自动化评估Skill：用七维评分模型找出最值得自动化的任务

别急着学 AI 工具这个 Skill 先帮你找出哪些工作值得自动化你是否也经历过这样的循环看到一个新的 AI 编程助手或者自动化框架立刻安装配置把手里能想到的重复操作都塞进去最后发现大部分自动化脚本只跑了一两次就再也没打开过。反过来有些真正繁琐、高频、每周期都在消耗大量时间的工作却因为“看起来有点复杂”一直停留在手动状态。这不是工具不够强而是选错了自动化的对象。自动化的第一步不是学会某个工具怎么写脚本而是先判断哪些工作值得自动化。传统的做法是凭感觉拍脑袋但如果我们把判断过程本身变成一套可复用的规则、一个 AI 可以执行的 Skill那么任何人拿到任意一条任务描述都能在几分钟内得到“是否值得自动化、优先级多高、从哪里切入”的评估结论。这篇文章要解决的问题就是怎么设计并实现这样一个“自动化评估 Skill”。我会先讲清楚为什么要先评估再动手再拆解 Skill 的结构和设计思路然后给出完整的目录、代码和验证流程。无论你是刚接触 AI 编程的新手还是已经在用 Agent 做自动化改造的开发者读完都可以直接照着做出一份可用的评估工具。1. 为什么先做“自动化评估”比直接学 AI 工具更重要很多人在自动化上踩坑不是因为工具不会用而是因为一开始就选错了任务。比如把每天只需要做一次、耗时两分钟的操作花半天时间写脚本表面上是“自动化”实际上净收益是负数。而像每周从 Excel 里整理数据、发送邮件、更新状态这种重复且规则明确的工作又往往被忽略因为“好像也不难手动做习惯了”。自动化的价值不是由任务的“大小”决定的而是由频率、耗时、规则化程度、出错代价、人工判断需求五个因素共同决定。一个任务如果满足以下条件自动化潜力就比较高执行频率高比如每天、每周都要重复单次耗时长至少需要十分钟以上步骤规则明确几乎没有例外情况人工执行容易出错且出错代价高不需要复杂的语义理解和价值判断。反过来如果一项工作一个月才做一次每次五分钟而且需要大量的临时决策和跨部门沟通那么强行自动化往往得不偿失。更合理的做法是保留人工操作或者只做部分辅助。这里要分清一个常见误区很多人认为“AI 什么都能自动做”所以只要把任务描述丢给 AI 就能万事大吉。但 AI 自动化的真正难点在于把模糊的人类语言翻译成确定的、可执行的规则。如果一个任务连本人自己都说不清具体步骤那 AI 再强也无从下手。所以自动化的本质是先梳理流程再谈工具。因此在学会任何自动化框架之前先建立一套评估意识和评估工具是 ROI 最高的投资。当你面对一堆待办事项时不需要靠直觉而是用同一套标准打分快速筛出最值得自动化、最容易出成果的“甜点任务”。这也是本文要做的 Skill 的定位它不是一个执行自动化的工具而是一个帮助你决定自动化方向的决策工具。2. Skill 是什么从 AI Agent 到可复用技能包在讨论具体实现之前先明确概念。Skill 是近期 AI Agent 和编程助手中非常流行的一种封装形态通常指一个包含技能说明、示例、脚本和资源的目录。它让 AI 不再只是基于一段一次性提示词回答问题而是能够按照你预先定义的流程、规则和工具来完成任务。你可以把 Skill 理解为“给 AI 用的插件”。普通提示词是临时的指令关闭对话就消失了而 Skill 是一套持久化的能力定义放在项目目录或全局目录下AI 在合适的场景会自动加载它。例如在 Claude Code 中Skill 是一个带有SKILL.md文件的目录文件里用 Markdown 描述了该技能的名称、适用场景、使用步骤和注意事项。AI 读取这份说明后就知道如何调用配套的脚本或数据处理逻辑。Skill 与脚本、插件、Agent 的关系可以这样对比概念本质适用场景可复用性普通提示词一段自然语言指令临时问答、一次性任务低每次都要重新写脚本一段自动化代码固定流程的批量处理中只针对具体任务插件集成到编辑器或应用中的扩展模块增强 IDE、工具链能力高但通常面向通用功能Skill面向 AI 的结构化技能包让 Agent 按规范完成某一类任务高既包含指令又包含代码从开发效率角度看Skill 的优势在于“把经验沉淀为结构”。你今天总结出的自动化评估标准如果只是写在笔记里下次还要重新调用但如果你把它写成 SkillAI 就会自动在适合的场景中使用它。这样评估标准本身就成了团队或个人的公共资产。本篇文章要实现的“自动化评估 Skill”就是一个目录里面包含SKILL.md告诉 AI 这个技能是什么、怎么用、按什么标准评估。evaluate_automation.py一个可以独立运行的 Python 脚本负责根据配置的指标计算自动化潜力评分。config.json评估维度和权重的配置文件方便调整。这个 Skill 可以放在任何支持 Skill 的 AI 工具中也可以直接在命令行里用 Python 运行脚本。下面我会从设计思路开始讲一步一步带你把整个 Skill 做出来。3. 设计“自动化潜力评估”Skill 的核心思路评估一个任务是否值得自动化本质上是一个多因子决策问题。我们要把它模型化让 AI 和脚本都能按统一规则计算。3.1 评估维度我从实际项目中总结了七个核心维度每个维度分值为 0 到 10 分越高代表越适合自动化。执行频率frequency任务多久做一次。每天多次为 10 分每天一次 8 分每周一次 6 分每月一次 3 分更少为 1 分。频率越高自动化节省的累计时间越多。单次耗时time_cost完成一次任务需要多少分钟。10 分钟以上为 8-10 分5-10 分钟为 6-7 分1-5 分钟为 3-5 分1 分钟内为 1-2 分。耗时越长自动化带来的单次收益越大。规则化程度regularity任务步骤是否固定有没有大量例外分支。完全固定为 10 分80% 固定为 8 分一半固定为 5 分大部分需要临时判断为 2 分完全没有规律为 0 分。规则化程度决定了 AI 或脚本能否稳定复现。数据可得性data_accessibility完成任务所需的数据是否已经数字化、是否容易获取。数据完整且可通过 API 或文件读取为 10 分需要人工整理为 6 分大量依赖线下人为沟通为 2 分数据根本不存在的为 0 分。人工判断需求judgment_needed任务是否需要价值判断、情感沟通或灵活应变。不需要人工判断为 10 分需要少量确认为 6 分需要大量人机交互为 3 分完全依赖人工决策为 0 分。这个维度是 AI 自动化的最大限制因素。出错代价cost_of_error自动执行如果出错会造成多大影响。几乎无影响为 10 分影响内部工作流但可快速修复为 7 分影响外部客户或资金为 3 分涉及不可逆操作或法律风险为 0 分。出错代价越高越需要人工兜底。法律法规风险compliance_risk任务是否涉及敏感数据、合规要求或审批流程。完全合规为 10 分需要审批但可控为 6 分涉及敏感信息且无明确授权为 2 分明确禁止自动化为 0 分。这个维度是对安全底线的约束。3.2 评分模型将上述七个维度加权求和得到一个总分。权重默认值可以设为frequency0.2time_cost0.15regularity0.25data_accessibility0.15judgment_needed0.15cost_of_error0.05compliance_risk0.05这样设计的原因规则化程度最关键因为一个无法稳定复现的流程再高频也不能自动化频率和耗时代表直接收益数据可得性和人工判断需求决定技术可行性出错代价和合规风险是底线约束不能因为收益高而忽略。最终得分映射到三个结论总分 7高潜力建议优先自动化。这类任务值得投入资源做自动化通常也是 ROI 最高的“甜点任务”。总分 4中潜力可选择部分自动化。这类任务可以考虑用半自动方式比如 AI 辅助生成草稿、人工确认后执行。总分 4低潜力不建议自动化。继续人工处理或者先梳理流程、补充数据再考虑后续优化。3.3 输出产物评估完成后最好生成一份结构化报告而不是只给一个数字。因为决策需要依据。报告应包含任务名称和描述每个维度的评分加权总分自动化建议如果建议自动化给出的切入点和风险提示。将评估逻辑封装成 Python 函数后AI 可以直接调用脚本并解析 JSON 结果也可以用命令行单独运行。下面开始搭建。4. 环境准备与 Skill 目录结构运行本 Skill 不需要复杂的依赖只需要以下基础环境操作系统Windows / macOS / Linux 均可本文示例使用 macOS 或 Linux 的命令行风格。Python 版本Python 3.8 及以上无需额外安装第三方库只用标准库json、argparse、datetime。支持 Skill 的 AI 编程工具如 Claude Code、Cursor 等。如果你还没有使用这些工具也可以直接在终端运行脚本。目录结构建议如下automation-evaluator/ ├── SKILL.md ├── config.json ├── evaluate_automation.py ├── examples/ │ └── example_tasks.json └── output/ └── .gitkeep其中SKILL.md描述 Skill 的用途、调用方式和评分标准是 AI 读取的核心文件。config.json存放评估维度的权重便于调整。evaluate_automation.py核心脚本读取任务描述和配置输出评分与建议。examples/example_tasks.json存放一组示例任务用于测试。output/存放每次评估生成的报告。如果你的 AI 工具要求 Skill 放在特定目录例如~/.claude/skills/或项目下的.claude/skills/把automation-evaluator整个目录复制过去即可。如果只是本地使用保持当前结构也行。5. 完整示例实现自动化评估 Skill下面我把每个文件的内容写出来并解释关键逻辑。5.1 配置文件config.json配置文件定义了评估维度和默认权重。你可以随时调整权重来适配自己的团队偏好。{ weights: { frequency: 0.2, time_cost: 0.15, regularity: 0.25, data_accessibility: 0.15, judgment_needed: 0.15, cost_of_error: 0.05, compliance_risk: 0.05 }, threshold_high: 7.0, threshold_mid: 4.0 }这里没有使用嵌套过深的 JSON方便阅读和修改。threshold_high和threshold_mid用于划分自动化建议的等级。5.2 核心评估脚本evaluate_automation.py脚本的主要功能是从命令行接收任务描述和评分输入读取权重配置计算加权得分生成评估报告。我们让脚本支持两种输入方式一种是把所有参数通过命令行传入适合手动测试另一种是读取一个 JSON 文件适合批量评估。先看代码#!/usr/bin/env python3 # -*- coding: utf-8 -*- 自动化潜力评估脚本 用法示例 python evaluate_automation.py --task 每天整理销售数据并生成报表 \ --frequency 8 --time_cost 6 --regularity 9 \ --data_accessibility 8 --judgment_needed 7 \ --cost_of_error 7 --compliance_risk 9 python evaluate_automation.py --file examples/example_tasks.json import argparse import json import os import sys from datetime import datetime def load_config(config_pathconfig.json): 加载权重配置文件 if not os.path.exists(config_path): # 如果配置文件不存在使用默认权重 print([警告] 未找到 config.json使用默认权重, filesys.stderr) return { weights: { frequency: 0.2, time_cost: 0.15, regularity: 0.25, data_accessibility: 0.15, judgment_needed: 0.15, cost_of_error: 0.05, compliance_risk: 0.05 }, threshold_high: 7.0, threshold_mid: 4.0 } with open(config_path, r, encodingutf-8) as f: return json.load(f) def clamp_score(value): 将分数限制在 0-10 之间 return max(0, min(10, float(value))) def calculate_score(scores, weights): 计算加权总分 total 0.0 detail {} for key, weight in weights.items(): score clamp_score(scores.get(key, 0)) detail[key] { score: score, weight: weight, weighted: round(score * weight, 4) } total score * weight return round(total, 4), detail def generate_report(task, scores, total, detail, config): 生成评估报告文本 threshold_high config.get(threshold_high, 7.0) threshold_mid config.get(threshold_mid, 4.0) if total threshold_high: suggestion 高潜力建议优先自动化ROI 最高。 risk 重点做好数据校验和异常兜底避免规则变化导致流程失效。 elif total threshold_mid: suggestion 中潜力可选择部分自动化例如先做数据预处理或辅助生成。 risk 保留人工确认环节逐步观察稳定性和出错率。 else: suggestion 低潜力不建议自动化继续人工处理。 risk 先梳理流程、补充数据或提升规律性后再重新评估。 lines [ * 50, 自动化潜力评估报告, * 50, f任务名称{task.get(name, 未命名任务)}, f任务描述{task.get(description, task.get(name, ))}, f评估时间{datetime.now().strftime(%Y-%m-%d %H:%M:%S)}, , 各维度得分, ] score_labels { frequency: 执行频率, time_cost: 单次耗时, regularity: 规则化程度, data_accessibility: 数据可得性, judgment_needed: 人工判断需求, cost_of_error: 出错代价, compliance_risk: 合规风险, } for key, item in detail.items(): label score_labels.get(key, key) lines.append(f {label}: {item[score]} 分 (权重 {item[weight]})) lines.append() lines.append(f加权总分{total} 分) lines.append(f自动化建议{suggestion}) lines.append(f风险提示{risk}) lines.append( * 50) return \n.join(lines) def evaluate_single_task(task, config): 评估单个任务 scores task.get(scores, {}) weights config[weights] total, detail calculate_score(scores, weights) report generate_report(task, scores, total, detail, config) # 同时输出 JSON 结果方便 AI 解析 result_json { task_name: task.get(name, 未命名任务), total_score: total, detail: detail, suggestion: report.split(自动化建议)[1].split(\n)[0], } return report, result_json def main(): parser argparse.ArgumentParser(description自动化潜力评估工具) parser.add_argument(--task, typestr, help任务描述) parser.add_argument(--frequency, typefloat, default5, help执行频率得分 0-10) parser.add_argument(--time_cost, typefloat, default5, help单次耗时得分 0-10) parser.add_argument(--regularity, typefloat, default5, help规则化程度得分 0-10) parser.add_argument(--data_accessibility, typefloat, default5, help数据可得性得分 0-10) parser.add_argument(--judgment_needed, typefloat, default5, help人工判断需求得分 0-10) parser.add_argument(--cost_of_error, typefloat, default5, help出错代价得分 0-10) parser.add_argument(--compliance_risk, typefloat, default10, help合规风险得分 0-10) parser.add_argument(--file, typestr, help批量评估文件路径) parser.add_argument(--config, typestr, defaultconfig.json, help配置文件路径) parser.add_argument(--output, typestr, help保存报告到指定目录) args parser.parse_args() config load_config(args.config) if args.file: with open(args.file, r, encodingutf-8) as f: tasks json.load(f) reports [] for task in tasks: report, _ evaluate_single_task(task, config) reports.append(report) print(report) print() if args.output: os.makedirs(args.output, exist_okTrue) out_path os.path.join( args.output, fevaluation_{datetime.now().strftime(%Y%m%d_%H%M%S)}.txt ) with open(out_path, w, encodingutf-8) as f: f.write(\n\n.join(reports)) print(f\n[信息] 报告已保存到 {out_path}) else: if not args.task: parser.error(必须指定 --task 或 --file) task { name: args.task, description: args.task, scores: { frequency: args.frequency, time_cost: args.time_cost, regularity: args.regularity, data_accessibility: args.data_accessibility, judgment_needed: args.judgment_needed, cost_of_error: args.cost_of_error, compliance_risk: args.compliance_risk, } } report, result_json evaluate_single_task(task, config) print(report) if args.output: os.makedirs(args.output, exist_okTrue) out_path os.path.join( args.output, fevaluation_{datetime.now().strftime(%Y%m%d_%H%M%S)}.json ) with open(out_path, w, encodingutf-8) as f: json.dump(result_json, f, ensure_asciiFalse, indent2) print(f\n[信息] JSON 结果已保存到 {out_path}) if __name__ __main__: main()这段脚本的逻辑非常直观。load_config负责读取权重配置如果文件缺失会退回默认值并给出警告。clamp_score将输入分数限制在 0 到 10 之间防止非法输入。calculate_score遍历所有维度计算加权分和总分。generate_report是核心输出部分它根据阈值给出自动化建议并附带风险提示。这里刻意把建议写得具体比如“高潜力建议优先自动化ROI 最高”而不是笼统地写“适合自动化”。这样无论是人读还是 AI 解析都能直接获得可执行结论。脚本支持--file批量评估这在面对一长串工作任务时非常实用。你可以把团队积压的待办事项一次性丢进 JSON 文件然后批量生成报告。5.3 Skill 定义文件SKILL.mdSKILL.md是 AI 加载 Skill 时首先读取的文件。它的作用是告诉 AI“这个技能是用来评估自动化潜力的请按照特定步骤使用配套脚本”。--- name: automation-evaluator description: 评估一项工作是否值得自动化给出评分、建议和风险提示。当用户询问某个任务是否适合自动化、如何评估自动化优先级时使用。 --- # 自动化潜力评估 Skill ## 适用场景 - 用户不确定某个重复性工作是否值得自动化时。 - 用户列出了一批待自动化任务希望排优先级时。 - 用户希望了解自动化评估的方法论并应用到具体任务时。 ## 工作流程 1. 收集用户想要评估的任务描述尽量具体。例如“每天从钉钉导出销售明细整理成 Excel再发送给经理”。 2. 根据以下维度为任务打分0-10 分 - frequency执行频率 - time_cost单次耗时 - regularity规则化程度 - data_accessibility数据可得性 - judgment_needed人工判断需求 - cost_of_error出错代价 - compliance_risk合规风险 3. 调用脚本执行评估 bash python evaluate_automation.py --task 任务描述 \ --frequency 8 --time_cost 7 --regularity 9 \ --data_accessibility 8 --judgment_needed 6 \ --cost_of_error 9 --compliance_risk 10根据脚本输出的报告向用户解释总分与自动化建议哪些维度拉低了总分可以如何改善如果建议自动化第一步应该从哪里入手。注意事项所有打分都应该基于用户提供的真实任务描述不要凭空猜测。如果用户没有提供足够信息先向用户提问再评估。合规风险维度优先考虑安全和法律要求如果任务涉及敏感数据或明确禁止自动化的场景得分必须设低。脚本输出的 JSON 结果可以直接用于后续流程但不要伪造数据。SKILL.md 采用 YAML front matter 来描述元信息这是当前主流 Skill 格式的标准做法。name 是技能名称description 是 AI 触发该技能时匹配的语义描述。工作流程部分清晰列了四个步骤避免 AI 随意发挥。 ### 5.4 示例任务文件 examples/example_tasks.json 为了验证 Skill我们准备两个示例任务一个典型的高潜力自动化任务一个典型的低潜力任务。 json [ { name: 每日销售数据汇总, description: 每天从 ERP 系统导出销售明细汇总后按渠道维度生成日报发送给销售主管。, scores: { frequency: 9, time_cost: 8, regularity: 9, data_accessibility: 9, judgment_needed: 7, cost_of_error: 8, compliance_risk: 9 } }, { name: 客户投诉电话回访, description: 接到客户投诉后需要判断情绪、安抚客户、协调内部资源并记录反馈。, scores: { frequency: 7, time_cost: 6, regularity: 2, data_accessibility: 4, judgment_needed: 1, cost_of_error: 2, compliance_risk: 5 } } ]第一个任务规则明确、数据可得性高、出错代价可控是典型的自动化甜点。第二个任务虽然频率不低但需要大量人工判断和沟通规则化程度极低强行自动化会极大地影响客户体验因此得分应明显偏低。6. 运行与效果验证将上述文件放到同一个目录后我们来验证 Skill 是否正常工作。首先测试单条任务评估。在终端中进入automation-evaluator目录执行以下命令python evaluate_automation.py --task 每天整理销售数据并生成报表发送给主管 \ --frequency 8 --time_cost 7 --regularity 9 \ --data_accessibility 8 --judgment_needed 7 \ --cost_of_error 8 --compliance_risk 10预期输出如下 自动化潜力评估报告 任务名称每天整理销售数据并生成报表发送给主管 任务描述每天整理销售数据并生成报表发送给主管 评估时间2025-03-19 14:30:00 各维度得分 执行频率: 8.0 分 (权重 0.2) 单次耗时: 7.0 分 (权重 0.15) 规则化程度: 9.0 分 (权重 0.25) 数据可得性: 8.0 分 (权重 0.15) 人工判断需求: 7.0 分 (权重 0.15) 出错代价: 8.0 分 (权重 0.05) 合规风险: 10.0 分 (权重 0.05) 加权总分8.05 分 自动化建议高潜力建议优先自动化ROI 最高。 风险提示重点做好数据校验和异常兜底避免规则变化导致流程失效。 总分 8.05超过了 7 的阈值结论为“高潜力”。这是符合预期的结果。接着测试批量评估python evaluate_automation.py --file examples/example_tasks.json --output output该命令会遍历example_tasks.json中的两个任务分别输出评估报告并保存所有报告到output目录下的一个文本文件中。如果命令执行后生成了evaluation_*.txt并且终端打印了两个完整的评估报告说明脚本运行正确。验证成功的标志有三个脚本没有报错每个任务的得分和总分都符合人工估算两个示例任务得到的自动化建议恰好是“高潜力”和“低潜力”说明评分模型能区分不同任务类型。如果输出结果异常按照下一节常见问题来排查。7. 常见问题与排查方法问题现象可能原因排查方式解决方案运行脚本提示FileNotFoundError: config.json当前工作目录不对或缺少配置文件确认脚本所在目录下是否有config.json在脚本目录下运行或在调用时加--config指定路径所有任务的得分都一样评分时没有真正按任务差异打分检查任务 JSON 中的scores字段是否各不相同根据每个任务的真实情况分别打分总分超出 0-10 范围脚本逻辑中没有正确限制输入分检查clamp_score是否被调用确保所有分数都经过clamp_score处理AI 工具无法识别这个 SkillSKILL.md 的 front matter 格式错误或目录名不正确检查文件开头是否以---开头并包含name和description参考本文示例修正格式并确保目录存放在正确的 skills 路径启动失败Python 版本过低或依赖缺失执行python --version确认 Python 3.8升级 Python 或使用虚拟环境脚本只用标准库无需额外依赖如果 AI 工具加载了 Skill 但没有自动调用可以检查SKILL.md中的description是否包含足够精准的触发词。例如把“评估自动化潜力”这样的关键词写进描述AI 在遇到相关提问时更容易命中。8. 最佳实践与工程建议把评估 Skill 放进实际工作流有几个建议可以提升实用性。8.1 先梳理任务清单再批量评估不要评估一个任务就做一个自动化。更好的做法是先列出你一周内所有重复执行的任务可能包括数据整理、报表发送、状态更新、代码检查、文档归档等。然后用examples/example_tasks.json的格式把任务描述和初步评分录入一次性跑完再按照总分从高到低排序。这样排出来的 Backlog 才是真正的优先级列表。8.2 让 AI 辅助打分但人工校准关键项在集成了 Skill 的 AI 工具中你可以直接把任务描述发给 AI它会在SKILL.md的指导下打分。但regularity、judgment_needed和compliance_risk这三个维度强烈建议人工确认。AI 可能不了解你的业务例外情况也可能低估合规风险。自动化是放大工具如果底层流程本身混乱放大后只会更混乱。8.3 定期更新权重和阈值不同阶段、不同团队的自动化重点不一样。早期可能关注“快速见效”高频、耗时多的任务权重应该调高后期关注“稳定性”规则化程度和出错代价的权重应该提高。建议每个季度审视一次config.json结合前三个月的自动化收益来调整。8.4 输出结果要进入执行流程而不是停留在报告评估报告只是开始。对于高潜力任务下一步要拆解业务流程找到可自动化的节点。比如“每日销售数据汇总”包含数据导出、数据清洗、自动制图、邮件发送四个环节可以先做数据导出和清洗的自动化人工保留邮件审核。这种渐进式自动化比一口气改造完整流程更稳妥也更容易得到业务团队的支持。8.5 安全边界与合规提醒自动化越深入越要关注权限和数据边界。如果脚本需要读取数据库或调用外部 API务必使用最小权限原则只赋予完成任务所需的最少权限。对于涉及用户数据、财务数据或敏感审批的任务必须确认是否符合公司合规要求。本文中的compliance_risk维度得分一旦偏低建议直接冻结该任务的自动化计划先让合规团队确认再继续执行。在工程层面建议把 Skill 目录纳入版本管理。这样评分标准、脚本更新都有历史记录团队成员可以基于同一套规则协作。config.json的变更也应该走评审流程避免有人为了“让某个项目通过评估”而篡改权重。9. 总结与后续学习方向这篇文章的核心观点是自动化的难点不在工具层面而在决策层面。我们通过一个可拆解、可执行的“自动化评估 Skill”把“这个工作值不值得自动化”这样模糊的问题转化为七维度评分、加权计算、阈值判断的标准化流程。这样做的好处是评估标准不会因为个人经验不同而漂移所有人都能基于同一套逻辑得出可比较的结果。你可以在本地复用这篇文章里的完整代码也可以把整个目录放进支持 Skill 的 AI 工具中让 AI 在对话中直接调用。当你面对一堆待办任务时先用这个 Skill 打出自动化潜力分数再对高分任务制定自动化方案会明显减少“工具装了不用”或者“脚本写了一堆但都不落地”的局面。下一步建议你去收集自己团队或个人真正高频、耗时的 10 个任务按本文的 JSON 格式录进去跑一次批量评估。如果其中某个高分任务正好是你最近在处理的项目那就顺势把自动化方案设计出来。工具是放大器方向和判断才是杠杆。这个评估 Skill 就是帮你找到杠杆位置的第一块地图。