从脚本到个人技能库上面的案例虽然简单但已经具备“技能”的雏形。如果你希望更进一步可以从三个方向深入。5.1 从脚本到技能模块脚本往往和具体场景绑定比如“周报生成脚本”。技能模块则更通用比如read_excel_sheet(path, sheet_name)统一处理 Excel 读取。table_to_markdown(rows, headers)把一个二维表转成 Markdown 表格。send_to_dingtalk(token, content)把报告推送到即时通讯群。query_mysql(sql, params)封装带参查询避免拼 SQL。当你把这些通用能力单独封装成模块再组合起来就能以很低的成本完成不同任务。例如从数据库读数据 → 生成表格 → 发送到群这个流程可以应用到日报、周报、月报、告警通知等很多场景。这就是“编写技能”的核心价值不是解决一个具体问题而是沉淀一个可以被再次使用的能力。5.2 用 AI 辅助开发时如何提问很多人现在会请 AI 帮忙写脚本但写出来的东西经常不满足真实需求。原因往往不是 AI 不行而是提问时没有把“技能”的上下文说清楚。一个比较好的提问模板是我现在有一个 JSON 文件路径是 data/business_data.json。 数据字段包括 title、metrics、suggestions。 我想用 Python 读取这些数据并生成一个 Markdown 周报。 要求 1. 使用标准库不额外安装依赖 2. 生成文件保存在 output 目录下 3. 表格列名固定为“指标、数值、环比变化” 4. 文件编码使用 UTF-8。 请给出完整脚本和运行命令。这段提问包含了路径、数据结构、输出格式、约束条件。AI 更容易生成你直接能用的代码。你会发现提问这件事本身也在从“随便聊”变成“结构化定义输入输出”这其实也是一种技能。5.3 定时任务与自动化交付当你验证脚本稳定之后可以把它挂到定时任务上。Windows 系统可以用“任务计划程序”创建基本任务设置触发时间为你希望的报告生成时间然后在“操作”里选择运行程序填写 Python 解释器和脚本路径。macOS 或 Linux 系统可以使用 crontabcrontab -e然后在打开的编辑器中添加一行0 9 * * 1 cd /path/to/skill-first-project python3 scripts/render_report.py这条任务表示每周一早上 9 点执行一次脚本。但这里要提醒的是定时任务只是让脚本自动运行不代表报告内容不需要人工检查。尤其是涉及对外汇报的数据至少要保留一次人工审核节点。自动化提升效率人工复核保证可信度。6. 常见误区与排查思路6.1 常见误区误区一技能化就是写一个很复杂的系统。不是。技能化的核心是“可复用”不是“技术复杂度”。哪怕你只是把一个 Excel 模板保存起来每次填数据后自动更新图表这也是一种技能。复杂不等于高端稳定可靠才是高端。误区二自动化生成报告之后就可以完全撒手不管。数据源变化、字段缺失、格式异常都会让脚本失败。自动化系统需要设计异常处理和预警机制。例如脚本执行失败时向维护者发送一条通知。误区三提示词模板写完就永远不改。业务需求、数据口径、输出偏好都会变化。提示词模板和代码一样需要版本管理和日常迭代。建议保留历史版本方便回溯。误区四只关注输出好不好看不关注输入是否可靠。再好看的报告如果基础数据是错的也没有价值。做技能时首先应该检查的是数据质量字段是否齐全、是否有异常值、统计口径是否正确。6.2 排查清单如果你在运行上面的脚本时遇到问题可以按以下顺序排查问题现象常见原因解决思路提示找不到模块没有安装依赖执行pip install markdown中文乱码文件编码不是 UTF-8检查 JSON 文件编码并用 UTF-8 保存提示找不到文件路径不对确认当前目录在项目根目录JSON 解析报错数据文件多了一个逗号用 JSON 格式化工具检查数据生成的表格不对数据结构字段不一致和business_data.json的字段名对照总的来说遇到问题不要急着改代码先确认输入、处理、输出三层的边界在哪。这样能快速定位问题。7. 最佳实践与工程建议7.1 先定义输入输出再写代码很多人在开展自动化工作时第一反应就是打开编辑器写代码这是本末倒置。更推荐的做法是先用一段文字描述你要构建的“技能”。写清楚以下内容这个技能解决什么问题输入是什么来源在哪多久更新一次输出是什么格式是什么给谁看失败时怎么办需要通知谁这份描述就是你的设计文档。有了它即使换一个人来维护也能很快上手。7.2 数据安全与权限边界数据安全是编写技能时最容易忽视的环节。脚本如果访问数据库、云平台或内部接口一定要遵循最小权限原则只赋予它完成任务所需的最小权限不要把管理员账号写死在代码里。避免在代码中硬编码密码或 Token。建议使用环境变量或密钥管理工具。例如export DB_PASSWORDyour_password_here然后在 Python 代码中读取import os password os.environ.get(DB_PASSWORD, )这样即使代码被上传到代码仓库也不会泄露敏感信息。另外涉及修改数据、发送消息的操作最好先在小范围测试确认无问题后再全量执行。对生产环境的任何改动都应该走审批与备份流程。7.3 使用版本管理维护技能代码仓库不仅能保存代码还能记录需求的演进。我建议每次技能变更都提交一次并写清楚提交说明例如feat: 新增 html 输出fix: 修复指标表对不齐的问题refactor: 将周报生成拆分为独立函数即使你一个人开发版本管理也能让你安全地尝试新方案。出问题时随时可以回退到上一个稳定版本。7.4 避免过度自动化最后想提醒的是并不是所有事情都值得自动化。如果某个流程一年只发生一次或者每次需求差异极大硬要写脚本可能比手工做还慢。判断标准很简单如果重复次数乘以每次耗时 写脚本的时间就值得自动化否则先记录流程等待它变得频繁再动手。自动化要服务于目标而不是为了显得高级。好的技能是让团队把有限的时间花在真正需要判断力的事情上。8. 总结与下一步这篇文章从“制作幻灯片”和“编写技能”的对比讲起介绍了为什么 AI 时代技能化的个人资产更重要并通过一个最小实战案例演示了如何用 Python 生成可复用的周报脚本。如果你今天只记住一件事那就是把重复工作固化成输入、处理、输出的模块比每次都从零开始高效得多。接下来我建议你尝试一个最小实验找一个你每周都要做的信息整理任务比如周报、日报、会议纪要先给它定义好输入格式和输出模板然后写一个最简单的脚本或提示词模板。你不用一次做到完美只要能减少 20% 的重复劳动就是一个很好的开始。当你完成第一个自动化技能后可以继续学习 Python 的文件处理、JSON 解析、定时任务、API 调用和数据库访问。这些基础能力组合起来会帮你把越来越多的工作沉淀为可运行、可分享、可迭代的技能资产。说到底AI 不会淘汰会做幻灯片的人但会淘汰那些只把能力放在幻灯片里、却从不沉淀成技能的人。