粉丝4465获赞1.4万

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。

最近 github 上啊有一个仓库啊,叫做 awesome personal skills 火了,这个仓库呢,收入了三十多个点 skills 文件。本质上, skill 是 精心设计的 problem 框架。那这些文件呢,它是想让 ai 能以某类人的思维方式来运作。你看,它的仓库的描述,只有一句话, 与其等着被别人争,不如先争自己,不争馒头争口气,顺便呢,还能争留下身边的人。这话听起来很像段子,但仔细想一想,他其实触碰了一件非常认真的事情,把一个人的思维方式、语言风格、价值观提炼成可以去调用的认知工具。 你看,他下面有老板的 skill, 他 能够去把聊天记录会以激昂争流成为一个角色风格。还有呢,前任的 skill, 哎,他的描述,那个夏天,把前任以另一种方式啊去跟你重逢。 还有自己点 skill, 这个呢,他的描述是,与其去征留别人,不如先去征留自己,以及永生。点 skill, 这个呢,是数字形式的另一种程序,包括女娲点 skill, 让乔布斯、芒格费曼给你打工。还有呢,反征留点 skill, 公司让你自己去写 skill, 你 把核心的知识留给你自己。 那为什么征留人的这个事情啊,现在火了呢?其实啊,这个也不是第一次有人想去把人格去给数字化。 早在 g p t 出现之前,就有人想用聊天记录去训练出数字分身,但是为什么是现在这件事突然有了社区效应, 我觉得有三股力量在同时汇聚,第一,大模型的理解能力的门槛啊,已经提升到了一个档次。过去 prom 的 写得再好,模型也只是在去表演某个角色, 现在的模型呢,真的是能够在你的风格,在逻辑链和价值权衡上去保持一定程度的一致性,那蒸馏这样才有了意义。第二个呢,就是人际关系的流失感,是在家具的,你看离职的同事, 已经逝去的亲人,失散的初恋,数字时代的人们,比任何的时候都更能感受到关联的成本,那点四六呢,是一种对抗遗忘的一种方法。 三点呢,是知识工作者开始去焦虑思维资产了。你看,当巴菲特啊,当芒格的思维被打包成了 skill, 本质上是在说,优秀的认知模式是可以赋用的资产,而你自己的认知模式也是你最重要的资产。 所以我真正想说的是,蒸馏一个人,其实就是在去回答一个人的本质到底是什么。你看老板的 skill 收集的是聊天记录和批注,前任的 skill 呢,收集的是过去的对话,父母的 skill 呢,收集的是记忆和声音。这些原料经过 problem 框架进行一些提炼,变成了某种可以持续 去调用的东西。但这里有一个很根本的问题,我们蒸馏的到底是我们对那个人的印象呢?而我们留给别人的材料,是我们经过筛选后的输出, 包括发出去的消息,包括写下的字,包括开过的会,而那些没有去说出口的话,那些在你深夜里的犹豫,那些连你自己都不知道的偏好,这些是无法被追留的。所以最诚实的说法就是点 skill 追留的是一个人的投影,而不是这个人的本身, 这个投影可以很有用,可以帮助我们更好的去理解某种思维方式,但他不是那个人。还有一个有意思的事情,就是我刚提到的仓库里有一个叫做反蒸馏点 skill, 这个东西描述的是公司让你写 skill, 跑一遍交叉,用核心知识留给自己。那这个 skill 的 一个存在本身就说明一件问题,蒸馏这件事情已经出现了权力结构的博弈, 谁有权去提取谁的认知呢?当公司要求员工将知识沉淀为 skill, 本质上是在要求员工将自己最有价值的东西,也就是多年积累的判断力和隐性的知识外部化、标准化,变成公司的资产。 而反蒸馏 skill 的 出现是员工的一种防御,那这个张力呢?也不会消失,它只会随着这类工具的普及而加具。哪些知识值得被蒸馏,被谁去拥有, 以什么方式去使用?这些都是接下来几年必然要去面对的一个新的问题。那讲到这里,大家可能会去想,哎,我到底应不应该蒸馏自己啊? 那我给你的答案呢?是值得一试。但要想清楚目的,如果你的目的是让自己的思维方式变得可以附用和传播,那自己点 scale 是 一个很好的自我审视工具,整理自己的判断原则、思维框架,面对问题时的惯用路径,本身就是一种叫做圆润质的训练。 如果你的目的呢,是去留住某个要离开的人,或者已经离开人,那需要去保持清醒点。 scale 是 给你的是一种陪伴感,不是那个人把它当做思念的出口没问题,但别把它当做关系的替代品。 那如果你的目的是去调用顶级思维者的认知啊,那这一类的 skill 包括巴菲特,包括芒格,包括费曼,确确实实有非常大的实用价值。他们本质上是把大量的公开的资料提炼成了一套结构化的提问框架,用来去做决策参考,真的比读完二十本书的效率要高得很多啊。 所以万物皆可 skill。 人生处处是蒸馏,但蒸馏之后剩下的东西从来都不是全部,真正重要的那些往往还是挥发掉的那部分。

很多人以为 skill 规则写得越满就越稳,真上线以后,最常见的问题反而是根本不触发,或者一触发就乱跑。工业级 skill 看的是能不能被正确叫醒,也能不能稳定干活。先把三种机制分清楚, cloud 点 m d 是 常驻规则, slash command 是 手动命令, skill 则靠 description 作按需加载。 很多团队一开始就踩这四个坑,第一以为 skill 越长越专业,第二以为写完规则就一定会触发,第三以为所有任务都该吃同一个模型。第四以为发布以后基本不用再管。 很多 skill 触发失败,不是模型听不懂,而是 description 写成了任务名。用户不会说调用封面图, skill 只会直接说帮我做一张小红书封面。 description 之所以关键,是因为它长期参与匹配系统,更像在做后选、召回和排序,谁更贴近用户当前的说法,谁才有机会被加载。 第二个关键是工具边界。不是每个 skill 都应该默认拥有改文件、跑命令、调接口的全部权限,只读分析就只给 read 和 group 文档整理再加 write, 批量脚本类任务才考虑 bash。 第三个关键是模型分工、写作、视觉抽取、审教。这些任务本来就不是同一种能力需求。 成熟的 skill 系统不应该默认所有任务都吃同一个模型,而应该按任务类型选择最合适的执行者。第四个关键是渐进式,譬如 skill 点 md, 只负责写入口,常参考文档放 references, 稳定动作放 scripts, 模板和 schema 放 assets。 另一个典型问题是把平台规格长、案例脚本说明和模板视例全塞进同一个 skill 点, md, 结果不是更稳,而是上下文变重,真正的入口信息反而被淹没。最后别忘了, skill 写完不代表它真的能用,至少要验证三件事,能不能跑,会不会被正确触发。结果到底有没有比不用 skill 更好?没有。测试和评分发布,基本只是自我感觉良好。 如果你已经有不少 skill, 不是 每一个都该自动触发。又长又专业又低频的 skill, 最好先记 cbo 降级成手动调用。自动触发要留给高频边界清楚,收益明显的那一类。 工业级 skill 不是 一份堆满规则的文档,而是一条可附用的工作流。你真正要追求的是这个 skill 以后还能稳定替你干活。

最近 ai 圈爆了个词, scares, 你 会发现它串串红的速度比当年的 prompt 还猛。你一定会问, scares 到底是什么?和 prompt 以及 m c p 到底有什么关系?那今天用融化给大家揭秘。 你一开始接触 ai 的 时候呢,会觉得它像个超级搜索框,问一句答一句。可突然有一天, ai 开始帮你做事了,改代码,写方案,分析数据, 它不再是回答问题的工具,而是你上班的同事想知道 ai 是 怎么工作的?听好了,它全靠三个核心, prompt、 scares、 n c t。 那 第一步, prompt, 你 对新人说,这个任务先分析风险,再给我个方案。那听上去像是个命令,对吧?那它的作用呢?是明确目标,告诉 ai 你 希望它做什么, 那这一秒 ai 就 被启动了,它只是按照你的指示开始行动。那这就是 prompt 任务指令,它属于一锤子买卖。那第二部 scares, 你 不会天天教新人怎么写周报,对吧?那只会说按标准来,那为什么呢?因为他早就会了。 scares 呢,就是 ai 已经掌握的技能,像一个工具包, p d p r d, 写作啊,代码审查呀,生成测试报告啊,全都不需要你再教了。那 ai 随时是可以调取,用得起,随时用 它,它不是即兴发挥,它是封装好的技术。那最后 m c p, 这才是命脉。想象一下, ai 再强,如果没有系统权限,无法调取数据库, 没办法进入内部的 a p i, 它就只是一个空洞的纸上谈兵。这时候呢, m c p 就是 ai 的 通行证,有了它呢, ai 能访问真实数据,调用工具进入你公司最核心的部分,那没有 m c p ai 只能嘴上说,那有了 m c p, ai 才能真正的动手做事。 ok, 那 总结一下,你让 ai 去做一件事情,分析这个仓库最近的 p r 质量问题。一开始 prompt 让他知道目标和任务, 接着 scares 让他用代码审查技能、分析技能去执行任务。最后 m c p 为他打开了仓库的大门, ai 可以 真正获取数据,完成分析工作。现在明白了吗? ai 不 再是一个 回答问题的工具,他是你的工作的助手,是公司的一员,你交代的任务,他给你反馈给你解决方案。而这正是 ai agent 的 真正含义, 能被指挥,能执行、能行动。所以记住这三点,一, prompt 是 你给出的指令。二、 scares ai 掌握的技能随时能使用。三、 m c p ai 的 系统权限,打开工作大门要三者具备。 ai 不 再是工具,它直接能变成你的团队成员,你的工作助手。 那最后呢?我整理了一份某个大厂内部的 ai 产品经理必须要文档,包含了 ai 产品研发全流程和大模型未来发展方向以及学习路线图需要的直接安排。

用 cloud code 总觉得效果差,其实根本不是它不行,而是你的提示词太粗糙,很多人都是随便打几句口语就扔给他。需求模糊,没有结构,没有格式要求,没有约束条件,导 致 cloud code 发挥不出真正的全部实力。做东西要么漏步骤,要么逻辑乱,要么达不到预期。其实想要解决很简单,只需要装上 prompt operator 这个专属 skill。 它的核心优势特别明显,你只用输入大白话,原生态部署、规范输出格式, 剑把随口说的一句话优化成专业、精准、结构化的高级提示词。不管是写代码、重构项目、排查 bug, 还是写文案做脚本、整理资料、做办公方案, 先用 prompt optimize 优化一遍指令,再交给 cloud code 去执行,输出质量、完整度、落地性直接上一个大台阶。不用自己苦学题诗词工程,不用背各种复杂模板,有了这个技能,新手也能把 cloud code 的 顶配实力完全发挥出来。关注我,带你了解更多 ai 知识!

最近 ai 圈爆了个词 scares, 你 会发现它串串红的速度比当年的 prompt 还猛。你一定会问, scares 到底是什么?和 prompt 以及 m c p 到底有什么关系?那今天用融化给大家揭秘。 你一开始接触 ai 的 时候呢,会觉得它像个超级搜索框,问一句答一句,可突然有一天, ai 开始帮你做事了,改代码,写方案,分析数据,它不再是回答问题的工具,而是你上班的同事想知道 ai 是 怎么工作的?听好了,它全靠三个核心, prompt、 scares、 mcp。 那 第一步, prompt, 你对现任说,这个任务先分析风险,再给我个方案。那听上去像是个命令,对吧?那它的作用呢?是明确目标,告诉 ai 你 希望他做什么,那这一秒 ai 就 被启动了,但是他不会马上学会分析风险,他只是按照你的指示开始行动。那这就是 prompt 任务指令,它属于一锤子买卖。那第二步, scares, 你 不会天天教新人怎么写周报,对吧?那只会说按标准来,那为什么呢?因为他早就会了。 scares 呢,就是 ai 已经掌握的技能,像一个工具包, p d p r d, 写作啊,代码审查呀,生成测试报告啊,全都不需要你再教了。那 ai 随时是可以调取, 用得起,随时用它,它不是即兴发挥,它是封装好的技术。那最后 m c p 这个才是命脉。想象一下, ai 再强,如果没有系统权限,无法调取数据库,没办法进入内部的 a p i, 它就只是一个空洞的纸上谈兵。这时候呢, m c p 就是 ai 的 通行证,有了它呢, ai 能访问真实数据, 调用工具,进入你公司最核心的部分。那没有 m c p a i, 只能嘴上说,那有了 m c p a i 才能真正地动手做事。 ok, 那 总结一下,你让 ai 去做一件事情,分析这个仓库最近的 pr 质量问题。一开始 prompt 让他知道目标和任务,接着 scares 让他用代码审查技能、分析技能去执行任务。最后 m c p 为他打开了仓库的大门。 ai 可以 真正获取数据,完成分析工作。现在明白了吗? ai 不 再是一个 回答问题的工具,他是你的工作的助手,是公司的一员,你交代的任务,他给你反馈给你解决方案。而这正是 ai agent 的 真正含义,能被指挥,能执行,能行动。所以记住这三点,一、 prompt 是 你给出的指令。二、 scares ai 掌握的技能随时能使用。三、 m c p ai 的 系统权限,打开工作大门要三者具备。 ai 不 再是工具,它直接能变成你的团队成员,你的工作助手。那最后呢?我整理了一份某个大厂内部的 ai 产品经理必修文档,包含了 ai 产品研发全流程和大模型未来发展方向以及学习路线图需要的直接安排。

我给大家分享一个我自己写 skills 写了这么多最有用的心得,我觉得写好一个 skills, 并不是说你技巧,还是说用多么牛逼的 ai 模型,我觉得模型之间帮你写 skills 差异真的不大,更重要的是你要给他一个有效的供给。我 给大家举两个例子,什么叫做有效供给?这个是我现在写出来的非常满意的一个 ai 产品经理的 p r d 现在已经更新到四点零五点零版本了,这个 skill 文件在这个里面 其实跟传统的产品经理 p r d。 不 太一样呢。除了有业务背景、精品分析、产品方案、版本迭代,你看这块的 a 证核心能力设计,包括 prompt、 工作流、 知识库、任务链、对话状态块的域处理,及我整个的超级复杂的一个多 a 证的协调的这么一个架构引擎设计,还有包括底下的 ai 产品评估体系、大模型选型等等。这些其实都是我们带同学求职,必须要求同学输出的这个 p r d。 的 具体的核心内容。那我为什么能写出一份含金量比较高且细节程度比较高的一份 p r d。 的 skill 文件呢?并没有什么写作技巧,除了在这里不断去跟他口喷,去跟他调整以外,更多的是我们过去带了这么多同学,我们有非常优秀的 p r d。 的 核心的设计规范, 以及非常多同学的优秀的 p r d。 的 样例,给到了一个 ai 非常良好的一个供给,因为 ai 最擅长做的其实就是从具象到抽象。我再给大家举个例子,这个是我写的一个关于 ai 产品经理,我自己作为自媒体,我的小红书口播脚本的生成器 为什么能很快的把这个 skills 写出来,就是因为我给了它非常丰富的供给,我把我过去的所有一年多的小红书的所有的口播脚本全部都 会给了 ai, 这个口播脚本里面大概一共有三百篇,那给到这个口播脚本,我只需要通过简单的口喷,我就可以让 ai 帮我把这个所谓的口播脚本的 skill 生成出来, 他给我提炼出来的我的人设设定,真的就是我自己的人设设定,硬核干货,客观严谨、结构化,而且我明确的他写出来我是不喜欢特别的去贩卖焦虑,用一些夸张的情绪词汇的,我更多的是一个比较专业,然后从容自信,逻辑结构化。用一些夸张的情绪词汇的我更多的是一个 ai 的 求知博主。 我比较擅长或偏爱用清晰的结构化数字举例,比如说一二、第一、第二,包括他能够给我很多的一些爆款的标题,结合我过去的所有的口播稿,去告诉我我的引导沟子怎么去写,我的第一步,第二步我核心内容怎么去写,把我的这个文章的标签给我生成出来。 你说我在这个过程当中我有很多的 ai 技能或技巧吗?其实不是,更多的就是我给他非常丰富的语料,让他自己去总结,这样的效果才是最好的。我觉得一个最核心的能力,在咱们产品经理做自己的 skills 来说,或者说自己的产品来说,核心还是你怎么样去给到 ai 一个非常有效的供给, 这件事情是我们大家需要核心去考虑的,大家再去做自己的一些 ai 提效的工具的时候,也要去尽可能多的给到 ai 对 你的供给,它的落地的效果,才能够达到你的可以使用的一个预期。希望我今天的分享对大家有所帮助,你可以试试看。

好,欢迎大家来到蓝海课堂,那这一期我们讲 skill。 很多人会把 skill 理解成一段更高级的提示词,但是这个理解它并不完全的准确。 skill 真正解决的是当一个任务反复出现时,能不能把稳定的做法封装起来,下一次直接附用。所以这里给大家总结成一句话, skill 不是 单条提示词,而是一个可附用的任务能力包。 那为什么只靠提示词不够呢啊?因为提示词更适合一次性表达需求。但如果一个任务经常重复,比如固定格式的报告,固定风格的文案,固定流程的数据分析,每次都需要重新解释规则,就会显得非常的低效。 skill 的 作用就是把这些规则、模板和流程沉淀下来。 一个 skill 通常不是只有一句话,它更像一个文件夹,里面可以有说明文件,参考资料、模板、案例,甚至可选脚本。说明文件告诉智能体什么时候用,怎么做。资料和模板提供标准,脚本负责稳定地计算、转换或者校验。 skill 和提示词以及 tool 工具。 m c p 的 边界一定要分清楚。提示词主要告诉模型这次怎么表达, tool 工具主要告诉模型能调用什么动作, m c p 解决的是模型和外部能力怎么连接。 那 skill 解决的是遇到同类任务时应该按什么流程稳定地完成。 skill 是 怎么被使用的呢?那我就给大家理分成了四步,那第一步就是根据任务判断有没有合适的 skill, 那 第二步匹配到之后,读取完整的说明,它就像是一个说明书。 那第三步按说明调用里面的资料模板或者脚本。那第四步,输出一个更稳定、更符合标准的结果。重点是它不是把所有的规则都塞进主题式词,而是需要时再加载,也就是按需加载。 一个好的 skill 边界一定要清楚,它要说明什么时候该用,什么时候不该用,步骤要明确,输出格式要固定,案例要具体。如果只是写一堆泛泛的原则,或者把临时需求筛成长期的规则,这种 skill 反而会让结果变得更乱。 skill 设计得越具体,执行的结果就越稳定。那什么时候任务 它适合做成 skill 呢?核心的判断就一个,这个任务是不是反复出现,而且每次都按同一套标准完成。比如固定的品牌风格的内容生产,固定清洗规则的数据分析,固定代码规范的工程开发,这些都很适合做成 skill。 nice, 好, 那最后我们来总结一下 skill 的 价值,不是多一个功能,而是把经验沉淀成能力提示词解决的是这次怎么说? 徒手工具解决的是能做什么,而 skill 解决的是以后遇到同类的任务,能不能稳定地按照同一套方法完成。好,那这一节课就到这里,我们下期再见。

大家好,我是老罗。前几天我们聊了 prompt mcp context engineering。 ai 用起来确实爽,但有个问题一直没解决,每个项目都得从零开始配。今天咱们就聊 skill, 把 ai 能力打包成集装箱,配一次到处用。 先回顾一下系列内容, prompt 教你怎么说话, red 加了外部知识 agent, 让 ai 自己干活, m c p 连接工具 context engineering 管理信息,但这五样东西全是散的,没有统一的管理方式。 skill 就是 把它们全打包起来的集装箱。 痛点很明确,你写的好,用 prompt 存记式本里 m c p 配置截图发给同事,让他自己配。 cloud md 换项目了,复制粘贴改一版太累了,能不能打包起来?一个命令就用 普通 prompt 和 skill 的 区别就像口头传菜和菜谱 app, prompt 每次手打换对话就没了,没法分享 skill 呢?一个斜杠命令,直接调用,跨项目跨对话都能用,还能分享给团队。更关键的是,按需加载装一百个,日常开销几乎为零。 skill 的 最简形态就是一个 skill md 文件,上面是原信息名字和描述,下面是指令内容文件,家里还能装脚本模板配置,而且不光教 ai 怎么做,还能通过 a lot tools 给它开权限。 实战一把。花五分钟写一个 smart commit skill 创建目录,写个 skill md, 定义好流程和权限,下次改完代码直接输入斜杠 smart commit cloud code, 自动分析变更生成,提交信息帮你提交,全程不用手动输一条 get 命令。 skill 不 只是 markdown, 而是一整套可附用的工作流。 skill md 是 主指令, scripts 文件夹放自动化脚本, templates 放输出模板,分享给别人的时候,整个文件夹丢到 cloud skills 下面就能用,不用任何额外配置, 生态也很成熟。官方仓库 gighub 超过八万七千星,社区生产级 skill 超过两百三十五个。还有专门的 skill 市场,用 npx 异形命令就能安装。不过老罗提醒一句,只从可信来源安装,装之前看一眼 skill, md 里的 allow tools。 三句话总结,没有 skill, 每次用 ai 从零教起,有了 skill 配一次到处用。 skill 的 本质是把零散经验变成可赋用资产。下一篇我们聊 multi agent, 让 ai 组队干活。

单位笔杆子真的会阻止你刷到这条视频,因为你一旦用了这个 ai 技巧,你就会将成为单位里的写材料大师。我跟一起使用这个 ai 技巧的小伙伴写材料从不加班,材料质量反而更好。 因为我的 ai skill 把写材料变成了一个自动化流程,搭配上豆包就是一只专业写作团队。怎么用评论区扣一进主页粉丝群? 我的这个 ai 写作 skill 能生成两样东西,第一,超精细的提示词,告诉豆包写什么类型,什么风格,面向谁,素材怎么用,就相当于给豆包一份写这篇公文的说明书。 第二,严格监控约束豆包,做好写作服务,他能监督知道豆包的写作过程,让豆包每次只写一个部分,写完,让豆包每次只写一个部分,改的面目全非,边写边确认出来的东西就是你要的, 使用也非常简单,你只需要回答问题,不需要自己动脑想提示词,只需要说是或者不是。 职场里还有一大堆重复繁琐没人愿意干的脏活累活,可以用 ai 替代人工。在评论区大胆说出你的需求,我会用我掌握的 ai 技术,把这些需求变成现实。

面试时,面试官问你什么是 skills? 你 说, skill 不 就是写得好一点的 prompt 吗?把提示词存成文件,方便附用呗。面试官笑了笑,你又说, skill 就是 给 ai 挂一个知识库,让他回答问题的时候更专业。面试官又笑了笑,这个 agent skills 项目在 github 上已经拿到了一一七 k 的 sir, 官方提供了二十多个内置技能。今天我们就来仔细拆解 c q。 首先, skill 到底是什么呢?简单来说, skill 是 一种模块化可赋用的能力包,它本质上就是一个文件夹,里面有三样东西,一个 c q, 点 m d 指令文件,可执行的脚本,还有参考资源。这三样组合起来,能让 ai 在 执行特定任务时 表现出稳定一致,还能持续迭代的行为能力。从物理形态上看,一个文件夹就是一个技能单元,最小只要一个 q m d 就 能跑起来。从认知层面讲,它把企业的 s o p 模板规范封装成了 ai 能直接执行的结构化说明书, 而且 c q 在 二零二五年十二月就已经发布为开放标准,不只是库拉迪在用, curser、 open code 等平台都支持。很多人第一反应会问,这和 prompt 有 啥区别?不就是提示词吗? 咱们来对比一下。 prompt, 也就是平时写的提示词,它是反应式的,你问它才有,是一次性的,对话结束就没了,没办法,快绘画附用,写的越长,占用的上下文越多,用起来越贵。而 skill 呢,它是主动式的, ai 自己能判断什么时候该调用,哪个技能 是持久化的,安装一次,长期生效,按需加载,只有用到的时候才消耗 token, 多个 skill 还能组合使用,形成流水线。所以啊, skill 包含 prompt, 但远不止于 prompt, 它是结构化、持久化、可执行的能力封装,可以说是 prompt engineering 的 进化形态。那一个 skill 的 内部是什么样的呢?它的文件结构里跟目录下有个核心的 skill 点 md, 还有放可执行脚本的 scripts 文件夹,以及放参考资料的 resource 文件夹。具体来看,第一是 yaml frontmatter, 也就是文件头部的原数据 name 和 description 是 必填的。 description 可是 ai 路由决策的核心依据,写得好不好,直接决定技能能不能被正确触发。第二是 markdown 正文,这是指令层,包含角色定义、核心指令、输出、格式规范等,就像是 ai 执行任务的操作手册。 第三是 scripts, 也就是可执行脚本,可以是 python、 shell、 java script, 由 ai 在 沙箱环境中调用执行,这可不是输出文字,是真正在跑代码。第四是 resources 参考资源,比如合规手册、知识库文档,采用条件是加在只有 ai 需要的时候才读进来, 能极大节省 token。 还有一个关键机制叫渐进式批录,英文是 progressive disclosure, 这也是 c q 和普通 prompt 最本质的架构区别。整个加载过程分四层,像个漏斗,越往下加载越深, token 消耗越多,但能力也越强。第一层是原数据扫描系统,启动时只加载所有 skill 的 name 和 description, 大 概一百个 token, 让 ai 知道自己有哪些能力,就算装了一千个技能,也不会称爆上下文。第二层是技能解锁,用户请求进来后, ai 通过纯 l a l m 推理匹配该用哪个 skill, 然后把完整的 skill m d 加载进来, 消耗不到五千个 token。 第三层是资源引用,只有指令里明确引用某个资源文件时,才把那份文档读进上下文。 知识库里可能有几十份文档,但每次只取需要的那份。第四层是分析规划执行, ai 制定计划,调用 scripts 目录下的脚本在沙箱中运行返回,结果实测下来,这种机制能让 tokin 消耗降低百分之六十到百分之八十。 agent 是 如何调用 skill 的 呢?假设用户输入分析这份年度采购会议记录, 检查是否有超出预算预值的违规项。第一步是路由阶段 agent 扫描所有 skill 的 description, 通过 l l m 推理识别出关键词, 会议记录、审计预算,自动命中一个叫 meeting auditor 的 技能。第二步是加载阶段,系统把 meeting auditor 的 still md 全文加载进上下文 a 阵,可获得完整的角色定义、审查规则和输出格式。第三步是动态引用,指令你写了 必须参考 compliance rules md 第三章,这时候才把合规手册加载进来,其他无关的资源文档不会占用 token。 第四步是推理输出模型,结合会议记录和合规手册进行推理 输出审计报告。第五步是脚本执行,用户确认后输入规章, agent 调用规章脚本在虾乡中执行,返回一个规章编号。整个过程用户只说了一句自然语言, ai 就 自动完成了技能匹配、规则加载、合规审计和自动规章,这就是 skill 的 威力。有人可能会问, c q 和 m c p 是 竞争还是互补关系呢?答案是完全互补,它们解决的是不同层面的问题。 咱们打个比方, m c p 就 像 usb 接口,解决的是连接问题,让 ai 能访问 github、 数据库、 google drive 这些外部服务,它是连接层。 c q 就 像驱动程序,解决的是应该怎么做的问题,把业务 s o p 和最佳实践封装成标准化指令, 它是能力层。而 agent 本身就像电脑,只是一个执行主体, m c p 给他接口, c q 给他搜屁,他负责把事情做完。简单说, m c p 负责能做什么, skill 负责应该怎么做, agent 只是执行在体,这样 ai 原生应用的架构分层就清晰了。 skill 可以 用来做什么?文档处理,能生成符合公司品牌规范的 word、 ppt、 pdf, 自动提取表格,填写表单。代码审查,按团队的代码规范自动 review pr, 识别安全漏洞,给出可执行的修改建议。数据分析,按业务模板分析 c s v 或 excel, 自动生成可视化报告,执行地库查询。创意设计,按品牌色板和字体规范生成设计资产创作插图配色方案。企业自动化审计、会议记录执行合规检查,生成财务报告触发条件后自动规党。 web 测试自动化测试、 web 应用截图对比生成测试代码集成到 c i c d 流程中,可以看出, skill 的 应用场景远远超出了写代码的范畴,任何能被标准化描述的工作流程,都可以封装成一个 sim。 最后,咱们用 open klo 这个平台, 手把手走一遍从安装到发布的全流程。第一步,安装 opencl, 它是一个开源的本地 ai 助手,支持多种模型,内置了 aj skills 标准,目前是最活跃的 sku 生态平台,社区已经有超过一万三千个技能,用 npm 一 键安装就行。第二步,从 kylab 市场安装现成技能。 kylab 是 opencl, 创建一个文件夹,在里面新建一个 skillmd, 写上 yaml 头部和正文指令就行。 记住 description 是 关键,写得越精准, ai 自动触发就越准确。第四步,加载和触发重启 open curl 之后,新技能就生效了,使用的时候不需要记忆任何命令,直接用自然语言描述任务。 open curl 通过 l l m 推理自动匹配对应的 skill。 第五步,发布到社区,把你打磨好的技能发布到 curl hub, 让全球用户都能一键安装 curl hub, 支持版本控制和语义搜索, 方便别人找到你的技能。最后总结一下, prompt 是 草稿, c q 是 工程。 skill engineer 已经到来,未来的高价值开发者不一定是写代码最快的人,而是那些能够把企业的隐性知识封装成标准化、可移植的 agent skills 的 人。现在回到开头那个面试题, 下次再有人问你什么是 agent skill, 你 就可以说它不是 prompt, 也不是知识库,它是结构化的能力封装标准,通过渐进式路由实现按需加载,是 ai 从能对话到能干活的关键架构层。 如果这期视频对你有帮助,别忘了点赞关注。你们觉得 agent skills 在 未来会有哪些更厉害的应用呢?欢迎在评论区交流。

面试官问,当上百个 skill 塞爆 system prompt 时,你该如何进行架构重构与优化?听到这个问题,你先别急着去想怎么删减字数,咱们先往深处想一层。 面试官为什么要问这个问题?它其实是在考察你对大模型工业化落地的理解。在咱们平时写个小 demo 的 时候, 三五个技能往 system prompt 里一塞,模型跑得挺欢。为了让大家更好的学习大模型,我把完整的学习路线,还有以上各个阶段要用到的资料,可以在主页置顶群里。大家好,我是彭宇。但真正到了企业级场景, 一个 agent 可能要对接几百个外部 a p i, 要处理财务、法务、行政各种杂事。如果你还是那种把所有干货都塞进一个篮子的单体思路,那你的系统必崩无疑。咱们对着屏幕上这张架构图, 从头到尾拆解一下这套价值百万的专家级方案。首先请大家看最顶上的 face 零,也就是咱们现在面临的这个痛苦现状。大家有没有思考过,为什么 prompt 太长了模型就会变笨?这不仅仅是 token 贵不贵的问题, 这里有两个核心的技术陷阱。第一个是 lost in the middle, 也就是咱们常说的中间注意力丢失。大模型这个东西,它的注意力分配是不均匀的,它对开头和结尾的信息记得最牢,中间那一大段它最容易断片。 如果你塞了一百个技能,最核心的逻辑偏偏在第五十个,那模型大概率会视而不见。第二个陷阱叫 attention direction, 注意力稀释,大模型的总注意力的权重就越稀疏。 最后的结果就是,他明明知道有这个工具,但他就是不按你要求的格式输出。所以说,这种单体 prompt 架构就是我们要拆掉的第一座大山。 那既然不能全塞进去,咱们该怎么办?来看类二一,这是咱们的第一道关卡,极速意图路由。这里我先问大家一个问题,如果你去一家大公司办事,你是直接冲进 ceo 办公室问他厕所在哪吗?显然不是,你会先去前台,这个路由层就是咱们的前台老大爷, 我们不需要一开始就动用那个最聪明、最昂贵的核心大模型,我们可以部署一个极轻量的小模型,甚至是本地化部署的。经过微调的分类器,他的活极其简单,就是把用户那句大白话翻译成一个意图标签, 他是要查报表还是要订外卖?路由层一分钟能处理成千上万个请求,他把那些完全不相关的技能直接过滤掉,只给后面的核心模型留下一条清爽的路径。 过了路由这一关,咱们就来到了 layer。 二、技能向量库解锁,也就是所谓的 skill rank。 大家可能都做过文档解锁 rank, 但技能解锁这个概念你们一定要掌握。咱们把那一百多个技能的描述、调用参数,甚至是几个成功的调用范例全部打碎,存进向量数据库。 当用户说帮我分析一下上季度的财报时,系统会拿着这个需求去向量库里做相似度匹配,它会精准地把 coco 生成图标绘制这两个技能召回回来。注意,这里我们只召回了 topk, 也就是最相关的三五个技能,这时候你的 system prompt 长度瞬间就从一万行减到了几十行。咱们不再要求模型背诵全书,而是给他一张开卷考试的精准缩印本。 好技能找回来了,怎么喂给模型才最舒服呢?这就到了雷尔三动态组装引擎这层,考的是你的 prompt engineering 硬实力。 我们要做的第一件事叫结构化降噪,千万不要用大段的自然语言去描述技能,要用模型最喜欢的 markdown 或者 jason schemer。 为什么?因为这种结构化的表达方式具有极强的归纳偏好, 模型一眼就能看出哪里是指令,哪里是参数。另外,这里还有一个高级技巧, dynamic field shot, 也就是动态式例。我们不要把几十个范例都写死在里面,而是根据当前的上下文,只从库里抓取一个跟当前最像的例子塞进去。 这样既保证了模型知道怎么模仿,又把上下文空间压榨到了极致。讲到这,可能有人会问,要是任务真的很复杂,既要查数据,又要写文案,还要自动发邮件,这几个技能还是塞不下怎么办? 这时候咱们就得记出 layer 四分身代理架构,也就是多智能体协助大家看图中那个金字塔结构,我们要把任务分置,顶层是一个 manager agent, 也就是主管。这个主管的 system prompt 极其纯粹,他不背任何具体技能, 他只负责两件事,拆解任务和分发任务。他把复杂的请求拆成几个子任务,然后发给底下的专家 agent。 比如数据专家只背负 circle 相关的 prompt, 文案专家只拿写作相关的 prompt, 每个专家都住在自己那个精简纯净的小屋子里工作,这种节偶思维是目前处理大规模技能级的行业标准答案。 最后咱们作为架构专家,得给面试官展示一下你对底层性能的极致追求,也就是 layer 五。这里有两个杀招,第一个是 context caching 上下文缓存。大家想一想,虽然每个用户的提问在变,但我们的技能库、系统规则这些东西其实是相对稳定的。我们可以把这些静态的、巨长的 prompt 放在开头,利用最新的缓存技术把它们的 kv 开始锁死。 这样后面的人再提问,大模型就不需要重新计算这部分 token 了,首次延迟能直接降一个数量级成本,也能省下一大笔。第二个杀招是 sft, 也就是模型内化。如果你发现某几个技能是核心中的核心, 每天被调用几万次,那你干脆别写在 prompt 里了,直接拿这些数据去微调模型,让模型产生肌肉记忆,这种把规则写进骨子里的操作,才是真正的降维打击。好,咱们讲了这么多,最后来总结一下, 如果面试官听完你的方案,你应该怎么给出那个最有力的收尾?你要告诉他,在大模型工程化落地中,我们的核心哲学是最好的。 promt 往往不是写出来的,而是根据上下文实时组装出来的。 我们要通过 layer 一 和 layer 二解决技能的广度问题,不管你有几千个技能,我都只取一瓢饮。我们要通过 layer 四的多代理架构解决任务的深度问题,让专业的人办专业的事, 最后通过勒二五的缓存和微调解决系统的快慢问题。不过各位未来的架构师,你脑子里还得绷紧一根弦,不能只看方案的好处。这种动态架构虽然解决了塞不下的问题, 但他的代价就是系统复杂度和延迟,所以你要主动补这一刀。这种架构不是无脑上的,如果咱们的技能一共就十几个核心模型,完全能 hold 住,那直接全量塞进去其实才是最稳最快的, 完全没必要搞这么复杂。只有当技能规模真的突破了临界点,模型开始间歇性失忆或者胡言乱语的时候,这种动态组装带来的精度提升才值得我们去忍受那一点点延迟成本 要在响应速度、理解精度和实现成本之间找到那个最精准的平衡点。当你从路由、解锁、组装、分置、内化这五个维度去拆解一个臃肿的 system prompt 时,你已经不是在调优一段文字了, 你是在设计一套具备无限扩展能力的 agent 工业架构,这种高度才是面试官真正想要的答案。

分享两个我调用最频繁的 skill 第一,浏览器自动化的终极方案,谷 歌浏览器。嗯,这个英文我不会读,其实就是谷歌官方发布的一个浏览器自动化的方案,我为什么会把它称之为浏览器自动化的终极方案呢?就是这么说吧,你干不来的事,或者你不能干的事,你可以交给他去干。 我觉得还是挺有意思的,比方说前段时间怎么都抢不到的智普的 coding play, 反正我用它抢了好多个,你可以自己去试一试。总结来说,这个 skill 就是 浏览器内的操作基本无障碍,你就可以这么理解就行了。第二,提示词优化器。这个也是我用的最多的一个 skill, 我 相信今年很多人开始接触智能题以后,然后发现自己的表达方式好像 ai 并不能够很好的理解,那么这个 skill 就 可以实现让你跟 ai 的 高效沟通。 大白话解释一下这个词汇究竟有哪些功能。第一就是优化用户提示词,直白来说就是你下达的指令经过了提示词优化器, ai 理解起来就几乎无障碍。第二,提示词的迭代改进。举例来说, 你看到别人分享的一段用来制作视频或者图片的提示词,你想套用,那么你就可以直接丢给他,让他来修改就好了,你只需要告诉他方向就 ok。 老规矩,项目的地址我放在了评论区,领取的时候记得点个关注。

大家好,我是老罗。今天聊一个二零二六年 ai 圈最火的新概念,叫 context engineering。 上下文工程。一句话总结, prompt 决定下线, context 决定上线。 你有没有发现,同样的 prompt 在 不同项目里效果天差的?别在一个空项目里写登录接口, ai 给你一个通用方案能用, 但在已有项目里加功能, ai 还是给你通用方案,大概率跟你的项目不兼容。问题不在你怎么问,而在 ai 看到了什么信息。 打个比方你就懂了, prompt 就 像点菜,你告诉服务员我要一份宫保鸡丁,简单直接。而 context engineering 是 整桌宴席的编排,你得考虑谁来吃,先上什么菜,每道菜什么时候上。教你怎么说话,是 prompt 教你怎么给 ai 喂信息,那就是 context engineering。 具体来说, context engineering 管三件事,第一,选择二百个文件,只给 ai 看最相关的三个。第二,排序,先看架构,再看代码,最后看测试。第三,时机开始,任务前给背景,写代码时给文件,调试时给错误日制。 这三件事的质量直接决定了 ai 输出的质量。最好的实战案例就是 cloud md, 在 项目根目录放一个 markdown 文件,写上你的技术栈和代码规范, cloud code 每次启动都会自动读取它, 不用每次开心对话都解释项目背景, ai 已经知道了,用最少的 token 传递最关键的信息来看一个真实的对比, 同一个任务加修改密码功能,没有 cloud md 的 情况下, ai 用了自己假设的名称,手写 coco, 没处理缓存,你还得来回改三四轮。有了 cloud md, 加上引用相关文件, ai 一 次到位,直接能用 同样的 ai 模型,效果差了五倍。 cloud code 提供了四层上下文管理工具, cloud md 管项目规则,每次自动加载 memory 目录管跨绘画记忆和踩坑记录, hoox 管自动化触发,比如提交前自动跑 link, mcp 管外部数据按需获取。四个工具组合起来,就是一套完整的 context engineering 方案。 记住一句话, prompt 是 方向盘, context 是 油箱方向,再对没有也跑不远。光 prompt 写得好, ai 没有足够的上下文,照样输出垃圾。 现在就去你的项目根目录创建一个 cloud md, 把项目背景、技术栈代码规范写进去。就这一步, ai 输出质量直接翻倍,效果立竿见影。下一期咱们聊 skill, 把 context 配置打包附用。