claude.md文档的作用

兄弟们，五分钟内让你彻底上手卡的扣的！哈喽，大家好，我是阿亮，卡的扣的几乎是一天一个版本的节奏，在更新证明公司已经把卡的扣的作为了二零二六年最重要的产品之一在推进这个工具呢，建议所有人抓紧用起来，真的是非常非常的好用。 之前跟大家分享过如何安装 cloud code 以及如何使用 cloud code scale 的 这个技能，但很多小伙伴呢，对 cloud code 其实呢比较陌生，可能是因为它是一个命令行工具吧，我们有这种感觉呢，主要是因为你不了解它，当你了解它的时候呢，你就会觉得，哦，原来这么简单。 我是深度的 color code 用户，几乎日常百分之八十的工作呢都是在 color code 中完成的，写代码啊，写文档，写作，操作电脑等等吧。所以我打算呢分两期给大家详细的讲一下 color code 的 使用方法，今天主要讲一下基础用法，掌握了这些基础用法，你就可以快速的上手使用它。 下期我们再讲克拉扣的境界玩法，这期我们从这五方面展开讲解，五分钟内让你彻底学会使用克拉扣的好了。发车一，如何启动启动克拉扣的常规的两种方式，第一种是普通模式，直接输入 club， 然后回车。 这种模式下他执行操作前会先询问，比如新建文件夹，删除文件等等，你确认后他才会进行下一步。第二种完全的授权模式，输入 cloud， 后面加上这个三个单词， dangerously skip permissions。 这种模式给予他最大的权限，可以自主执行任何操作，不需要经过你的同意， 我一般呢使用第二种方式，到目前为止没有造成过任何的损失。如果你不熟悉呢，建议先用第一种方式，一步一步的交互。二、基本的交互输入文字很简单，进入客户的后，直接点击输入区域，输入文字回车就可以了。那么我们如何输入图片或文件呢？ 首先我们就正常的先复制到剪切版，然后苹果用户用 ctrl 加 v 进行粘贴， 如果粘贴不成功，也可以直接把文件的路径给他。接下来我们看第三个工作模式，在界面下方，这里会显示当前的模式， 我们按住 shift 加 table 键可以切换，这样一下又切换到了下一个，我们会发现有三种模式， 那这三种模式有什么区别呢？首先是 play model 规划模式，它会针对我们的问题先思考，然后给出详细的方案。这一步它不会自己去执行任何的操作，只是做计划。 第二个呢是 accept edits， 自动接受编辑模式，这种模式下它可以自动地读写文件，但是呢没有操作工具的权限。 第三个是 bypass permissions， 这个就是它有所有的权限，它可以进行任何的操作。我一般处理比较复杂的任务时，我先会用 plan model 规划模式，让它先理解需求，制定方案，如果方案不合适，让它再调整，没问题了就开始干活。 好到这里我们就可以正常地与 client code 沟通了。但 client code 里面最重要的呢，是它的斜杠命令，我们输入一个斜杠，能看到后面出了很多的英文单词。 接下来我们重点讲一下这些命令呢是干什么用的。第一个是杠 login， 通过字面意思呢，大概能知道这是一个登录的命令， 不过这个是针对官方账号，如果没有官方的账号，需要用另外的方式来配置。之前我在视频里面讲过，大家可以去看一下。对应的是杠 logout， 就是 退出登录。杠 init 命令， 这个命令的作用是对整个项目进行一个大概的了解，然后生成一个 cloud 点 md 的 文件，这个文件里面写的就是他对整个项目的理解，后期我们跟他对话的时候，他就会把这个文件作为自己的上下文。 当然我们也可以在里面加入一些自己的要求，比如希望他用中文跟我们沟通，或者希望他每次修改完代码之后呢，做一次 commit。 我 们把这些常用的要求呢都写到这个文件里面去。关于 cloud 点 md 的 介绍呢，我们下节课再细讲。 杠 model， 这个比较简单，用来切换模型，目前官方的模型呢有三个， opus、 soul net 嗨酷，一般日常任务呢，就选中间这个。 soul net 这个模型性价比相对高一点，如果处理复杂的任务呢，我们就选 opus， 这个模型呢是最贵的杠 config， 它的作用呢是对 client code 进行一些基础的配置，我们可以看到 有是否开启自动压缩提示，是否开启思考模式，可以选择主题是深色模式还是浅色模式，可以选择大模型。跟你教会的语言默认是英文，我改成了中文，还可以设置默认的模型等等。我们可以根据自己日常的习惯呢，在里面进行一些常用的配置。 get resume 这个命令的作用呢，是列出我们所有的对话历史，然后选择某一个跟它进行继续的沟通。 比如昨天处理一个任务，处理到一半回家关电脑了，第二天起来呢，我们就输入杠 resume 上下方找到这个对话，进去之后呢，就可以跟他继续昨天的那个历史聊天。杠克令，当一个任务完成了，如果继续在同一个对话里沟通，他会把之前所有的对话内容作为上下文带到大模型去， 这样其实特别的费 token。 常规的做法呢，是完成一个任务之后，执行杠克令，把之前的对话清空，重新开始。当然呢，还有另外一种方式呢，是输入杠 new， 新开一个对话。 杠复位这个命令呢，是最近才出的，因为撤销之前的操作。以前的方式呢，我们是告诉卡的扣的，哎，请你帮我撤回。但是这么做呢，有一个问题，他有可能撤回的不干净，会导致呢出问题。现在有了杠复位呢，我们就可以在里面选择要撤回到哪一步，回车之后，他就恢复到了那一步时候的代码状态。 杠 agent， 列出所有的智能体，但我们调用 agent 是 通过自然语言来调用的。杠 mcp， 列出所有已安装的 mcp 服务器，可以通过键盘的上下键来选择。关于 mcp 呢，咱们这节课不详细讲，下节课给大家讲一下 mcp 的 高级用法。 杠 skills， 这是现在非常火的一个技术。输入杠 skills， 可以 列出本机所有已安装的 skills， 比如我这里有写作的，有 pdf 读取的等等。 关于 scales， 大家可以去看一下我之前发的 scales 写作的那些视频讲的还是比较详细的。杠 compact 这个命令的作用呢是压缩上下文，当然现在我们其实不需要手动输入这个命令了，会画快板的时候， card 的 hold 呢，会自己去执行这个命令。 杠 export 这个命令是将当前的绘画记录导出成一个文档，方便我们呢做备份，或者说在其他的地方查看。杠 user， 查看当前 token 的 消耗情况，这里显示当前绘画使用了多少本周所有模型的总消耗，还有特定模型的消耗。 get permissions， 用来调整 client code 的 权限，第一个是 allow 给予所有权限，第二个是 ask， 就是 要先询问你。第三个呢是 denny， 就是 拒绝权限。第四个是信任当前的目录，在这个目录内可以随便操作。最后一个是杠 exit， 输入这个命令就退出了对话的窗口，退出了 client code， 当然退出对话窗口呢，还有另外一种方式，就是我们按两次 ctrl 加 c 强制退出。好了，最后给大家讲一下在终端里面常用的一些快捷键。首先是 ctrl 加 a， 将光标移动到首行，比如我们输入非常多的内容，但是想改一下第一个字，现在光标是在最后一个，如果我们按住左键，它会移动好多个字才能到了第一个。现在我们只需按快捷键 ctrl 加 a， 它就回到了最开始。对应的还有一个叫 ctrl 加 e， 回到行尾， 然后是 ctrl 加 u， 删除光标前面的所有内容，所以它是一行一行的删，它不是一段一段的删。再就是 ctrl 加 k， 删除光标后面的内容，如果不小心删错了怎么办？我们就按 ctrl 加减号就撤回了刚才的操作，所以 ctrl 加减号呢是撤销键， 有的人的快捷键可能是 ctrl 加斜杠，大家可以试一下。好了，以上就是 color code 的 基础用法，我把这些内容呢整理成了完整的文档，大家在日常使用的时候呢可以参考，需要文档的话可以找我要。下期我们再详细讲解一下 color code 的 高级用法，拜拜，大家点点关注哈，跟着阿亮学 ai！

forrest 的 第四条建议是团队共享同一个 client code 点 m d 文件， kick 进 git， 每周贡献多次。这个文件只有二点五， kick token 包含常见的 bash 命令、代码风格规范、状态管理指南、错误处理模式调试指南等等。这个做法的关键目的是形成一个 block 犯错错误处理模式调试指南等等。这个做法的关键目的是记录到 client 点 m d cloud， 学会下次犯错会更少，团队的效率不断的提升。更有意思的是，它的第五条建议在 code review 时标记 at 点 cloud， 让 cloud 把某条规则作为 pr 的 一部分添加到 cloud 点 m d 中。 他们用 cloud code 的 get help 实现了这个流程。每次 code review 都在给团队知识扩增量，知识就像复利一样不断积累， 但别让文件超过四十 k 的 字幕，二点五 k 的 toc 足够覆盖核心规范。 这不是一次性的文档，而是持续迭代的团队知识库。接下来会是本系列的第四集，用 plan 模式先规划后执行。看完这个系列，相信你使用 cloud code 乃至你的 ai coding 能力 都会有一个全新的提升。后面的每一集都是干货，千万别错过。欢迎你继续观看，点赞加关注，获取更多的有价值的爱心信息！

好的，那么现在我们已经设置了 cloud 代码，并在这个项目中运行。我想开始使用它对代码进行一些更改并开发新的组建。在我们执行此操作之前，使用 forward slash init 命令时，最好在项目根目录中出示画一个 cloud md 文件。 这是一个很好的做法。当我们这样做时， cloud 会扫描整个代码库，他查看文件夹结构，我们如何启动应用程序，所使用的状态管理等等所有的细节。这样他就能好好地理解项目，知道一切在哪里，以及将来应该如何编辑新功能。然后，他将所有这些内容总结， 并将信息以结构化易读的格式写入 cloud 文件中。然后，每当我们与 cloud 代码进行活动绘画以询问我们的项目代码或对代码进行更改时， 他会使用该 cloud md 文件作为上下文和指导。这就像是 cloud 在 尝试找出实现某些功能的最佳方法或提供反馈时使用的代码迷你文档。那么我现在按下回车键来运行这个命令，看看他会给出什么结果。 你可以看到，在执行此操作时，他为自己创建了一个小代案式项列表，他将分析原代码和 package j s o n 探索代码库的内容。 他将检查现有的文档文件。最后，他将在底部创建这个 cloud md 文件。你可以看到他在执行时有点像是在打勾，因此能够看到他的进展非常好。在这一切之间，他在读取文件搜索内容。所以，是的，他正在进行一项非常全面的任务。 好的，那么现在一旦完成所有这些，你可以看到它创建了这个计划。如果我们滚动到底部，会看到它在问我们是否想创建这个 cloud md 文件。 我将选择式，然后它继续创建那个文件。现在我们可以在项目目录的根目录中看到它， 所以让我们在这里打开它，看看它是什么样子。所以你可以看到这个文件为 cloud code 在 这个代码库中的工作提供了指导，所以它有一些不同的开发命令。这些命令来自这里的 package dot j 扇文件，它有一个架构概述， 所以它简要地说明了它是什么。这是一个 next j s fifteen 泊课应用程序，你可以看到我们在里面使用的不同内容，比如 react， nineteen， tailwind， v4， vtest 等等。我们有一个相当不错的项目结构，所以那是在创建新文件的时候，希望存放这些文件的地方 有一些数据架构，所以它知道我们使用 high graph 作为内容。 这里有关于样式的信息。我们这里有一个测试设置，还有一些额外的开发笔记，所以这是相当全面的。他现在为 cloud code 提供了一个良好的指导，告诉我们正在做什么。每当我们进行更改时，他可以使用这个指南。

告诉你一个价值二十亿美金的秘密， cloud 加 skill 等于 minus， 这个 skill 叫 planning with files， 三个文件就能搞定 minus 的 核心能力。 我们先来看看 ai agent 目前面临的四大痛点。第一个痛点是意识性记忆，对话压缩后记忆就会丢失。 第二个痛点是目标漂移任务，坐着坐着就跑偏了。第三个痛点是隐藏错误，同样的错误反复尝试。第四个痛点是上下文膨胀，重要信息被挤出上下文。这四个痛点的根源是 l l m 缺乏上下文工程能力。 解决方案就是 context engineering， 也就是上下文工程。那什么是上下文工程呢？简单说，它是一门动态信息攻击的系统工程， 核心目标是在每一步为上下文窗口填充恰到好处的信息。它有四个核心操作， right 负责输入关键信息， select 负责筛选相关内容。 compress 负责压缩溶液数据， isolate 负责隔离干扰噪声。 wsi i 这四个操作组合起来就能动态管理上下文。 接下来看 context window， 也就是上下文窗口，它的容量是有限的，比如幺二八 k tokens， 也就是上下文窗口，它的容量是有限的，比如幺二八 k tokens。 内部采用分层架构，从 l 系统级信息到 l 外部知识 本智商，他就想 ram 意识性且容量有限。而 external memory 是 外部记忆， context window 加 external memory 等于完整记忆。 menace 总结了上下文工程的六大原则，原则一，围绕 k v 缓存进行设计。 问题是每次上下文结构变化， k v cache 就 会失效，成本暴增十倍。方案是保持前缀稳定，只追加不修改，前缀不变就能缓存命中。原则二，遮蔽而被移除。问题是工具数量爆炸，动态增删会导致缓存失效和模型困惑。 方案是用 block 掩蔽来进行工具保持定义完整遮蔽而被移除。原则三，文件系统作为上下文。问题是幺二八 k 窗口不够用，观察结果庞大，长输入程等高昂。方案是放不下的。卸载到文件系统需要时再加载 ram 加 diss 等于完整记忆。 原则四，通过附属操控注意力。问题是典型任务约五十四，工具调用长循环中容易偏离放弃早期目标。 方案是用 type m d 将目标负数到上下文末尾负数等于目标进入近期注意力。原则五，保留失败痕迹。问题是擦除失败会移除证据，没有证据模型就无法适应。 方案是将错误常识保留在上下文中，错误恢复是真正代理行为的标志。原则六，避免少量文本过滤和。问题是上下文中所有数据同格式输出就会被锁定，陷入节奏。方案是增加多样性，只用不同模板和替代措辞。上下文越待一代理越脆弱。 现在介绍 plan with files 的 设计方案，核心是三文件规划模式的设计理念。我们先做一个类比，传统计算机和 l l m agent。 传统计算机有三大核心部件， cpu、 存存器负责追踪当前执行位置，微内存负责存储中间计算结果输出，缓冲区负责保存最终输出。 但是 l l m 单独使用时缺少这些持久化能力。三，文件的作用就是为 l l m 补全这些计算机部件。第一个文件是 test plan， 这是任务计划文件类比程序、技术器或寄存器。它的功能是定义目标、追踪进度，记录错误。第二个文件是 findings md， 这是调研发现文件类比对内存或知识库。它的功能是存储、调研笔记、网页查找和中间想法。第三个文件是 progress md， 这是进读输出文件背笔、 i o 缓冲区或输出端口。它的功能是保存最终结果，输出干净内容给用户。有了三文件之后，工作又分为三个阶段， read， act， update 三个阶段，循环执行。 read 阶段，提取计划和发现获取当前上下文。 act 阶段，执行具体任务，产出中间结果。 update 阶段，更新进度状态同步到文件 l l m， 加上三文件就变成了有状态的计算机，从无状态的对话升级为有状态的执行。接下来看看三文件如何体现。 minus 的 六大原则。 三文件工作流就是六大原则的工程化落地。 test plan 落地了三条原则， p 四，通过部署操控注意力，每次决策前提取计划目标就始终在注意力区。 p 五，保留失败痕迹，错误记录在计划文件里，下次就不会重复尝试。 p 一， 围绕 kb 缓存设计叉 box 状态，追加更新最大化缓存，附用 findings md 落地的两条原则。 p 三，文件系统作为上下文信息卸载到文件，相当于无限的外挂内存。 p 二，遮蔽而被移除，固定文件结构，结构稳定就能缓存命中 progress md 落地的一条原则， p 六，避免少量等过滤和思考过程和结果物理隔离，保证输出多样化性。 所以添加这个 skill 就 自动获得了 minus 的 上下文工程能力，我们来看 cloud 加上 skill 之后的实际效果展示。四大核心功能功能一，自动规划用户说帮我开发一个用户登录系统， cloud 就 开始创建 test plan， 自动生成阶段性目标和任务清单， 每个任务都带有 check box 来追踪状态。功能二，调研沉淀 cloud 在 调研数据库选型对比 my sql、 postcode、 sql 和 mongodb， 把发现写入 findings， md 永久保存，下次直接复用，无需重复。调研功能三，错误学习 cloud 尝试方案 a 失败了，把失败原因记录到 test plan， 切换方案 b 的 时候看到 a 的 失败记录， 避免走回头路，持续前进。功能四，断解续传上下文码的怎么办？重新开对话， cloud 读取三文件，恢复上下文，自动定位到上次中断的位置，无缝继续工作，毫无信息丢失。 三文件就等于持久记忆加目标锁定加知识沉淀，让 ai agent 真正变得可靠。 fighting with files 一个让 cloud 拥有持久记忆的 skill 三文件，让 ai agent 变得有状态。

好的，在上一节课中，我们讨论了 cloud 和 d 文件内存，就是 cloud 代码在你要求它执行某项任务时所使用的内容。现在它能够做到这一点，因为 cloud md 文件会自动作为上下文添加到任何 cloud 代码绘画中，就像我们现在进行的这个绘画。但是当我们说上下文时，我们是什么意思呢？ 嗯，就像与真实人类的对话一样，当你向你的提示提供额外的相关信息或上下文时， ai 模型的响应会更加准确和恰当。 想象一下，我在对话中只是对你说了香蕉这个词，而没有任何额外的上下文，你可能不知道该如何反应，并且你很可能会觉得我很奇怪。但是，如果我对你说，首先我最喜欢的水果是香蕉，那么我就为这个词添加了上下文。你可能仍然会觉得我很奇怪，但至少你知道我为什么要说香蕉这个词。 你甚至可以回应你自己最喜欢的水果。与 clock 代码或任何其他 ai 驱动的聊天进行对话时也是如此。 如果我只是告诉 cloud 代码修复链接，它可能不知道从哪里开始，或者我指的是哪个链接，甚至不知道链接有什么问题。但如果我引用了一个具体的文件或组建 作为提示的上下文，那么 cloud 就 更有可能知道我在说什么。结果会更好，因为现在它不需要扫描整个代码库 去寻找某个他不知道的坏链接，而是会立即在我们添加未上下文的文件中找到它。因此，我们可以通过使用 add 符号后面跟着文件的路径手动将文件添加为 cloud 代码的上下文。 例如，我可以说 add source， 然后是反斜杠 components， 再然后是反斜杠 u i。 在我写这个的时候，注意到这里出现了一些文件选项。我可以用箭头键循环浏览以选择一个文件。所以我将选择这个按钮组建文件，并且会在其上按 shift 键，以便将其添加到我的聊天中。现在在那个按钮组建 内部，我们有不同的变体，对吧？像是 primary， success， word 等等。我想再添加两个变体，分别是黑色和白色的高对比度变体。我会说添加一个黑色变体配以白色文本，以及一个白色变体配以黑色文本。然后我会按回车， 因为我们提供了文件作为上下文，他会知道查看该文件中的变体，并将其添加进来。 如果我们没有添加上下文，他可能就不知道添加变体到哪个文件或组建。现在你可以看到他要求我们进行更改，我会接受。然后，如果我在他完成之后打开文件， 我们应该能看到黑色和白色的变体，所以让我把这个划掉。哦，他要求我进行另一个更改提示，我暗示来执行。 现在，如果我们打开这个文件，我们应该能看到那两个新的变体。给 cloud 提供代码上下文的另一种方式是通过直接打开文件，只需将光标放在文件内的某个位置。当我们这样做时，你可以在聊天窗口下方看到文件名，这告诉我们它已被添加到上下文中。

好的，如果我们稍微展开一下，这就是他在这里所建立的钩子。我不会过多检查代码。请再说一次，如果这是我正在处理的项目，我一定会仔细检查代码。但现在我只想说，是的， 我将接受这个更改。你可以看到他创建了 hux 文件夹，并在文件夹内创建了 u c m 文件。太棒了！ 你还可以通过使用井号直接从聊天绘画中将记忆添加到 clod md 文件。例如，我可以添加一个井号，然后说一些像在创建新页面组建时，总是将该页面的链接添加到头部。 你可以看到，在这里，当我输入时，他告诉我们，他将记住我们所说的内容，因为我们添加了那个井号。简而言之，他会把这个指令存入 clod 文件中， 已被将来参考使用。所以现在每当它创建一个页面组建时，希望也能为它创建一个头部链接。现在，当我们按下回车键时，我们会看到几个选项。我们可以将其保存到项目记忆中，也就是为这个项目创建的 cloud dot md 文件。 你可以将其保存到本地项目中。位于同一根文件夹，但文件名中添加本地部分。你还可以将其保存到大局记忆，也就是存储在计算机根云文件夹里的全区云文件中。安装程序为我们添加了该文件。 项目记忆是在我们运行斜杠 init 命令已在项目根目录创建这个 cloud i n d 文件时设置的。这个文件只在由版本控制进行根， 并推送到你的远程仓库。这确保了任何其他参与该项目的开发者都拥有相同的 cloud 文件和相同的 cloud 代码，这意味着此文件中的任何记忆或信息应特定于该项目，例如文件加结构，命名，约定，测试框架等。 本地项目记忆是一个文件，只在为你在处理 cloud 代码时提供个人指导和偏好，例如概述你可能会使用的任何个人工具。这些工具不一定是其他在同一项目上工作的开发者会使用的。这份文件不会被推送到远程仓库，它只会在这个项目中对你本地可用。 最后，用户的记忆是你对 cloud 在 所有项目中的个人指导。你在多个项目中普遍使用的任何工具 或你拥有的任何个人代码风格偏好都应该放在这个文件中。这同样只是为你在电脑上准备的，但它适用于 cloud 代码运行的每个项目。 现在我们只是要将其添加到项目记忆中，这意味着它应该被添加到我们已经拥有的 cloud dot md 文件中。所以，如果我关闭这个并打开这个文件，我们应该能在底部看到新记忆已被添加。你可以在这里看到在创建新页面组建时始终在头部添加该页面的链接。太棒了！ 好的，现在我们来进行一次测试。我会打开 cloud code backup 并粘贴一条提示，上面写道你能否添加一个仅包含 h 二标题和一行 loran 作为联系方式的星关于页面，所以按下回车。

嘿，大家好，如果你每天都在跟 ai 打交道，那你肯定知道一遍又一遍地输入那些又长又复杂的指令有多烦人。不过别担心，今天咱们就来聊一个叫 cloud skills 的 新技术， 它呀，可以说是彻底改变这个线上的一个大杀器，能让你真正释放 ai 的 超能力。我们马上开始吧！是不是觉得这个场景特别熟悉，为了让 ai 帮你干个活，每次都得绞尽脑汁写一大段详细的说明，感觉自己像在写说明书一样， 这日复一日的真的挺磨人的。但如果我告诉你，有这么一种方法，能把你所有这些重复的工作流程直接打包成一个即插局用的小工具呢？ 没错，这个绝妙的解决方案就叫做 skill， 也就是技能。为了让你能一下子就明白 skill 到底是个啥，咱们来看一个特别有意思，也特别巧妙的比喻。 没错，你没听错，就是那个让孙悟空一听就头疼的紧箍咒。你可能会觉得奇怪，但你听我讲完就会发现，这个比喻简直是绝了，能帮我们一下子就抓住 skill 的 精髓。 why？ 看这张图，这张图啊，可以说把整个概念都给化火了，他把一个听起来很抽象的技术，变成了一个咱们人人都知道的故事。接下来咱们就顺着这个思路，一步步把它拆开看。 我们来看这个对应关系啊，非常有意思。你看唐僧，他就是咱们用户，负责发号施令。那观音菩萨呢？他就是 skill 的 创建者，他提前把规则都定好了， 那个戴在猴哥头上的金箍，本身其实就是我们说的 s k l 点 m d 这个核心文件。而唐僧念的那段咒语，就是 ai 要执行的具体步骤，最终要达成的目标就是让孙悟空听话干活，也就是完成我们指定的任务。这么一说，是不是一下就清晰了？ 好了，我们现在知道它是什么了，那么下一个关键问题是，我们为什么要用它？这东西到底强大在哪呢？简单来说，它的好处主要有三大块，第一，它能让复杂的流程变得可以重复使用，而且是自动化的。 第二呢， ai 能变得特别聪明，它会根据你的要求，自动挑出最合适的技能来用。而最厉害的一点我觉得是，它能让你像复制粘贴文件一样，轻松地把专家的知识和经验安装到你的 ai 上。 先说这第一点，可夫用性，它就像这把锤子，不管你面对的工作有多复杂，有多少步骤，你都可以把它打造成一个 skill。 有 了这把锤子，以后再遇到类似问题，直接拿来用就行了，一锤定音。 咱们举个实际的例子，就说内容创作吧。以前你可能得先让 ai 写稿，然后自己想标题，再去另一个工具作图，最后还要自己校对。 但现在呢，有了 skill， 你 只需要说一句，帮我写篇关于人工智能的文章， ai 就 会自动帮你完成写稿、想标题、做封面、配查图，再到最终检查，这全部五个步骤，一步到位。接下来这一点是我个人觉得最酷的惊艳的复制粘贴。 你想想一个行业里的大师，他可以把它解决某个复杂问题的一整套思路、流程和标准全部定义成一个 skill。 然后呢，你拿到这个 skill， 只要把它往指定的文件里一放，你的 ai 就 瞬间拥有了和这位大师一样的处理能力。 这简直就像是给你的 ai 下载安装了一个专家大脑啊！好，听起来很神奇对吧？那么这个魔法在后台到底是怎么发生的呢？当你说出一句话的时候， ai 是 怎么知道要调用哪个 q 的 呢？ 整个激活流程其实看这张图就一目了然了，它就像我们大脑处理信息一样，也分为几个阶段，具体来说就是三步感知、激活，还有最后的执行。 我们来把它拆解一下啊。第一步感知就是当你发出指令的时候， ai 会飞快地扫描它自己的技能库，看看哪个 skill 和你的意图最匹配。找到之后就进入第二步激活，这时候它会去加载那个 skill 的 核心文件，也就是 skill 点 md 里的具体规则。 最后一步执行，这就简单了， ai 会严格按照文件里写好的步骤，像执行一个代办清单一样，一步一步地完成任务，做完一项就划掉一项。 这里面其实还有一个很有意思的技术细节，为了节省宝贵的内存空间， ai 并不会傻乎乎地一次性把整个 skill 文件都读进去。他用了一个很聪明的策略，叫做渐进式批漏，也就是说他刚开始大概只会加载前面的一百行左右。 所以啊，这也给了我们一个启发，写 skill 文件的时候，尽量把最重要的姓习放在最前面，保持简洁。说了这么多，一个 skill 文件本身到底长什么样呢？是不是很复杂？咱们现在就来看看它的内部构造， 每个 scale 的 心脏其实就是这个叫做 s k i l 点 md 的 文件。你别看它名字好像很专业，它本质上就是一个我们平时都用的到的 markdown 格式的文本文件，非常简单， 你看它的结构简单到什么程度呢？一个最最基础的 skill， 只需要在文件开头用三个横线把它的名字 name 和描述 description 包起来就行了。只要有这两个东西，一个最简单的 skill 就 诞生了。 当然了，如果你的工作流程比较复杂，它也完全可以扩展。比如说，你可以建一个叫 references 的 文件夹，专门放一些参考模板，再建一个 scripts 文件夹，放一些自动化脚本，甚至还可以有一个 assets 文件夹，用来存图片之类的资源。 最棒的是什么呢？是它的安装过程真的就是傻瓜式操作，你只需要把这个包含 skill 点 md 和其他文件的整个目录直接拖进你那个工具的 skills 文件夹里就搞定了，即插即用，完全不需要任何复杂配置。 原文件里有句话我觉得总结的是特别到位，到了二零二六年，想要提升工作流程，最简单的方法就是使用 skill， 你 不消会开发，也不消懂代码，任何人都能上手，这就是它最大的魅力所在。 好了，听到这里，你已经掌握了这项新超能力的原理了。那么现在不妨花一分钟想一想，在你自己的日常工作或者生活里， 有没有什么重复性的让你觉得特别烦恼的任务可以被封装成一个强大的 skill 呢？

这不仅仅是技巧，这是驾驭术。哪怕你一行代码都不写，也能让 cloud code 这种命令行工具直接发挥出年薪百万工程师的铲除秘诀只有一个，别做卑微的请求者，要做拥有绝对权力的独裁者。 我看过太多人还在用聊天的方式哄 ai 干活，效率低到令人发指。今天我教你建立一套不容置疑的数字线法，直接锁死 ai 的 能力上限。接下来，我会直接给你三套掠夺级指令， 第一，自动生成竞品公房报告。第二，把别人的网页做像素级克隆。第三，让混乱的数据直接开口说话。准备好，我们现在就开始给你的 ai 进行一次暴力的出场设置。 大多数人的 ai 配置都太儿戏了，还在写你是一个有用的助手。这种设定下， ai 只会给你输出平庸的万金油代码。我们要改，必须把文件命名为 c o a u d m d。 这是 ai 识别的出厂设置。 在第一部分，直接定义身份，告诉他你不是客服，你是首席工程师兼高级数据科学家，然后锁死他的语气专业简洁，结果导向，特别是这句 no i hope this helps， 明确禁止他说希望这对你有帮助。这种毫无意义的客套话。 最后，确定你的权威。你是总架构师，他必须立即执行指令，这几行字写进去， 他的代码质量立马就会不一样。定义完身份，接下来是重头戏，行动法则。这是为了毒死 ai 偷懒的后路，直接复制这段规则。第一，行动前思考强制他在修改任何文件前必须列出三点计划， 防止他一上来就把你的代码改崩了。第二，也是最重要的一条，验证优先，绝对禁止他在没有运行测试脚本的情况下告诉你完成了。你必须要求他不许只给我看代码。你要运行他，证明他是对的。 第三，错误处理。当他遇到报错时，禁止盲目重试。很多时候， ai 会陷入死循环，一直试错。这里我们要强迫他先读日制分析根音，再给方案。这三条规则就是你的质量防火墙。 最后一部分是项目认知。这里我们要用行话来切口锁死 ai 的 能力上限，明确你的技术栈，比如自动化用 python， 界面用 tailwind。 然后加上这两条金科玉律， diy 原则和 k i s 选择。 diy 就是 don't repeat yourself。 不要写重复的代码， k i s 就是 keep it， simple， stupid， 保持愚蠢式的简单。为什么要写这两个词？因为这是资深工程师的通用语言。当你把这两个词写进配置文件 code code 就 会明白，哦，这个用户是内行， 我不能随便堆砌垃圾代码来糊弄他。这不仅仅是规范，这是在用专业术语建立你的威慑力。进入第一个实战场景，商业情报掠夺。大部分人做竞品分析， 只是会对 ai 说，帮我看看这个网站，然后得到一堆正确的废话。我们要换一种打法，直接下达侦查指令。 mini cloud code， 像黑客一样，优先扫描对方的 site map x m l 站点地图。这就像打仗前先搞到了敌人的布防图，而不是在门口瞎转悠，只有掌握了结构，后面的分析才不会跑偏。拿到地图后，进入第二步 开采。别让 ai 给你念网页内容，要直接下达掠夺清单，这三样东西必须拿。第一，抓取前十个最热门的产品或文章标题，看他们靠什么引流。第二，分析 seo 关键词密度，看他们怎么偷流量。第三， 把定价表格完整扒下来，别管那些虚的品牌介绍这些才是对手赚钱的真家伙，你要做的就是把这些核心数据从他们的网页里生生拽出来。 最后是合成阶段，这是新手最容易翻车的地方，千万别让 ai 给你吐出一堆运行日记或者散乱的数据，没人有空看那个，你要下死命令，不要废话， 把上面抓到的所有数据合成一份 markscan 格式的攻防战略报告，甚至要更进一步，直接问他基于这些数据告诉我怎么打败他们。 记住，你雇佣的不是一个爬虫工具，而是一个能给你出谋划策的首席分析师。第二个，场景，视觉资产克隆，看到国外那个落地页很帅， 想直接拿来用。别再去问 ai 能不能模仿了，那种指令太弱。我们要下达的是逆向工程指令，把你截好的图丢进去。 第一步，命令他进行视觉结构。这一步非常关键，你要让他像做外科手术一样，把这张图拆解开，告诉他别急着写代码，先给我分析他的网格布局是几栏的， 把他的设置代码全部提取出来，还要测量他的字体大小和粗细，先看懂再动手，这是规矩结构清晰后。第二步，代码合成。 这里我们要锁死基础站，指定用 html 加 tailwind css， 这是目前还原度最高，改起来最快的组合。然后加上两个死命令， 第一，必须是响应式的，我要手机电脑打开都能看，布局不能乱。第二，原图里的鼠标悬停效果，过场动画一个都不能少，必须从动态层面也做到保真。你要明确告诉他，我要的不是像，而是一模一样。最后一步，交付， 别让他给你吐。那些零散的代码片段，看着都头大，直接命令它生成一个 index html 单文件，并且自动调用浏览器打开供我验收。这时候你的标准只有一条，像素级完美，做不到就打回去重来， 我不听任何借口。你想想，原本你需要找个设计，再找个前端，磨磨唧唧干三天的活，现在你只是下了一道死命令，去喝口水的功夫，他就给你干完了。这就是克隆军队的力量。搞定了界面和流量，你手里剩下的可能就是一堆乱七八糟的电子表格文件。 这时候别像个实习生一样去手动调格式，我们要启动数据法一审计模式，直接给 cloud code 下死命令。 第一步，消毒管数据有多烂，让他自动修复错误，删掉空行。记住，告诉他清理垃圾，不需要向你请示，直接干。第二步， 审讯，让他盯着那堆数字找出异常值，你要的是答案。比如哪个渠道的投产比 roi 最高，哪类客户跑得最快。你不需要懂算法，你只需要下达最冷的指令， 最后一步也是最爽的一步，可直观变现，让 ai 调用 python 的 plotly cool， 直接给你搓一个交互式的看板出来，告诉他， 别给我发那些看不懂的分析报告，我只要一个 html 文件，并且我给你定个死规矩，亏损的业务全给我用鲜红色标出来，暴利的业务用绿色。 你的目的很简单，就是让他把最核心的利润点挖出来放在你面前。你不需要盯着屏幕看半天，你只需要看一眼颜色就能知道钱在哪。这就叫暴君的统治力。 听着 ai 也有偷懒的时候，当他假装修好了代码，实际上运行起来还是一堆报错，千万别温柔的引导他 直接甩出这段话。第一，停止告诉他你违反了协议，现在立刻回滚。第二，让他滚去写一个独立的测试脚本， 名字就叫 proof， 点 p y， 在 测试文件没跑通之前，严禁碰我的主代码。这一步就像给他带上止咬器，防止他在错误的泥潭里越改越乱。你要的是确定性， 而不是让他在这里无止境的试错。如果 ai 开始跟你绕圈子或者陷入死循环，那说明他的上下文已经被垃圾信息污染了。这时候不要犹豫，直接启动熔断机制。第一步， 输入斜杠 compacts 命令压缩记忆。第二步，命令他忘掉刚才所有的废话和尝试。第三步， 让他重新读 c l a u d 点 m d 这个宪法文件。这就像是给他的脑子做一次强制重启，清理掉所有干扰逻辑的造声。作为首席架构师，你必须让他明白刚才那条路走不通。现在必须换个脑子重新开始。 记住，不满意就重购，不想要过程就只要成品。去建立你的 c l a u d 点 m d 开始你的暴君统治吧！

嘿，大家好，今天咱们来聊一个特别火的话题，它正在悄悄地改变整个软件开发行业。没错，就是 ai。 协同编程 这东西催生了一种全新的玩法，叫做 web coding， 或者说氛围编程。我跟你说，这可不只是换个新工具那么简单，这简直就是一场思维上的大革命， 你敢信吗？这一切的开端源自一个听起来有点夸张的说法。很多创业公司的老板都说，用了 ai 之后，他们写代码的速度快了十倍，有的甚至说快了一百倍。 哇，一百倍！这听起来跟科幻片似的对吧？但它正在真实的发生。今天我们就来一探究竟 好，为了搞明白这到底是怎么回事，我们今天的路线图是这样的，首先看看那个百倍速度的承诺到底靠不靠谱，然后咱们去解锁一下 ai 背后的独门秘籍，当然，我们也要聊聊他带来的大麻烦，烂代码问题。 最后也是最重要的，看看在新时代，程序员们要怎么调整姿势，玩转这个氛围编程。 那么这个听起来神乎其神的氛围编程到底是个什么东西？它凭什么能带来这么大的效率提升？ 氛围编程这个词最早是由一位叫安德烈卡帕西的计算机科学家带火的，说白了，它的核心就是，你作为开发者，别再一行一行吭哧吭哧的敲代码了，把这些脏活儿、累活儿都交给 ai 去干， 那你干嘛呢？你的决策升级了，从一个代码工人变成了一个产品设计师和总导演，你的重心完全从怎么实现转移到了要做什么上，这个理念啊，可以说有点颠覆三观， 他要求你首先要信任 ai 写的代码，然后要拥抱那种快到飞起的迭代速度。你的眼睛里应该只有产品，而不是那些乱七八糟的代码细节，甚至最极致的状态是，你要努力忘记代码的存在，你只管提需求，剩下的交给 ai。 那么问题来了，这么快的速度，背后到底有啥黑科技呢？总不能是凭空变出来的吧？答案就在一个叫技能，也就是 skills 的 新概念里。 你可以把这个技能想象成是给 ai 准备的一个个技能包或者工具箱，每个技能包里都装着特定领域的知识说明书，甚至是能直接运行的脚本。当 ai 接到一个任务，它就会自动去工具箱里翻找，拿出最合适的那个技能包，咔嚓一下，它就瞬间变成了这个领域的专家。 而这个技能包系统能高效运转，背后藏着一个特别聪明的点子，叫渐进式信息路由。这套机制能让 ai 既博学多才，又不会被信息撑爆大脑。 这个流程分三步走，非常巧妙。第一步， ai 启动的时候，他只看一眼所有技能包的封面，也就是名字和一句话简介。第二步，当你的要求和某个简介对上了，他才会打开那个技能包，把核心的说明书读一遍。 第三步，只有当任务真的需要更多细节了，他才会去翻阅那些厚厚的参考资料，比如 api 文档什么的。你想想，这就好比你大脑里有个智能锁瘾，需要什么才调取什么，绝不浪费宝贵的内存，也就是我们常说的上下文框。 这种方法带来的好处是实实在在的，你看这张图，效果一目了然。用了技能之后，系统每次启动需要加载的信息量，也就是 token 使用量直接砍掉了三分之二。 这意味着什么？省钱、省时，效率暴增，整个过程都变得又快又便宜。不过，咱们都知道，天下没有免费的午餐。这种狂飙突进的速度也带来了一个很棘手的问题。 当你的搭档是一个只追求速度，不太在乎质量的 ai 时，你很快就会遇到程序员们私下吐槽的烂代码问题， 风险真的不小， ai 生成的代码可能结构一团糟，维护起来跟噩梦一样。而且现在的 ai 在 调试复杂问题时，说实话水平还很菜。 更可怕的是，如果你事事都依赖他，你自己的真本事可能就慢慢退化了。这种先跑起来再说的模式，会飞快地堆积技术债，今天图省事儿，明天就得加倍还。 于是呢，这就催生了两种截然不同的门派，一边是完全拥抱 ai、 依赖网络的氛围派，而另一边是主张断网修行的飞行模式派。 他们认为你应该关掉网络，关掉 ai， 强迫自己从第一性原理出发进行深度思考，而不是被 ai 给出的第一个答案牵着鼻子走。那难道我们只能二选一吗？要么快但乱，要么慢但精。 其实不是，真正的答案是咱们程序员的人，而是变成了指挥 ai 这个演员的导演。 没错，在 ai 写代码的时代，你敲键盘的速度不再是核心竞争力什么，最重要是你的品味。 这个品味指的是你的判断力，你的技术审美，还有你对产品的远见，正是这种品味，能让你指导 ai 写出优秀的代码，塑造出伟大的产品。 所以，一套全新的工作手册就诞生了。你看，这完完全全就是个导演的工作手册吗？第一步，写好详细的剧本，也就是需求文档。 第二步，定好规矩，告诉 ai 演员哪些能做，哪些不能做。第三步，别一口气让他演完一整部戏，把他拆成一小段一小段的请求。第四步，随时喊卡，频繁地测试，确保演得没问题。最后和你的 ai 演员一起不断打磨，直到作品完美。 好了，我们来总结一下。所以你看氛围城边人这玩意儿，它不是来取代传统编镇的，它是一个完全不同的工具，一个强大的放大器，它要求我们用一种全新的视角去思考和工作。 这张表总结的特别好，你看这个角色的转变，任务从写代码变成了提需求、审代码，核心价值也变了，从追求速度变成了追求品味和架构能力。 你的瓶颈不再是打字慢，而是你提问的水平和错事的质量。甚至以后公司招人面试，可能考算法题的会变少，考系统设计考你怎么跟 ai 打交道的会变。 那么要想玩转这个新时代，有几个新法？你得记住，需求要写得越具体越好，用规则来保证代码质量，多测试，多提交代码，方便随时反悔。 但最最重要的一点，永远别忘了，你依然需要扎实的技术功底，因为你才是那个导演，你得有能力判断 ai 这个演员演的到底好不好。这就把我们带到了最后一个，也是最根本的一个问题上， 当繁琐的代码编辑工作可以交给 ai 的 时候，那你作为一名创造者、工程师、梦想家，你将去创造些什么呢？这可能才是这场技术革命给我们带来的最大的机遇和最激动人心的挑战。

cello 的 emd 越长， cloud 越蠢，这不是玩笑。最近开发者社区正在激烈争论这个问题，有人的 celloed dmd 已经写了五百行，有人干脆一行都不写，到底谁是对的？表面上看，这是一个 context rote 的 技术问题，也就是上下文膨胀导致效果下降。 但我发现本质上，这是一个认知外包的边界问题。有些知识该让 ai 记住，有些必须写成代码强制执行，搞反了， ai 越用越蠢。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。今天我们来拆解 什么该放进 c l a d m d， 什么绝对不该放正确的认知外包架构是什么。我们先来理解一下什么是 context route。 简单说就是随着 prompt 和上下文变长， l l m 的 效果会下降。 就像人一样，给你十条规则，你记得住，给你一百条规则，你不仅记不住，还会搞混。 cloud 也是一样的。在开发者社区里，有两种极端立场，一派是不写派，他们的观点是根本不用 slow dmd， 因为 llm 随着 prompt 变长必然退化。另一派是长文派，他们说结构比大小重要，五百行也没问题， 谁对？其实两边都有道理，但都没说到点上。我看到一条评论，说到了关键，他说如果一个纠正很重要，它应该变成一条 lin 规则或一个测试。 翻译成人话，就是能用代码强制执行的，别用自然语言提醒，这才是问题的核心。好，我们来聊聊认知外包。传统时代，我们写文档给人看，写代码给机器执行。 但 ai 时代多了一个新东西，就是写 c o 的 d， m d， 给 ai 记住，这是一种新的认知代理模式。问题是什么知识？该用哪种方式承载？我总结了一个三层架构， 第一层是强制执行层，包括拎听规则测试、 get hooks 这些不需要 ai 理解，代码会强制执行。第二层是高频召回层，就是 cloud md 的 前五十行，每次对话都需要的内容必须精简。 第三层是按需查阅层，就是链接到其他文档的部分，需要时才加载。我们一层一层看。第一层，强制执行层应该放什么 代码，格式规范用 e s link 和 peritone， 类型检查用 type script， 测试覆盖用 c i， c d。 为什么要放这一层？因为 cloud 可能忘记规则，但代码永远不会忘。第二层，高频召回层应该放什么？ 项目架构概述的金钱版、关键技术站版本以及核心编程约定，最多五条字数限制，建议在一百到两百行以内。第三层，按需查阅层应该放什么？ 详细架构文档？ api 参考、历史决策记录，关键是用链接引用，不要全塞进 c l， a， d， e， d， m， d。 比如写一行，详见 dog's architecture， dog m d 就 够了。有人问了，那个五百行 c， l， o， d， m d 的 人，他为什么能 work？ 我 看了他的结构，他的五百行分成三块快速参考表，放在最前面的五十行，然后是架构笔记作为参考用， 关键是高信号内容前置，这其实是变相的三层架构。接下来我们聊聊 cloud reflect 这个工具， 这个工具想解决一个真实痛点，开发者每天都在纠正 cloud， 但很少人会把纠正记录下来，工具的目标是自动捕获这些影视纠正，然后转化为 c l a d m d 配置。这个工具有两个设计亮点，第一是 human in the loop， 就是 h t l， 它不是自动写入，而是需要人工审核批准。 第二是有限制，极致，强调精简，避免无限膨胀。但这个工具也有局限。第一个问题是检测逻辑过于简单，它是用政策匹配 perfect， exactly， right 这些词，这能捕获多少有效反馈？第二个问题是影视纠正本身就很难捕获，开发者说试试别的方法，这算纠正吗？ 很难说，有没有更好的替代方案。我总结了三种，第一种是阶段性复盘，人工筛选质量高，但需要纪律。第二种是拎挺优先，能强制执行，但只适用于格式类问题。第三种是绘画日制分析， 很全面，但容易信息过载。有一位开发者的经验，我觉得很值得参考。他说让 cloud 写代码，但决不让 cloud 喷 cloud dmd， 这个边界划得很清楚。好，我们来总结一个决策框架，当你遇到需要告诉 cloud 的 事情，先问自己，能用代码强制执行吗？如果能写成 link 或测试。如果不能，问第二个问题，每次对话都需要吗？ 如果是放进 c l o 的 md 的 核心区，如果只是偶尔需要，那就放进参考文档，用链接引用。最后给几条实操建议。第一，定期清理，每周 review 一 次 cl a， d， m， n d， 删除过时和重复的内容。 第二，分层管理 c loud md 保持两百行以内作为核心规则架构文档， a p i。 参考分开放在 docs 目录编辑，其规则放在 cursor rules 文件。第三版本控制 c loud md 也要用 get 管理， 这样可以追溯变化。有人提了一个痛点，说他的问题是 cloud 经常不去查阅参考文档， 于是在 c， l， a， d， e， d， m， d 里写了链接。解决思路有几个，在 c， l， a， d， m， d 明确指出何时该查询使用更明确的触发条件，或者考虑使用 cloud skills 功能。回到核心观点， context route 不是 根本问题，认知外包的边界才是。 记住这个三层架构强制执行的，用代码高频召回的放 c， l， a， d， m， d 核心 按需查阅的写成文档链接。一句话总结，能用代码强制的，别用文字提醒，必须用文字的放最前面，其他的写成文档链接，这就是认知外包的正确边界。源铁链接我放在评论区了。 关于 cloud d， m， d 管理，你有什么经验，欢迎评论区聊聊。这里是 l l m x factors， 我 们下期见。

由于我在 cloud code 参与之前已经开始了这个项目，它能够扫描我现有的代码库并识别出许多内容，因此它可以根据我已有的代码生成一个详细的 cloud 文件。但如果你从一个几乎没有设置文件或代码的全新项目开始，它将会有很少的东西可以使用。 而 cloud md 文件可能不会包含太多内容，但在这种情况下，你可以手动进入文件并自己编辑概述你将要建立的任何高级项目结构，你将要使用的任何工具，包括框架，你的代码风格，偏好，以及基本上是应用程序的总体总结，然后你可以在过程中对其进行更新。最后一点很重要， 无论你是从新项目还是现有项目开始。因为如果你更改了文件结构，使用的任何包或文件中概述的其他内容，你应该保持这个文件的更新。如果你不这样做， cloud code 可能不会自动识别这些更改。当你要求它做某事时，它可能会朝完全不同的方向发展。 无论如何，这个 cloud md 文件现在会自动添加到绘画上下文中，以便 cloud 在 进行更改时可以参考它。你会发现，保持一个最新的 cloud 文件会导致更好的代码生成。 那么现在我们有了这个文件，让我们问 cloud code 做一些事情，看看它是否遵循指导。我要 cloud code 为我们做的事情是制作一个新的 hock， 这个 hock 将根据用户在右上角切换的小图标时的主题片号来存储用户的主题片号。 现在我注意到，在这个 cloud 文件中，我们没有引用 hoox 文件夹，所以这是一个很好的机会来更新这个文件，以便 cloud code 知道在哪里创建 hoox。 我 要把这个保存到项目结构中。在这里说，所有可重用的 hoox 都在这个 hux 文件夹里。现在，如果我让 cloudco 制作一个 hux， 希望它能够把它放在那个文件夹里，那么你可以看到我们目前实际上并没有一个 hux 文件夹，但希望 cloudco 也会创建那个文件夹。我将打开终端，然后我会让它创建这个新的 hux。 我 会说，你能创建一个 hux 来存储用户的主题偏好吗？当他们在网站上切换主题时， 我会说把值存储在本地存储中，以便下次使用。 然后我还会说，暂时不要在任何地方使用这个 hulk。 因为 cloud code 有 这样的习惯，如果它创建了一个新的功能， hulk 组建。 不管是什么，它都会想在你的项目中使用那个 hulk。 所以 很多时候我会在最后加上这个来确保它不会那样做。我将按下回车键。我现在真正关心的是测试 cloud 代码是否能够查看 cloud md 文件，并在正确的文件夹中创建 hulk， 确保一切运作正常。 好的，看起来它生成了一些代码。如果我们看看这段代码，你会看到它想把它放在 hoax 文件夹中。

您是否曾感到厌烦，每次与 ai 对 话时，都必须像复读机一样，一遍又一遍地粘贴相同的背景信息、规则和指令？这种传统的 prompt 模式就像一张一次性便签，用完即丢，效率低下且容易出错。我们不断地进行重复性劳动，手动复制粘贴， 这极大地限制了 ai 作为生产力工具的潜力。但如果您的 ai 助手能够拥有肌肉记忆呢？今天我们将深入探讨 cloud 的 一项革命性功能，智能体技能，也就是 agent skills， 这正是解决上述痛点的终极方案。 agent skills 不 再是一次性的指令，而是 cloud 的 长期技能包。它将一个通用的 ai 模型转变为能够处理特定领域任务的专家， 比如专业的 pdf 处理器，或是精通数据分析的 excel 大 师。这一切的核心优势在于一次创建、自动调用，并且能够像搭积木一样组合多个技能来应对复杂的工作流。那么，这背后的技术魔法是什么呢？答案出奇的简单，一个基于虚拟机的文件系统， 您可以这样理解，每一个技能本质上就是 cloud 虚拟机里的一个文件夹，而 cloud 与这些文件夹互动的双手就是我们熟悉的 bash 命令行， 它通过运行 bash 命令来读取技能、说明文件或者执行文件夹里的 python 代码。最巧妙的是， cloud 并不会一次性把所有技能都背下来塞进大脑， 而是像我们人类一样，采取按需加载的策略，需要的时候再去翻阅对应的书籍或工具箱。这种按需加载的策略是通过一个名为渐进式批录的三层机制实现。第一层是原数据， 这部分内容始终被加载，它只包含技能的名称， name 和描述 description。 它的 token 消耗极低，作用仅仅是让 cloud 知道我有这么个技能， 以及我应该在什么时候使用它。第二层是说明书，当用户的请求与某个技能的描述匹配时，这一层才会被触发加载。 cloud 会通过 bash red 命令读取技能文件夹下的 skill m d 文件正文，了解具体的操作步骤和代码示意。第三层是资源与代码，这包括了具体的 python 脚本、 pdf 文档、数据库结构图等等。在被执行或读取之前， 它们完全不消耗任何上下文 token。 这意味着您可以在技能文件夹里塞入海量的参考资料。只要 cloud 不 去翻开，它们就不会对您的 token 预算造成任何压力。要创建一个技能，我们首先要编辑它的身份证，也就是 skill 文件。这个文件的头部 使用压默格式定义了两个关键字段。 name 作为技能的唯一标识，有严格的命名规范， 例如只能包含小写字母，数字和连字符，以及最重要的 description。 这是触发技能的班级。您必须清晰地告诉 cloud 这个技能是做什么的， 以及在什么情境下应该调用它。在原数据之下就是 skill 的 md 的 正文，也就是我们前面提到的第二层说明书。在这里，您需要用 markdown 格式详细拷写操作步骤，提供 python 代码块参考，甚至可以链接到文件夹内其他的说明文件， 实现更深层次的渐进式。譬如，让我们来看看 cloud 的 思考过程。当您发出一个请求，比如请帮我提取这个 pdf 里的文字。 cloud 会首先扫描所有可用技能的 description， 当他发现 pdf processing 这个技能的描述与您的需求高度匹配时，他就会触发该技能并执行 bash 命令来读取 pdf skill skill md 说明书。进入上下文后， cloud 就 知道了具体该如何操作， 比如调用哪个 python 脚本来完成任务，接着它会执行相应的代码。这里有一个直观重要的点，只有脚本的最终输出结果，无论是成功信息还是错误报告会进入上下文， 而脚本的源代码本身保持隐藏。最后， cloud 会根据这个输出结果向您生成最终的回复。当然，赋予 ai 如此强大的能力，安全问题也不容忽视。请务必只安装和使用来源可信的技能，并在使用前审计其代码，警惕任何异常的文件访问或网络请求。同时也要注意不同平台， 如 api、 本地开发环境， cloud 点 ai 网站的技能是相互独立的，网络权限和数据同步策略也各有不同。 总结一下开发流程，首先，定义技能并创建文件夹，编辑包含原数据和说明的 s q m d。 其次，将需要的 python 脚本和参考资料捆绑进去。然后根据您使用的平台上传或放置文件。如果是通过 api， 记得配置必要的 beta headers。 最后发送请求进行测试， 观察 cloud 是 否能自动调用技能。现在您已经掌握了将 cloud 从一个剑坛的对话者转变为一个拥有专业技能，能够自动执行任务的智能体。专家的所有关键知识，去构建您的第一个专家助手吧。