skills 是接口还是应用

openclaw 现在这么火，但是如果你还不知道 skill 是 什么，你可能至今都无法理解 openclaw 它为什么会爆火起来。 今天我就用一个案例带你看看有了 skill 的 openclaw 它到底有多强。首先，我们直接用豆包试试，告诉他去哪里找新闻，找热点，还有我的代办事项，我的日程在哪可以看到。嗯，豆包思考了很久， 但最后只给了一个模板，只能说他除了口嗨，好像什么都做不了。好，现在我们拿纯净版的 openclaw 试试新闻，他用内置浏览器找到了热点，他好像只看到了第一页的热点内容，我的代办事项他也能拿到， 日程还是没办法拿到。比起豆包的口嗨， openclaw 具备了浏览器搜索和文件读写的能力，确实比豆包强了不少。这一切都要归功于 内置的工具托。什么是托呢？它的定义非常技术，我们不用理它，它其实就是能帮你完成对电脑的基础性的操作，例如浏览网页、读写文件、日制管理， 还有执行脚本的能力。你可以把它想象成车库里面的那些工具，扳手、螺丝刀这些。但是会用扳手就代表你一定会换轮胎吗？不是的，工具方法 和流程加在一起才是一个完整的换轮胎的 skill。 好， 现在我们给 openclaw 装上一个成熟的 skill， 专门抓 reddit 热点的，我们再看看效果， 你可以看到现在数据是抓全了。而这里这个 skill 就是 利用了 openclaw， 它能执行 note 脚本的特性， 直接通过 a p i 去获取了全量的数据。但是我们的日程列表还是没有在社区上找到成熟的 skill， 所以 我们就自己开发一个。这里我建议大家直接用 ai 来生成 skill。 我 们可以看到大户型帮我们生成的 skill， 它是通过 macos 特定的脚本来读取了系统里面的日历数据，我们看看效果。嗯嗯， 这下我们日程也获取到了。但是仅仅调用接口获取数据的 skill 我 觉得没有灵魂，因为它不够专业。一个专业的日程 skill 应该有自己的处理逻辑流程，以及知道什么时候该重点提醒我。这个时候我们就可以给 skill 输入 sop 了，这才是从能用走向专业的关键一步。 现在我们所有的功能都已经齐全了，那我们整体的看一眼它的架构图，而这就是常见的 agent 和 skill 的 关系。 agent 负责串流程，先调浏览器查网页，再用热点的 skill 查热点，用日程的 skill 查日程，最后再整合输出，而 skill 则负责干实事。 嗯，每个 skill 都有自己专注的领域，这样才能把事情给做好。当然，这个例子不能掩饰 skill 的 所有作用，但也八九不离十了。作为抛砖引玉，再结合网上其他资料，相信一定能帮助大家更好地理解和使用 skill。

skill 这个词呢，在 ai 圈里啊，快被说烂了，专业的角度来看， skill 到底是什么啊？咱们先把这件事给明确了。软件工程里面呢，有一个概念叫 api 应用程序接口。 传统的 api 呢，是软件工程师写给机器看的，本质上来讲呢，是函数之间的对接。但是 skill 的 本质呢，是面向普通人，有点接近于 prompt 的 开发，它把机器语言封装成了一个自然语言，把开发者调用， 变成了一个人类向机器下达指令的这么一个模式。通俗的来讲呢，你可以这么理解哈， api， 它是机器和机器之间对话的一个通道，函数函数方法方法之间互相调用。 skills 呢，不是说我们的基座大模型，它学会了新的技能，只不过是模型学会了调用工具的这么一个技能。 我们为什么会发现 skills 呢？在当今的 ai 开发里边会爆火，不是因为它们的这个功能有多么花哨，而是它解决了大模型应用落地最后一公里的一个问题。大模型空有认知，没有行动力，只可以告诉你应该怎么做，但它本身做不到。 skills 呢， 恰好就是把这最后一公里连上了。在这里面呢，也引出了另外的一个专业概念啊，叫工具学习。没有工具学习，模型就只能生成文本和图像。有了工具学习，模型可以操作软件，查询数据库，甚至控制硬件，未来实现居身之能。 这样的一个层级的架构，底层是我们的基础，大模型负责语言的理解和生成，而中间层呢，就是我们所定义的各种 skills 库，相当于 ai 的 一个技能的一个集合，最上层是用户的一个 prompt 指令，指令进来模型做意图的识别，参数的抽取，工具的匹配，最后 扔给我们的 skills 这些技能库去执行。所以说呢， skills 不是 锦上添花的一个功能插件啊，它是大模型从一个纯粹的聊天机器人 走向数字 agent 的 这么一个必经路径，它不是能够让 ai 变得更聪明，而是让 ai 变得更加的可用。如果我们把大模型比作一个大脑 skills 呢，就是它的脚和手， 那么你认为限阶段限制 ai 发挥的究竟是大脑不够强，还是手脚不够灵活？评论区咱们一起聊一聊。

最近朋友们问 skill 是 什么，我其实也不好回答，但是在这里我录个小视频，给大家科普一下 skill 的 意思，其实字面意思就是技能，对吧？但是这个技能呢？他不是人的技能，懂没有？他是 ai 会的技能，那为什么我们要教 ai 技能呢？ 对吧？ ai 的 话，他其实是训练过的时候呢，他是很多知识他都学了，但是呢，他 ai 他 并不知道这个知识用来干啥， 或者是具体落到实际的这个效果怎么样，它是没法验证的，因为它需要跟人互动，对吧？需要人去真正使用它，那这个效果好不好是人来评估的，懂吗？ ai 的 话，目前它还没有办法去帮你评估这个东西好还是不好，对吧？当然因为人有自己的经验，有人类积累的知识库， 所以人类的标准很重要，对吧？那就会诞生这个 skill， skill 就 相当于我们教 ai， 哎，假如我让他设计一张海报，对吧？ 那 ai 在 我的指导下生成了这个海报，那以后我把这个技能的描述跟这个技能的东西固定下来，下次再生成的时候，我就调用这个技能去生成，让 ai 指定这个技能去生成，然后 ai 就 生成了， 大家明白了没有？这个时候就叫 skill 这个 skill 真的 ai 的 这个技能。所以我们未来啊，每个人都应该去把自己会的这个 skill 技能固定给 ai， 提升你的效率，你只要会一次，下次把这个 skill 记下来放到 ai 里， 然后呢，每次生成的时候，你就告诉 ai 用这个 skill 就 行了。所以未来每个人比的就是创造力，对吧？就把你的创造力变成 skill， 无限复制就能赚钱，而且未来每个人都要学会 ai， 懂吗？你会个基于 ai 的 话，你会把你的能力无限放大，把你的智慧进行复制，很多重复性的东西不需要你一次一次又一次的做，你只要把你的知识跟你的大脑变成 ai 的 sku， ai 的 这个我们叫专，以前我们叫专家系统，现在我们叫 sku， sku 就 更具体了， sku 就是 落地执行成的了，专家系统可能还帮你判断，但未来这些都需要啊，所以因为现在的刷脸成本比较贵啊， 大家可能持有成本比较高，我相信五到十年，每个人将会拥有一台个人的超级 ai 啊，就会很厉害很厉害在里面， 就像你钢铁侠的贾维斯一样的啊，你在 ai 的 基础上，你会变得很牛，对吧？那人跟人的比，未来就不是比你死记硬背，你背的好，你记忆力好，而是比谁更有创造力，谁做的更好，大家理解了吗？这个就更重要， ai 时代比的不是苦力对吧？不是劳力，而是功力，对吧？

下班了啊，今天是开工的第一天，不聊抽象的了啊，给大家分享一个每个人都能马上用起来的实用小技巧，用热门的 skills， 让 ai 自动帮你扫描过去二十四小时的行业热点，生成一份带链接的可识化网页报告。 我看过不少类似的视频教程啊，要么就是要翻墙，要么就是要付费，或者自己去找大墨镜 a p i 还得折腾配置，有的功能还有限制，我这个方法呢，免费版就够了，还能切换各种模型。当然，想做更多复杂的事呢，还是需要付费的啊。怎么做呢？第一步呢，先下载 code buddy， 我 公众号里有下载地址和基本的设置指导啊，我也会放在评论区里，很简单啊。当然，其实各家的 ai 编程工具都差不多， 这个不用科学上网，随便选个什么模型，一句话，让它安装 skills creator。 第二步呢，跟 code buddy 说一句话，帮我制作一个 skills， 可以 扫描国内权威媒体和社交平台过去二十四小时内科技领域的热点事件， 并生成一份带链接的网页报告啊。就这一句话， ai 会自动帮你创建出一整套技能包，搜索策略啊，筛选规则啊，时效性检验。 呃，报告、排版模板啊，全都自动生成，你不需要写任何配置文件，不需要懂任何技术细节啊，在 skill 面板里会会出现一个啊， tech news daily 技能啊，当然不一定是这个名字了。 第三步，说今日科技资讯，哎呀，就会自动调用之前生成的 skill， 开始干活了。先确定当前精确日期，然后分三轮搜中文热点扫描，英文权威研扫描， 聚焦深挖搜完竹条，验证是不是二十四小时内的新闻，过滤掉旧文，按重要性排序，最后套上模板，生成可识化报告，每条都有摘药标签，核心看点还有原文链接，可以直接点进去。第四步呢，打开报告看， 就这么简单，从我想要一个功能到功能跑起来出结果啊，全程几分钟，不用一行代码。 skills 为什么值得体验呢？因为它展示了一种新的 ai 使用方式。以前你用 ai 呢，每次都要重新跟他说一遍需求，写一大段提示词。现在你让 ai 自己把流程打包成一个 skill， 然后一句话就能触发一次生成，反复使用 同样的思路呢，你可以做竞品监控啊，每天自动扫描竞争对手的最新动态，可以做论文追踪啊，每天扫你关心的行业政策的变化。 任何定期搜索、筛选、整理、输出的事呢，都可以一句话变成一个 skill。 这件事的价值不在于少了多少时间啊，虽然的确少了啊，更在于它改变了你获取信息的方式。以前是你主动找信息，打开十几个网站，刷几个群，发一堆公众号，现在是信息来找你， 省时间，有掌控感。 osropics 最近关于 ai 智能体实际使用情况的大规模研究报告指出呢， ai 智能体近半数使用量集中在软件工程， 其余十六个垂直行业各占不到百分之九。 ai 已经具备连续工作五小时的能力，在用户目前最多只让他跑四十二分钟。而 skills 呢，是智能体行业应用目前最重要的方式， 今年会在各个领域全面应用，如果你还没有用过呢？强烈建议用十分钟零成本体验一次我这个小案例。还有什么你想用 skills 做的事呢？可以在评论区聊聊。感谢关注未来博士，我们一起用跨界的视角看懂未来的方向。

什么 agent、 skills tools、 mcp？ 这都什么意思啊？龙虾又和他们有什么关系？如果今天你还不懂这些 ai 黑话，来，我用最简单的方式把这一整套 ai 系统比喻成一个餐厅，全部教会你 ai。 小 学回归 ai 篇， 你走进一家餐厅，后厨里坐至一位餐厅主管，这位主管特别高冷，他从来不下厨，双手不沾油。他就是 lm 大 语言模型，也就是 ai agent 的 大脑，他只负责思考，从不干活。 翻译一下就是他只叭叭不干事，那他的工作也只有一个，就是思考、决策、规划。说的不好听点就是他使唤别人，使唤谁呢？餐厅的服务员。 而你进了餐厅，也得有人引导你坐下来点菜啊。那引导你的这个人是谁呢？还是这个服务员？所以这个服务员特别忙，他要一边帮你点菜，还要一边听。主管的就是去做饭，所以他充当的就是顾客和厨师长之间的这个桥梁，这个服务员就是 agent。 今天我就用自己的形象来当服务员啦。他给你点菜的时候，要先收到你的指令，比如说来一份宫爆鸡丁，这个点单的指令就是 prompt， 然后他把这个指令告诉了主管。主管我们刚才说了，他只说不做，所以说他会告诉服务员怎么做菜，然后让服务员来做，再给你端上桌。小龟是不是很累很惨？服务员他没有自己的想法，他只听主管的指挥， 主管说切丝，他就切丝，说调汁他就调汁，他相当于主管的双手，也相当于是你的传话筒。那么现在我们就明白了用户 agent 和驱动 agent 的 大圆模型之间的关系了， 但是我们来餐厅是要吃饭的呀，那这个饭其实就是我们要 agent 给我们交付的，结果就是你的诉求，比如说我们让他帮我回邮件，甚至是帮你炒股。那这里就涉及到一个工具调用的问题了，就是这个服务员怎么做饭。 说来简单啊，早期这个后厨挂着一排卡片，每张卡片上写着一个具体的动作，比如切丝、颠勺、调汁，每张卡片呢，都记录的是这个操作的具体方法，这个就是 tools， 就像分手厨房里摁 a 是 拿盘子，摁 x 是 扔食材一样，每个托斯他都对应着一件事的具体解决方案，大模型主管负责决定用哪张托卡， a 政的服务员就负责照着他选好的卡片来操作。 但是做好一道菜，他不只有一个动作，对吧？比如说宫保鸡丁，需要切丁、腌制、调汁、翻炒、装盘等等这好几个步骤，所以为了方便，餐厅把这些步骤都打包在了一起，做成一本菜谱。 这个菜谱就叫 skill， 你 可以简单理解为它是多个 tool 组成的一个专业的能力模块。服务员拿到了宫爆鸡丁这个 skill， 他 看到的就是一整套出餐流程，就不用主管一步一步的教了，他自己就知道怎么做这道菜。那现在餐厅的 skill 是 越来越多，所以这本菜谱有了目录， 现在 a 正在接收到我们的点餐指令后，会先解锁一遍目录。我们可能觉得这个是很正常，但是对于 ai 来说，他原来每接到一个需求，他需要把一整本菜谱全读一遍，大大影响了效率。别问为啥这样问，就是这么设定的， 所以说这个目录就显得很重要了，它就是 skills 的 一个特性，叫做按需加载，它会在确认好目录之后，直接去翻开相应的页，然后只阅读这页的菜谱，这样的话就大大提升了效率。随着生意越来越红火，后处理的设备也越来越多了，比如说烤箱、料理机、咖啡机等等。那原来呢，每一个设备都有自己的接口，服务员想学烤箱得学一套方法，学料理机又得学一套方法，手忙脚乱 的。所以这个餐厅老板就做了一个决定，以后这个服务员不管用哪一个设备，他的插口都是一样的，都是插上就能用。 那对于 tools 来说，这个统一的插头标准就叫 m c p 一 套接口协议。对于 skills 来说呢，就是 md 格式的文件，不管是哪一种，它都是为了让 agent 能够更轻松地调用工具而设立的。现在我们了解了 agent 大 模型和用户之间的关系，也了解了 tools 和 skills 的 调用，以及它们的连接形式。 那么我们再看今天最后一个概念，就是爆火的龙虾。 opencloud 就是 一个典型的 ai agent， 它不仅有大模型大脑，而且具备操作能力，可以直接帮你做这一桌子菜，这桌子菜就是处理邮件、操作设媒，甚至帮你炒股这些实际功能了。 ok， 现在这些词儿你都明白了吧？ 但我还是要说啊，作为普通人，其实我没有必要太过焦虑，有一句老话说的好，错过一天好像是错过了很多，但当你错过了一年，你再回头看，发现自己什么都没错过，因为只要你学的够慢，就发现什么都不用学了，总会有新的工具出来代替现在这些旧工具的， 而且会越来越便民，越来越简单。那最后我们一句话串联一下今天学的概念。你走进了 ai agent 餐厅，口述了 prompt 点菜， agent 服务员小龟看到了你的需求之后，通过和大模型厨师长一步一步的沟通操作方案，然后在 skills 菜谱中解锁出了你想要的那道菜品，这个菜谱里面可能包含了多种 workflows 和 tools， 然后他就照着 skills 把饭做了出来。 那你什么都没做，只是说了一句 prompt 就 开饭了，这个就是 ai agent 的 魅力。可能这一切在餐厅这个场景里显得很平常，但是在 ai 世界里是有跨时代意义的。 a 智能大模型不再是钢中之脑，而是让它长出了手和脚，是人工智能领域的一大里程碑。如果你看到这里，那首先要恭喜你在二零二六年就弄懂了这些概念， 从此你也是半只脚踏进了未来那个神秘的 ai 时代。如果你想学更多通俗易懂的 ai 知识，欢迎关注我，我是桂建木水，带一百万普通人丝滑迈向 ai 时代，拜拜！

事实上， skill 已经不再是单独的某个产品的功能，而是一种可附用的工作流封装形式。一个文件夹加一个 skill 点 m d 文件，把知识和流程放进去，按需加载。 所以它既能在 cloud 体系的产品里，也能被其他采用同一规范的平台加载。在 cloud 的 产品体系里，你主要能在四个主要入口产品里使用， cloud 点 ai、 cloud com、 cloud api、 cloud agent sdk。 同一套技能入口不同，适合的场景也不同。 其中 cloud 点 ai 发索最快，适合个人做清料，你的任务如写作、研教和整理。 但国内很多人受网络限制，不太方便，大部分人其实还是在 cloud code 或者 cloud api 里使用 skill skill 的 规范其实也已经开放了，只要平台支持，它就能读同样的 skill 的 m d 接口。目前已经有不少平台支持了开放了 agent skill 规范，例如 openai 的 code 也支持了 skill agent skill。 再比如，在国内也已经有很多产品开始支持这套规范，比如腾讯云的 code body、 阿里的 code 字节的 tree 以及 i flow c l i 这类整机工具，都能用 skill 的 m d 来组织你的技能了。再往 toc 的 方向走，像 cos 二点零 也把 skill 做成了他的技能商店的创建入口，让普通人不用写文件也能用上 skill。 不 过在跨平台迁移你的 skill 技能时，需要注意的是，有的平台可能需要先开启实验功能开关才能加载 skill。 下一集是本系列的第十集，怎么管理 excel？ 看完这个系列，相信对你使用 excel 乃至 ai 的 能力都会有巨大的提升，下一集还是干货，千万别错过！点赞加关注，获取更多的有价值的 ai 新信息！

open core 这类 ai 智能体中的 skill 是 什么？在 ai 智能体 ai agent 里， skill 技能可以简单理解为智能体可以调用的完成具体任务的能力模块或工具函数。一最直白的解释， ai 大 脑本身只会思考规划，但不会直接做事。 skills 就是 他的手脚和工具箱，让他能查资料，写代码，运行代码，调用 api 操作软件网面 控制硬件机器人生成图片视频读写文件，发邮件。二 skills 一 般长什么样？ 通常是一个个可被调用的结构化能力，比如， web search 联网搜索 code interpreter 代码执行 file read， file write 文件读写 call a piro parameter 调用外部接口 schedule task 定时任务 robot move 机器人运动控制智能体通过规划 planning 决定什么时候用哪个 skill， 按什么顺序用智能体通过规划 planning 决定 什么时候用哪个 skill， 按什么顺序用。四举个生活例子，你让 ai 智能体帮我查今天天气，然后写一段出行建议并发到邮箱，它会拆解并调用 skills。 一 web search 天气，查天气二 text generate 出行建议，生成文案三 send 没有发送邮件，这些就是它的 skills。 简单总结， skills 等于 ai 智能体用来执行具体任务的标准化能力集合，是 age 你 从会思考变成会做事的关键。

有位技术博主说， skill 可能比 m c p 更重要。我个人非常认可这个判断。这其中有三个理由。理由一，上下文的效率更高。 skill 采用渐进加载，启动时只读 name description， 大 约一百个 ctrl， 出发时再加载 skill 的 m d 资源与脚本，按序录取，所以能用更小的长处，上下文覆盖更多的工作流。 而 mcp 是 连接外部系统的协议本身，不要求附加在所有能力描述它的上下文开销主要来自工具列表，根据实际拉取的数据 和协议本身。理由二，门槛更低，可以让非工作人员参与。 skill 本质是一个包含了 skill 的 md 的 目录，还可选配脚本和资源，很多流程只需要写 markdown 就 能封装并附用， 无需搭建服务或维护连接层。相比之下， m c p 通常需要实现部署服务器、出入证与安全等工程的工作。理由三，可迁移，可附用。也有基于开放的 agent skill 标准，且已在 cloud code whoops 和国内多个平台落地。同一套 skill 目录可以在支持该标准的平台间牵引与共享。标准化趋势明显，生态也在高速的拓展中。预计 skill 在 二零二六年 将带来更壮观的生态式爆发，因为门槛足够低，人人都能参与，都能做贡献。现在集着本系列的第六集，创建第一个 skill。 看完这个系列，相信对你使用 skill 乃至 ai agent 的 能力都会有巨大的提升。下集还是干货，千万别错过。点赞加关注，获取更多的有价值的 ai 新信息！

最近啊，我在和一个做集成的朋友聊天，他说刚刚搬一家企业，把他的一个 sop 做成了 skill， 那 么 sop 就是 说是企业的标准流程的操作， skill 呢，就是 ai 可以 调用的一个能力的模块， 这个 skill 呢，是给智能体平台应用的。他兴奋的时候，我有点听着诧异了啊，最近的小龙虾很火，就是把这个 skill 也带火了，我还是真正第一次听到说身边有人拿到它开始赚钱了。他问了我一个问题，说一个企业最值钱的东西是什么？他说肯定是多年积累下来的，这个业务的流程，操作的经验，包括数据的处理，还有分析的逻辑，包括制度啊，还有一些方法论。 但是呢，往往这些隐形的东西是存在于各种软件系统，甚至属于一些老员工的脑袋里的，这样东西是最值钱的，也很难复制。比如说有个老员工，他要离职以后，原来很熟练的那些流程啊，分析的方法呀，新人就不得不重新再再搜索一遍。而这个 skill 的 价值就在于把企业的经验软件化，这些东西变得 skill 后，所有人都能用， ai 也可以调用，经验不会丢失，所以有做企业级 skill 的 才是万宝，才能真正的卖上价钱。那他最后还补了一句， ai 时代缺的不是工具，是想法， 就是对客户真实有效的需求的一个理解，然后你要提出一些解决的方法，现在的工具可以说是比较完善的，只要有想法，落地都不是问题。聊着这，我又问了他一句，说这是一家什么样的公司啊？他说是一家大型能源企业，今年计划在内部建立一个 a 种的平台，加 n 个 skill 的 系统，正在把很多的企业的能力 skill 化，各种 智能体调用软件业务流程，员工的经验。 skill 的 客户比较认同一个趋势，未来的企业级这种软件形态下，不再是由 n 个这个独立的软件系统组成，而是由一套 skills 组成的网络的这样一个东西，包括可能 crm 的 skill， e erp 的 这个 skill， finance skill， hr skill， 包括这个 business skill， 只要这一些组合的 skills 就 能完成一些复杂的工作。所以说他们就打算从现在开始，零开始构建一个内部的 skill 体系。 skill marketplace， 技能的市场，用来分析交易的 skills and the library， 技能库，用来沉淀和管理能企业能力的 skill sdk， 包括技能的开发，工具包用来开发和扩展的 skill。 所以 说聊完之后呢，我觉得弊端的 skills， 它确实是一个好的话题。那第二个就是它是一个大的趋势，企业软件方向的一个演变。那第二个就是它离企业级的客户百端的意愿很强的。 但是现在市面上的新奇也很多啊，很多人搞不明白啊，他们之间的关系的。现在我也跟大家简单的科普一下这个概念。第一个什么是 s o p 啊？ s o p 就是 企业里面最标准的流程，比如说一个投诉的 s o p， 就是 你要首先 登录系统，搜索数据筛选时段，导入一个项目人工分析，然后生产报告，这事就是一套的流程。那么什么是 skill skill 可以 理解成为一个 ai 可以 调用的能力的模块， 比如说查询数据库，分析 excel， 获取客户信息，生产报告，发送邮件，这些端粒都可以被封装成为一个 skill。 当 ai 需要完成任务的时候，他就会调用相应的 skill 啊，比如用户说帮我查一下这个客户的订单的情况，那么 ai 的 执行就可能执行 下面这个流程。比如说他调用这个 c i 按钮的 skill， 然后再查询订单的这个数据，然后再整理这个信息啊，最后再回结果。所以说从结构上看 skill， 它就像一个 ai 的 这个技能包。 那么 skill 大 模型和 agent 的 三者是什么关系呢？啊？你看这张图你就理解了，装龙虾你得先装个脑子啊，也就是 l m 大 模型，大模型呢，还得给龙虾装各种的 slides， 这就是给龙虾装技能，让它能够给你去干活。像我们平常用的 bigthink gpt 啊， 是这个 l l 大 模型，它擅长做两种事情，第一个就是说它理解语言，第二个进行推理，但是它并不会。那么 skill 之所以重要，是因为它给大模型提供了执行能力， 好比说手和脚。所以说，因此在实践的系统中，常见的结构是 ai 的 agent 等于 l l m 加上 skill。 agent 接到任务以后一般会经历三个步骤，理解任务、制定执行计划、调用 skills 工具。我举个简单的例子说啊， 比如说让他帮我做一份等月的销售，分析， agent 的 执行的流程可能是他会调用这个 crm 系统的 skill 获取销售的数据， 调用这个 date skill 生成表格，用这个 report skill 输出报告啊，整个过程它其实是自动完成的。那最后一个 skill 和 m c p 是 什么关系？ 最近很热的一个词就是 m c p， m c p 是 一种协议，好比 ai 世界里的 usb 啊，可以让 ai 可以 用统一的方式访问外部的工具和系统。 agent skill agent skill 和 m c p 什么关系？你简单看个结构你就一目了然了。 如果用户问客户张三的订单什么时候发货，执行的流程可能是 agent 识别到任务了啊，再调用这个 skill， 然后通过 scp 调用 c r n， 然后再返回订单状态，大家可以看下这个图。那么第五个就是企业应该怎么样搭建自己的 skills？ 最后想调用的时候，通过这个 ticket energy skills， ai 就 可以直接调用。 现在龙虾装好了，安全的问题也是有很多人不断的提出来的，但是最后我们企业还是要真正落到不同的智能体上面，你要慢慢的开始接触和了解智能体。如果你觉得企业或者是阶段想用什么样的智能体，可以在评论区扣一个智能体，我们会联系你。

好，兄弟们，今天借着这个 open class 讲一讲这个 skills 还有 mcp， 它们是什么东西啊？ skills 是 个技能，就是赋予大模型本身所能够使用的这个技能， 比如说查找一个网页，然后抓取一些信息，这是大模型能够学习到的技能。 mcp 呢？ mcp 是 一种工具，就相当于说大模型技能可以调用某一个工具来做某些事情，这样子被称为这个 mcp。 讲完了技能之后，我们看一看这些技能收集的网站，这个是给 open klo 用的，叫 klohab， 这上面有这个安装的命令啊什么的。 我们再来看另外一个网站，叫做 skills， 点 h h， 这个网站里面收集了 github 上面很多有用的这个 skills， 我 们看第一个怎么安装啊？直接点开一个，然后复制这个命令，直接就可以安装了，特别简单。而且在安装的时候，它会让你选择是否给 open claw 进行安装，所以这个网站和那个 claw hub 啊，它们是一样的，只不过这个更加的方便一点。

很多朋友问我，龙虾装好之后感觉跟豆包没什么区别，可能是因为你没给它装 skills， 今天就给大家盘点一下 cloudhub 上面下载量最高的五个热门 skill。 第一个是 tablie search， 这个是龙虾的千里眼，装好它之后就能实时搜索全网最新的动态，不再受大模型知识断层的限制。 第二个是 self improving agent， 这个是最神奇的，我们叫它自我进化，它会记录报错和你的偏好。龙虾能根据失败经验自己改代码，挑题式词，真的用的越久，它就越像你，越来越懂你。 第三个是 find skills， 龙虾的技能是超市，你不知道该装啥直接问它，它能根据你的任务自动去 cloud hub 上面搜索并推荐最匹配的技能。第四个是 summarize， 就是 帮你总结内容，不管是一篇文章，一个视频还是一段对话，丢进去马上就给你提炼出重点。 第五个是 agent browser， 它能帮你打开浏览器，帮你点击翻页、填表，那些重复的网页操作以后全部教给他跑自动化。这五个 skill 非常实用，大家可以装起来。然后大家还有什么好的 skill 分享吗？可以在评论区分享。

兄弟们，智能体时代已经杀到眼前了，二零二六年就是转折点，你准备好了吗？ 不是 ai 来抢你的饭碗，是会用 ai 的 人把你淘汰出去。记住，这五个核心组建 它们是就是它们就是你对抗淘汰的武器。 lm 就是 ai 的 大脑，负责思考和决策。 r a g 就是 ai 的 知识库，帮你调用全网信息，不用你自己思考，不用你自己去查资料。 m c p 是 接口，让 ai 可以 连接各种工具，比如表格、邮件、网站。 skill 是 ai 的 技能包，写代码，做 ppt， 分 析数据，什么活都能干。 agent 就是 完整的智能系统， 把前面四个组建拼起来，让 ai 自动替你干活。他们是怎么配合的呢？你给 agent 下一个任务。 lm 负责拆解任务。 ig 呢，就是调用需要的信息， mcp 连接工具执行操作。 skills 啊，就是搞定具体细节，最后给你一个结果， 不用你动手，不用你熬夜，哎呀，全包你办妥！ 现在不是讨论 ai 好 不好用的时候，是必须学会用 ai 的 时候。要么你成为驾驭 ai 的 人，要么被会用 ai 的 人取代。从今天开始，花半个小时时间了解智能体，花一个小时的时间去动手操作， 别等，别等到二零二年过了之后，你才发现自己已经被甩到了后面，现在行动起来， 你就能成为那个抢饭的人。现在行动起来，你就能成为那个抢饭的人，而不是被抢的人。别犹豫，马上开始行动起来吧！

咱做测试的谁没踩过写用力写到怀疑人生的坑？尤其是版本迭代快的项目需求，改三次用力就得重写三遍，简直要命。最近公司引入了 skills 这个 ai 技能，直接颠覆了我们的工作方式。它的原理其实很简单，你把 prd 或者接口文档输入进去，它会自动识别测试对象， 然后按照标准测试方法论帮你生成用力。重点是，他不是傻瓜式罗列，而是真的懂测试。比如你给他一个支付接口文档，他会自动生成正常支付，余额不足重复支付、并发支付。这些场景还会帮你设计性能测试的并发量和响应时间。一直输出的用力格式也很规范， 有编号优先级，前置条件，完全符合企业标准。做了这么多年测试，培训，学员问的最多的问题我都会总在里面了，基本上看完就能上手。

tiktok 上最近出了个非常火的项目，叫 agent skills for context engineering， 发布没多久就斩获了超过五千九百个星标。 为什么它能瞬间引爆社区呢？因为如果你想让你的 ai 助手，无论是处理长篇报告，还是在多轮对话中，始终记得重点， 他就是那个能让 ai 从能跑变成真正好用的关键。这个项目其实揭示了一个挺残酷的现实，就是现在的 ai 哪怕模型再强，也逃不开一个金鱼脑定律，也就是所谓的中间遗忘。你让他读一篇长报告，或者跟他聊久一点， 他就会把最关键的信息给忘了，注意力被一大堆无关紧要的背景信息给稀释掉了。这感觉就像什么呢？就好比你请来一个知识渊博的图书馆的书， 但他的工作台就巴掌那么大，乱七八糟的，结果永远找不到刚刚才看过的那一页。很多人可能有个误解，觉得 ai 的 上下文窗口越大，处理能力就越强。但其实恰恰相反，窗口越大，噪音就越多。所以 现在的瓶颈根本不是 ai 不 够聪明，而是他的工作台太乱，导致性能严重损耗。说白了，如果这个问题不解决， ai 就 只能是个新奇的玩具，根本进不了像金融、法律这种要求极高准确性的专业领域。既然这个工作台空间有限，是个物理限制， 那我们该如何像整理收纳一样，把 ai 宝贵的脑容量用到刀刃上呢？其实啊，我们不是在扩建 ai 的 大脑，而是在优化它处理信息的工作台面积。这个项目就引入了一个非常巧妙的机制，叫做渐近式加载，你可以把它想象成我们电脑操作系统的虚拟内存。 什么意思呢？就是 ai 助手在刚开始的时候，他只知道自己有一堆技能包，但他只加载了这些技能的名字和一句话简介，就像一个工具箱的目录锁影，只有当任务真正需要用到某个具体技能时， 比如说要分析一份财报，他才会去加载那个技能的完整说明书和具体用法。这种按需取用的设计，一下子就打破了过去我们玩 prompt 工程的那种暴力堆砌的方式。以前我们总习惯把所有规则、所有知识都塞进一个巨大的 system prompt 里， 结果模型还没开始干活呢，自己就已经被撑得快不行了。现在这个思路其实是一种对 ai 指令的精细化治理，让模型在保持轻量化的同时，又具备随时调取各种专业工具的能力。但你想想， 仅仅会用工具，这还不够。如果真想把 ai 变成一个靠谱的数字员工，他还需要一套像我们人一样的思考逻辑。所以这个项目里新增了一个认知架构的模块，引入了一个经典的认知心理学模型，叫 b d i， 也就是 belief 信念 desire 愿望和 intention。 意图这东西听起来很玄乎，但它做的事情其实很简单，就是把外部的知识转化成 ai 自己的信念，然后通过设定一个目标，也就是愿望 来驱动它，制定具体的行动路径，也就是意图。这么一来， ai 的 推理过程就不再是一个我们看不懂的黑盒子了， 他会像我们人一样，有一条清晰的逻辑链，比如他会告诉你，因为我相信这个数据是真的，我的目标是找出风险，所以我打算先做数据清洗。 当 ai 能够解释我为什么这么做的时候，我们对他的信任度就会大大增加，这才是从一个简单的指令跟随者到一个真正的决策代理人的关键一步。那么面对这些听起来有点复杂的架构和技能， 我们普通开发者或者重度用户到底该怎么快速上手呢？其实很简单，首先我们得认清核心痛点，就是大模型在长对话里的中间遗忘和注意力稀释问题 解决它是 ai 从玩具变成生产力工具的前提。其次，一个最高效的策略就是采用渐进式加载，这种机制只在需要的时候才加载完整的技能，这样能极大的节省宝贵的上下文空间，让 ai 反应更快更进一步。引入像 bdi 这样的认知架构， 能让 ai 的 行为从简单的概率猜测升级到有逻辑可解释的推理，这在处理复杂任务时会稳定的多。 所以最后的落地建议就是，无论你是用 curser 这样的 ide 还是自己开发 ai 应用，都应该把上下文管理当成一门严肃的工程学科来看待，用模块化的方式来管理和赋用 ai 的 各项技能。好了，今天的内容就聊到这里了，如果你觉得有帮助，记得点赞关注，我们下期再见！

最近全网爆火的 skills 跟 agent 这两个概念确实容易混淆哈，我今天来给大家简单分析一下。我首先会讲一下这两个东西的概念分析，为什么在实际的工作场景中，尤其是自用的场景中，更推荐律师去用这个 skills。 什么是智能体啊？有点类似于一个数字的助理，它是一个完整的系统啊，助理是完整的，它拥有自己的，我们叫角色的设定， 有调用知识库或者其他工具的这个能力。比如说你创建了一个咨询回复的智能体，那么他在收到这个问题的时候，他会去思考如何去回答，并决定什么时候去查法条，然后去完善这个回答，它实际上是一个虚拟的岗位或者是职位。那 skill 呢？跟这个智能体完全不一样哈， 你可以认为是一个四面一封装了某一个专项的技能，它其实不涉及到一些复杂的思考逻辑，而是一套确定性的执行流程，有点类似于你定义了一个 s o p， 虽然这里面的某些步骤它会用到 ai。 比如说你现在做一个一键生成证据目录的 skill， 它的特点呢，就是一次只具体的解决这一个生成证据目录的问题， 就是一个 skill， 它只关心的是输入是什么，以及输出到底是什么样的格式。那么我为什么推荐律师在自用的时候多开发 skill， 而不是做这个智能体呢？首先做 skill 的 难度还要远远低于你去做一个智能体，这是第一点。第二点呢，其实我们具体在这个工作当中，法律工作要求是比较精准的，但智能体其实在对话的过程中啊，还是可能会产生 一些所谓的幻觉，但 skills 因为你把一些标准的流程定义好了，第一步什么，第二步什么，它最终的结果是更加可控的，所以这一定程度上可以帮你去对 抗这个 ai 的 幻觉。第三个呢，就是其实你可以在一个对话里面，或者说一套流程里面先调 skill 一， 再调 skill 二，再调 skill 三，一步一步的去干活。它是一个轻量级模块化的一个工具，所以会比较方便。但是如果说你的一个工作里面要涉及到多个智能体 的话，你点完智能体 a， 然后要跳出来，再进入另外一个智能体 b， 然后还要把那边的东西复制过来去做，就非常的麻烦。但是你可以在一个对话里面接连调几十个上百个 dues 都没有任何的问题，尤其是有一些重复性高的工作，你完全可以用 skill 去解决。 最后一个呢，我觉得 skill 非常棒的一点是，它能够把你一些重复性很高的一些工作由这个提示词转向一键去触发，你点一下它，哪怕你就说一句话给我干，它就按照你的标准的流程把你的这个工作就干好了。我觉得综上四点原因呢，如果说你真的是工作中自用的话，去解决你工作中效率的问题，我觉得 skill 是 比这个智能体更好的解决方案。律师伙伴们想要掌握 skills 一 键生成案例分析报告、普法漫画生成吗？点击加入 google ai 进化导，跟做了十五年技术的我学习最新法律 ai 工具。

大家好，我是老邢，最近依然在学习大模型应用开发的一些相关知识，我发现有一些的东西，我发现大模型这个知识里边有一些词听着高大上的，但其实 真正用起来并没有那么复杂。比如说刚接触的那个方身，靠，他其实就是告诉大模型我现在本地有一个什么工具，他能完成什么任务。 然后大模型在解答你的问题的时候就会告诉你，你这个问题要用你本地的这个工具去调用一下 啊，要传什么样的参数进去？呃，还有 scales， 这个 scales 的 话其实就相当于一个对于工具的打包，你比如说我现在本地有好多工具了，然后我就写一个 scale， 里边其实还是提示词，只不过这个提示词告诉你，你想完成这个问题都需要调用你本地的哪些功能，其实就是把这些方神给它打包了一下，然后再用一个提示词描述了一下，告诉我告诉了大模型应该怎么一步一步的去调用， 然后就是 m c p 了，其实 m c p 它是一个协议，你有了这个协议之后， 嗯，就可以比较方便的用通用的方式去进行大模型工具的一个调用，而且还可以发布到网上，让别人也去调用，所以说 m c p 它相当于是一个协议，这个协议规定了，呃，我调这个工具 的描述信息是什么？需要传哪些参数？这些参数是什么意思？我返回格式是什么啊？这个就是 m c p 的 协议。嗯，后续的话，对于这个大模型应用开发的知识还会再继续努力的去学，哎，和大家一起共同进步。

ok， 那 么如果说你目前单纯只是在玩 ai 停置词，那还不够，接下来向我们走来的是 skill 和 ai agent 的 两位大哥。大家好，我是皮特毯子，欢迎来到我的频道。在这周末上呢，我花了两天的时间成立 ai skill 的 一个开发商，做出了四个 skill， 而每个 skill 它都不断迭代迭代出了 v 一 v 二、 v 三、 v 三点三等等版本。 在这问中，我悟出了一个道理，如果说你还没有接触过 skill， 又或者说你还没有用 skill 来实现一些自动化的操作的话，那么这期视频我将会好好讲讲视频的主角 skill 和 ai 证的一些细节和技巧。那么技术是在不断迭代的，二零二五年下半年到二零二六年， ai 竞争焦点从模型转向了 ai 证。一个能够自主规划、调用工具，完成必完任务的证的系统，在很多方面它的需求是越来越大的。 现在除了比谁的模型更大以外，还有另外一个赛道就是比谁的 ai 更好用。因此，如果说我们在目前能够把握住 skill， 知道 ai 如何使用 skill， 知道我们如何去制作一个 skill， 知道如何找一个自己所需要的 skill， 从某种程度上讲，我们还是会很有竞争力的。 那么这两天我做了什么呢？那么首先，由于我每天需要获取热点信息来保持一个信息的更新，同时获取一些选题的灵感，因此我做的第一个 skill 呢，是通过模拟浏览器的方式去抓取热点的榜单。一开始我用的是 api 去做数据抓取，也就是我们常见的爬虫，但但是这个过程是不太顺利的， 特别是每个平台，他对于爬虫这一类操作是有一定的风控的，因此我就直接通过模拟浏览器的方式去做，成功率是大大提高了，被封禁的概率是小了很多， 但它的缺点就是效率慢了很多。那么第一个技巧就是如果大家想要数据爬取或者是浏览器自动化的话，尽量是使用模拟软件的一个方式，这样的话虽然效率会慢一点，但是它的一个整体的安全性和成功率是会大很多的。那么第二个技巧呢？它实际上是推翻了我做的第一个 skill， 当 时我花了很多时间去开发一个 skill， 到了晚上的时候终于把这个 skill 开发完了，刚想休息一会，我打开手机，我刷个视频，结果在视频里就发现别人已经把我想要做的一些功能已经做好了， 那么我把它的一个项目部署到本地时候，发现它这个项目能够抓取各个榜单的热点，包括一堆 r s s k 员这个平台的热点，那么我一看完全是跟我的一个需求是匹配度是非常高的，于是我让 ai 去利用这个项目直接把它封装成一个 skill， 那 么在不到一个小时内就做出了这个热点 skill 的 一个第一个版本。因此 第二个技巧重点在于我们在做一个 skill 的 时候，先去找找有没有什么可以直接使用的轮子或者项目，让 ai 把它封装成 skill， 这样的话能够在其他程度上加快我们的开发效率。那么封装有两种方法，第一种就是把项目直接集成到 skill 中， 这样的一个结果就是我们的一个 skill， 它的一个包体会比较大，整体会比较稳定，且能够直接安装后就直接使用。那么第二种方式就是它的一个混合模式，先判断有没有轮子，再如果没有轮子就把它安装下来之后再进行后续的操作。 那么综合考量下，我个人认为是第二种会更好一点。同样模式的 skill， 它的体量小些，它实际上它也能够不断的更新轮子的一个最新版本，除非这个 skill 的 一个地毯仓库被删除的话，不然的话它就能够一直使用。 那么有了 skill 之后，很多事情是会变得比较简单的。但在我们制作 skill 的 时候，有一个非常重要的点，我当时想着把 a skill 和 b skill 连接起来，让 a skill 在 使用的时候直接调用 b 的 skill， 但这样会产生偶合性的问题。因此当时我在实际测试中出现了 a 类 skill 没有调用 b 类 skill， 又或者是 ai 无法理解 a 类 skill 里面调用 b 类 skill 的 这样一个问题。那么实际上在编程领域上，函数之间的一个低偶合性是非常重要的，而 skill 就 类似于这个函数。那么我认为最好的一个方式就是把 skill 进行原子化的设计， a 类 skill 就 完成一类技能，而 b 类 skill 就 完成另一类技能， 通过正能量的方式把它连接在一起。那么举个例子，你是一个老师，你的教学能力是一个 skill， 你 的做 ppt 能力也是一个 skill， 你 的演讲能力也是一个 skill， 但是我们不能在演讲能力里面包含 ppt 的 skill， 不 然的话每次调用演讲能力的时候呢，都会执行一遍做 ppt 的 一个行动，那么这样效率非常低，而且数据会非常混乱，调用的成本还比较高。 那么最后如果说你在看完这个视频之后准备上手 skill 的 话，可以先从找 skill 开始，那在这里呢，我分享几个找 skill 的 方法。第一种就是你可以安装 skype finder 或者 skype finder 这样的技能，让 ai 帮你找 skill， 但实际上有时候它不一定能够找到 skill。 那 么第二种方式就是通过一些常用的网站，包括 love hub， skill hub 这一类包含 skill 的 网站去找， 或者直接去 get 仓库上去搜 awesome skill 这一个项目。那么用一句话来结束这个视频的话就是 skill， 它就是写给 ai 的 一个 sop， 通过 skill ai 就 能够在描述获得一个非常强大的技能。 那么本期视频就到这里，如果说我的视频对你有帮助的话，还请一键三点点赞关注一下，那么我是比特毯子，一个专注 ai 实战成长性的博主，我们下一期再见。

很多人以为 skills 不 就是一堆 prompt 的 收藏夹吗？这个理解很常见，但是恰恰这就是 agent 不 稳定的起点。 在 agent 体系里， skill 本质是一个可附用的任务模块，它不只是描述怎么做，还会定义事情必须怎么执行。一个真正的 skill 通常包括指定告诉模型要做什么，脚本负责实时执行和输出的结构。 promote 啊，其实只是对外的接口， promote 可以 告诉模型怎么想，但是啊， skill 是 强制执行的流程，哪些步骤必须跑脚本，哪些结果不合格要重来，哪些情况失败了要返回， 关键不在写没写，而在能不能保证发生。所以当你把 skill 当成 promote 的 集合，那系统的稳定性就只能靠运气了。当执行和失败的处理都被写进 skill 啊， a 阵才可以变得可控。 所以更准确的说法是，啊， skill 用 prompt 做接口。但 skill 啊本身是工程模块儿，把它当系统啊才能藏可靠。