Define Goal：先澄清目标
为什么选择: 适合把模糊想法整理成有清楚交付和检查标准的任务。
何时不适用: 第一次练习用一段清楚的任务说明即可；长期项目可进一步跟踪目标与进度。
怎样选择第一个 Agent 任务
先从多个业务候选任务中挑出输入可得、结果可核对、出错可恢复的一项，再用虚构运营材料练习生成简报。
直接回答
从候选任务中优先选择资料容易取得、结果能按原文或明确规则检查、出错后可以人工修正或撤回的重复工作。频率和每次人工耗时帮助你排序；这张表是讨论工具，不是经过验证的评分公式。第一次只让 Agent 整理资料，不授权它发送、改写业务系统或执行交易。
从多个候选任务中选择
请业务负责人逐项回答，再讨论哪件事值得先试。无需打分；频率和人工耗时用于排序，输入、检查和恢复条件决定是否适合做第一次练习。
| 评估因素 | 负责人填写的问题 | 适合起步的信号 |
|---|---|---|
| 发生频率 | 这件事每周或每月要做几次？ | 经常重复，值得把成功做法保存下来。 |
| 人工耗时 | 每次通常要花多少分钟？哪些环节最花时间？ | 先从重复、耗时且容易拆成步骤的环节试起。 |
| 输入可得性 | 完成任务要用哪些文件或字段？你是否有权在所用 Agent 服务中提供它们？ | 先选能用公开或获准资料完成的小范围任务。 |
| 结果可检查性 | 谁能用原文、业务规则或明确字段核对结果？ | 至少有一位负责人能逐项核实关键事实。 |
| 错误恢复 | 发现错误后能否停下、人工修正或恢复原状？ | 练习阶段可先检查草稿，不让结果自动触发外部动作。 |
对照三件候选事：每周把销售行相加且规则固定，用表格公式；把活动记录整理成简报，需要读懂变化的文字，可让模型先起草、人工核数；自动批准退款会触发外部资金动作，先不作为首试。先确认任务形态，再讨论 Agent。
虚构电商活动简报：先选一个可核对的整理任务
这是一个虚构的电商活动候选任务。先确认资料已有、数字可照原文核对、输出只供人工阅读，再把下面的材料交给你已有的 Agent 界面。
练习材料
练习材料（虚构）：本周新客活动曝光 3.8 万次，加入购物车率 8.2%，下单转化率 2.1%。团队正在核查活动页加载速度。
可直接使用的任务描述
只根据这份虚构活动记录，输出三部分：1）简报并逐字保留曝光、加入购物车率和下单转化率；2）原文明确提到的待办；3）待补充信息。曝光是次数。两个比例没有提供分母口径，因此不能确认是否可比；分别照录，不要比较或据此解释原因、推断成效或提出建议。不要补写原文没有的事实。示例结果
简报：本周新客活动曝光 3.8 万次，加入购物车率 8.2%，下单转化率 2.1%。
待办：核查活动页加载速度。
待补充：原文未提供两个比例的分母口径、对比周期或加载速度核查结论。人工核对与复用
- 核对 3.8 万、8.2%、2.1% 与输入完全一致；曝光次数与两个比例分别列出。
- 分母口径未说明，不能确认两个比例是否可比；不得据此推断原因、活动成效或预算建议。
- 待办仅为核查活动页加载速度；不补造负责人、期限或结论。
先挑一件值得尝试、也容易检查的工作
先列出两三项候选工作，用下方问题看它是否经常发生、占用人工时间、输入资料是否能合法取得、结果能否回到原文核对，以及出错后能否停下或恢复。优先试重复、边界清楚、可逆的整理任务；偶发但耗时很长的工作也可候选，先用小样本验证。
若输入包含个人资料、密钥、钱包地址或未公开内容，先换成虚构或公开材料，并遵守你所用服务的资料处理规则。
把验收规则写在提示里，也留给人工复核
说明输入范围、所需字段、原文依据和缺失信息的写法。提交给你已有的 Agent 界面后，保存实际输出，按固定清单逐项核对；一项不符合，就补一条具体规则再试。
首次练习不需要联网搜索或连接工具。只有确实需要读取应用信息或执行动作时才考虑接入工具；发送、写入、交易等动作须单独设置权限与人工审批。
用不同材料复测，再决定是否扩展
用下一条材料复测时，替换数字或日期，并加入一项缺失字段；再试一种不同格式，例如邮件摘录或表格行。确认数字不变、缺失信息被标出、任务没有超出授权范围后，再考虑扩大到真实但获准使用的资料。
只有当重复处理中确实需要模型理解模糊或变化的文本时，再比较模型方案。资源卡片给出具体的下一步；简单文本整理可先从提示和人工检查开始。
离线示例与 Agent 验收流程
用示例输入对照输出和验收规则。
输入文本
虚构活动通知：Community cleanup，2027年5月12日，地点 Riverside Park。集合地点：北门。
提交给已有 Agent 界面的提示
请仅使用 title、date、location 三个字段返回 JSON。字段有来源时用字符串；输入未提供或无法确认时用 JSON null，不要猜测。date 使用 YYYY-MM-DD。保持 Community cleanup 和 Riverside Park 原样。
预期结果
{
"title": "Community cleanup",
"date": "2027-05-12",
"location": "Riverside Park"
}核对要点
- JSON 可解析，字段恰好为 title、date、location。
- 有来源的值为字符串；若缺失或无法确认则为 null。当前完整示例中的三个值均有来源。
- 日期来自输入；集合地点“北门”不是活动地点，未混入 location。删去输入中的地点后，复测 location 应为 null。
精选资源
OpenAI Docs：按官方来源查证
为什么选择: 涉及 OpenAI 产品行为或参数时，按它的路径核对官方资料，减少凭记忆猜 API。
何时不适用: 离线整理通用文本不需要 OpenAI 产品资料；该 Skill 也不替代其他厂商的官方文档。
在Agent链路上校验输入与最终输出
为什么选择: 当输入或 Agent 最终输出要受应用规则约束时，为拒绝条件和最终检查提供可测思路。
何时不适用: 对下面这份手工离线 JSON 示例，简单 schema/assertion 已足够，不必接入 Agent guardrail。
为Agent定义经过校验的函数工具
为什么选择: 当 Agent 必须调用应用函数时，明确参数契约、校验边界和工具范围。
何时不适用: 纯文本到 JSON 的练习不需要可调用工具；引入工具会增加不必要的权限面。
用确定性模拟模型测试Agent编排
为什么选择: 如果后续实现 Agent 编排，可用固定模拟响应检查应用自己的分发与输出处理，而不调用在线模型。
何时不适用: 它测试的是应用编排，不是模型质量；单次手工 JSON 检查无需搭建模拟器。
Security Best Practices：按技术栈审查
为什么选择: 开始审阅真实代码或带外部输入的系统时，先识别技术栈并按对应参考核查安全边界。
何时不适用: 适合审阅真实代码或系统；整理一段通用练习文本时，从任务说明和结果核对开始即可。
本主题暂不需要
- MCP Builder — 这一步只需整理短文本并核对结果；需要 Agent 读取应用中的动态信息时，再考虑接入 MCP 工具。
来源与核验日期
- OpenAI Agent Skills: Define Goal · 2026-10-13
- OpenAI Agent Skills: OpenAI Docs · 2026-10-14
- OpenAI Agents SDK: Guardrails · 2026-10-14
- OpenAI Agents SDK: Tools · 2026-10-14
- OpenAI Agents SDK: Testing · 2026-10-14
- OpenAI Agent Skills: Security Best Practices · 2026-10-14
- Anthropic Agent Skills: MCP Builder · 2026-10-13
- Google AI for Developers: Prompt design strategies · 2026-10-20