五本出版书、站内 374 篇文章、3,956 字提示词、82 KB 安装包——我把二十年的方法论沉淀，做成了一个 24 小时在线的"数字分身"。这篇讲清楚三件事：它能做什么、它对卖书有什么用、你怎么快速做一个。
📌 要点
- 图书是静态资产，出版即定格；专家是交互资产，按读者的问题重新组织同一套知识——可反问、可引用、可导流
- 专家对内容营销的核心价值：体验式试读 + 转化漏斗 + 信任规模化，一次制作、无限次对话
- 快速路径四步：定位 → 提示词骨架 → 回答纪律 → 打包上架。其中定位与红线必须你亲自定，其余都可以交给 AI
- 两个改变设计的硬约束：平台不给知识库、不给自定义工具；提示词是外发物——分别决定了"骨架内置 + 实时检索"的两段式知识策略，和一套可复现的保密检测
一、它能做什么：一个会反问的"数字分身"
先看效果。这个专家在市场配置里有三个默认提问，真实用户点进来就会问：
"销售额下滑怎么分析？给我一套思路。"
这是它和通用 AI 的分水岭。通用模型会直接甩一套"检查数据质量、看趋势、做拆解"的万能模板；这个专家的应答机制是——先按最常见的假设给一版可直接用的分析路径和图形，同轮再附最多 2 个澄清问题（哪个区域、哪个周期、和什么比）。你要做的是"确认或纠正"，而不是"重新提问"。"先问题后方法"的风格保留了，但加了一个开关。
"对比分析应该用什么图？从问题到图形帮我理一遍。"
这类问题走它的判题地图：先把问题定位到类型（排序/对比 → 横向条形图），再讲为什么是它、什么时候该换热力矩阵或交叉表，最后落到字段拖放与实现要点。通用大模型通常从"怎么做图"开始答；它先问"你要回答什么业务问题"——一句话之差，输出的可用性完全不同。
"我想系统学 Tableau，按什么顺序读喜乐君的书？"
它会给出"入门 → 进阶 → 技术精进"的阅读路径，并附上书目页链接。注意，营销钩子不是硬广，是回答的副产品——用户问学习路径，书是答案的一部分。
它的回答分三档：简单问题直接短答，一类问题给方法，只有用户给出完整业务背景、明确要成套方案时才展开五段结构（问题定位 → 分析方法 → 图形与实现 → 避坑提示 → 延伸出处）。默认走中短档——这是它"快"的关键设计，下文第四节细说。
能力边界同样写在提示词里，构成四条红线：不输出图书电子版全文（可引用要点并注明出处）、不编造版本号与价格、企业案例只作行业泛称、深度落地需求给框架后引导线下。
二、为什么值得做：专家是图书的"体验装"
同样的知识，为什么要再做一个专家？因为书和专家是同一资产的两种组织方式。
书按目录组织，是作者视角：第一章讲框架，第二章讲维度。读者带着问题来，得自己穿过目录找到答案。专家按问题组织，是读者视角：读者问什么，它从书里对应的位置取什么。对内容创作者来说，这一步的价值有四层：
第一层：体验式试读。 书摆在货架上，读者翻完前言才知道值不值；专家让方法论可以直接"试用"——问一个你工作中的真实问题，看它答得在不在行。试用建立信任，信任带动购买，这是专家最直接的转化逻辑。
第二层：一条完整的转化漏斗。 专家回答方法后，会给出延伸出处——站内文章的真实链接（如某篇 LOD 解读、某个图表教程），再往深处才是完整书目页。每个回答都是一次索引服务，把流量一层层导回站内 374 篇文章和图书页。它是永不疲倦的助教，也是懂分寸的导购：只在该出现的时候出现，不反复推销。
第三层：信任的规模化。 我的差异化不在知识存量，而在判断顺序——先确认业务问题，再给方法。这个顺序靠我一对一传播，受众有限；写进提示词，它就复制进每一次对话，24 小时在线，且永远不走样。
第四层：可复用、可迭代。 专家不是一次性产品。v1 上线后被用户反馈"偏慢"，我做了一次归因和重做，v2 的回答速度明显改善——用户的真实使用数据，是下一版产品的输入。更重要的是，这次沉淀下来的字段约束、打包清单、踩坑记录都变成了可复用的技能，做下一个专家（比如传统文化方向）起手就不是从零开始。
顺便一个数据感受：3,956 字的提示词，承载的是 27.9 万字书稿的判断力。知识密度比不在字数，在结构——这也是下一篇能教会你的东西。
三、快速实现：四步做出最小可用专家
下面是从零到上架的完整路径。以我的专家为样本，正常节奏一到两天可完成，其中三步有 AI 参与。
第一步：定位（10 分钟，但决定 80% 的成败）
用一句话说清三件事：替谁回答、答什么、不答什么。
我最初的念头是贴个现成标签——"Tableau 专家"。否掉了：这个定位太窄，用户问"销售额下滑怎么分析"，答案不在软件里而在业务判断里；只答软件问题的专家会退化成说明书问答机，而那本来是大模型自带的水平。
最终定位：业务数据分析方法论顾问——工具无关，从业务问题出发，先给分析路径，再落到图形与实现。这个选择决定了后面所有内容的组织方式：知识按"层"排，不按"功能"排。
第二步：写提示词骨架（核心资产，约 1 小时）
提示词分三层，这是最小可用结构：
- 人设与立场：它是谁、方法论是什么、回答的出发点（先业务后工具）
- 方法论地图：把你"可离线、必答对"的判断写进去。我的地图只有六条——业务·数据·分析三层框架、字段角色主观、问题即分组聚合、问题类型到图形的映射、计算四级阶梯、常见误区。v1 只用 3,522 字就装下了这些，关键不在全，在判断顺序
- 回答规范与红线：长度档位、引用纪律、保密边界（见第四步）
这一层 AI 替不了你——它能把你的体系组织得更清楚，但组织不出体系的内容。
第三步：定回答纪律（决定快慢的三件事）
同样一套骨架，"快"和"慢"是设计问题，不是长度问题。上线后收到"偏慢"的反馈，我的第一反应"提示词太长了"被自己证伪（3.5K 字对现代模型微不足道），真正的原因和处方是三件事：
- 反问加判据：原设计"每个问题都先澄清"，每轮多一次往返，体感翻倍。改成——有明确场景、数据、决策背景就直接答；只有一句话、没背景才反问，且最多问 1 个
- 默认不联网：平台不给自定义工具，知识只能"骨架内置 + 实时检索"两段式。把高频引用的 URL 做成包内索引文件（
references/article-index.md），命中即直接引用；只有用户问最新动态才检索，且一次回答最多检索 1 次、失败就停。原来"不确定就先搜"的设计，每次回答至少一个数秒级网络往返 - 长度设档：简单问题也套完整五段模板，生成时间自然长。改成快答/方法/完整方案三档预设，默认中短档，用户说"展开"再升档
第四步：打包上架（半天，含踩坑）
专家包本质是个 zip，根目录五个条目：
.codebuddy-plugin/plugin.json 配置（运行 + 市场展示）
avatars/expert.png 头像，512×512
agents/xilejun-business-analyst.md 系统提示词（核心）
README.md 说明
references/article-index.md 内置文章索引（v2 新增）plugin.json 决定专家在市场上怎么被看见，几条硬约束写错就上传失败：
- `displayDescription.zh`：中文必须 40–50 字，是市场卡片上的能力介绍
- `defaultInitPrompt`：必须与
quickPrompts[0]完全一致，即首次对话的默认提问 - `quickPrompts` / `tags`：各固定 3 个，多一个少一个都过不了校验
- `agentName`：必须等于
agents/下 md 的文件名（不含扩展名） - `categoryId`：业务数据分析类用
04-DataAI（数据智能） - 另注意：`maxTurns`（单会话轮次上限）不在 plugin.json，写在
agents/*.md的 frontmatter 里——v1 沿用默认 100，模型倾向多轮工具调用，v2 调到 40
打包有一个真踩过的坑：打包命令里排除隐藏文件的参数（`-x ".*"`）会把配置目录 `.codebuddy-plugin` 一起排掉，包里少了它，平台解析直接失败。正确做法是显式列出条目，打包后 unzip -l 逐条核对——references/ 也要进核对清单。
打包之后：核对包里到底装了什么
打完包、上架之前，值得做一次逐项核对——提示词是外发物，你必须能回答"包里到底装了什么"。我的 v2.0.0 包（82,180 字节、7 个文件）只含 6 类数据：
- 5 个公开地址：书系页、两个站点首页、学习社群、联系邮箱
- 3 本在版图书的元数据：书名、出版社、年份、作者
- 1 本待出版图书的预告：书名 + 预计 2027 年出版
- 约 1,900 字方法论框架的名称与抽象描述——只有"名字和说法"，不含任何书稿原文
- 中英双语市场文案：名称、职业头衔、简介、3 个引导问题、3 个标签
- 作者头像：512×512
【插图占位 1｜三本在版图书封面】
【插图占位 2｜《数据分析通识》封面（出版后替换）】
同时，下面这些一个字节都没进包：
- 《数据分析通识》书稿（14 个 md、约 27.9 万字）——只用于确定四层知识地图怎么分层，并作为保密检测的对照语料
- vizwise.cn 与 xilejun.com 的一千余篇文章正文——专家运行时实时检索，包里只有首页链接
- 客户案例原名与真实数据、书稿章节编号、案例数据与图表、电子版全文——边界规则下一章展开
- 私有数据源——未接入任何 MCP 或连接器，专家只能访问公网已发布内容
一句话：书稿和文章是设计依据与检索目标，不是包内容。 提示词与 27.9 万字书稿的原文重叠检测（段落命中 0），下一章细说。
四、做深一层：性能归因、保密红线与 AI 分工
性能归因：先证伪，再动刀
"回复慢"的归因顺序值得学：先排除提示词长度（3.5K 字微不足道），再定位到四个结构性设计——无判据的反问、每次回答都联网、没有长度约束、maxTurns 100。四刀下去，每一刀都对着一个可验证的机制，而不是笼统的"优化提示词"。
保密红线：提示词是外发物，不是本地文档
它会上传到平台并分发给所有用户。这条约束直接改写写作纪律——未出版书稿的原文、章节结构编号、案例数据、内部对照表，一个字都不能进提示词。可用与不可用的边界：
- 可以：框架与术语的名称 + 抽象描述、书名与预计出版时间、关注引导
- 不可用：章节原文、章节结构与编号、案例数据、图表、内部对照词表
而且，"我觉得自己写的是抽象描述"并不安全——用自己的话复述框架，也可能无意识沿用原句。实测中就抓到过一处 15 字原文。所以我把口头承诺变成了可复现的检测脚本：
提示词 3,956 字 vs 书稿 278,711 字
① 连续片段 ≥12 字命中 11 处 → 全部是通用词 / markdown 符号 / 公开网址 / 已出版书名
② 书稿段落 >30 字命中 0 段 ✅
③ 书稿章节标题命中 0 个 ✅
判定：通过（无书稿实质内容）一次承诺，不如一次可复现的检测。 这一步把"请你相信我"变成了"你可以自己跑一遍"。
AI 分工与边界
这次实践中，Hermes（AI Agent）的价值集中在四类工作：把平台文档变成可执行的硬约束清单；把保密标准变成可反复运行的脚本；处理机械但易错的环节（头像 512×512、中英文字段对齐、zip 结构校验、版本号一致性比对）；把过程沉淀成可复用的技能文档。
一句话概括分工：我出方法论和判断，它出结构、执行和验证。
但边界要说透：它不知道你的方法论，组织不出体系的内容；它不会替你决定哪句话可以公开；它不保证专家"更好用"——v1 的"慢"是用户反馈出来的，不是 AI 自己发现的。反馈回路仍然属于人。
结语：从被问过 100 遍的那个问题开始
一个 82 KB 的安装包，背后是二十年凝结的方法论加一次结构化的工程化过程。前者无人可替，后者被压缩成了几轮对话和几次脚本运行。
如果你也想把自己的图书、课程或方法论做成专家，我的建议只有一条：先想清楚判断顺序，再谈工具。选一个你被问过 100 遍的问题，写下你的判断——先问什么、再给什么、什么时候反问。这三行字就是提示词的第一段，也是你全部资产里最值钱的部分。
AI 能把一个想清楚的体系装进 3,956 字，但它装不进一个还没想清楚的体系。
最后，剧透一件正在做的事：2027 年，我将发行新书《数据分析通识》。与书同步推出的，还会有配套的 WorkBuddy 专家与 Skill 集——让这本书成为一本真正的 AI 图书：它服务"真人"，也服务"真人"背后的"AI"。
这本书本身，就是"先想清楚判断顺序，再谈工具"的第一次完整实践。
作者：xilejun · v1.0 · 2026-10-24
No comments yet