视频脚本：忘了n8n吧，我用国产模型实现了真正的“AI工作流”

---

开场 (BGM起，节奏感强)

(镜头快速切换：n8n/Zapier等传统工作流工具的界面 -> Claude Skill的Logo -> Kimi的Logo)

【屏幕中央大字】 告别“机械”流程，拥抱“智能”调度。

主播 (出镜，语速稍快，直接切入主题): 你是否还在用n8n或者类似的工具，拖拽节点，配置一堆固定的、死板的自动化流程？一旦需求稍微变化，就得从头再来？

忘了n8n吧。今天，我们来玩点更高级的。

前段时间很多人在讨论Claude Skill，它代表了一种新的方向：让AI来调度工具，而不是我们自己去预设所有路径。但问题是，Claude现在限制很多，而且要发挥Skill的全部能力，需要强大的模型支持。

(停顿，转向镜头，眼神肯定)

但现在，破局点来了。我用最新的国产大模型，成功跑通了这套逻辑。这套方法，不仅能实现Claude Skill的效果，甚至在灵活性上，远超传统工作流。

这期内容，我会把整套思路和实现方法拆解给你看。

---

第一部分：什么是“Skill”？它和n8n有什么本质区别？

(场景：虚拟白板或动画演示)

主播: 首先，我们得搞清楚一个核心问题：AI时代的“工作流”，到底应该是什么样？

(屏幕左侧出现n8n的图标和“固定流程”字样)

以n8n为代表的传统工具，我称之为“机械式工作流”。它的逻辑是：如果A发生，就执行B，然后执行C。 整个流程是预先定义好的，非常死板。就像一条设定好轨道的火车，无法应对任何意外情况。

(屏幕右侧出现大脑图标+工具箱图标，并出现“智能调度”字样)

而Claude Skill，以及我们今天的主角——基于国产大模型的实现，它的逻辑完全不同。我称之为“智能调度”。

它的核心是：给AI一个“工具箱”，而不是一张“流程图”。

(动画演示) 1. 我们预先用Python等语言，写好一个个稳定、可靠的“工具函数”。比如： * search(query): 搜索网络信息 * read_file(path): 读取文件内容 * generate_image(prompt): 生成一张图片 * create_ppt(title): 创建一个PPT文件

1. 这些工具函数，就组成了AI的“Skill”或者说“工具箱”。

2. 我们不再告诉AI“第一步做什么，第二步做什么”。而是直接给它一个最终目标。

(屏幕上出现用户指令)

“帮我搜索一下最近关于Kimi新模型Kimi-k2-thinking的评测，总结要点，并做成一个信息图。”

主播: 看到区别了吗？AI在这里的角色，从一个“流水线工人”，变成了一个“项目经理”。

它需要自己去思考，为了完成这个目标，应该分几步？每一步应该调用哪个工具？工具的参数应该是什么？

• 第一步： 理解指令。需要“搜索”和“生成图片”。
• 第二步： 规划流程。啊，我应该先调用search()工具，拿到评测内容。
• 第三步： 执行并传递。拿到内容后，我再调用generate_image()工具，把总结的内容作为prompt传进去。

这就是“智能调度”和“机械流程”的本质区别。它解决了传统AI凭空写代码的“不确定性”，也解决了n8n等工具的“死板”。

---

第二部分：为什么之前很难实现？国产模型的机会在哪？

主播: 这个思路听起来很完美，但实现起来有个巨大的门槛——对大模型“深度思考和编排能力”的要求极高。

(屏幕上出现一个“断裂的思维链”动画)

过去的很多模型，你让它调用一两个工具还行。一旦任务复杂，需要连续调用三、四个以上的工具，它就“蒙了”。

它会忘记上一步执行的结果是什么，或者搞不清楚下一步应该干嘛。逻辑链一旦断裂，整个任务就失败了。

这就是为什么之前很多人觉得，只有Claude这种级别的模型才能玩得转Skill。

(镜头拉近，语调变得兴奋)

但是，转折点来了。随着国内大模型的极速狂飙，特别是像Kimi最近发布的模型，它们的逻辑推理和长上下文能力已经达到了一个全新的高度。

(屏幕展示Kimi-k2-thinking模型的一些关键特性)

这意味着，我们终于有了一个足够聪明的“大脑”，来担任那个“项目经理”的角色。它有能力规划复杂的多步任务，并且在连续调用工具的过程中，保持清晰的逻辑。

这，就是我们的机会。用国产最强的大脑，来驱动我们自己的“Skill工具箱”。

---

第三部分：实战演示：三步搭建你自己的“AI调度中心”

主播: 好，理论说完了，上实战。我们来模拟一下文章里的核心流程，搭建一个简易版的AI调度系统。

【第一步：定义你的“工具箱” (Skill Set)】

(屏幕展示Python代码文件 my_skills.py)

主播: 首先，我们用Python定义几个简单的工具函数。这就像给你的AI配发武器。

# my_skills.py

import requests # 用于网络请求
import json

def search_web(query: str) -> str:
    """
    一个模拟的网络搜索工具。
    接收一个查询字符串，返回搜索结果。
    """
    print(f"【工具调用】: 正在搜索 '{query}'...")
    # 这里应该是真实的搜索引擎API调用
    # 为了演示，我们返回一个固定的JSON字符串
    mock_result = {
        "title": "Kimi-k2-thinking 模型深度评测",
        "content": "该模型在长文本处理和逻辑推理方面表现出色，代码能力大幅提升...",
        "source": "AI前沿观察"
    }
    return json.dumps(mock_result, ensure_ascii=False)

def create_infographic(data_json: str) -> str:
    """
    一个模拟的信息图生成工具。
    接收JSON格式的数据，返回图片URL。
    """
    data = json.loads(data_json)
    print(f"【工具调用】: 正在根据 '{data['title']}' 的内容生成信息图...")
    # 这里应该是调用图片生成API，比如Midjourney, Stable Diffusion等
    # 为了演示，我们返回一个模拟的图片地址
    mock_image_url = "https://example.com/path/to/your/infographic.png"
    print(f"【工具调用】: 图片生成成功！URL: {mock_image_url}")
    return mock_image_url

主播: 看，我们定义了两个工具：search_web 和 create_infographic。注意，每个函数都有清晰的文档字符串（docstring），告诉AI这个工具是干嘛的、需要什么参数、返回什么。这是AI能理解你的工具的关键。

【第二步：构建“超级Prompt”，授予AI调用权限】

主播: 接下来，也是最关键的一步。我们要写一个特殊的Prompt，告诉Kimi：“你现在是一个超级助理，你拥有调用工具的能力。”

(屏幕展示Prompt构建文本)

# Role: 超级AI助理

## Profile
你是一个强大的AI助理，你的任务是理解用户的最终目标，并自主规划、调用预定义的工具来完成任务。

## Tools
你拥有以下工具，并且必须以指定的JSON格式来调用它们：

<tools>
[
    {
        "name": "search_web",
        "description": "一个模拟的网络搜索工具。接收一个查询字符串，返回搜索结果。",
        "parameters": [
            {"name": "query", "type": "string", "description": "需要搜索的关键词"}
        ]
    },
    {
        "name": "create_infographic",
        "description": "一个模拟的信息图生成工具。接收JSON格式的数据，返回图片URL。",
        "parameters": [
            {"name": "data_json", "type": "string", "description": "包含信息的JSON字符串"}
        ]
    }
]
</tools>

## Workflow
1.  分析用户的请求，理解其最终意图。
2.  规划一个或多个步骤来完成任务。
3.  在需要时，你必须使用 `tool_code` 语法来调用工具。例如:
    <tool_code>
    print(search_web(query="Kimi模型评测"))
    </tool_code>
4.  你可以在一次思考中调用多个工具。
5.  分析工具返回的结果，并继续下一步，直到任务完成。
6.  最后，向用户报告最终结果。

## Task
现在，请完成以下任务:
"帮我搜索一下最近关于Kimi新模型Kimi-k2-thinking的评测，总结要点，并做成一个信息图。"

主播: 这个Prompt就是“魔法”所在。我们明确告诉了模型它有哪些工具（Tools），以及如何调用它们（Workflow）。这就是在模拟Claude Skill的底层逻辑。

【第三步：执行与观察】

主播: 最后，我们将这个Prompt和我们的问题一起发给Kimi。然后观察它的输出。

(屏幕展示一个模拟的Kimi思考过程)

好的，我明白了。为了完成这个任务，我需要分两步：
1.  首先，使用 `search_web` 工具搜索关于 "Kimi-k2-thinking模型评测" 的信息。
2.  然后，将搜索到的信息传递给 `create_infographic` 工具来生成信息图。

现在，我开始执行第一步。

<tool_code>
print(search_web(query="Kimi-k2-thinking模型评测"))
</tool_code>

(屏幕上出现工具执行的打印结果)

【工具调用】: 正在搜索 'Kimi-k2-thinking模型评测'... {"title": "Kimi-k2-thinking 模型深度评测", "content": "该模型在长文本处理和逻辑推理方面表现出色，代码能力大幅提升...", "source": "AI前沿观察"}

(Kimi继续思考)

很好，我已经获取到了评测信息。现在我将执行第二步，调用 `create_infographic` 工具。

<tool_code>
print(create_infographic(data_json='{"title": "Kimi-k2-thinking 模型深度评测", "content": "该模型在长文本处理和逻辑推理方面表现出色，代码能力大幅提升...", "source": "AI前沿观察"}'))
</tool_code>

(屏幕上再次出现工具执行的打印结果)

【工具调用】: 正在根据 'Kimi-k2-thinking 模型深度评测' 的内容生成信息图... 【工具调用】: 图片生成成功！URL: https://example.com/path/to/your/infographic.png

(Kimi最终输出)

任务完成。我已经为您搜索了相关评测并生成了信息图，图片地址是：https://example.com/path/to/your/infographic.png

---

结尾

主播 (回到镜头前，总结): 看到了吗？整个过程，我们没有拖拽一个节点，没有写一行死板的if-else。

我们只是定义了工具，然后向AI下达了最终指令。模型自己完成了所有的中间步骤：理解、规划、执行、反思。

这就是未来。一个由AI智能调度的，真正灵活、强大的工作流范式。它将彻底改变我们与软件交互的方式。

传统工作流工具，在它的面前，显得如此“古典”。

(屏幕中央大字，BGM推向高潮) The Future is not Automation, it's Orchestration. (未来不是自动化，而是智能编排。)

主播: 如果你对这个技术感兴趣，可以根据我今天的脚本，自己动手尝试一下。把你的工具箱建得更强大，看看AI能给你带来怎样的惊喜。

好了，这期内容就到这里。如果觉得有启发，别忘了点赞、关注。我们下期再见。

(结束)