你有没有过这种经历：花了两天做调研，数据堆了一堆，结论其实很清晰，但要把这些写成一份领导愿意看的简报，反而卡住了。不是内容不够，是不知道怎么砍。
说实话，这个问题比“没东西写”更折磨人。你知道答案在哪，但每次打开文档，第一行就是改不出来的。你改了三版，最后领导扫了十秒钟，问了一句“所以核心结论是什么？”，那一瞬间你就知道，这稿白写了。
executive-briefing 这个 Skill 干的恰恰就是这件事。它不是一个“帮你写文章”的工具，它是一个强制你按高管阅读习惯来组织信息的框架。从 Anthropic 的 claude-agent-sdk-demos 仓库里长出来的，挂在 Smithery 上，32 次安装，看着不多，但翻了一圈社区反馈，用过的人几乎都在说同一句话：“早该有这种东西了”。
说简单点，这篇文章就是把它的核心逻辑拆开看看：为什么这个 Skill 不是又一个“模板套壳”，而是一个真正理解了“向上沟通”底层规则的产物。如果你也经常被要求“写一份简要汇报”，读完应该能少踩不少坑。
环境准备
这个 Skill 的获取门槛低到几乎没有。它不是一个独立应用，是一个 SKILL.md 文件，放在 Claude Code 或其他支持 Agent Skills 的工具里就能用。来源是 Anthropic 官方的 claude-agent-sdk-demos 仓库，属于 research-agent 这个 Demo 的一部分。
# 从 Smithery 直接安装
npx smithery install anthropics/executive-briefing
# 或者从 GitHub 手动获取
git clone https://github.com/anthropics/claude-agent-sdk-demos.git
# Skill 文件路径: research-agent/.claude/skills/executive-briefing/SKILL.md
前置条件很简单：需要一个支持 Agent Skills 的 AI 编程助手：
-
Claude Code -
Cursor -
Windsurf
没有额外的 API Key、数据库或者花里胡哨的配置。本质上就是把一个 SKILL.md 丢到对应目录，AI 自动识别激活。
验证是否生效也很直观。随便开一个对话，说“帮我写一份 executive briefing”，如果 AI 自动切到了 BLUF 格式输出，那就是装好了。从社区反馈来看，这一步几乎不会卡，因为它依赖的是 Skill 框架的标准触发机制，不是你手写配置。
操作流程
这个 Skill 的工作方式不复杂，但跟一般的“写作助手”有本质区别。它不是接住你的指令然后自由发挥，而是把你拽进一个固定的六段式结构中，你必须填每一栏，没得跳过。
核心框架叫 BLUF，Bottom Line Up Front，直译就是“结论摆最前面”。做过管理沟通的人都懂这个道理，但真落实到文档里，大部分人还是忍不住先铺垫背景、再展开分析、最后才给结论。这个 Skill 直接把这个顺序锁死了。打开模板第一栏就是 BOTTOM LINE，只给你两到三句话的空间，写不完就砍。
接下来是 KEY FINDINGS，三条核心发现，每条必须带数据点。不是“用户增长不错”，是“用户增长 23%，主要来自自然搜索”。空话塞不进去。
然后是 IMPLICATIONS 和 RECOMMENDED ACTIONS 两栏。前者回答“这意味着什么”，后者回答“谁来做什么、什么时候做完”。这两栏的设计很聪明，它把“分析”和“行动”切开了。很多汇报的毛病就是分析了一堆，行动部分却含糊其辞，或者反过来，提了一堆行动但没说清楚为什么。分开写强制你把两件事都想清楚。
倒数第二栏是 RISKS & CONSIDERATIONS。这一栏很多人会跳过去或者敷衍一下，但恰恰是这里最体现简报质量。高管看简报的时候，通常不会逐字读你的分析，但风险点一定会扫。你写“无重大风险”等于没写。你写“核心风险是竞品可能在 Q3 降价，目前我们的应对方案还没定”，这就是一个有信息量的风险。
最后一栏是 Sources 和 Contact。不啰嗦，只写关键来源和对接人。整份简报的结构设计有一个统一逻辑：每一栏都在回答高管脑子里会冒出来的那个问题，不多不少。
关键设计
拆开这个 Skill 的设计，几个决策挺有意思的。
最值得说的是 Confidence Indicators，也就是置信度标注。HIGH CONFIDENCE、MEDIUM CONFIDENCE、LOW CONFIDENCE 三档，每份简报必须标明。这个设计解决了一个真实的管理痛点：高管拿到一份简报，怎么判断这些信息能多大程度作为决策依据？如果没有置信度标注，所有内容看起来都是同等可信的，而这恰恰是最危险的。
举个例子：一份关于竞品动向的简报，如果你的信息来源是公开财报和官方博客，标 HIGH CONFIDENCE。如果来源是猎头反馈和行业传闻，标 LOW CONFIDENCE。这个标注本身就是一个信号，它告诉决策者“这部分你可以直接拍板”“这部分需要再核实一下”。从架构推断，这个设计背后是一个清晰的判断：AI 辅助沟通的难点不是生成内容，是管理信息的不确定性。
数据呈现规则也经过了精心设计。数字必须取整，用“$2.3M”而不是“$2,347,892”。必须跟基准对比，必须标注变化方向。这些不是审美偏好，是认知心理学级别的设计。人脑处理精确数字和取整数字的方式完全不同，精确数字会触发“核对”的心理反应，取整数字触发的是“理解”。高管简报的场景下，你要的是理解，不是核对。
还有一个细节很容易被忽略：这个 Skill 拒绝被动语态。不是“建议”拒绝，是“禁止”。所有推荐行动必须用主动语态写：“张三负责在 9 月 15 日前完成竞品定价分析”，而不是“竞品定价分析应在 9 月完成”。这个要求的背后逻辑跟 BLUF 一样：高管要的是可执行的指令，不是模糊的意向。被动语态恰恰是最擅长模糊化责任归属的语法结构。
使用场景
这个 Skill 最适合的场景有三个，覆盖了绝大多数“需要向上汇报”的情况。
第一个是业务异常汇报。典型的触发场景包括：
-
收入异常下滑 -
用户大规模流失 -
核心系统故障
传统做法是一个 Slack 消息加一个表格，信息零散，领导要自己拼图。用 BLUF 格式，你上来就给结论：“Q3 收入缺口约 $1.2M，核心原因是 3 个 Top 客户延迟续约”。然后才是发现、影响、行动。从社区反馈来看，这是目前用得最多的场景。
第二个是周期性管理汇报：
-
周报 -
月报 -
季度复盘
这些最容易写成长长的流水账。这个 Skill 的一页纸约束直接卡死了膨胀空间。你写了半页发现塞不下了，自然就会砍掉那些”做了 X、推进了 Y、优化了 Z”的信息噪音。
第三个场景容易被忽略但非常实用：把 AI 的分析结果转化为管理层能看懂的东西。比如你让 Claude 跑了一份竞品分析，输出可能有十几页。把这十几页喂给加载了 executive-briefing 的 Claude，让它按六段式重写一遍，出来的就是一页纸的决策备忘录。这比你自己从十几页里摘重点快得多，而且格式是标准化的，领导看完就知道去哪里找更多信息。
场景边界也要说清楚。不适合纯技术汇报，不适合需要大量图表佐证的数据分析报告，也不适合需要多方博弈的提案文档。它解决的是“信息压缩 + 格式标准化”的问题，不是“信息创造 + 说服论证”的问题。
洞察与反思
翻完这个 Skill 的 SKILL.md，有一个感受越来越强：最好的工具往往不是技术最复杂的那一个，而是对一种工作习惯理解最深的那一个。
这个 Skill 只有 70 行 SKILL.md，没有调用任何 API，没有依赖任何数据库，没有复杂的配置项。它做的事情就是定义了一个结构、一套规则、几个禁止项。但就这点东西，切进了一个被大多数 AI 写作工具忽略的刚需：不是“写得好”，是“写得对”。写得对的意思不是语法正确，是信息组织方式跟读者的决策习惯对齐。
这让我重新想了一个问题：AI 辅助写作这件事，真正的瓶颈到底在哪？至少在这个场景下，瓶颈不是模型的文字生成能力。Claude 本身就能写出各种风格的文字。瓶颈是缺少一个外部约束结构，强制模型按照特定受众的认知模式组织信息。BLUF、置信度标注、主动语态禁令，这些都是在说同一件事：你不是在写文章，你是在做决策支持。
从更大的视角看，这是 Agent Skills 生态里一个很有意思的方向。大部分 Skill 都在帮 AI 做更多的事，调用更多工具、处理更复杂的工作流。executive-briefing 反其道而行，它在限制 AI 的行为方式。它不是加能力，是加约束。这种“减法型 Skill”在目前的生态里还很少，但从这个 Skill 的设计质量来看，它可能才是 AI 辅助专业写作的真正突破点。
资源地址
| 资源 | 地址 |
|---|---|
| Smithery 安装页 | https://smithery.ai/skills/anthropics/executive-briefing |
| GitHub 源码仓库 | https://github.com/anthropics/claude-agent-sdk-demos |
| Anthropic Agent Skills 文档 | https://platform.claude.com/docs/en/agents-and-tools/agent-skills/overview |
总结
如果你每周至少有两次需要向上汇报，不管是邮件、文档还是 Slack 消息，花十分钟把这个 Skill 的框架记住比花十个小时学写作技巧有用。它不是让你写得更好，是让你不再在“怎么写开头”上浪费一个小时。
退一步看，这个 Skill 背后有一个更大的启示。AI 辅助写作走到现在，拼的已经不是模型能吐出多漂亮的文字了。拼的是能不能在正确的时间，用正确的方式，把正确信息塞进正确的结构里。这个 Skill 只做了结构这一层，但做得很彻底。
说真的，32 个安装量对这个 Skill 来说是严重低估。它可能比那些成千上万安装量的“写作助手”更值得试一次。不是在工具层面，是在工作方法层面。