skills的脚本对比mcp
粉丝3050获赞18.1万
相关视频
15:184.4万技术爬爬虾
05:25查看AI文稿AI文稿m c p 十几页协议规范，对一个 sq 的 markdown 文件，这不是功能差异，是认知差异。你到底信不信模型能自己搞定？大家好，这里是 l l mx factors， 一个专注于拆解大语言模型时代底层逻辑的频道。 今天我们来聊一个很多人可能听说过，但没仔细想过的事， anthropomorphic 到底有什么本质区别？先说核心问题， l l m 工具化领域其实只有一个根本性问题， 你信任模型到什么程度？ m c p 的 答案是不太信，所以我需要定义完整的协议规范 skills， 答案是相信 给他一个说明书就行。这两个答案代表了两种截然不同的设计哲学。我们先来看 skills 到底是什么。 skills 的 设计极其简单，一个 markdown 文件加一小段 yaml 原数据描述这个技能是干什么的？ 在家可选的辅助脚本就这么简单。没有复杂的协议定义，没有客户端服务器架构，它的 token 消耗也很低，未激活状态，每个技能只需要几十个 token， 因为只加载了原数据，只有当模型判断需要这个技能时，才会完整加载模型自己决定什么时候用什么技能。 anthropic 官方发布了几个 skills 势力， pdf 处理 d o c x 文档， x l s x 表格， ppt x 演示，甚至还有一个 slack gif 制作技能。它们的实现都是一样的， microsoft 文件加几个 python 脚本。但 skills 有 一个关键依赖，它需要文件，系统访问需要代码，执行环境，需要命令行工具。简单说，没有 code interpreter 这样的能力，就没有 skills。 我 们再来看 m c p。 m c p 是 model context protocol 模型上下文协议二零二四年十一月发布， 是一套完整的协议规范，目标是让 ai 调用外部工具。听起来挺好，对吧？但 m c p 的 复杂度相当高，它需要定义 host、 宿主、 clients 客户端、 servers 服务器、 resources、 资源、 prompts 提示、 tools 工具、 sampling 采集、 roots 根、 annotation 引导，还有三种不同的传输协议， 这是一个完整的系统架构。而 mcp 最大的痛点是 token 爆炸， github 官方的 mcp 实现，一加载就是几万 token 的 context 消耗，你加几个 mcp 进去，模型几乎就没有空间干活了。 有人开玩笑说， m c p 之所以火，是因为每个公司都需要一个 ai 战略发布，或者宣布一个 m c p。 实现是最容易勾选的选项，但实际用起来效果如何，那就是另一回事了。现在我们来做核心对比。从设计哲学看， m c p 追求完整规范， scales 追求极简。说明， m c p 假设模型需要精确指令， scales 假设模型能自己搞定。 m c p 的 成本高， scales 的 成本低。 m c p 实现复杂， skills 实现简单。从实现方式看， m c p。 实现一个工具，你需要定义服务器、定义客户端、定义资源、定义调用协议，一大堆东西。 skills 实现一个技能，你写一个 markdown， 可能再加几个脚本完事。从分享难度看， m c p。 分享需要代码仓库，依赖安装配置流程。 skills 分享就是发一个 markdown 文件，可能附带几个脚本，拿过来直接能用。 所以本质差异是什么？ m c p 用协议约束模型行为 scales 让模型自己读懂说明书。核心问题还是那个，你信任模型到什么程度？ 这件事有更大的启示。首先， cloud code 这个产品名字起得不好，它叫代码，但其实是一个通用计算机自动化 agent 能用键盘打字完成的事，理论上都能自动化。 scales 让这一点变得更加明显和显示。说一个有意思的事， simon welson 就是 写这篇文章的人， data set 的 作者，知名开发者。他在二零二五年一月做过预测，说 agent 会再次失败，会有很多人在这个名词上亏钱，结果完全错误。二零二五年确实是 agent 之年。无论你用哪种定义， scales 给我们的启示是什么？当模型足够聪明时，你不需要复杂协议，不需要精确规范， 只需要清晰的说明书。复杂度应该在模型端消化，而不是在接口协议端堆积。举个例子，假设你要做一个数据新闻 agent， 技能一，如何获取美国人口普查数据。技能二，如何用 sq lite 或 duckd 笔分析数据。技能三，如何发布到云端。技能四， 如何从数据里找到有趣的故事角度。技能五，如何用第三做格式化。一个文件夹的 markdown 文件，就等于一个专业的数据行为 agent。 还有一点很重要， scales 没有锁定 anthropic codex c l i 能用 jamaica c l i 能用，任何代码执行环境都能用，因为本质就是文本加上模型自己搞定，没有协议绑定。 最后，说几点建议，对开发者来说，重新思考你的工具设计，不要问我需要定义什么样的说明书，要模型能理解什么样的说明书。 复杂度下沉到模型接口趋向极简。对决策者来说，选择 ai 工具时有一个新视角，这个工具信任模型到什么程度？越信任，越简单，越灵活，越不信任，越复杂，越僵化。当然也要提示风险，简单不等于没风险。 skills 依赖代码执行， 这意味着 prompt 注入攻击是真实的威胁。安全刹枪怎么做是一个严肃的问题，简单的接口背后需要复杂的安全考量。总结一下今天的核心判断， m c p。 对 skills 不是 功能差异，是认知差异。你到底信不信模型能自己搞定？ skills 的 简单不是缺点，是 l l m 工具化的正确方向。这里是 l l m x factors， 我 们下期见。
05:40查看AI文稿AI文稿好，这节我们继续来学习 cloud 当中的 skills， 那 上一节当中我们学习的如何使用 ui ux pro max 这个项目去开发一个这样的 ui， 那 其实啊，整体流程大概是这样子，对吧？我们分布一个任务，然后 ai 读这个 skills 文件，最后去通过这个脚本查出当前样式，最后返回给你。那上一节呢？ 嗯，没看的小伙伴可以去看一下。好吧，这一节我们就不过多追述了，我们这一节呢，主要是给大家分享一下，就是关于 cloud skills 是 如何去使用的，因为我发现很多小伙伴有这方面疑问，就是什么是 skills 以及 skills 呢？它能够给我们的 cloud code 带来什么？或者给我们的 cloud 的 模型带来什么，对吧？首先我们先要明确一个， 首先我们需要明确一个概念，就是，呃， skills 呢，实际上是给 ai 加装的一个插件，类似一个插件，你可以理解为它是一个 prompt 的 集合， 需要按顺序加载，能够帮助你提高你的效率。那相比于 m c p 呢？它不需要去调用一些外部的工具，它只是单纯的一段题的词，仅此而已。好，我们开始走什么 skills？ 我 们刚说了，本上 skills 呢，就是一个文件夹，这个文件夹里面包含了指定脚本资源， cloud 呢，会按需加载，就是这个指令，什么时候需要使用这个指令，它会自己去找。什么时候需要这个脚本呢，它也会自己去找。那这时候呢， cloud 呢，是完全自动地接管了你的这个啊，这个权限，然后去，哎，去掉这个 skill， 哎，我该干什么干什么，所以你可以在这个 skill 里面去写，哎，你需要干什么？简单来说，对吧，给 cloud 加技能包， 让 cloud 变得更聪明，那这四个特性大家简单看一下就行了。好吧，我们就往下走，那下面我们来简单说一下， cloud 目前有三种分类，第一种呢是个人技能，也就是说你这个 skill 呢，你的所有项目 都可以使用，比如说我现在配置的一个全职的 skills， 对 吧？那你需要配置在这个点， cloud 杠 skills 下面，这是一个全职的技能，也就是你所有的项目啊，都可以去使用这个 skills， 而不仅仅局限于某一个项目。 第二个是项目级别 skills， 也就是说你这个 skills 呢，只对当前的这个项目的跟目录下面的所有文件生效。哎，秃了这个文件，对吧？它就不生效了，懂我意思吧？第三个是插件的插件也是一样的，就是你安装之后，你所有项目也是一样生效，只是说你可以随时卸载它。好吧， 我们继续往下走啊，首先我们要去使用 skills 呢，需要去插件市场安装一下啊，下面我给大家演示一下。首先我们打开 cloud code， 那 这里呢？我去，哎，去清空一下啊，这时候如果说我需要安装 skills， 你 可以执行这条 mini， 哎，去安装一下 astroc 的 这个 skills 啊，因为我这里呢，要叫有个窗口，我就发跳价哦，我直接发进到高度的 啊。然后这个时候我们再执行这条 mini， 这是那个 cloud 当中的一个 plugin mini 插件 mini 回车啊，这时候我们可以看到，对吧？它在添加这个 skills， 你 看 这个 skills 呢，它是存在 astropica 的 官网，所以呢，它通过 get 啊，给它下载下来啊，就就安装完成了，就安装这个配置，就安装完成了， 好吧，那这里我们就退出了，好吧，那我们可以选择去，哎，可以去安装你的插件，也可以选择去卸载你的插件，好吧，这时候我们就安装完成，之后呢，那 这时候我们就可以使用 skills 了，就这么简单。那这个默认的 skills 里面有什么东西呢？很好的一个问题，它目前提供了两个问题，第一个是 document， pdf 文件之类的， 第二个是一些视力技能包，比如说 m c， p 啊，视觉之类的，就是官方提供了两个 skills。 好， 这时候我们可以就可以去掉这个 skills。 好， 看它是不是创建成功了，比如说，哎，请你给我创建一个学生管理系统需求的啊，文件使用 skills 啊，这是这是 student 点 pdf， 它就这样子，它会给你一个 pdf 文件，那用到 skills 呢？其实这个 cloud code 呢，也会告诉我们是不是用到了这个 skills， 我 们可以看一下 啊，这时候你可以看到是否使用这个 skills， 也就是用这个 pdf 的 skills， 也可以看到这个地方出现这一段话，就是我们用到了什么，用到了第一个 skills， 这个 skills 呢，因为有一个 pdf 文件，那这时候我们可以选择 yes， 也可以选择，哎，下次不提醒它，我们选择， 那这时候我们可以的话就去调这个 skills 了，然后呢，哎，这个 skills 里面呢，因为本身就包含了这个这个命令，所以呢，你看它会自动去执行这个命令，我们并没有跟他说，哎，你要执行某一个命令，使用什么什么库，为什么？因为它的这个 skills 里面就包含了 pdf 的 操作。好，最后总结一下，对吧？所以我们实际上就是将 啊 astroc 它整理的一些啊技能包在这个 prompt 当中啊，给你声明好了，这些啊，比如说调 pdf， 它需要用到哪些工具，需要用到哪些题的词，对吧？它需要用到哪些插件，哪些库，对吧？它都给你整理好了，所以呢，这个时候我们就可以啊，去看到这个啊，这个目录下面会有一个这个 pdf 相关的技能包啊，类似于我们之前学习这个 啊 kilo 的 时候，你看是不是？我们学习 kilo 时候是不是讲过，对吧？是不是有一个 skill， 你 看这 skill 嘛，它会声明你用的是什么 python 什么的啊，什么样的版本，那就那么一个意思，好吧，好，最后呢，安装完成会保证这个目录下面我们先不讲啊，这里我们就我们可以看到就用了这个 skill， 我 们就跳过这样，我们执行完成之后还会确实会给你生成一个 pdf， 类似于人家已经封装好的 prompt， 好 吧， 这时候我们就明白了，对吧？当我们使用 skills 的 时候呢啊， cloud 会自动加载这个 pdf skills 以及文档分析 skills， 最后输出给你一个结果，而不是全部加载上下文中，有效节省头壳，就就是类似于那个 cloud 的 一个机制，好再往下走呢，其实我们和 mcp 的 一个区别是什么？就我们可以看到，对吧？ m c p 呢，是外部提供的应用工具能力，而 scuse 呢，更像是去教模型如何使用工具，在那个结识当中去声明，哎，声明我到底该怎么做，对吧？引导他去执行啊？教模型的一种方法，一般来说我们会通过 m c p 和 scuse 协调工作，最后呢，再通过 scuse 引导去来最终执行。好吧，那这个，这个是什么意思呢？这是斜杠命令啊，意思啊， 所以呢，它也是一个区别。好吧，好，那就本期视频的全部浏览。如果呢，你也对这种 sku 感兴趣的话，不妨去试一下。那通过这个杠 prang 的 插件，对吧？去选择你要安装的插件，包括这个管理所需要的插件。那正常的一个 sku 目录呢？是一个这样的目录，比如说文档啊，文档里面有这个，这个角落会写在这里面啊，资源会写在这里面，它就有一个清晰的分类，这就是所谓的 sku， 那 包括我们也可以看到，对吧？它全程在使用这个 sku 来去执行，我们并没有去插手。好吧，好，那就本期视频的全部浏览，我是小刘，我们下期再见。
2130程序员晓刘
03:55查看AI文稿AI文稿大家好，最近如果你关注 ai 圈，一定会频繁看到一个词， skills， 它就像当年的 prompt 一 样迅速窜红。这个 skills 到底是什么？它和我们已经熟知的 prompt 以及另一个概念 m c p 又有什么区别和联系？这期视频就为你一次讲清楚。第一次接触 ai 的 时候，很多人都会觉得它不过是一个更聪明一点的搜索框， 你问一句，他答一句，直到有一天你发现他开始接任务，用工具改代码，写方案。这个时候你会意识到一件事，他已经不只是在回答问题，而是有人开始上班了。 在真正理解 ai 之前，我们先别急着谈智能，我们先谈一件所有人都懂的事。新人入职，任何一个新人进公司都会经历三件事，第一，你要告诉他现在要做什么。第二，他本身得具备做事的能力。第三，公司要给他系统权限和工具入口。 ai 也是一样的，只是我们给这三件事起了新的名字， prompt， skills。 还有 m c p。 先说 prompt， prompt 是 什么？它不是能力，不是知识，也不是长期记忆。 prompt 更像是你站在工位旁对新人说的那一句话，这个需求你先分析风险，再给我一个方案。这句话本身不会让他从此学会分析风险，但他会决定他现在要怎么做。 在 ai 世界里， prompt 就是 这样一种东西，它是一次性的，是墙上下纹的，而且非常依赖。你怎么说？你换一个说法，依赖的表现就可能像换了一个人。所以 prompt 更像是管理行为，而不是培训行为，你不是在教它，你是在指挥它。 接下来是 skills， 但你不会每天都教新人什么是周报，你只会说一句，按标准周报来，因为你知道，这已经是它会的事。 skills 就是 a i 已经掌握可以反复使用的能力，比如写 prd review， code， 生成测试、用力总结、技术方案，这些不是即兴发挥，而是被封装好的能力模块。 如果说 prompt 是 一句话，那 skill 就是 一门手艺。 prompt 是 你现在去做这个， skill， 是 他真的会做这个。从工程角度看， skill 是 有边界的，可组合的，输出稳定的。这也是为什么真正能进团队的，可组合的，输出稳定的。这也是为什么真正能进团队的 ai， 一定不只是靠 prompt 在 撑。 但问题来了，就算一个信任能力再强，如果他进不了代码仓库，查不了数据库，调不了内部 a p i， 那 他也只能坐在工位上空想。这时候就轮到 m c p 出场了。 m c p 不是 能力，也不是指令，他解决的不是会不会，而是能不能。 你可以把 m c p 理解成公司 it 给 ai 开的系统账号和权限。在 ai 世界里， m c p， 也就是 model contest 注了口，意味着三件事， ai 可以 安全地访问真实数据， ai 可以 调用真实工具， ai 可以 进入你的内网世界。没有 m c p， ai 只能纸上谈兵。有了 m c p， ai 才真正开始动手。现在我们把这三件事放在一起，你对 ai 说， 帮我分析这个仓库最近十个 pr 的 质量问题。这是 prompt， 它定义目标和范围。 ai 内部调用了 code review 的 skill， pan analysis 的 skill， writing suggestion 的 skill， 这是 skills， 他 决定他会不会做。然后他通过 m c p 访问 get 仓库，获取 pr 历史，获取 diff 和评论，这是 m c p， 他 决定他能不能做。 最后，亚艾交付了一份你可以直接用的结论。到这一步，你会突然意识到一件事，他不是在回答问题，他是在工作。 所以，什么是 ai agent？ 答案其实很简单， ai agent 就是 一个能被指挥，有稳定技能并且能接入真实世界的 ai。 换句话说， dropped 决定他当下的意图， skills 决定他的能力边界， mcp 决定他的行动范围。三者叠加， ai 才从一个模型变成一个同事。 最后，如果你记不住这些术语也没关系，你只要记住这个画面就够了。 dropped 是 你交代的那句话， skills 是 他已经会的本事， mcp 是 公司给他开的系统权限。 当 ai 同时具备这三样东西，他就不再只是一个工具，他开始参与生产，而你也开始带新人了。感谢您的观看，帮忙点赞关注，给个小心心，谢谢！
830AI帮你赢
03:32查看AI文稿AI文稿agent skill 能替代 mcp 吗？一个视频给大家说明白啊。咱们先说什么是 mcp， 我 举个例子啊，比如我现在开发了一个旅游出行智能体啊，我要实现查询路线，查询天气的功能，怎么做呢 啊？传统的方法就是我可以调百度地图，高德地图的接口啊，然后把这些接口呢封装成一个我的智能体的工具，那这样功能就实现了 啊。但是问题又来了，我这一个系统我得调很多的接口，比如获取新闻的接口，自然灾害预警、景区关门停业信息啊等等啊，每一个接口我都要开发一个工具，这太麻烦， 而且市面上也不止我这一个系统啊，每个系统都用这些功能，都需要开发自己的工具，那这样大家都麻烦，这时候 m c p 出现了啊， m c p 呢，叫模型上下文协议 功能，简单说就是就以前我获取这个天气信息，我需要调接口，以后呢，我就用高德百度的 m c p 就 行了啊。 m c p 和这个传统调接口的方式对比呢，就是配置简单了，代码减少了，甚至不用代码也能用了啊， m c p 就 这么简单啊，所以朋友们， 你要是扣字眼的话，什么模型啊，上下文啊，什么协议啊，那就容易蒙啊。但是你只要记住一句话， m c p 就是 让智能体更方便的调用第三方工具就完事了，就这么简单。好，那大家知道什么是 m c p 了，然后咱们再说 agent skill 啊，还是用这个旅游出行智能体这个例子。那我现在开发这个智能体一段时间之后呢，我发现系统功能越来越多，工具也越来越多， 那介绍工具的文档就越来越多呀啊，文档它是占用大模型上下文的，上下文太多，它就影响智能体的智商，就甚至有的时候这个智能体都蒙了，我说该掉哪个工具啊，他自己都不知道了。那这个时候 a j 的 skill 又出现了 啊，用户呢，就不用写那么多的工具来完成任务，而是把这些任务放到一个个 skill 的 目录里面啊。那这个 skill 呢，可以自己写，也可以复制第三方的，拿过来就能用，特别简单。 那我前两期视频讲了这个 agent skill 的 基本概念和用法，大家感兴趣可以上我前两期视频看看啊。总之就是 agent skill 和传统的智能体工具对比，上下文也减少了，性能也提升了，准确度也高了，功能也扩展了啊，反正就是厉害 啊。那这个 agent skill 能替代 mcp 吗？那刚才咱也说了， mcp 是 为了更方便地调用第三方的工具，而 agent skill 它目前主要优化的是本地的工具， 所以它俩现在干的不是一个活啊，就没法替代，最多也就是互补。第三方的工具呢，交给 m c p， 本地的工具呢，交给 agent skill 来调用啊，或者说是直接把工具写到这个 agent skill 里面。所以现在呢，就二零二六年一月份， agent skill 还不能替代 m c p， 但是未来 不好说。如果大家都觉得这个 skill 太好用了啊，改成提供 skill 的 服务了， 那就可能替代啊，就比如高德地图啊，百度地图啊，他们在自己的官网上发了一个打包好的 skill 目录啊，大家只要拷贝到自己的项目里啊，复制粘贴啊就能用，那这样 skill 不 就把 mcp 给替代了吗？ 啊，所以能不能替代它其实不是一个技术问题，主要还是看第三方应用支不支持，支持就能替代啊，不知道大家感觉以后这个 skill 能不能替代 mcp 呢？啊，我感觉有一些希望啊。 那这个就是 m c p 和 skill 的 关系。那今天咱们就聊到这，下期视频我再说说 ai 编程啊， web coding 的 内容，大家感兴趣的话可以关注一下啊，我是小周，咱们下期再见。
1769晓舟报告
00:58查看AI文稿AI文稿ai 领域的新名词，更新的比手机型号还快，前两天刚搞明白 m c p， 最近又出来一个 skills， 到底区别是什么？ 一个例子你就能明白，比如你的任务是 ai 先帮你总结热点，再最终输出一个总结的 pdf。 那 么 skills 呢，就是一个完整的 sop， 它会告诉 ai 先需要做什么，再需要做什么。比如第一步是收集哪些平台的数据， 第二步呢，是按什么样的风格去进行汇总？第三步是整理为一个 pdf。 skills 会把整个流程都给写清楚， ai 会照着这个流程执行。 而 mcp 是 一个单点的技能的工具，比如收集 a 平台的数据是一个 mcp， 收集 b 平台的数据又是一个 mcp， 最后还需要一个 m c p 来实现总结 pdf。 所以 m c p 是 单点的，是一个一个的工具，是螺丝刀，是锤子，是扳手。而 skills 是 一个组合包，它会告诉 ai 这次任务需要依次使用哪些工具，就这么简单，还不懂的话，等我的保姆级实操教程。
84王赛博
03:30查看AI文稿AI文稿cloud 他 们发了一篇文章，教大家怎么样去区分 skills 技能和提示词和它的一些项目，还有词，智能体和 m c p 工具。因为 cloud 他 们在智能体上面是发了非常多的一些工具，而且这些工具使用量都非常的广，为了避免大家有混淆，他们推出来这篇文章， 他就列了这样一个表格，今天给大家分享一下。首先就是最近非常火的 skills， 也是我个人认为他这个 skills 是 二零二六年会非常火的一个内容。 skills 技能 他提供的就是一些知识，其实相当于一个知识库，或者你的一些知识原则，他是有可以持久的，他并不是这种上下文， 包含着这种指令，或者也可以叫做提示词加代码，加一些资源文件，加载的时候是动态的，由智能体自己去选择并加载，可以包含代码，也可以对这些代码进行执行，并不是只是拿来作为参考的。 比如说专业的技能，你的工作流程都可以写成这样的一个技能提示词，它是主要用于 用户对智能体的一些提示，或者是这个智能体的一些系统提示词，它持久只能在单次对话里面，但是系统提示词不是，主要是这种自然语言为主，每个回合都会加载，不包含代码，快速请求， 主要是它的一个应用了，但是这个跟我们的也差不多，主要就是某一个项目里面它会有，比如说 cloud code， 它里面会有这种 cloud 这种初尺的一些文件系统，每一个项目里面的呃持久性，在每一个项目里面包含着文档和一些上下文，这个就是你的项目是什么样的就是什么样。 还有一个比较重要的就是子智能体，特别是在编辑程序的时候，做这个 cloud code 的 时候，使用好子智能体是验证是否能真实用好或者用对 cloud code 的 一个非常重要的指标。 它主要是提供任务的委派，比如说你要做某一个这个模块，那么你就可以创建一个子智能体，专门去做某一个模块。因为你如果在你的主智能体里面去呃做，既要规划又要做某一个模块，那么它的上下文就会被打乱了。 m c p 主要就是某一些工具具体的工具，然后由智能体自己去选择是否执行这个工具，它可以叫做代码的脚本， 让大模型自己去执行这个代码的脚本，但是它是使用 json 去调用的，而且它是不能查看这个 m c p 里面具体的代码的，只能由一些工具提示词去提示智能体是否要调用它。如果需要调用它，它就会输出一个 json， 然后去监控大模型或者智能体是否有 输出这样一个 json 的 格式，如果有输出的话，它就会调用具体的工具，这就是大概这样的一个区别。其实个人认为 skills 是 非常重要的， 它甚至要远远地大于 m c p 和可以结合这个子智能体来使用，因为 m c p 它的工具其实也可以把它作为代码放在技能里面，由技能去直接执行这个代码就可以了。 只需要一些比较特殊的 m c p， 比如说去查看文件，去编辑文件的 m c p 工具可以继续保留， 像很多具体的一些工具都可以使用技能的方式去把它内化下来，而且技能它比较轻，你可以随时去改动去更新，所以说技能是二零二六年应该会比较火的一个方向。
618token杰
10:31查看AI文稿AI文稿大家新年好，今天是一个重磅的分享，经常看我视频的伙伴都知道，我在过去的时间里，用不读一行代码的方式，一种黑盒编程的方式，已经把一个项目做出了一个雏形。在这个过程中，我也积攒了一些经验，会陆续做成视频分享给大家。 去年 cloud 推出了这个 agent skills 这个功能之后，我也做了一些视频。现在 skills 的 使用价值已经完全的超越 mcp 了，而且我认为它的使用门槛是相当的低， 但是可能很多朋友还没有学会怎么用，今天我就教你们一个使用 skill 做自动化流程，给自己提效的一个万能公式。所谓的万能公式就是所有人都可以不用写代码就可以用。 那首先提到这个万能公式，我先介绍一个工具啊。这个经验来自于我之前用黑河编程做的项目，我经常让 ai 去做后端测试，他特别喜欢用这个命令， 我根据这条命令就构建了一套它用于测后端的一个脚本，所以我的项目开发的也比较顺。但这个命令我觉得我们不用去学习，你只需要知道，它可以模拟我们所有操作网页的方式。 如果你常用的 web 服务器是支持 api 访问的，那么你只需要让 ai 读一下 api 的 文档，它就可以构建出一套纯自动化的流程。当然这么听可能有点抽象，我会用了这个命令，跟我的这个 万能公式又有什么关系呢？我来举一个例子你们就懂了。我的女儿前几天考这个 g s p 的 五级 c y y 的 一个考试，她没考好，我分析了一下，其实是刷题刷的不够，虽然我给他做了一个 ai 工具，新奥制题助手，这个我之前分享过， 但是这个工具有一个问题，就是他没有自己的题库，这些所有的题其实还是我自己在网上找的，我要通过这个工具的内置功能给它加入进去。 但是这个怎么说也比较麻烦，你得录入题目，你得用 ai 分 析测试点，还得找答案。虽然我也在工具上做了一个类似 a 证的抓网页的功能，但我觉得不好用，而且它只能抓题目，它的测试点和答案你还得另找这个软件，它已经完全落后于这个时代了，我也懒得再去狗尾续貂， 但是我想了另外一个招，这招是什么呢？就是因为我的信号制题助手，它启动之后就会有一个后端服务器， 当初我觉得在这个 electron 里运行一个 python 服务器，这种设计还挺奇葩的，但是现在想想还是挺明智的。我把后端的 api 的 代码喂给这个 cloud code 之后，他竟然就把这个 skill 做出来了。 我只需要打开这个应用，然后让 ai 分 析我孩子的代码，让他有针对性的推荐题目，然后调用我的后端 api 加入我的提库。 所以说如果你有一个学习系统，他也是有后端的， ai 就 可以完全实现。他作为一个可以操作你后端的一个机器人，根据你的要求来操作你的后端，比如说给你出题，或者是帮你分析，可以把所有人需要去做的 任务一下一下点击做的任务，变成一个让 ai 去做的一个工作流，而且实现这个工作流，你不需要干任何事，你只要一句话，他就可以去执行很长时间。 给大家看一下我这个技能，做了两个技能，一个是一个叫 csp， 一个叫对拍。能不能看一下这个 csp 的 这个技能，这个技能 总体来说它就只有一个文档，它就是描述我这个信号制题助手的后端的 api， 它描述了一些场景，比如说它的基础的 url， 它怎么样去管理题库，应该怎么获取编程题，它的这个格式是什么？ 给了一些例子，怎么样去获取答题记录，是用什么样的格式？如果你要验证代码，用沙盒验证沙盒的 api 是 什么， 包括你可以 c 加加，也可以用 python， 它描述了一些场景，场景一是怎么样添加新题目，怎么样看学生的答题记录，怎么用沙盒快速验证， 还给了一个文档，这个文档是一个完整的一个 api 参考，我只是把我的这个 api doc 给 ai， 通过这个 sql creator， 它就自己给我全部创建了。我给大家演示一下啊。首先这是这次我女儿没做的这道题，五级的一个题，她没做出来，我就说我就用通过这一个 prompt， 让她来分析她的算法和考点，然后在立扣上帮我找类似的题， 然后制度相关的要求，难度中等，把题单抓下来，放到我的题库里，在入库之后，用对拍这个技能来求解，让他一步一步执行。你看他先做了个计划，他知识点，他分析出来了， 好去立扣抓题，他用了很多的任务，子任务，最后抓到了五道题，这入库的结果，他现在做了五道题，他能获取我们这个资料库，然后找到资料库，把题目放进去，然后就开始就要用对拍工具做对拍来求解了。 当然这个对拍工具我觉得还需要优化，他用的时间巨长无比，他现在已经跑了四十分钟还没有做完。 当然一次搞五道题可能是有点贪心了，但是它还在积极的运行中，如果我们正常的使用来说，其实就可以把它扔这，让它自己去搞就行。好吧，只是给大家演示一下这个 skill 运行好了是什么结果，基本上我到目前为止， 我除了输入那个 prompt 之后，我还没有管过，所以其实基本上就是 one side， 你 可以让它自己一直搞下去。那我们如果再把脑洞开大一点， 比如公司的系统是用来查数据库而做分析的，你也完全可以让 ai 去调用一个 skill 去查，直接做分析。现在的外部架构基本上都是有为 api 的 设计的，所以任何带有后端的服务，我们都可以通过 api 把它做成 skill， 然后让 cloud code 成为它的外挂，而你不需要做任何的开发， 这就是我称之为任何人都可以使用 skill 提效的万能公式。可能有朋友问了，那如果我有一个服务器，但是我不知道 api， 我 没有它的文档，或者说我不会做 skill， 那 该怎么办？ ok， 我 今天推荐两个工具啊，第一个就是 chrome devtools 这个工具，它简单来说就是给你的 cloud code 的 一个浏览器，我们来看一下，你看，我现在是让它用 chrome devtools 启动一个浏览器，访问落谷点 com， 它会打开这样一个浏览器，我在这上面做一个操作，接着我让它读一下它网络请求的这个日记。我刚做了个搜索，能不能分析下格式 ai， 它会自动从这个工具里把这个 network 的 请求全部列表出来，然后分析出来这个格式， 它会总结成一个文档，这个 json 格式。刚才我搜索了其实有一个是标签，这里要选标签的标签，标签其实它也是有一个 api 的， 所以我就问他有没有获取标签列表以及标签意义的处理啊？他发现找到了之后，他就给我去列举，他能把所有的标签列举出来，我让他去用这个方法去测试一下 五级减的二分题目，他很快就给我找到了一些这么多题目，五十三道题。有了这样一个东西， 我就可以让他帮我去找题目了。当然并不鼓励大家用这种方式对任何网站做这样的分析。你首先要看这网站允许不允许你这样做，如果他要求必须登录才能用的话，我建议还是不要做，这样 不太好。你们如果说你们自己的系统，比如说你公司内部的一个数据库，那你就完全随便了， 即使你没有这个文档，你也可以用我这种方法来获取。获取完了之后你会发现这整个的上下文就会充斥着这些关于结构的一些知识。我们该怎么做呢？我把以上获取的这个技巧放到一个新的技能，我让它创建技能了。最重要你要提到这个 skill creator， 这个 skill crit 是 一个 osophic 推出 skills 时的一个默认的一个基础技能，但是你需要去安装它， 我等一下说怎么安装？如果你安装好了之后，你在做任何技能的时候，你不需要自己去做，你直接告诉 cloud 用 skill crit 把以上的经验做成 skill 就 好了，就这么简单， 它会放到这样一个结构底下，就是放 skill 点 m d， 然后它会给你创建一堆脚本，当然这个脚本是什么样你们不用管，就反正它做好了，你直接用就行了。那么 skill crate 在 哪里找呢？在这个 repo 里头，这是一个 safari 推出的， 它也提供了一些安装手法， plug in， 通过 marketplace 方式，用 plug in 把这个 skill 安装进去，安装好了之后，它这个文档里头就会有所有的这个技能，其中你们看，这有一个 skill creator， 就是 这个 skill creator。 我 们再总结一下，如果你没有 api 的 文档，你不会做 skill 怎么办？首先你先操作一遍，让它抓取，然后给你生成一个文档， 接下来直接告诉他，用 skill creator 来做一个 skill， 就 这么简单。经常看我视频的朋友知道，我过去还分享过千万三 omni 的 语音互助，还有我的监工 agent 的 项目，还有我的 finnus 上的一些场景。 我相信呢，在今年就一定会实现一个场景，就是我们再也不需要使用 cloud code， 而是直接通过语音发出一个命令，然后我们的 worker 就 会在 boss 上给我们完成一个长线的任务，最后把结果给我们呈现出来。 所以我想说的是呢，我分享的这些内容并不是零散的，他们都是在为了实现这样一个目的，这样一个场景的技术战之一，所以我做的内容并不是为了做内容而找主题，而是为了实现我理想中的 agi 的 场景， 然后把我过程中的一些发现分享给大家，这是一个真实的长线的 ai 的 学习和成长，所以关注我，你们也可以获得同样的成长。 ok， 以上就是今天所有的内容了，谢谢大家。
5040小天fotos
04:05查看AI文稿AI文稿m c p 已经用上了，已经开始用了， m c p 有 什么问题？你想过吗？就虽然现在很火，咱们不能就看刚刚说的吧，咱们不能什么火搞什么，咱们要明白这东西有什么好的，有什么不好？你想一下你觉得它有什么不好？ 我现在看到 m c p 的 情况是也是框架搭得快吧，或者写出来好用的那个拓真的是全公司都可以用的，这个有些时候还是需要一定的威信的，我感觉那个拓这方面还是比较落后。 其实你说到一个很很核心的点，你现在透，刚好我自己手写到人为去写，但是很多这个东西也是 s o p， 有 些已有的一些项目之后， 他已经给你把，你已经完成了，你只要把这个东西做起来转换就可以，你甚至不需要把它包装成一个 m c p。 你 比如说我浪圈，浪圈里面有一个很强，现实之中的我需要把所有东西都包成一个 m c p 来搞吗？ 其实不用的，我其实只要用拷定的方式来解决就行，我教你怎么去写这样的拷定，然后你自己去构建这样的一些工具。就两个核心点， m c p 就 跟方块去扣一样，一个是 我如果 m c p 非常非常多，几千个、几万个，就它不可能一把全夹在我的 context 里，那我还是要去做一个 right。 那 现在其实在 context 的 领域，它的 right 的 这种能力远比不上我的一个，比如说 code 的 这种，用这个 graph 放的 logo 这种方式去搞，为什么呢？ 因为 embedding 这种上下文缺失，然后这种上下文理解能力就很弱，对吧？导致说他解锁出的东西就很不准确。但是如果说我 share 这种东西，那我就可以通过这种结构化方式，然后帮你自主的去完成 很多的这种啊工具里头的一些筛选。第二个是说我不需要容易的去构建那么多 m c p 了，这个东西构建不过来的。你想想整个互联网到底积累了多少的知识，多少的工具，多少的一些代码，你把它所有都包成这种 m c p 吗？想想都不可能，对不对？ 那未来我们要怎么去应对？那么多的一些项目文档、项目知识库、项目代码，怎么把它附着到各个业务上去？ 这款你要是自己想想看 m c p 能不能搞定这款搞不定的，所以我肯定是让这种 agent 自己去做这种探索，自己给自己造工具，那自己给自己造工具，我怎么去造呢？通过 skill 这种形式把它整理成一个那种 结构化统一的一些标准的形式，让 agent， 比如 code agent 或者这种形式去做一些渐进式的自我探索， 对吧？我现在可以给它构建一个什么搜索引擎，去专门对这种内部支付去做一个搜索，然后再做一些进行探索，然后继续用 scale 的 形式去做一些很多下游的一些代码编辑任务执行你这个 scale， 它可以是一些代码的一些执行过程，也可以是一些 s o p， 就 像你刚才说的那些 d a g android 七 s 的 一些这种执行过程的一些这种图结构的一些信息，也可以放在我的一个 scale 里面， 它作为 scale 的 一种能力。那我在不同业务场景我有不同的 scale， 比如说我不同的一些这个 task 用的是这个图，那另外一个 task 用的是另外一个图，那这个东西其实怎么去定义呢？就在 scale 里面去给它写明， 然后让他去做建立式的探索，不是一把把所有的 connect 给他加，所有的信息都加到 connect 里，而是他判断说我需要用到哪个 skill 的 时候，然后我再去做那个探索。那你这样的一个，对，我觉得差不多就是一块，就是肯定是需要更自主的，因为 scp 他 解决不了所有的事。 第二个是 scp 他 封装好，给你一个方式去调用，这个东西非常的死板。举个例子，你要做一个操作 a， 他 给你封装个 scp， 但你如果你要做一个操作 b， 它跟它只是操作 a 的 某一个步骤，改了一行代码，这时候你就 n c p 就 直接废了，对吧？但如果说像 coco 的 这样这种 skills 的 形式，对吧？它写好这个 markdown 文档， 写好这个扣子，他自己去读了这个相关的技能他还是能复用了，所以整体还是更灵活，更知足，大家要多去思考这样的问题，很多人都没想过，真的，我们面试我也喜欢问，对吧？ s p 有 什么不好，一问都能让他下降，就是因为大家平时都是什么火，为什么不知道？真的 catch 不 到大家关心的东西。
1552AgentAlpha创客星球
02:03查看AI文稿AI文稿这 skills 肯定也是个方向，我最近其实一直在看，主要我是看什么，就 skills 的 方向马上也要支持了，这个是我看到的目前 skills 的 这个功能，它本质上它是我上次给大家介绍过，它本质上用什么呢？用文件系统 再加上文本，把它变成一个智能体。在 skills 里面它可以定义各种各样的，你怎么用工具，你怎么样去，它里面会定义一些这个 data 就是 类似的原数据，所以它就不需要把我的整个目录里面所有的内容全部加载到我的上下文里面去，所以它是安需加载的，它也是因为 本本质上来讲，目前大模型它上下文它还是受限的，虽然你可以用更高的显存，更高的算力去做这件事情，但是如果你的上下文很长，那它就面临的算力要很高，或者是说因为你的上下文非常长，所以你的准确率会下降，它有这样的一个问题的，所以 skills 这个东西它本质上就是 解决了安需加载的这样的一个东西，它把这些数据全放在，不是放在向量数据库里面，它是全放在文件系统里面， 或者是文件系统里面，它可以变成一个 python 的 脚本啊，或者是说它可以变成一个函数，或者它也可以是一个 markdown 的 一个文件，所以它有需要的时候可以把它给加载起来，它可以有各种各样的工具，可以去跑你的 python 的 代码，或者可以去做剪索，或者你有各种各样的工具，你可以定义好之后，在 si skills 里面定义好的时候，它需要的时候可以去加载，这样它的它的泛化能力会比较强，你可以根据不同的情况去再去定义你的 skills 的 这个包， 你可以发布成一个一个的 agent， 那 像这个 agent 它就会有很多个很多的专业的 agent， 它这功能会比较强，所以它的这个方向跟 m c p 它应该来讲它跟 m c p 还不太一样。当然它也存在了这个竞争关系，它也存在了竞争关系，因为 esoteric 它们之前是用 m c p 的 时候，因为它有很多的函数， 它有很多 m c p 的 工具，它有几十个甚至上千个。如果你有这么多的工具，你全把它注册在你的上下文里面，会导致它非常臃肿，而且它有很多干扰，它等于是这样，所以 skills 它其实是在这个方面做了一些优化。我简单讲一讲嘛。
99小工蚁
01:20查看AI文稿AI文稿m c p、 skills、 sub agents、 cloud、 ai 的 这些新概念有没有把你绕晕？别急，一个视频带你理顺它们的核心用途和区别，让你使用 ai 更高效更省 tool。 我 们先来看一张图， 如上图所示， m c p 负责发工具，它让 ai 能碰到外部系统。比如读数据库叫 api， 这是给 ai 发工具。 skills 负责用工具，它告诉 ai 拿到数据后该怎么用，比如怎么算增长率，怎么生成报告，这是教 ai 怎么用工具。 skills 和 m c p 这两者是配合关系，那三百 h 原子又是什么？简单说就是派人干活， 遇到审查整个代码库这种耗时的大活，别占用当前对话，派克萨姆 a 剪子去新绘画里跑，跑完只把结果带回来。那重点来了，为什么 skills 比 mcp 更火呢？关键原因在于 touke。 mcp 就 像把工具全挂在身上，比如一个 github 的 mcp 预加载就要吃掉几万， touke 太贵了。 而 skills 是 按需加载，平时只记个目录，用的时候才读取详细内容，门槛极低。 最后送大家一张选型心法，一次性任务用 prompts， 重复工作流用 skills 要连外部数据加 m c p 复杂独立任务派 sub agents 关注我，解锁更多实战技术干货！
75稳哥的技术笔记
02:01查看AI文稿AI文稿这是我用 antigravity 给自己做的一个脚本的内容的爆款的生成器。之前发了一个关于我是如何基于 skills 来打造我自己的一个自动化的内容生产系统的，其实受到了很多同学的喜欢。那其实对我来说，我觉得在 ide 里面直接通过 skill 交互，它其实对我来说效率并不是很高。然后因为我是一个视觉动物， 所以我就说我干脆做一个自己的外部端的应用，这种格式化的交互点击对我日常来说效率会更高。我这边的话有两块功能，第一块的话是生成单篇笔记， 第二块的话是批量追踪，摆进去任何一个小红书的链接，他就会帮我做一个自动化的爬虫的抓取，把我的视频当漏下来，然后再去进行分析。是引入了 type 上面一个小红书当漏这个开源的工具去帮助我去做这个小红书视频的提取。我把这个链接粘贴，然后贴进去以后，这个时候 ai 就 会帮我开始分析 哦，他帮我已经抓到了，然后我去下载我的小红书的这个视频，就可以看到这边他正在下载视频，看一下这个 视频的一个长度，大概需要一两分钟的时间。 ok， 这里的话它其实是在做脚本的提取了，这个时候大家已经看到它把我的这个视频的脚本原文已经全部都给我提取出来了。接下来调用 ai 的 能力帮我生成了三个核心观点，同时问了我三个问题， 至于这三个问题的话，我仍然可以去输入我自己的想法哦，然后和 ai 去进行交互，在我输入了我的结果了以后，我可以把我的这个最终的脚本生成出来，同时我也可以去做一些语音的输入，方便我去提升我的输入的效率。 好，这个时候我们让 ai 来生成最终的脚本， ai 就 把我的这个脚本生成出来了，我接下来可以用它拍口播，或者说直接去发一些文章的笔记，然后再回到首页，大家有没有觉得这个首页的风格还蛮好看的，如果大家有兴趣的话，我可以跟大家去推荐一下 github 上面一个非常非常长的一个开源的 u i u 叉库 哦，评论区可以告诉我我的这个产品的整个核心亮点。首先第一个可以支持浏览器的这种小红书视频的内容的无痕的抓取，那这个的话其实我是整合了 github 上的开源工具的， 同时我支持两种交互模式，一个是 g u i 的 这种外部端的交互页面，另外一种就是 cloud sql 去通过指令的方式要求 ai 去帮我做脚本的创作。如果大家有兴趣的话，我也可以给大家去看一下我的这个批量追踪，这里是怎么做的哈。
1265亚慧AI产品经理
06:14查看AI文稿AI文稿我们都跟 ai 聊过天了对吧？但你有没有发现，一旦你想让他干点正事，处理一件稍微复杂点，需要好几个步骤的工作，哎，那场面可就有点失控了。所以，今天呢，咱们就来聊一个特别有意识的话题，到底怎么才能跳出简单的聊天机器人，去构建一个真正能干活，而且还特别靠谱的 ai 代理？这背后啊，其实是一套全新的架构思路。 大家是不是都有过这种抓狂的经历？你让 ai 帮你处理一个挺关键的任务，比如说，你帮我查一下库存，要是某个东西数量不够了，就自动下个单补货，结果呢，它要么是中间漏了一步，要么干脆就给你编一个结果出来，你说奇怪不奇怪？为什么我们这个 ai 总是在最需要它的时候听不懂人话，还老犯错呢？ 这问题到底出在哪呢？其实啊，根源就在于，我们最常用的一个方法，就是写一个几千字超级长的系统提示，把所有的规则，所有的可能性，一次性全都塞给 ai。 这么做啊，至少有三个致命的缺陷。首先，这叫注意力稀释，你想想，信息太多， ai 根本记不住重点，说着说着就忘了前面的规则。 其次呢，他分不清什么时候该老老实实的查数据，什么时候可以自由发挥，所以产生幻觉的风险就特别高。最后，这维护起来简直就是一场噩梦。这就像什么呢？就像你招了个新员工，对着他滔滔不绝讲了两个小时的入职手册，你觉得他能记住多少？他只会觉得，天呐，我到底该干嘛？那到底有没有更好的办法呢？ 哎，你别说，还真有，关键就在于咱们得换个思路，把 ai 的 能力给拆开。就像我们人一样，既要有负责具体操作的手和眼，也有负责思考和规划的大脑。接下来我要介绍的这两个核心概念，可以说是彻底改变游戏规则的东西。 好，咱们来看这两个新东西，一个叫 m c p， 一个叫 skills， 它们俩分别扮演什么角色呢？你看这个图就特别清楚， 你可以把 m c p 简单理解成 ai 的 手和眼，它就是一套工具箱，或者说是一堆接口，就像电脑的 usb 口一样，让 ai 有 能耐去连接数据库啊，读取文件呐这些外部系统。 那 skills 是 什么呢？ skills 就是 ai 的 大脑，是它的标准作业流程，就像一本操作手册或者一本菜谱，清清楚楚的定义了第一步干嘛，第二步干嘛？咱们把这些工具组合起来，完成一个任务。如果今天的内容你只能记住一句话，那我希望就是这句， m c p 解决了能不能做的问题，而 skills 解决了应该怎么做的问题。我再说一遍哦， m c p 让你能做， skills 让你知道怎么做。 换句话说， m c p 赋予了 ai 连接数据库的能力，这很好，但光有能力还不够啊。使 skills 提供了具体的流程图，告诉 ai 在 什么情况下，应该按照什么样的顺序去使用这些能力。你看这个分工是不是一下就清晰了？ 哎，这个理论听起来是那么回事儿，但具体用起来怎么样呢？别急，咱们就拿一个真实的业务场景来练练手，看看这套手脑分离的模式到底有多强大？咱 们来想象一个场景，我们要开发一个新员工入职助手，要是用老办法，你可能得写一大段儿磨棱良合的指令，然后心里还得七上八下地祈祷 ai 别出错。但现在呢，我们有 skill 了，我们把整个入职流程封装成一个叫 onboarding skill 的 东西。 这样一来， ai 就 像一个最最可靠的员工，严格按照我们预设的步骤来执行。第一步，调用人力数据库的 m c p， 把员工信息录进去。第二步，调用 slack 的 m c p， 发一条欢迎消息。第三步，生成 pdf 合同。你看，这就把一个充满不确定性的对话变成了一个标准可靠，而且可以无限重复的自动化流程。 那么，这一切的背后到底是个什么样的架构在撑着呢？这就是一个非常聪明的设计模式了。我们管它叫路由器加细能架构， 你可以把它想象成咱们系统最前面有一个特别聪明的前台接待员，或者叫调度中心。这个路由器本身也是一个大语言模型，也就是 l l m。 它的工作尤其只有一个，就是准确地理解用户到底想干嘛，然后把这个请求精准地分发给处理这个任务最合适的那个专家，也就是我们刚刚说的那个特定的 skill。 哎，说到这儿，这种架构最大的一个优点就体现出来了，那就是上下文格离。你想想看，当这个路由器把一个写一首诗的请求交给师哥 skill 的 时候，这个 skill 的 手里压根儿就没有操作数据库的工具。反过来也一样， 这种隔离机制就从根本上避免了 ai 张冠履带误操作的风险，大大见底，安全也更有保障了。这点对于企业级的应用来说，简直是太重要了。听到这啊，你可能心里在犯低谷了。嗯，这套架构听起来确实挺好的，但我是不是得把我公司里那些老的旧的系统全都推倒重来啊？ 哎，好消息来了，完全不需要。而这一点，可能才是这套新架构最让人激动人心的地方。咱们来看一下这个对比 过去的系统是什么样的业务逻辑，全都写死在僵化的 e、 f、 l 代码里头，你必须点这个按钮，输入那个精确的文本才能往下走。那现在的新方式呢？我们可以在那些老的但是很稳定的服务外面包裹上一层技能包装器。这个包装器它负责听懂我们用自然语言说的话，然后把它翻译成老系统能听懂的 api 调用。 这么一来，业务逻辑就从硬邦邦的代码变成了可以灵活修改的软编码，也就是提示词。整个系统也从死板的规则驱动升级成了灵活的意图驱动。 所以啊，你记住，这个比喻特别形象，我们这是在给旧代码穿上了一层羽翼化的外壳，我们保留了那些经过时间考验、稳定可靠的核心代码。我们没动它，只是在它外面加了一个能听懂人话的智能层。 你想想，这是一种多么高效，多么聪明的现代化改造方式啊。所以你看，这已经不单单是一种新技术了，对吧？它其实在预示着一种全新的嗯，软件开发的范式。 那它对我们未来开发软件的方式到底意味着什么呢？好了，咱们今天聊了这么多，最后来快速总结一下三个最重要的核心要点，你一定要带走。第一，记住手脑分离， m c p 是 手提供工具和能力， skills 是 大脑定义流程和方法。 第二，要用路由器来调度，这个路由器加气囊的模式是构建一个健壮 ai 代理的标准架构。最后，也是最关键的一点叫增强，而非取代。用这道新思路让你现有的系统变得更聪明、更灵活，而不是把它扔掉。 所以说，未来软件工程的核心竞争力可能真的变了，它不再是单纯的写代码，而是你如何巧妙地把代表连接的 m c p 和定义流程的 skills 给组合起来。 掌握这种思维将是我们在 ai 时代真正脱颖而出，拉开差距的关键。那么回到你自己的工作中，想一想，你准备好用这种方式来构建或者改造你的下一个应用了吗？
15:24查看AI文稿AI文稿大家好，我是小木头。在最近的一些分享和讨论中，许多朋友提到了关于 close skills 以及 m c p， 好 奇它们的区别是什么，那么它们之间的关系又是什么？ 本期视频呢，我们就来做一期相对比较详细的介绍，希望呢能够帮助大家理解它们分别是什么，以及如何配合使用。 在十月， cloud 发布了 agent skills， 当时呢，我也做了两期视频，分别介绍了什么是 agent skills 以及如何开发自己的 skills。 感兴趣的朋友可以在我的频道搜索 cloud skills， 回看这两期的视频。 随着这两个月的发展， cloud skills 越来越受到关注，有许多朋友呢，也开始拿它与 m c p 协议相对比，好奇它们之间的差异是什么，那它们之间又有没有什么关系？那今天呢，我们就来介绍一下。 在我个人理解 skills 与 mcp， 它是 ai 能力扩展的两种哲学来做一个简单的对比。 mcp 就 像给 cloud 装上了 usb 接口，让它能够连接外部世界。在过去的视频分享中，我们也介绍了许许多多关于 mcp 方面的内容， m c p 使得大模型能够连接到外部的数据服务，而 skills 就 像是 cloud 一 本操作手册，教他如何完成特定的任务。 举一个更加生动的类比，在五金店的场景中，如果你要修理坏掉的橱柜，店里有你需要的一切，比如木胶夹子、替换铰链等等，但知道买什么，怎么用是另一个问题。 因此 m c p 就 好比货架上的工具，而 skills 则是店员所提供的专业知识， 工具再多不会用也白搭，对吧？而专业知识再丰富，没有工具也干不了活， 看起来两者是缺一不可的。那什么是 mcp 呢？感兴趣的朋友可以在我的频道搜索 mcp， 从概念到开发实战有非常详细的介绍。 mcp 解决了一个核心问题，如何让 ai 与外部的系统对话。 在 m c p 出现之前，每接入一个新的工具或数据源，开发者都是要编写专门的适配代码的，这也被成为了 n 乘 m 问题。 n 个 ai 模型要对接 m 个工具需要多少种集成方式呢？ n 乘 m m c p 则提供了统一的翻译层。 我们来看看它的客户端服务端架构。 mcp 客户端通过约定的协议访问 mcp 服务器。服务器提供了一系列的工具服务，它能够访问外部系统，比如像数据库、 api 或文件系统。 mcp 提供了一系列的核心功能，其中约定了资源工具、提示词、模板等等。 或许大家最常用最熟悉的应该就是工具了。 mcp 工具提供给了 ai 应用或大模型，比如发送邮件、创建合并请求、执行、数据库查询等等的能力。下面呢，就定义了一个非常简单的 mcp 服务器， 通过 fast mcp sdk， 我 们可以很轻松地创建一个 mcp 服务器。在这个例子当中呢，创建了两个工具，第一个工具做数字相加，第二个工具呢，做个性化的问候。 这个服务器呢，运行在了 streamable h e p 协议之上，那这就是一个非常典型的简单的 mcp 服务器了。 那现在大家对 m c p 以及 m c p 服务器 m c p 工具有了一个相对比较具象的认识， m c p 在 发布的一年内已经成为了事实上的行业标准。 二零二五年三月， open ai 宣布采纳 m c p。 四月， google deepmind 也确认 gemini 支持 m c p。 五月， microsoft 也宣布 windows 十一会支持 m c p。 最近二零二五年十二月， angelopik 将 mcp 捐赠给了 linux 基金会下的 agenec ai foundation。 聊完了 mcp， 我 们来看看什么是 skills。 同样的感兴趣的朋友，请在我的频道搜索 close skills， 来了解什么是 skills 以及如何开发自己的 skills。 我们再一次简单地介绍一下， skills 是 ospec 在 十月推出的能力扩展机制，它要解决的问题是如何教会 clot 以特定的方式工作。与 mcp 的 连接外部系统不同， skills 专注的是传授知识和流程。我们来看看一个典型的 skills， 它的结构是什么？它的核心就是一个 markdown 文件， skill 到 md， 加上一些可选的辅助脚本。在许多的 skills 打包文件中，大家看到的或许就是一系列的 md 文档。那么在下面这个文件夹结构中，大家能看到 skill 到 md， 这是核心的指令文件。这其中可以有一些参考资料，比如 reference 底下的 patterns 到 md， 可以 提供视例，比如 examples 底下的 demo 到 s h， 还可以提供辅助的脚本，比如 scripts 目录下的 validate s h。 这就是一个 skills 的 文件架构。那大家应该有一个具象的认识了，一个典型的 skills， 我 们可以认为就是一个文件夹，这个文件夹当中包含了一系列的文件，其中的核心文件是 skill 的 md， 来了解一下它的工作原理。 skills 采用了渐进式路由或渐进式加载的策略 load。 首先扫描所有的 skill 的 原数据， 它并不会将所有 skill 一 次性全部加载，再根据用户的请求来判断需要使用哪个 skill 或与哪个 skill 相关，这时才加载相关 skill 的 完整内容。这种设计就避免了上下文窗口被大量无关内容占满。 我们来看一个代码审查技能的 skill 的 md 文件，在这个文件中， 以 mockdown 的 格式编写了代码审查时需要遵循的步骤。第一呢，安全性检查。第二呢，代码质量。第三，输出格式。 那这个 skills 存储在哪里呢？有两种方式，对于个人的 skills， 可以 存储在主目录下的 dot cloud slash skills。 如果是项目级别的 skills 或级别呢，就放在 dot cloud slash skills。 那 现在我们对 skills 和 m c p 做一番对比， 如果你在解释怎么做，那就是 skill。 如果你需要 cloud 访问某物，那是 m c p。 我 们用更通俗的话来讲就是 m c p 让 cloud 能够连接到工具，而 skills 教 cloud 如何使用工具。 m c p 服务器也可能包含工具使用的提示和常见任务的提示词，这些呢，应该保持通用。那么在职责边界的划分上该怎么做，如何避免冲突呢？这里有一些经验法则，对于 m c p 指令， 它应该约定如何正确使用服务器和工具。那么对于 skill 来讲呢？它应该约定如何在特定的流程中使用它们，比如先查哪些记录，如何交叉引用？如何格式化输出？ 关于 skills 以及 mcp， 一个常见的问题是， skill 是 否负责安装和配置 mcp 工具？答案是，不负责。 skill 只是引用工具名，它讲是 mcp 已经配置好。 我们以 notion 的 spectral implementation 这个 skill 为例，这个 skill 是 notion 提供的，它用来教 cloud 如何在 notion 当中做真正的工作。感兴趣的朋友呢，可以了解一下这个 skill 的 详情。 那我们回到介绍这里。在这个 skill 当中，它引用到了 notion search， notion fetch， notion crepe pages。 在这个 skill 的 驱动下， call 应用可能会用到其中的一些工具。那么这些工具呢，是需要咱们独立安装配置的。因此，从职责划分来看， skill 负责定义调用顺序和流程，规定输入的参数格式，规范输出格式， 并提供模板和最佳实践。而在 m c p 层面，负责服务器的安装。如果需要呢， a p， m e r 的 配置和认证的管理等等，还需要负责网络连接、权限设置， 服务器的运行和维护呢，也在 m c p 侧独立地完成。再做一次简单的类比。 skill 就 像一份菜谱，告诉你先放什么，后放什么，火候多大，但它不负责帮你买锅，装煤气灶。 而 mcp 呢，就像厨房设备，如果你需要，则自己购买安装调试。菜谱只是假设你已经有了这些设备。这种分离的好处在于， skills 能够保持清亮， 它只是一些 markdown 文档，便于进行分享和版本控制。而 mcp 呢，实现了高可附用性。一个 notion mcp 可以 被多个 skills 共同使用。 同时， mcp 的 升级并不会影响到 skill， 反之亦然。在介绍到 mcp， 介绍到 skills， 我 想大家对于他们的使用场景已经比较的清晰了。对于 mcp 使用场景在于，当我们需要访问数据库，需要调用外部 api， 需要操作文件系统， 或需要与第三方服务集成时，我们使用 mcp。 那 什么时候使用 skills？ 涉及到工具的多步骤的工作流，需要一致性的流程，或者想要捕获分享专业领域的专业知识，比如像研究方法论、代码审核标准，写作指南等等。 一个典型的应用场景是，即使团队的成员离职了，咱们也能够基于 skills 保留工作流，这就是制度的知识了，把只有老员工才知道的事变成可附用的指令。 接下来有一个官方的实战案例做分享，这是一个金融分析的案例，分析时，做公司分析时，需要从多个数据员拉取财务的指标，应用相同的估值方法，并按合规标准格式化输出。 这是重复的工作且易出错。我们会用到哪些组建呢？在 skill 层面，我们会尝试使用 comparable company analysis， 这是可比公司分析，咱们可以认为它是一种技能，一种方法。那 m c p 服务器会用到哪些呢？ 我想应该就是数据的查询，数据的计算等等。在这个案例中，典型的工作流程是 skill 来确定要查询哪些数据员，再通过 m c p 来连接拉取实施的财务数据。 基于拉取到的财务数据，基于 skill 完成任务的编排，他应该会应用到估值方法论，并且格式化输出。 在验证阶段，基于 skill 的 约定，根据合规要求进行校验。我们再来看一个在开发者应用场景中蛮典型的一个案例，在这里会引用到 context seven， 这个是 upstart 开发的一个 mcp 服务器，很好的解决了开发中的一个实际痛点。 大约模型的训练数据是会过时的。那编程库的文档呢？总是在不断更新的，那 contact seven 就 给到了 ai 接口或工具，能够实时地获取任意库的最新官方文档。 在这里，咱们列出了两个 m c p 工具，一个是 resolve library id， 一个是 get library docs， 分 别是将库名解析为 contact seven 的 id 以及获取指定库的最新文档。如果我们单独使用 m c p 呢？每次查文档，我们都需要手动地调用 resolve library id， 再记住这个 id， 再通过 id 调用 get library docs。 最后呢，自己整理输出的格式。 现在呢，我们可以创建一个配套的 skill。 在 这个 skill 的 原数据中，首先我们来指定可以使用的工具，这两个工具呢，也就是 contact seven 所提供的两个基本的工具了。 接下来在 square md 文档中约定查询的流程，当用户询问某个库子时候呢，首先使用 resolve library id 去解析到兼容的 id， 再用 id 呢获取文档，并将文档呢按照指定的格式呈现。 这个 skill 的 好处是，我们可以确保 cloud 在 涉及到开发工作时，总能够优先使用 contactseven mcp 工具来获取文档，从而使得文档的获取呢，尽可能的保证高质量。 日常使用 cursor 或 clock code 这类编程智能体进行开发的朋友呢，应该也会注意到，并不是每次对话中 dum 提及到某一个开发包时，它总是能够从 contact seven 来获取文档。有的时候呢，它会尝试使用搜索引擎或搜索工具， 那这就根据大家自己日常开发中的偏好或团队的开发模式来制定自己的 skill， 来看一个典型的工作流程吧。当用户提问 react hooks 怎么用， skill 会被激活。接下来呢，会使用 mcp 工具完成第一次的调用， 返回了 react 文档库对应的 id， 再根据 id 呢，去获得对应的文档 skill， 再去规范输出的格式。基于这个格式呢，得到结构化的文档内容展示。 好了，那这就是今天我们介绍的主要内容，我们来一句话的做一番总结。当解释怎么做时，使用 skill 需要访问某物，使用 mcp， 这也是刚才咱们介绍的 mcp 和 skills 代表了 ai 能力扩展的两种不同哲学。通过 mcp 来强调标准化和互操作性，使得 ai 呢能够与外部世界连接。而 skill 强调了内容的整理，知识的总结，将人类知识注入到 ai 的 管道， 告诉大模型，告诉 ai 应用究竟该怎么做。随着时间的推移，团队会积累出一系列相互关联的 skills 和 m c p 连接，使得 cloud 能够成为你们领域的专家。 好了，那今天的视频分享就到这里吧，如果大家对 cloud skills 以及 m c p 还有什么问题呢？欢迎在评论区讨论，那我们就下期视频分享，再见同学们，拜拜！
55五里墩茶社
01:40:22322九天Hector
02:36查看AI文稿AI文稿最近 cloud code 的 他们的 skills 非常的火，今天给大家分享一下他们在 github 上开源的这种 skills 技能库， 有很多势例，我们来看一下有哪些势例，有比如说 pdf 算法艺术这种可化的一些设计，呃，这种文档的设计，还有 excel， pdf， ppt 这些设计都是有的，其实最最重要的就是它的 skills creator， 就是 创造 skills 的 skills， 这个非常的有用，我们今天来给大家分享一下怎么样用它这个创造 skills 的 skills 去给自己创造一个属于你自己的 skills。 我 就用的这个智普他们直接使用的这个 cloud code， 因为我有一个项目，它要去创建这种 m c p， 它有一些专用的公共文档或者一些格式， 所以说每一次开发的时候我都要专门去写了这么一样一个文档或者一些格式，所以说每一次开发的时候我都要专门去写了这么一样一个文档之后再去做开发。但是它的整体 性质还是不一样的，用 skills 它还有一些基础的脚本，或者说验证的脚本，我这只是两个文档提示词其实是不够的，用 skills 的 话就能节省非常多，而且编辑出来的内容都会更加的好。 ok， 我 们来看一下我是怎么样弄的，我就问了他一下你有什么 skills， 他 就回答我，他有这么几个 skills， 最最重要的就是这一个，然后我就让他梳理了一下我这个项目里面的 m c p 工具，具体的每个分析方法，还有一些 markdown 的 文件， 我想要创建这个，用这个 skills 创建一个 skills， 然后他就给我这样梳理，梳理之后他就提出来了这些问题，然后我回答了之后，他就开始创建了，注意他这个用的 token 还是非常多，建议如果没有 cloud pro 这种版本的， 直接使用这个 g l m 他 们那个编程的计划就可以。如果用 token， 它还是非常消耗了非常多的 token 的， 整个过程下来还是非常久的，大概花去了十多分钟，然后它就给我构建完成了，然后构建完成了之后，它也是保存到了它的私有个人的 skills 里面，还没有给我保存到项目里面，如果需要保存到项目，让它移进来就可以了。 可以看到它也构建成了一些自动化的工具，比如说生成新工具的一些股价，然后快速验证这个新工具有没有必要的一些东西，然后测试这个新工具有哪些内容， 然后模板也有，然后详细的一些参考文档，因为我这些还有非常多的文档啊，也把这些文档给它放进去了，就相当于是一个非常完整的 skills 了，这就搞定了。 下一次我如果要编辑新的 m c p 工具的时候，我直接让这个 cloud code 去读这个 skills， 然后按照 skills 的 一个规范，然后生成一个新文档，它的准确度就会提高非常多。
1749token杰
