商城网站带宽控制,做外贸没网站可以吗,自己安装wordpress,数据中台是什么意思Agent Skills 最近非常的火#xff0c;它是既 MCP 后 Anthropic 推出的又一个 Agent 领域的行业标准。 它的成长路线和 MCP 也非常像#xff0c;25 年 10 月份发布时只有 Anthropic 自家产品支持#xff0c;后来 Cursor、Codex、Opencode、Gemini CLI 等产品看到了 Skills …Agent Skills 最近非常的火它是既 MCP 后 Anthropic 推出的又一个 Agent 领域的行业标准。它的成长路线和 MCP 也非常像25 年 10 月份发布时只有 Anthropic 自家产品支持后来 Cursor、Codex、Opencode、Gemini CLI 等产品看到了 Skills 的优势于是纷纷开始支持。再后来社区开始涌现大量的开源 Skills 以及 Skills 开放市场当下大家已经默认 Skills 成为了又一个扩展 Agent 能力的标准实践。简单来说Skills 的作用就是将那些重复性的、专业的流程进行打包封装。当你需要使用某种能力时不再需要像过去那样每次都去查阅手册或重新输入冗长的提示词而是像调用工具一样直接使用。在本篇文章中我们将从浅入深和大家一起学习以下知识Skills 入门理解Skills 到底是什么长什么样怎么工作的Skills VS MCPSkills 和 MCP 的区别是什么MCP 会被淘汰吗Skills 初步尝试去哪里找 Skill怎么使用 Skill怎么自己创建一个 SkillSkills 实战使用如何用 Skills 实现外部知识检索比传统 RAG 的优势在哪Skills 安全分析Skills 的安全性如何使用它有哪些风险一、 Skills 入门理解1.1 Skills 到底是什么在传统的 AI 聊天模式中AI 的能力取决于它原本学过什么训练数据你临时在对话框里告诉它什么提示词、工具、记忆这就像你招了个什么都懂一点的实习生每次干活你都得重新教一遍。而 Agent Skills 带来了一种全新的玩法模块化能力插件。你可以把 Claude支持 Skills 的客户端想象成一个超级大脑而 Agent Skills 就是给这个大脑安装的外接工具箱。这个工具箱里不仅有工具本身还包含了详细的 “官方使用说明书”大脑不需要理解具体有哪些工具以及工具的用法是什么只需要在需要使用某个工具时查看工具说明书再把工具拿出来用。1.2 Skills 长什么样Agent Skills 的官方文档中强调了一个核心关键词File-system based基于文件系统。如果你写过代码可能很容易理解。要编写一个程序并不一定所有代码都是我们自己写的。我们可能会通过 import xxx 来引入一些外部包这些包存放在固定的位置如 node_modules。当程序需要调用这些包的能力时就会从指定文件夹取出对应的代码然后执行。Agent Skills 也是类似的逻辑每个 Skill 都是一个实实在在存在的文件夹它存放在一个固定的位置如 .claude/skills这个文件夹里装着下面几样东西指令SKILL.md 告诉 AI 怎么干活的 SOP。参考reference 更详细的参考文档可选。脚本scripts 比如 Python 代码让 Skill 也能调用外部能力可选。资源assets图片、模版等可能使用到的资源可选。如果你在你的 Agent如 Claude Code执行目录如你的项目代码目录下放了这个文件夹那下次和 Agent 对话的时候就能自动根据你的需求匹配到这个 Skill不需要再进行任何额外的配置。比如你希望 Agent 帮你润色文章就可以编写一个下面这样的 Skill上面的三根短横线部分相当于 Skill 的「身份证」name 是它的唯一标识起个简单好记的英文名字就行description 则决定什么时候会触发这个 Skill描述这个 Skills 是做什么的、遇到什么样的用户请求应该用它、提醒读者描述越具体越容易在正确场景被调用下面就是 Skill 的正文部分目标简单描述清楚这个 Skill 要做的事情使用步骤列出 Skill 的操作流程先搞清楚想要什么风格、再读原文、再改写、最后规定输出格式注意事项告诉模型「什么不要做」不要乱加内容、不要替用户做决定、有歧义要提醒看起来挺普通的似乎很多能力都可以做这件事可以把这段文字和要润色的文章直接发给大模型可以把这段文字放到系统提示词可以把这段固定的流程封装为一个 Workflow可以把这段文字编写为一个 Agent.md 或者项目级的 Rules这些方式看似不同但本质上只是把提示词放在了不同的位置你给 AI 的每次对话都会带上这些提示词。在真实的业务场景中一个 Agent 不可能只干一件这么简单的事。大家试想一下如果你要给 AI 装 50 个技能每个技能都有几千字的说明书要是系统一启动就把这些全塞进 AI 的脑子Context Window里那么就会成本爆炸每次对话可能都会消耗几万 Token。AI 的注意力也会被分散变得“这也想干那也想干”。Skill 的出现就是为了解决这种问题它有一个非常核心的机制叫渐进式披露Progressive Disclosure。说人话就是按需加载用多少拿多少。1.3 Skills 的核心机制这是我觉得 Agent Skills 设计得最聪明的地方。你可以把它想象成我们在图书馆查资料的三个步骤非常直观第一层先看目录元数据 Metadata什么时候加载 系统刚启动的时候。加载什么 只加载每个技能的名字和一段简短的描述。有什么用 这一层占用的资源极少可能就几百个 Token。它的作用就是告诉 Claude“嘿你的工具箱里有‘查周报’、‘处理 Excel’ 这几个工具哦。”结果 Claude 知道自己 “会什么”但还不知道 “具体怎么做”。第二层翻开手册指令 Instructions什么时候加载 当你说 “帮我把这个 Excel 处理一下” 的时候。加载什么 Claude 发现这事儿归 “Excel 处理” 这个技能管于是它才会通过后台命令去读取那个文件夹里的 SKILL.md 文件。有什么用 只有在这个时候那些详细的操作步骤、注意事项才会进入 AI 的脑子。第三层动手干活运行时资源 Runtime Resources什么时候加载 真正执行具体步骤的时候。加载什么参考reference 用户下达的任务可能是分析 Excel也可能是创建 Excel这两个操作可能有完全不同的处理步骤详细的步骤不一定都在 SKILL.md 中可以分开放在不同的参考文献reference下当 Claude 识别到你要做的是分析 Excel 时才会去查阅分析 Excel 的 reference。脚本scriptsSkill 中可以内置一些可执行的 Excel 处理脚本在 SKILL.md 或者具体的参考文献reference下会告诉你应该调用以及如何调用这些脚本。还有最重要的一点Claude 只需要按照指引执行脚本而脚本本身的代码是不会塞给 AI 去读的你完全不用担心一个超大代码文件会消耗 Token。这意味着一个 Skill 可以打包整套说明文档、大量的执行脚本但只要任务不需要这些内容就永远不会占用上下文。二、Skills VS MCP看到这你可能会觉得 Skills 和 MCP 有点像它们似乎都可以做到按需加载、给 AI 扩展外部能力这也是很多同学可能会弄混的问题。2.1 MCP 有什么问题在 全网最细一文带你弄懂 MCP 的核心原理 中我们介绍了 MCP 出现的意义和执行原理MCPModel Context Protocol模型上下文协议是由 Anthropic 公司推出的一个开放标准协议它就像是一个 “通用插头” 或者 “USB 接口”制定了统一的规范不管是连接数据库、第三方 API还是本地文件等各种外部资源都可以通过这个 “通用接口” 来完成让 AI 模型与外部工具或数据源之间的交互更加标准化、可复用。所以 MCP 的本质还是在做 “标准化”它让给 AI 扩展外部能力这件事更 “标准化”。假如你的 Agent 连接了多个 MCP它似乎也能实现 “按需加载”根据用户的意图决定调用哪个工具。但这个 “按需加载” 背后的代价是非常巨大的在 MCP 的架构下仅仅是“连接”这个动作就已经在透支你的额度了。这是由 LLM 的工具调用机制决定的。为了让 AI 知道它有哪些能力可用每一个连接的 MCP Server 必须在对话开始前将其所有工具的完整定义名称、详细描述、参数 Schema、使用示例一次性注入 LLM 的上下文中。每个 MCP Server 一般都会包含大量的工具比如 Github MCP 它自己就包含了 30 多个工具假如每个工具消耗 500 个 Token那只链接这一个工具就需要消耗将近 20000 Token。在真实环境下一个 Agent 不会仅链接一个 MCP Server。假如你只问了 AI 一个非常简单的问题11Agent 已经烧掉了大几万的 Token这个成本是非常恐怖的。更深层的问题在于链接过多的 MCP Server 可能导致 LLM 的 “注意力” 下降从而降低工具调用的准确性。我在之前的文章中有讲过一个专门测试 MCP Server 调用准确度的基准MCP Atlas世界最顶级的大模型都在 PK 些啥 大模型评估完全指南在这个基准中包含了 40 多个不同服务器、300 多个工具的复杂环境。模型必须自己发现合适的工具、正确调用并把多步结果汇总成最终答案。目前最强的 Claude Opus 4.5 也只能拿到 62% 的准确率这个值还会随着工具的增多而进一步下降。而我们上面讲到的 Skills 的核心机制渐进式披露 恰好可以解决这两个问题节省 Token首次链接时相比 MCP 需要将 40 多个 MCP Server 下 300 个工具全部塞进模型上下文消耗数万 Token模型只需要加载 40 个 Skills 的元数据几千 Token。提升注意力 面对几百个工具AI 很容易分心。Skills 采用的是“漏斗式”引导先通过目录判断大方向确认要干活了再加载具体的说明最后通过说明找到详细的文档和脚本最后再执行。让 AI 每次只专注于当前任务。即使是能力稍弱的模型在这种机制下也能保持极高的调用准确率。2.2 MCP 会被淘汰吗看到这你可能会问了Skills 看起来更智能、更节省资源那 MCP 会被淘汰吗结论是MCP 不会被完全淘汰但对它的需求会大幅减少首先MCP 协议层的价值不可替代 MCP 的真正价值不在于它如何把文本塞进 Prompt而在于它制定了一套标准接口。它统一了 AI 连接世界的方式。如果你是一个通用的三方平台高德地图、Notion 等想发布一个工具让其他 Agent 都能用上你的能力那首先选择的还是 MCP。但是如果你有一些重复性的工作流比如要以固定的流程读写本地文件、要用一个标准的范式来 Review 代码、有一套固定的风格来编写文章这些场景都推荐使用 Skill 来实现。在过去这几个需求中的本地文件读写、链接 Github、给文章生成图片这些需要链接外部世界的能力都得通过 MCP 去实现但现在你可以都把它们打包到 Skill 里。未来的格局可能是这样的来自宝玉老师Agent 本身内置部分核心能力bash、read、edit、write少数通用 MCP Server 负责远程连接数据库、云 API、SaaS 集成大量 Skills 负责封装标准工作流、连接本地知识库两者在必要时协作但 Skills 会承担绝大部分 “教 AI 怎么做事” 的工作这其中也包含教 AI 怎么用 McpServer、怎么用其他 Skills、怎么更好的调用核心能力三、Skills 的初步尝试3.1 去哪找 Skills和 MCP 一样Skills 成了开放标准后开始爆发式增长社区出现了大量的开源 Skills很多 Skills 开放市场也应运而生之前大部分 MCP Market 也都增加了 Skills 的分类https://skillsmp.com/我们可以看到 skillsmp 中的 Skills 数量在最近经历着爆发式增长这个增长速度要比之前的 MCP 爆火的时候还要快。这就不得不提 Skills 的另一大优点编写门槛低MCP 虽然有一套标准的规范但终究还是要靠代码编写的即便有了 AI 辅助对于小白来讲还是有一定的门槛的。而 Skills 就不一样了只要你会写提示词就能写 Skill可以预见的是之前那些大量的固定工作流在未来可能都会被编写为 Skill这也意味着 Agent 的编写门槛被再一次大幅降低了3.2 怎么使用 Skills我们随便进入一个 MCP 市场然后搜索我们要使用的 Skills比如这里我们还以绘图软件 Excalidraw 为例可以看到社区已经有大量 Excalidraw 的 Skill 了我们这里选择 Star 最多的一款进入详情后我们选择一个最简单的安装方式直接把这个 Skill 下载到本地点击 wget skill.zip然后我们把这个压缩包解压你就会看到熟悉的目录。接下来你只需要把这个目录下载到指定的位置不同客户端的目录大同小异基本上都是 .agentName/skills 目录这里我们使用最近比较火的 OpenCode 进行演示大家看可以自行选择 Cusor、Codex 等支持 skills 的客户端所以我们创建一个新的文件夹然后把刚刚下载的文件夹放到 .opencode/skills 目录下接下来我们在这个目录下打开 opencode 客户端输入下面的提示词帮我绘制一个架构图讲解什么是 5W2H 分析法直接帮我在当前目录下生成一个 excalidraw 文件。你不需要手动去 “安装” 或 “运行” Skill只要文件放对位置了OpenCode 的 AI 就会自动根据用户的需求判断要调用这个 Skill然后帮我生成了代码我们将生成的代码粘贴到 https://excalidraw.com/就可以看到已经生成好的架构图3.3 创建你的第一个 Skill下面我们一起来尝试做第一个 Skill虽然 Skill 的开发门槛低但这不意味着我们就要自己写Anthropic 官方直接给我们提供了一个 生产 Skills 的 SkillSkill Creator。你不需要写一行代码或配置文件只需要用自然语言告诉它你想做什么它就会自动为你生成一个符合标准的 Skill 包。接下来按照刚才的流程我们把这个 Skill 下载下来放到 .opencode/skills 目录下然后我们给出下面的提示词帮我创建一个可以准确获取当前系统时间的 Skill描述使用中文脚本使用 Node.js。然后opencode 识别到我们的需求开始调用 skill-creator然后我们打开本地的 .opencode/skills 目录发现多了一个 current-time-node skill包含一个 SKILL.md 加一个获取准确时间的 Node.js 脚本接下来我们询问 opencode“获取当前系统时间”然后它就会自动找到刚刚生成的 Skill 并调用里面的脚本最后本期教程我们就先讲到这。大家已经了解了 Agent Skill 的基本原理以及如何使用和创建一个 Skill。如果本期教程对你有所帮助希望得到一个免费的三连和关注。下一期我们会进入实战章节一期来使用 Agent Skill 实现一个知识库检索的功能相比传统的 RAG 它的效果究竟怎么样呢我们下期见。关注《code秘密花园》从此学习 AI 不迷路相关链接AI 教程完整汇总https://rncg5jvpme.feishu.cn/wiki/U9rYwRHQoil6vBkitY8cbh5tnL9相关学习资源汇总在https://github.com/ConardLi/easy-learn-ai如果本期对你有所帮助希望得到一个免费的三连感谢大家支持如何学习AGI大模型作为一名热心肠的互联网老兵我决定把宝贵的AI知识分享给大家。 至于能学习到多少就看你的学习毅力和能力了 。我已将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。因篇幅有限仅展示部分资料需要点击下方链接即可前往获取**一、2025最新大模型学习路线一个明确的学习路线可以帮助新人了解从哪里开始按照什么顺序学习以及需要掌握哪些知识点。大模型领域涉及的知识点非常广泛没有明确的学习路线可能会导致新人感到迷茫不知道应该专注于哪些内容。我们把学习路线分成L1到L4四个阶段一步步带你从入门到进阶从理论到实战。L1级别:AI大模型时代的华丽登场L1阶段我们会去了解大模型的基础知识以及大模型在各个行业的应用和分析学习理解大模型的核心原理关键技术以及大模型应用场景通过理论原理结合多个项目实战从提示工程基础到提示工程进阶掌握Prompt提示工程。L2级别AI大模型RAG应用开发工程L2阶段是我们的AI大模型RAG应用开发工程我们会去学习RAG检索增强生成包括Naive RAG、Advanced-RAG以及RAG性能评估还有GraphRAG在内的多个RAG热门项目的分析。L3级别大模型Agent应用架构进阶实践L3阶段大模型Agent应用架构进阶实现我们会去学习LangChain、 LIamaIndex框架也会学习到AutoGPT、 MetaGPT等多Agent系统打造我们自己的Agent智能体同时还可以学习到包括Coze、Dify在内的可视化工具的使用。L4级别大模型微调与私有化部署L4阶段大模型的微调和私有化部署我们会更加深入的探讨Transformer架构学习大模型的微调技术利用DeepSpeed、Lamam Factory等工具快速进行模型微调并通过Ollama、vLLM等推理部署框架实现模型的快速部署。整个大模型学习路线L1主要是对大模型的理论基础、生态以及提示词他的一个学习掌握而L3 L4更多的是通过项目实战来掌握大模型的应用开发针对以上大模型的学习路线我们也整理了对应的学习视频教程和配套的学习资料。二、大模型经典PDF书籍书籍和学习文档资料是学习大模型过程中必不可少的我们精选了一系列深入探讨大模型技术的书籍和学习文档它们由领域内的顶尖专家撰写内容全面、深入、详尽为你学习大模型提供坚实的理论基础。书籍含电子版PDF三、大模型视频教程对于很多自学或者没有基础的同学来说书籍这些纯文字类的学习教材会觉得比较晦涩难以理解因此我们提供了丰富的大模型视频教程以动态、形象的方式展示技术概念帮助你更快、更轻松地掌握核心知识。四、大模型项目实战学以致用当你的理论知识积累到一定程度就需要通过项目实战在实际操作中检验和巩固你所学到的知识同时为你找工作和职业发展打下坚实的基础。五、大模型面试题面试不仅是技术的较量更需要充分的准备。在你已经掌握了大模型技术之后就需要开始准备面试我们将提供精心整理的大模型面试题库涵盖当前面试中可能遇到的各种技术问题让你在面试中游刃有余。因篇幅有限仅展示部分资料需要点击下方链接即可前往获取