本文部分内容由 灵犀Claw 辅助生成，但内容100%真实

我遇到的痛点

作为培训师，很多培训结束后有三件事必须做：

1. 校对录音稿：语音识别的逐字稿满篇错别字，"分列"变成"分裂"，"股价图"变成"骨架图"，"KOS认证"变成"cos认证"……这些术语错误如果不修正，学员拿到手的校对稿就是一本"错别字大全"

2. 整理知识点：把几万字的口语化讲课内容，提炼成结构化的知识点文档，方便学员复习

3. 生成考试题库：根据知识点出单选题、多选题、判断题、主观题，覆盖所有考点

这三步是串行的——先校对，再整理知识点，最后出题。一堂2小时的课，课后整理少说也要6-8小时。

我做了什么：四个技能，一条流水线

我用灵犀Claw端的自定义技能功能，把这三步分别封装成独立技能，再用一个"编排技能"把它们串起来。最终效果：

下面展开说说每个技能是怎么设计的。

技能一：录音稿校对（lecture-transcript-proofread）

它做的事：把PPT课件作为"标准答案"，逐段对照录音转文字稿，找出语音识别错误并修正。

创建这个技能的第一轮对话

几个关键设计：

正词表机制。我维护了一个共享的术语正词表（目前已积累80+条），包含WPS功能名（定位到空值、分列、伴写）、快捷键（Ctrl+G、Alt+=）、品牌名（KOS认证、灵犀）等5大类。每次校对自动加载正词表做候选匹配——比如正词表里记录了"分列"经常被识别成"分裂"，校对时就会重点关注这个错误。

上下文验证。不是简单的查找替换，而是结合上下文判断。"分裂"在数据处理语境下应该改成"分列"，但在其他语境下可能不需要改。每一处修正都必须看前后文才能决定。

排除规则。有些内容看起来像"错误"，但其实不应该改：

• 讲课人复述学员的答案——那是学员说的，保留原样

• 讲课人重复强调同一句话——那是教学行为，不是口误

• AI生成的摘要段落——跳过不校对

这些规则是我用了十几次之后逐步补充的，每发现一次"改错了"，就加一条规则。

人机协作。拿不准的修正项会展示原文上下文让我确认，比如：

待确认项

不是一通乱改，该问的必须问。

输出什么：

• 校对后的DOCX文件（干净可用的讲课稿）

• 勘误表XLSX（6列：段落定位、原文、校对后、上下文、错误类型、是否入正词表）

• 每次校对发现的新术语，经我确认后自动追加到正词表，下次校对会更准

实际效果：一次2小时课程（约3万字），校对通常3-5分钟完成。而且正词表越积累越聪明，新课程的校对速度还在持续提升。

技能二：知识点整理（lecture-knowledge-points）

它做的事：把校对后的口语化讲课内容，整理成结构清晰的知识点文档。

这个技能要解决的核心问题是：讲课是口语化的、跳跃式的、夹杂大量互动和闲聊的，怎么变成一本"能给学生当复习资料"的文档？

几个关键设计：

去口语化但不丢信息。自动过滤课堂互动（"来，这个同学说一下"）、闲聊、考试通知等非教学内容，但保留所有实质性的知识点，不遗漏也不自行添加。

结构还原。根据讲课内容自动分章分节，优先使用讲课中提到的章节名（而不是AI自己编的标题），只在必要时微调顺序让结构更合理。

操作步骤标准化。用箭头串联操作步骤，比如：

一看就会，不用读大段文字。

初始对话

灵犀回答

我的纠偏

达成目标

正词表护航。整理过程中同样加载正词表，确保输出中没有残留的语音识别错误。校对稿中可能遗漏的个别错误，在知识点整理这一步还能再兜底。

输出什么：

• 格式规范的DOCX知识点文档（微软雅黑、分级标题、编号知识点），每个知识点都有简洁的名称和操作说明

实际效果：2万字校对稿 → 约40-50条结构化知识点，5-8分钟完成。

技能三：题库生成（exam-from-knowledge）

它做的事：根据知识点文档，自动生成覆盖全部考点的结构化题库。

这个技能是我花心思最多的。出题不是"把知识点改成疑问句"那么简单。

几个关键设计：

四种题型全覆盖：单选题（4选项）、多选题（5选项）、判断题、主观题。不同类型的知识点自动匹配最适合的题型——概念记忆类出单选/判断，操作步骤类出单选/多选，易错点出判断，需要分析决策的出主观。

100%知识点覆盖。每个知识点至少出1道题，每个章节至少涉及全部4种题型。不会出现"某个知识点完全没考到"的情况。

判断题专门挑易错点。这是我觉得设计得比较巧妙的地方。判断题不是随便找个知识点问"对不对"，而是专门找"看起来对但其实错"或"看起来错但其实对"的知识。比如：

这种题才能真正检验学员的理解深度。

主观题给评分要点，不给标准答案。比如给出一个业务场景让学员分析推荐图表类型，评分要点是"选对图表类型（2分）+ 说明理由（2分）+ 操作步骤正确（6分）"，允许多种合理表述。

答案随机分布。同一章内A/B/C/D作为正确答案的出现次数大致均等，不会出现"正确答案全选C"的敷衍感。

输出什么：

• DOCX题库文档（按章节分组，含题目、答案、解析、难度系数、知识点标签）

• XLSX结构化表格（12列，方便筛选组卷）

• 支持三种模式：仅题目、题目+解析、仅答卷（可直接打印发给学生）

实际效果：40条知识点 → 约60-80道题，3-5分钟完成。

技能四：全流程编排（lecture-full-pipeline）

上面三个技能是独立可用的，但每次课后我都要手动挨个调用，还是有点烦。于是我做了第四个技能——编排层，把三个子技能串成一条自动流水线。

它做的事：一键启动，自动按顺序执行校对→知识点→题库三步。

几个关键设计：

一次确认，全程自动。启动时展示所有参数（文件路径、题型范围、难度偏好、输出位置等），我确认后它就自己跑完三步，中途不再打断我。这很重要——如果做到一半弹出来问我一个问题，我又被打断了。

智能归档。自动从文件名中提取日期、培训单位、课程主题，创建"日期-单位-主题"格式的归档目录。比如：

所有产出文件统一存入，不用我自己整理文件夹。

灵活组合。不一定每次都要跑全流程。如果已经有校对稿了，可以选"跳过校对，直接知识点+题库"；如果只需要出题，可以选"仅题库"。每个子技能都可以单独用，也可以自由组合。

正词表统一确认。三个子技能各自发现的新术语，不会每步都打断我确认，而是统一汇总到流程最后一次性展示。比如：

输出什么：一次全流程跑完，产出5个文件：

全流程15-20分钟搞定，以前要一整天。

一张图看全貌

开发过程中的几个关键设计决策

决策一：正词表共享机制

这是整套工具链最核心的设计。四个技能全部引用同一份正词表，格式是7列结构：

为什么这个设计重要：语音识别的错误是有规律的。"分列"总被识别成"分裂"，"股价图"总变成"骨架图"。第一次校对修正后入库，后面所有课程自动受益。正词表从0条到80+条的过程，就是我的AI助手"越来越懂我"的过程。

决策二：人机协作，不是全自动

灵犀能做很多事，但我刻意保留了人工确认环节。我的原则是：

拿不准的修正→问我。新正词入库→问我。参数设置→启动前一次确认。这种模式比"全自动"更可靠，也比"全手动"快25倍。

决策三：排除规则比修正规则更重要

校对录音稿时，我花了很多时间定义"什么不该改"：

• 讲课人复述学员答案——不改，保留学员原始表述

• 讲课人口头强调同一句话——不改，那是教学行为

• AI生成的摘要段——跳过不校对

• 标点符号混用——批量处理，不入正词表

这些规则让校对的准确率大幅提升，避免了"改对了术语但改错了意思"的问题。

决策四：技能分层设计

四个技能的依赖关系：

编排层只负责"什么时候做什么"，不重复子技能的处理逻辑。每个子技能也可以独立使用。这种设计让技能既灵活又好维护——改校对逻辑只需要动校对技能，不会影响其他技能。

使用效果和数据

天知道我今天一天完成了近20个课件录音稿的处理！就是一拖一放，然后让灵犀加班加点，我自己做别的！两块电脑屏幕，一块专门放灵犀的界面，丝毫不受影响！

但最重要的不是速度，而是质量和一致性：

• 校对稿没有遗漏，每处修正都有勘误记录可追溯

• 知识点覆盖完整，不会因为"做到凌晨3点太困"而漏掉某个知识点

• 题库覆盖全部考点，难度分布合理，解析详细到可以直接当参考答案

给想上手的朋友的建议

如果你想做类似的技能

1. 从真实痛点出发。我是因为每天真的要校对录音稿才动手做的，不是为了炫技。有真实使用场景，技能才会越用越好

2. 先做最小可用版本，再迭代。我的第一个校对技能很粗糙，只做了简单的查找替换。用了几次后发现需要上下文判断、排除规则、正词积累，才一步步迭代到现在

3. 善用"编排技能"把复杂流程拆开。灵犀支持技能之间的串联调用，复杂流程拆成多个独立技能再用编排技能串起来，每个都可以独立用也可以组合用

4. 保留人工确认环节。关键节点让人把关，比追求全自动更实用

5. 积累你的"正词表"。不管做什么领域，一定有"AI总是搞错但你有标准答案"的东西。把它结构化地存起来，越积累越有价值

如果你还没用过灵犀的自定义技能

灵犀Claw端（本地桌面助手）的自定义技能功能，本质就是让你可以教AI一套标准工作流程。你用自然语言写下"遇到什么情况→按什么步骤→输出什么格式"，灵犀就会按你定义的流程执行。不需要写代码，只要你能把工作流程说清楚，就能做成技能。

写在最后

这套工具链解决的问题很具体——培训师课后整理的效率问题。但背后的思路是通用的：把你工作中重复性的、有规律可循的流程，教给AI去做，你只负责把关和决策。

灵犀给我的感觉不只是"问答工具"或"文档处理工具"，更像是一个可以持续进化的工作伙伴。你教它的东西越多，它就越好用。正词表从0条到80+条，校对规则从3条到十几条，排除规则从0条到6条——这些都是它在"长经验"。

如果你也是培训师、内容创作者，或者任何需要反复处理类似流程的工作者，希望这篇分享能给你一些启发。

有问题欢迎交流，我也在不断迭代优化中。

最后的最后，这个贴子也是灵犀写的，我就检查了一下，然后贴了几张图。然后发现字数超了，把代码块换成了图片，哈哈哈哈哈哈哈哈哈

最后的最后的最后，我想再多说一句：

内容可以AI生成，品质需自行把控！

技能可以AI创建，调试得步步迭代！