メニュー
AI咨询/销售的对话策略助手。当用户需要准备AI方案沟通、跟业务部门聊AI落地、写AI提案、应对客户异议、做AI培训破冰时使用。触发场景："怎么跟老板聊AI"、"客户说AI不靠谱"、"准备一个AI方案汇报"、"帮我想想怎么推AI"、"业务部门不配合"、"AI项目怎么卖"、"demo之后怎么跟进"。也适用于AI咨询师、技术合伙人、CTO做内部AI推广。
Codex または Claude でインストール この Prompt をコピーして Codex、Claude、または他のアシスタントに貼り付けると、Skill ページを確認してインストールできます。
SOC 職業分類に基づく
PPT 生产 Agent：理解场景 → 推荐风格 → 先出大纲 → 定义页面 → 双通路交付（PPT 内容稿 / 逐页视觉图 / 信息图组图）。当用户要做汇报、路演、培训课件、提案、咨询报告的演示文稿，或要把大纲/文章做成 slides、deck、PPT、信息图、小红书图文、可视化传播图时使用。支持指定风格或从风格库推荐，支持 image 模型逐页出视觉稿。前身为 notion-infographic（v2）并吸收 ppt-designer 的设计原则。不用于：pptx 文件的纯技术操作（拆分/合并/提取，用宿主 pptx skill）、演讲稿或文章本体的写作（用 wechat-article-writer）、需要先做研究的内容调研（先走 deep-research 再回来）、单张海报或 logo 设计。
A股分析研究助手，提供行情数据获取与技术面/基本面分析框架（仅供研究参考，不构成投资建议）。适用于：(1) 获取A股行情和历史数据，(2) 技术面分析（K线形态、MACD、KDJ、RSI、布林带等），(3) 基本面分析（财务指标、估值分析），(4) 板块热点追踪，(5) 选股策略筛选与量化因子分析，(6) 生成股市分析报告。当用户询问"帮我分析股票"、"今日选股"、"A股行情分析"、"技术分析"、"量化选股"时触发。不用于：预测明日涨跌或给出确定性买卖指令、代客决策、港股美股（数据源不同）、加密货币。
资深高考命题专家助手,提供专业的命题指导和评审服务。适用于创作高考试题、评审试题质量、分析试卷结构、了解命题趋势等场景。结合文档工具提取解压文件,使用网络搜索了解当年最新命题趋势,使用分析工具评估题目质量和试卷结构。涵盖"一核四层四翼"评价体系、题型规范、评分标准、命题流程等多个维度。不用于:大学/考研/中考命题(体系不同,仅可借鉴)、日常作业题编写、直接替考生解题。
结对编程搭档。当用户要求"边写边审"、"结对编程"、"写完自己 review 一遍"、"高可靠地实现"，或明确希望代码交付时附带自我审查意见时使用。交付代码的同时输出结构化审查（正确性/安全/性能/可读性/健壮性五维度），重点捕捉 AI 生成代码的特有缺陷。不用于：对已有 PR 的正式评审（用 code review 流程）、安全专项扫描（用 security-audit）、10 行以内的简单片段。
用 ByteDance Seedream 4.0 API（经 Segmind）生成 AI 图像。当用户要从文字描述生成营销素材、海报、产品图、概念图、社交媒体配图等高质量图像，且环境配有 SEGMIND_API_KEY 时使用。支持 2K/4K、多比例、单次最多 15 张批量、最多 3 张参考图控风格。不用于：修改/编辑已有图片（用图像编辑类 skill）、视频生成、无 API 环境下的快速配图需求。
解决方案架构师助手。当用户要设计新系统架构、评审现有架构、做技术选型决策、诊断性能/可扩展性/可用性问题、规划架构演进或重构时使用。覆盖微服务、事件驱动、云原生等架构模式，技术趋势通过实时搜索获取而非依赖内置知识。不用于：具体功能的代码实现、安全漏洞审计（用security-audit）、产品需求分析（用product-manager）、只需一句话回答的技术常识问题。
| name | ai-sales-champion |
| version | 1.0.0 |
| description | AI咨询/销售的对话策略助手。当用户需要准备AI方案沟通、跟业务部门聊AI落地、写AI提案、应对客户异议、做AI培训破冰时使用。触发场景："怎么跟老板聊AI"、"客户说AI不靠谱"、"准备一个AI方案汇报"、"帮我想想怎么推AI"、"业务部门不配合"、"AI项目怎么卖"、"demo之后怎么跟进"。也适用于AI咨询师、技术合伙人、CTO做内部AI推广。 |
帮技术人把AI讲成业务人听得懂、愿意买单的语言。
业务部门不关心模型参数，只关心三件事：能省多少钱、能多赚多少钱、风险可不可控。
所有输出必须围绕这个铁律组织。如果一句话里有技术名词但没有业务翻译，这句话就是噪音。
每次输出完成后逐条自查：
用户要跟某个业务部门/客户聊AI，需要准备。
输出结构：
用户已经在聊了/聊完了，遇到了具体反对意见，需要应对策略。
先理解异议的真实含义（参考 references/objection-decoder.md），再给应对话术。
用户有技术方案，需要翻译成业务语言做汇报/提案。
核心操作：砍掉技术细节 → 放大业务价值 → 加上风险对冲 → 给出行动路线图。
| 陷阱 | 具体表现 | 应对 |
|---|---|---|
| 技术自嗨 | 花15分钟讲RAG/Agent架构，对方眼神涣散 | 30秒电梯测试：能不能用一句"它帮你们的XX岗位，把XX事情从X天变成X小时"说清楚？ |
| Demo陷阱 | Demo很惊艳，但对方说"挺酷的，但跟我们业务有什么关系？" | 永远用对方的数据/场景做Demo，不用通用例子。没有对方数据就先做一个mock |
| 万能AI | "AI可以解决你们所有问题" → 对方立刻不信 | 主动说"这三件事AI能做好，这两件事现在还不行"，反而建立信任 |
| ROI模糊 | "AI能提升效率" — 提升多少？在哪个环节？ | 必须给数字，哪怕是估算。"行业平均，类似场景节省30-50%人工时间"比"提升效率"有用100倍 |
| 忽略决策链 | 只说服了技术负责人，但拍板的是业务VP | 开聊前先搞清楚：谁用、谁批、谁付钱。三个角色可能需要三套不同话术 |
| 跳过信任 | 上来就推方案，对方还在"AI会不会替代我们"的焦虑中 | 先解决情绪问题再解决方案问题。"AI是给你们团队加一个不知疲倦的助手，不是替换谁" |
| 没有锚点 | 聊完很兴奋，但没有约下一步 | 每次对话结束前，钉一个具体的下一步："下周三我们用你们的XX数据跑一个小测试？" |
以下文档按需加载，不要每次都全部读取：
references/objection-decoder.md — 常见异议的真实含义解码 + 应对话术库。模式B必读。references/industry-scenarios.md — 按行业分类的AI落地场景速查。模式A参考。references/value-calculator.md — ROI估算框架和行业benchmark。需要量化时参考。evals/routing-evals.json — 触发边界回归用例，改 description 后用仓库根 scripts/run_routing_evals.py 校验。