大模型进企业，第一道坎是数据。不是数据不够，是数据"用不上"。

企业数据有几个特点：分散在多个系统里、格式各异、权限复杂、更新频繁。一份技术文档可能同时存在于项目管理系统、文档库、邮件附件和即时通讯记录中，版本不一，权限各异。大模型直接读取这些数据，既容易越权，也容易拿到过期信息。

Skill 机制的思路是：不让大模型直接接触原始数据，而是让它调用封装好的能力单元。每个 Skill 负责一个具体动作——检索文档、提取元数据、比对版本、生成摘要、执行审批。Skill 内部处理权限校验、数据格式转换、版本一致性，对外暴露简洁的调用接口。

这样设计的优势有三点。

第一，安全可控。Skill 运行在预定义的安全边界内。一个"合同检索"Skill 只能访问合同库，且遵守用户的文件夹权限。即使大模型被注入恶意指令，也只能调用已授权的 Skill，无法突破边界。

第二，数据就绪。企业数据不是为 AI 准备的。PDF 扫描件需要 OCR，视频需要抽帧，表格需要结构化，这些预处理由 Skill 完成。大模型拿到的是干净、结构化、有上下文的输入，输出质量自然更高。

第三，行为可审计。每次 Skill 调用都留下日志——谁调了什么、访问了哪些数据、做了什么操作。这对企业的合规要求至关重要。大模型的"黑箱"特性让人担忧，但 Skill 的调用链是透明的。

技术实现上，Skill 需要统一的注册发现机制、参数校验、错误处理、并发控制。更复杂的场景需要 Skill 编排——多个 Skill 按序执行，前一个的输出作为后一个的输入。一次"生成竞品分析报告"的调用，背后可能是"检索资料→提取要点→数据可视化→排版输出"的完整流水线。鸿翼 OpenContent V9 在这个方面提供了完整的基础设施：ApiKey 身份准入确保只有合法调用方接入，文件夹内容边界限制了 Skill 的数据访问范围，操作审计让每一步调用可追溯。

大模型是企业 AI 的大脑，Skill 是手和眼。没有后者，前者再聪明也摸不到企业的真实数据。