cavemanskill触发技巧
今天我们要聊的是一个叫做 caveman 的 东西，它其实是通过一种非常简单的 system prompt， 对， 让 ai 的 回复变得更加简洁高效。不错， 这个话题最近特别火，那我们就直接开始吧。我们先来看看这个 caveman 它本身的这个项目，在开元社区，它到底是引发了什么样的反响。 caveman， 其实它在 github 上面的这个描述就只有一行，就是一个让 ai 闭嘴的 system prompt， 然后他三天的时间就获得了四千一百多个 star， 在 hack news 的 首页是七百三十五分。哇，这个增长速度真的有点吓人啊。 对，那这个东西它为什么会火呢？其实它的实现并不复杂，但是它背后解决的问题是很多人都遇到，但是没有被很好的解决过的，所以大家的反响才会这么激烈。明白了，那我们来聊一聊，就是这个 caveman， 它的原理到底是什么？它是怎么做到让 ai 回答的更加简洁的？ 它的核心就是它会在你的这个提示词前面加上一行 return very short responses， no preamble， no self reference， no filler use plain text。 就 它会强制地让 ai 直接回答问题，不要说一些多余的话，就这么简单。对，就这一句话就可以改变 ai 的 这个回答方式吗？因为它并没有去改变模型本身，它也没有做任何的 fine tuning， 它只是通过这种 system prompt 的 方式让 ai 去掉了那些解释啊，铺垫啊，还有一些寒暄，直接给你答案，或者说没有答案就会告诉你，没有， 它就像一个原始人一样。嗯，就是非常的直接高效。对，所以 kiffman 它有三档不同的强度，那它分别适合用在什么样的场景下面呢？ 它的第一档是默认的，就只是把那些多余的词语去掉，但是它还会保留一些结构，比如说标题啊，代码啊，它都还是会保留的，所以它还是很适合日常的使用的。 第二档是 strong caveman， 它就会更加的激进，它就只会给你最核心的那个答案，就其他的什么都没有了。 那第三档 extreme caveman 就 更加极端了，它的输出几乎就是最小化的，它就只适合那些自动化的任务，就机器去读的人看起来就会很费劲。哎，那这么说的话，这三档还挺灵活的。 对啊，这个设计确实很贴心啊。没错，它就是把简洁变成了一个可以随时去调整的一个参数。嗯， 所以不管你是在跟 ai 聊天，还是说你要跑一个脚本，你都可以找到一个最适合你的那个模式。那我们接下来要讲的就是实测的数据了。嗯，我也很好奇，就是用了 caveman 之后，到底在 token 的 节省上面和这个响应速度上面到底能有一个什么样的提升？ 作者做了十个不同的任务的测试，然后发现 token 的 节省率是在百分之二十二到百分之八十七之间，平均下来有百分之六十五。 哦，那也就是说你同样的钱现在可以多问将近三倍的问题。那这个响应速度呢？用户在使用的过程当中会有明显的变化吗？有的，因为返回的内容变短了嘛，所以 api 的 响应速度也快了差不多三倍。对，这本来可能要等八秒的，现在两三秒就可以拿到结果了。 这个对于高频的请求来说，体验感的提升是非常明显的。明白了，那 cavemen 在 实际使用的时候，它有没有什么特别要注意的地方？它只是压缩了返回的 token， 它不会影响模型内部思考的 token。 就 如果你的模型是用 chain of thought 这种推理方式的话，它想的过程还是一样的，只是说出来的部分变少了。哦，原来只是输出变短了。对，那这个工具本身会不会占很多 token 呢？呃，它本身大概要占几十个 token， 所以如果你的任务本身就非常非常小的话，你省下来的 token 可能还没有它占的多。对对，所以就是任何工具都有它的适用范围。好的，然后我们就来看看这个学术上的一些支撑。嗯， 有哪些研究是可以证明让 ai 回答得更简洁，其实是不会降低回答质量的？最近有篇论文，它的编号是 a r x v 二四零一点零五六一八。 他做了一个实验，就是他把练式思考的长度减少了百分之四十九。然后他发现，除了数学推理的准确率下降了百分之二十七以外，其他的像解释啊，分析啊，规划这些任务几乎没有受到任何影响。看来在很多任务里面，简短的回答其实也够用了嘛。 而且更有意思的是，另一个论文编号是 a r c 二六零四点零零零二五。它发现在特定的场景下，给小模型加上一个简洁的约束，它的准确率可以提升百分之二十六，甚至可以让小模型反超大模型 就是少即是多，这个原则在 ai 里面也是非常非常有效的。那是不是所有的任务都能从这种简洁的约束当中获得同样的好处呢？不是的，就是解释类的任务，它的帮助是最大的，因为本来就很多废话嘛，你把废话去掉对内容没有什么影响， 但是像短的代码重构这种本身就已经很精讲了，你再去约束它其实也没有什么用好的。然后我们要讨论的内容是这个 caveman， 它的这个病毒式的传播，它是怎么做到在极短的时间内在开发者社区里面引发这么大的轰动的？它的作者是一个十九岁的荷兰的 ios 开发者， 他其实只花了十分钟就把这个东西写完了，然后他就发到了 gitup 上面，结果三天的时间就有超过四千一百个 star， 在 hack news 上面有七百三十五个 upload， 三百二十条评论， 评论区都炸了，大家都在讨论这个东西，这也太疯狂了吧。那大家对于这样一个简单的创新都有什么看法呢？很多人觉得终于有人把大家都想做但没人做的事情做了， 当然也有人说这算什么创新，不就是一行 prompt 吗？但是其实历史上有很多很伟大的东西，回过头来看也就是一个很简单的想法， 然后它的安装也超级简单，就一行命令， npx skills add julius proceed caveman 就 装好了。那我们最后来总结一下这个 caveman 项目给我们带来的关于 ai 工程和产品设计上面的一些核心的洞察，或者说一些启发。第一个就是 system prompt 其实是非常非常强大的， 就你可能只需要加一行命令就可以彻底地改变 ai 的 行为，你根本不用去动模型的参数，这个东西其实现在很多人都没有意识到它的潜力，对这个确实有点反直觉，对，就这么简单的一个东西居然可以产生这么大的影响。第二个呢就是开发者的痛点，其实就是创新的一个信号， 就大家都在抱怨说 ai 太啰嗦，但是只有他真正的动手写了一个东西去解决这个问题，所以有的时候你身边人的这些焦虑啊，这些吐槽啊，其实就是一个巨大的机会，所以说光抱怨不行啊，得有人跳出来做点什么没错。然后第三个就是透明带来信任， 就这个东西它的 system prompt 是 完全公开的，谁都可以看，谁都可以改，所以大家反而更愿意去用它，这是一个很重要的原则，就是在开源社区里面。还有最后一个就是简洁，应该是你一开始就要考虑的，而不是说等你东西都做完了之后再去删减。 就现在我们很多 ai 的 产品都在追求如何让 ai 说得更多，但是其实有的时候让 ai 说得更少，反而更有价值，确实是这样。 那今天我们聊的这个 cavemen， 它是如何通过最简单的方式让 ai 变得干脆利落，然后我们也聊了背后的一些原理和它可能会带来的一些影响。 ok， 那 这期节目咱们就到这里，然后感谢大家的收听，咱们下期再见吧，拜拜。拜拜。
粉丝648获赞3318
相关视频
05:05查看AI文稿AI文稿大家好呀，假期最后一天，我在家刷手机的时候，刷到一个火到离谱的 gitap 项目 kimman， 我 们暂且叫它学居人项目，一个月内狂揽五万多个 star， 能让 agent 平均减少百分之六十五的输出 token。 尤其看这一段介绍，把原本一句这么长的英语压缩成一句文言文输出 use memo rep 指直接把我逗笑了。 安装很简单，按自己的实际需求选择相应的安装选项即可。我直接用了这两个命令给 cloud code 装了 skill。 看官方介绍，它本质上是一个通用的 agent skill， 可以 装进 cloud code code、 json、 kemonite， cursor、 windsurfer 等这类 agent 工具里， 并且在十项技术测试里平均减少百分之六十五的输出 token。 其中解释 react 重渲染 bug， 实现 react error boundary 这两项，甚至省到了百分之八十七。而他做的事情，就只是让 ai 像学居人一样说话， 少寒暄，少铺垫，少解释，只保留结论因果和关键技术信息。看到这些，除了能省钱以外，另一个吸引我的是背后那个更深层的逻辑问题，我们真的需要让 ai 像人一样说话吗？ ai 越是像人，是不是就越贵、越慢，甚至更笨？带着这个问题，我做了三轮测试，咱们看看学居人模式到底是野路子，还是 ai 本来就该这么用。 第一轮还是请出我的老伙计搭档 cloud code 加 deepsea v 四 pro， 从零做一个 react 单页应用，主题是立夏节气与传统风俗 上下两个窗口同时跑，分别是学居人模式和普通模式。我开启的是 kim 满负压缩模式，如果想要极限挑战，可以使用 ultra 模式，这个需求不算特别复杂，但也不是一个普通静态页面，它有足够的组建、拆分、状态管理和交互说明， 正好可以看看在一个有一定复杂度的 ai coding 任务里，学居人到底能省多少输出 token。 结果差异很明显，学居人模式先跑完整个任务，花了十四分钟输出一万七千五百 token， 普通模式就慢了不少，二十分钟才跑完，输出五万零三百 token。 我随手扔给他的一个任务，学具人居然真的按官方说的，实打实省了百分之六十五点二的输出。而且还有一点官方没有提到的，就是速度提升了百分之三十。 这什么概念啊？这就相当于我可以用五个半小时完成一天八小时的工作，而且可以省一半以上的钱，简直太爽了！怪不得老板们都喜欢话不多活还好的牛马。 更关键的是，我对比了最终页面效果，页面结构、交互功能，视觉完成度基本相当。 也就是说，在这次测试里，它确实把很多废话和说明文字压掉了，但没有牺牲最终交付质量。不过，无论是官方 benchmark 还是我前面的测试，其实都是从 ai coding 的 角度在看这个 skill， 那 对于普通用户来说，它还适用吗？ 于是，我又开启了一轮新的测试。由于我平时也在做一些教育相关的项目，所以顺手拿了一张语文试卷，选了一篇古文，分别用普通模式和学居人模式翻译成现代文。 学居人给的这个翻译我有点不太赞同，可以知道兴盛衰瘏以及明白得失这两处都没有翻译到位， 再看普通模式就都说清楚了，我喜欢。为了更有说服性，再看一下现代文的写作，写一篇关于二十四节气的说明文。 deep sea 的 文笔还是一如既往的好，但在学居人模式下，因为过度强调压缩和省略，文章有点变成散文化的短句堆叠， 读起来有味道，但真正该说明的二十四节气知识点反而没有讲清楚讲到位。所以对于语言文学类的应用场景，我建议还是不要打开学具人模式了，虽然也能省不少 token， 但普通模式的输出表达更到位。 跑完自己的测试，我又去搜索了一下网友们的评测，有个小伙伴跑出了高于百分之七十五的成绩，直接获得了一万三千多的赞，不知道屏幕前的小伙伴跑出来是多少，欢迎大家评论区留言告诉我。更有意思的是，我还看到有网友分享过一个案例， 他说自己在 codex 里使用 gpt 五点五的时候，疑似看到了泄露出来的 thinking 内容，当今世界最强大的模型也使用相同的思路训练。我猜这也许就是上几期我们实测五点五更省 token 的 原因吧。 所以我给学居人的定位是高校有工程诚意的 skill， 如果你是一个开发者，他会对你相当有帮助，但其他场景还需要更多的实测，也欢迎家人们给出建议。 测试的时候，我忽然想到，现在的 ai 大 模型是不是为了迁就我们这些碳基生物才非得说人话？想象一下，如果未来的 ai 用我们完全看不懂的暗语把任务完成的又快又好，然后切回人类模式，礼貌的告诉你，事情已经妥妥办好了。 这就有一点细思极恐啊，我是和你一样努力用好 ai 的 碳基生物退役指南。谢谢收看本期视频，下期见。
1140碳基生物退役指南
01:31查看AI文稿AI文稿excel 让你的 cloud code， codex token 消耗量减少百分之六十五，这个 github 上面五十五 k 的 一个项目，就是这个 qman， 这什么意思？这个这个项目做了什么呢？他说他把你的普通的上下文的书，对话的文本做了一个极致的压缩，它是怎么压缩？类似于 现在的简体中文，他给压缩成文言文，你可以这样去理解，你看他举的举的这个例子，你看这个是那个 u i 渲染的这个例子，你看这个英文非常长，是不是？中文也很长，但是他压缩完之后，用文言文之后，竟然是你看悟出新参照致重会， 这个英文也是一句话，这个很有意思哎，这个作者是一个外国人，他竟然支持了文言文，而且他这个 文言文竟然还有三个模式，有那个我看一下好像有那个，你看这个文言文这个经典版，你的不要压缩太多这种， 还有全版，还有凹凸版本，就是极致压缩那种。但这个场景，比如说你要是那个做深度研究，做分析，很多的那种文本多轮对话的，你编成是不是你用可拉扣的，你肯定会不停的修改你的提示，是不是？这个就很非常完全适合？但是如果你是简单的一轮对话，两轮对话，这种 其实就没什么意义。想想你，因为你是你一轮对话，你要把你的文本发给 ar， ar， 然后把它转为文言文，文言文再得到处理完结果之后，再把文言文再转成白话文，再转给你，这一过程相当于多做了一次转换，是不是？ 所以说你单词对话的话肯定不合适，但是你多次对话，这种有多轮对话这种场景，这个是非常非常好用的， ok。
300AI学不懂
02:35查看AI文稿AI文稿如果你的 android skill 安装了，但是发现并不好用，比如说总是不触发，大概率是 description 没有写对。今天分享六个呢， skill 创建的技巧，全部是从 ospec 官方仓库里面扒出来的实战经验。第一个 skill md， 要有黄金结构。很多人写 skill md 呢，就是一坨文字糊上去， cloud 其实根本看不懂。 正确的写法是分块， purpose， when to use process， decision， logic， output。 每一块呢，都用标题和列表写清楚。 cloud 呢，一看就知道该怎么执行。 第二点啊， description 的 写法是否正确，直接决定了处罚率，这是最容易踩的坑啊。你写帮助用户处理 excel， 这太模糊了， ai 不知道什么时候该调用你，你得写清楚两个关键信息，第一个呢，叫做能做什么？第二个呢，是什么场景来调用？比如正确的写法呢？是这样的 好，你看前半句，列出了四个具体能力，提取数据，执行透视表，生成图表。后半句呢，写明了处罚的场景，分析表格数据或者自动化工作流，具体化，以 才能被精准触发。而且第二个信息点更关键，因为很多人会写干什么，但是常常忘记写什么时候来触发这个 script。 第三啊，重复的活呢，封装成 scripts。 比如说你经常要抓取网页内容，每次呢，让 ai 现写代码又慢又不稳定，直接写一个脚本呢，扔进 scripts 文件夹，然后在 s q m d 里面呢，告诉 ai 调用脚本就行。注意啊， scripts 文件夹里面的内容再多都是不加载到上下文里面的，而只是执行，因此 intoken。 而且由于是代码逻辑呢，是前后一致的，完全是稳定的。第四个， reference 文件夹要按需加载， qmd 里面超过了多少字就要拆分呢？从时间来看呢，最多不要超过五千字啊，如果超过就 把详细文档呢放进 reference 文件夹里面，在 qmd 里面写上需要时读取某某文件，这样 ai 不 会一次性的塞满上下文，只会在用到它的时候呢才加载。第五个， 直接抄官方的优秀案例， ospeak 官方的 skills 仓库呢，有六万多的 star， 里面的 m c， p， builder， web app， testing， internal， commerce 这些呢，都是生产级的 结构，怎么组织，指令怎么写，资源怎么分配，全部呢，都是现成答案，抄完改成你的领域就行。第六个，打包分享出去， skill 则遵循开放的标准，一个 skill m d 呢，加上 scripts， reference， assets 三个文件夹，打包呢就能给别人用。你做的 skill 呢，越专业，附用的价值呢就越高，对你带来的影响力呢也就 越大。总结一下， description 决定了触不触发，触发率是多少， skill m t 的 结构呢，决定了执行的质量， scripts 和 reference 呢，决定了效率的上限。 ok， 这一期呢，讲到这儿，觉得不错的点个赞，后续呢，还会拆解更多的 skill 的 实战的玩法。
328清华鑫哥讲AI智能体
02:09查看AI文稿AI文稿今天讲 agent skill 被误解最深的概念写了十个，没一个触发。 agent skill 到底是什么，我真没搞清楚过。先问你几件事，嗯，你是不是以为 skill 是 prompt 模板？我确实这么想过，或者是方神托，或者是一个被微调过的小模型。如果你是这三种想法之一，那 skill 在 你手里几乎不会触发。 它其实是按需加载的上下文文件。按需加载 prompt 模板是字母串，每次请求硬塞进 context 固定站头梗瘦不下来。 skill 是 文件系统里的一组 markdown， 不 出发就不加载，出发了才进 context， 那 差别太大了。 看这张图，你装的所有 skill 系统，只看得到它们的 description， 皱纹不加载，对，皱纹不进 context。 用户一来消息 agent 扫一遍，所有 description 匹配的才亮起来，对匹配的那个 skill 的 皱纹才流进 context， 这时候它才被 agent 读到。 所以 skill 其实是个三元组。 name， description 包底对， name 是 身份， description 是 路由钥匙，包底是详细指令和附件，哪个最重要？ description 路由命不重，包底写得再完美也没用。 还有一层未讲， skill 执行其实有两种模式，我就见过一种啊， inlay 在 当前绘画跑主， agent 自己读，自己做另一种 dispatch， 一个萨巴 agent 去做独立 context， 做完返回一个 summary， 区别在哪？编辑当前工作用 inlay， 独立任务用萨巴 agent 记住这三条速记，一 description 权重远大于包底。二， skill 点 m d 写 overview， 附件写细节。三，独立任务用萨瓦迪整的。 记住了这个套路，不只是 cloud 的 东西，还有谁？ m c p custom g p t s cursor rules 全是一套模型。 prompt engineering 这个词要被替代了，替代成 skill engineering。 下期我们拆 m c p 协议。
32深度直觉
06:12查看AI文稿AI文稿哈喽，大家好，我是迪迪，那这个图是我用一个 excel sheet 加上我右边的这个 skills 两分钟生成的，那除了这个图标，我还做了这个图标反映出来的这些核心洞察，所以今天就带大家一起来拆解一下我是怎么样去做的。 首先带大家来看一下右边的 skills， 那 针对于 skills 怎么样去写，我们之前有分享上面的话就是一些 matter information， 包括这个 skills 的 名称是什么，它具体在什么样的场景下会触发这个 skills 呢？主要是针对于你给他一些数据，以及加上你自己想要看到的一些数据反馈的一些问题。 skills 就 能根据你数据的一个格式去选择相应的一个图标，比如说有一些变形图或者一些柱形图，散点图等等，所以它会根据你自己数据的不同，然后去匹配相对应的一个图标。那同理也会说到，有些图标是不适用于在某一些情况下用的， 在这个地方已经完全给它规划好了之后，我们就开始写了一些的表本，对于不同的一个图标的类型去针对性的写了图标的样式， 包括 line chart 应该怎么样去设置， bar chart 怎么样去设置等等。所以这个接下来就是一些排行榜。那除此之外，因为之前用的都是一些英文的一些图标，所以在后面我也会加上一些中文字体的一些配置， 这样可以更加方便于中文字体更好的去展现出来。除了表格之外，我还放了一个核心洞察，就是不同的数据它是什么样的，但是用户往往需要从数据里面知道下一步应该做什么， 所以在这个以上的一些数据里面，还给他配了一个核心洞察的表格，而每一个表格他都有一些卡片，类似的这些结论条，方便我们去更好的执行于下一步。所以这个就是整体的一个从 excel 数据到怎么样呈现不同的数据可化的一个过程。 接下来给大家看一下我头位给他一开始的这个原始数据大概长什么样子。大家可以看到这个我拉出来的一个爆品的数据， 主要我想分析这个爆品后面商家是怎么样去选优质的达人的，以及他们选达人的策略是什么样的。那在这个表格里面其实比较的混乱，他只是分成了几个类别，包括达人是谁，他们的联系方式，他们的分类是什么，国家、地区、粉丝数、销量、销售额、开始带货的时间， 以及他们的一些详情页。但是在这个庞大的数据库里面，我要精准的总结出来这个商家是怎么样去挑选他们达人的，怎么样达人更好的去卖这个爆品的。我是没有办法很快能够得出结论的。那么为了提高这部分的数据效率，我就做了 sales。 大家来可以看一下我们得到的一个结果。先第一张图里面我们可以看到它其实是一个贩类，我先不说这个爆品它是什么类别的，我们是没有办法很直观的从这个类别里面去知道这个品是什么， 其中购物与销售占到了百分之九，家居占到百分之八，美妆占到百分之七，所以它是一个贩品铺货类的一个策略，而大多数的都属于其他类，这些达人没有明确的一个垂直分布的一个展示， 那这个品其实是一个枕头，所以说如果我们也是需要去卖枕头，我们也可以采取相应的一个策略。对于这些达人的分布，我们可以选择不同行业不同垂类的，因为并没有直接的联系显示，只有在家居类和这个销售额会成为一个正比。 而第二张图我们可以看到他的横轴是粉丝数，纵轴是销售额，所以他是一个粉丝量级和销售额的一个对比图，可以看到仅显示有销量的有二百八十六个人，也就是说百分之七十他的一个达人都是一个僵尸达人，他并没有出单。 而越靠右上角这个呢应该是 k o l 的 一个转化占比，它是高粉加高销，但是大部分的其实都是在这个位置，那这个位置可以看到它其实粉丝数也并没有很多，但它销售额可以带到一个比较高的一个量级，所以它是一个 k o c 聚集的一个策略， 大部分的 k o c 它都是集中于粉丝数在这个量级的。如果说我们需要带枕头类的产品，我们也可以去效仿这个策略。 接下来来看一下第三张图，他显示的是销售额的一个帕雷托，怎么样去理解呢？其实就是头部的集中度极高，百分之十他贡献了百分之九十九点二的销售额，而前百分之二十的达人贡献了百分之九十九点的销售额，也就是说大部分的达人累积他贡献的销售额占比都是集中于前面， 所以这个是我们能够得出的结论。那后面的达人其实我们后续是可以采取一些相应的措施和策略，要么是放弃了，要么是减少去跟他们的合作，而集中去维护好头部的这些能够高出单的达人。 接下来是第四张图，是视频带货的 gpm 和直播带货的 gpm， 他 们的中位数视频是占到了二十三点九，而直播是占到了六点六，也就是说中位数大概是三倍的一个差别。那么对于枕头这个品类来说，它的视频转化率是远高于直播的转化率的。 但是其他类型的产品，比如说沙发，它的直播的 gpm 就 远高于视频的 gpm， 因为它是一个更加高客单价的一个产品，在视频里面客户去进行种草，而在直播里面，它是去进行一个割草去转化的一个过程。所以对于不同的品类，我们需要找到它相对应的一个带货模式，要么是短视频的一个带货模式，要么是直播的一个带货模式。 所以如果说我们需要去做这些不同的品类，需要采取不同的一个带货模式，接下来我也是有把这些洞察放在了这里。那一句话去总结这个爆品枕头的一个策略，它就是一个贩品类，加上海量的铺达人，加上大部分的一些 koc 以及视频带货。 所以说如果我们想要去复刻我们同行业的一些爆品，我们也可以去拆分，那除此之外，我们可以再去拆分的细一些，比如说粉丝量级，具体是在某一个行业里面，他的一个散点图的占比，又或者说我们从其他维度去分析这个品类他爆的一些特点， 不仅仅是达人端，也有可能是商品端，它的竞品端从不同的维度去分析。那么有了这个 skills 呢？只要你有相对应的一些原始数据，那么我们就能够得到一些相对应的 insights， 从而能够帮我们更好地去做出结论和策略。今天给大家分享的就是如何从一个原始的 excel 数据到我们的数据格式化。
239迪迪碎碎念
04:48查看AI文稿AI文稿这期视频盘点下当前开发者圈子里真正每天都在用的十大神级 skill， 拆解 google cloud 总结的五种 agent skill 设计模式，最后直击痛点，硬核解析 opencloud 背后的 harness engineering 哲学。 skill creator 是 anthropic 官方出品的原 skill， 它能像教练一样，一步步引导你把日常工作流转化为标准化的 skill。 lmd 文件包含渐进式指令和触发条件，是新手进阶的避障神器。 youtube clipper 是 长视频处理神器， 为给他一个近三小时的访谈，他能自动划分到分中级的核心章节，提取高光时刻，甚至双语翻译并生成总结文案，极大地戏化了内容的时间颗粒度。 brainstorming 不是 用来执行的，是用来规划的。在 agent 动手写代码前，他会自动跳出来逼你做方案对比和风险识别， 避免做完才发现方向错了，大幅降低沟通成本。 frontend design 告别千篇一律的卡片布局，不套模板从零生成生产级前端代码堆 g s builder， 把陡峭的堆 g s 学习曲线降为零， 一句话生成带光照和交互的复杂三 d 场景。手里有了工具，接下来怎么自己设计好的工作流？ google cloud tech 指出， 格式之争已经结束，真正的胜负手在于内容的内部逻辑架构，总结了五种最经典的设计模式，工具、包装器模式，让智能体瞬间成为某个酷的专家。不要把所有的 api 规则写进系统提示词，而是做成一个 skill。 只有当用户提到特定技术时， agent 才去加载说明书，极度节省上下文。 生成器模式用于保障稳定一致的结构化输出。把模板放在 assets， 把排版指南放在 references， agent 作为一个项目经理来找你填空，非常适合生成 a p i 文档。标准化提交记录或脚手架代码审查器模式，将检查什么与如何检查彻底解偶， 将评分标准和检查清单存在外部， agent 只负责严格按照清单一条条打分并分类，严重程度把派送代码规范换成安全审查清单，它就秒变漏洞扫描器。 反转模式，这是最颠覆的一个模式，行动前先访谈，强制设定硬门控，在收集完所有需求前，不得开始构建让 agent 化身提问者，彻底消除大模型靠幻觉瞎猜直接写代码的坏毛病。管道模式专治复杂任务， 用严格的菱形判定门控，把任务分布明确规定未获用户确认，决不允许进入组装阶段。这五种模式完全可以组合使用。反转收集需求、管道分布，执行审查其把关质量。讲完了技能，我们来到今天最硬核的底层部分。 在 openclaw 这样的系统中，我们已经不叫写提示词了，这叫 harness engineering 驾驭工程。大模型是一头威力巨大的巨龙，驾驭工程就是给他套上浆绳、马鞍和护具。 第一，如何避免写使删代码？在 agent 写作开发中，如果你为了图省事写了一个硬编码的魔法数字， agent 会把这种妥协视为合理先例， 并在几小时内把坏味道复制到代码库的每个角落。必须把品味编码到自动化规则中，建立代码库卫生策略，后台定期运行，专注重构地清理 agent， 每天消灭坏模式。第二，如何极致节约 token？ 很多人犯的错是每次 agent 修改代码后都运行完整的测试套件，导致四千个成功的测试日记瞬间塞爆上下文， agent 直接产生幻觉。加宇哲学是重新设计反馈循环， 只要格式化和类型检查通过，完全保持静默，不向上下文注入任何内容，只有失败时才输出最精简的报错信息， 配合渐进式，譬如，这能帮你省下高达百分之八十的 token 成本。第三，如何让 agent 高效工作，设立上下文防火墙？对于复杂项目，随着工具调用和文件读取的增多，上下文会不断膨胀， agent 很 快就会进入白痴区。驾驭哲学是绝对不要试图去无限扩大上下文窗口， 而是引入子智能体作为上下文防火墙。主 agent 用昂贵的 opus 模型，只负责规划和指挥具体的脏活累活，派给子 agent 用快速的 sonnet 模型在隔离的上下文窗口里执行，子 agent 干完活后只返回高度压缩的结果给主 agent， 确保主脑永远处于清醒的聪明区。第四，如何避免过度设计，拒绝幻觉死循环？ 如果放任 a 证自由发挥，他可能会为了修一个 bug， 把同一个文件来回修改十次，陷入死循环。驾驭哲学是引入强制教验和循环检测，用规则去框定他的行为边界，而不是写极其永长、容易被忽略的系统提示词。 总结一下，到了二零二六年，我们不再是求着大模型给你写出好代码的提示词魔法师，而是要成为一名系统架构师，用 google 的 五种模式去设计你的 skill 结构，用那十大神器工具去武装你的业务。最后用 opencloud harness 哲学去驯服这头名为 ai 的 巨龙。 当你掌握这些，你就不再是在玩玩具，而是在指挥一只不知疲倦、严守纪律且永远不会写史山代码的数字特种部队。
04:34查看AI文稿AI文稿我们在上一集讲解了多平台接入，在哪都能找到它。本集我们讲解自定义 skill， 教 hermes 新技能。 hermes 的 学习循环会自动创建 skill， 但你也可以手动教它。这一集会讲 skill 是 什么，怎么写，怎么测，以及怎么把 cloud code 的 skill 迁到 hermes。 在 hermes 里，一个 skill 本质上就是 markdown 文件，你用自然语言定义行为，告诉它在特定场景下该怎么做。 而且所有平台共享的还是同一个 hermes 实力，所以你教会他一次，不管从 c l i， telegram 还是 discord 进入，他都会按同样的方法工作。背后共享的仍然是同一套记忆、同一组 skill， 以及连续的跨平台对话能力。手动写 skill 最直接的办法就是从一个具体任务开始。 这里的例子是统一 git commit message 的 写法。一个 skill 至少要写清标题、出发条件、行为规则和事例。 标题的作用是让 hermes 快 速识别用途。触发条件决定什么时候激活，行为规则决定怎么做，包括步骤约束和格式视力能把输入到输出的样子讲完整。如果还想减少漂移，可以再补一句，不要做什么明确边界。 像这个提交规范里，提交标题采用类型加范围再加减速的格式，长度控制在五十之内。标题后空一行论文重点解释为什么改，而不只是写，改了什么。触发条件也要尽量具体， 比起笼统地说代码太模糊，像提交代码写 commit message review， 提交历史这样的说法命中率会更高。 保存之后，下次你只要说帮我提交这些改动， hermes 就 会自动按这个格式执行。如果不想从零开始写，也可以先用社区里已经沉淀好的 skill。 hermes 自带 skill tab， 你 可以先问有哪些可用的社区 skill， 它会按类别列出可安装条目，也可以继续按方向筛选。确认之后直接让 hermes 安装， 他会把对应的 markdown 文件下载到 hermes skills， 然后立刻生效。安装完成之后， skill 仍然只是普通 markdown 文件，所以你可以继续开箱，即改，把它调成更适合自己的版本。 hermes 还内置了四十多个班斗的 skills， 覆盖 m lops、 github、 工作流、研究助理这些常见场景。这套体系真正实用的地方就是先附用社区经验，再叠加自己的工作方法，写好 skill 之后下一步。不是用社区经验，再叠加自己的工作方法。写好 skill 之后，下一步它已经可用，而是先确认它有没有正确命中，正确执行。 最简单的办法是直接问 hermes 现在加载了哪些 skill， 它会告诉你当前激活的 skill 列表。如果还想继续往下查，就去看日制。日制会记录每次请求匹配了哪些 skill， 为什么命中，或者为什么没有命中日制路径。就在 hermes logs 测试时，最好从最简单的真实请求开始，先确认出发和基本行为，再逐步叠加更复杂的场景。如果结果看起来不对，优先检查是不是有多个 skill 的 出发条件覆盖了同一请求。很多异常本质上都是 skill 冲突造成的。 skill 的 另一个价值是，它不必绑死在某一个 agent 里。这里的例子就是把 cloud code 里的 skill markdown 签到 hermes， 像公众号省校这种 skill， 只要格式和语义保持一致，复制过去通常就能直接识别，触发条件可以原样保留。像提到省校占领 ai 位，到 ait 了润色时激活这类规则本身不需要改， 省效流程也可以直接继承，比如先做事实省效，再做风格省效，最后做细节打磨。真正需要调整的，通常是那些和平台强相关的工具依赖。如果原文引用了 cloud code 特有的命令，或者某个专属的 m c p 服务，再改成 hermes 对 应工具就可以。 这就是 agent skills i o。 标准的意义。 skill 不 再是某个平台的专属资产，而是你自己的可迁移能力库。 skill 并不只服务于一个入口。 除了 telegram、 discord 和 slack， hermes 还支持 whatsapp、 signal、 钉钉、飞书、企业微信甚至 home assistant。 大 多数平台只需要在 config ymail 里配置对应 token 就 能接进来。如果把整套系统部署在五美元级别的 vps 上， hermes 核心 messaging gateway 和各平台入口就能一起长驻在线部署结构也很清楚， state dot db 负责保存所有对话历史， skills 目录负责保存自动积累出来的能力， config emo 负责集中管理参数。整套成本通常就是 vps 每月五美元，再加上模型调用费，换来的是一个有记忆、可迁移，还能二十四小时在线的 ai 助手。这一集解决的是怎样把经验写成 skill， 让 hermes 学会按你的方法做事。 下一集是 mcp 集成连接你的工具站，我们会看看怎样把 hermes 接到 git 数据库、 slack 和更多服务。下集见。
80小勉
11:24查看AI文稿AI文稿如果说你想在克拉蔻的里面真正的去掌握 skill 的 话，你就不能够只从网上去下载别人的 skill 来使用。你需要去了解它们是如何工作的，为什么能够起作用，以及你应该如何去创建测试 优化自己的 skill。 在 这一期视频里面，我会向你完整的分享我平时自己使用 skill 的 一些心得，以及我是如何创建 skill 的。 左边的这一个是没有任何提示词的，直接使用 ai 默认生成的一个网站前端的 页面。右边呢，是我们加了一个设计 skill 之后的一个效果。但是你会不会以为 skill 仅仅只是增强了 colorado code 的 某一个特定功能，但其实不是。我们还可以使用 skill 来构建一个完整的工作流，让 skill 去调用 其他的一个 skill， 从而将我们的生产力提高。但是在学习如何自定义 skill 之前，我们需要了解 skill 到底是什么。不用担心，它的底层原理其实特别的简单， skill 只是告诉 cloud code 用特定的方式去做特定的事情的一个方法而已， 应该来说是一个文档而已，文档规则它就是这么简单。所以只要你能够在克罗德克的里面用提示时做到的事情，你都可以把它变成一个 skill。 它的灵活性是极其高的，几乎可以应用到任何的一个场景里面。 他的工作原理是这个样子，可以访问你列表中所有已经安装的是，他们并不是直接全部加载到你的上下文窗口中。他只是列出了所有你已经安装好的十六的名称，以及一个简短的描述，比如我自己安装的这一些十六， 一些是关于内容创作的，一些是关于视频制作的，还有一些是发布排版的，也有 以及一些关于开发的。每一个 skill 的 功能都不一样，但是它们可以串联成一个流水线。所以当你跟可乐扣子说我想设计一个网站的前端的时候，他就会去看你的 skill 列表里面有没有合适的 skill 能用上，然后他就会抓取对应的关键词， 当他抓取到对应的关键词，发现你的 skill 列表中有关于前端设计的这一个 skill， 他 他就会把这一个 skill 塞到上下文的窗口中，然后使用 skill 里面的内容来进行前端的设计。但是这里他虽然流程是这样，但是我们其实是下意识的做了 两个假设的。这里我们需要讲开第一个假设是我们假设他每一次都能够选对正确的 square， 我 们说过每一个 square 都有一段描述，这段描述可以帮助 colorado 的 做出正确的选择，但如果我想建一个网站来设计一下， 他是不是每次都能判断出哦？要建立网站，所以要用前端，所以要调用那个 skill。 如果说你不止安装了一个前端设计，你安装了很多关于设计的 u a 的 一些 skill 技能的话，你就会看到问题的所在， 我们需要做其他的事情来缓解这两个问题。首先在选对 skill 的 这个问题上，我们要尽量的去精简我们的一个 skill， 使 我们需要的是一把精确的手术刀，而不是说其他的乱七什乱七八糟的什么西瓜刀、菜刀之类的。除此之外，我们还要优化 skill 的 描述，这个可以用 skill creator 来做。后面我会进行演示如何去确保 skill 能被触发， 这是跟提示词的写法有关的。要让 code code 使用某一个特定的 skill， 我 们有三种方式，第一种是给一个模糊的自然语言提示词，然后希望它能够自己匹配上，比如说帮我建立一个个人网站， 这就只是在期望他自己去触发 skill。 第二种方式是明确的告诉他要用哪一个 skill， 比如说使用前端设计的 skill 来帮我做一个个人网站， 他就会听懂。第三种也是最靠谱的方式，用斜杠命令强制去调用，输入斜杠你的提示词名称，这个时候不管你后面说什么，他都会百分百的去调用那一个 skill 呢？一种方式是输入 plink， 打开你的插件市场，你可以搜索，也可以直接往下翻，比如说你想装 load 选的这一个插件，就点击它，然后你会看到三个选项，为你个人安装，为所有的协助者安装，或者仅在你当前仓库安装。 在上一条视频中，我们提到了上下文窗口的这一个问题。所以在添加 skill 的 时候，你得先想一想是不是我每一个项目都需要这一个 skill。 如果说 你只是在特定的项目里面使用特定的这一个 sku 的 时候，你就不需要全局去安装，你只需要把它装到项目级别就 ok 了。在我们安装完之后，你只你只需要重启你的 cc， 你 就可以打开使用这些 sku， 并且很多时候你可能会从别人的视频或者说公众号之类的看到别人分享的一些 skq， 你 想去安装，一般这种分享的 skq 都会附带对应的安装命令或者说 gethelp 页面，你想要安装也特别简单，比如以洞哥的这一个 skq 为例，直接把 他的这一个 gethelp 页面丢给你的可拉的扣的，然后给他说帮我安装一下这一个 skq， 他 就会帮你搞定。如果说你想自己去寻找 skq 的 话，你也可以打开一些 skq 的 聚合网站，然后去寻找你想要的 skq。 讲完安装，我们来聊一下 对于我们自身最有用的一个部分，就是创建属于你自己的自定义 skill。 skill creator 是 a 社官方出的一个 skill， 你 可以在插件市场找到它，也可以在格拉哈普的页面找到它。我们不仅可以用它来创建 新的 skill， 还可以修改和优化你自身现在已经有的 skill， 测量 skill 的 一个性能，或者说去跑一个精准的测试 功能非常多，这就是真正让你的 skill 如虎添翼的一个工具。使用方法也特别的简单啊，直接携带命令，然后 skill creator 就 可以了。然后你只需要描述你想创建什么类型的 skill， 你 甚至可以把这一步也交给克拉的扣的来想，可以看到我这里的视频流水线好像是少了一个标题，对吧？那我们就制作一个标题的这一个 skill creator， 先给 先调用出来，打开我们的一个计划模式，然后给他说你想要的这一个 skill 是 做什么的，比如说我现在我想要创建一个标题深层的 skill， ok， 就 这样，就是这么简单。在使用这一个 skill creator 创建的时候，他不管你是不是会开启计划模式，都会有对应的问题问你。但是我的建议是，你不管做什么，在你没有明确你的方向之前，都把计划模式开散，然后 不断的通过和他去对话，最终完全的去规划好你想要的东西，最后才让他进行创新。我这里就直接选通用标题，这里是可以多选的，然后如果说你有其他的想法，你也可以在这里直接给他沟通。我现在不太确定这一个标题是给我能不能适应多种平台， 所以说我需要你来帮我判断，我们可以继续下一步输入形式是什么？是竹子稿还是选题还是大干？直接选择选择竹子稿，方法论是什么呢？有现成的方法论这里你可以根据自己的需求来进行选择，我这里有动哥的一个知识库，所以我就直接选择 有现成方法论，然后 ai 就 会不断的在和你进行沟通的一个过程中 创建好一个计划，然后这个计划会进行去实施。 ok， 这里有一个集成方式，这里就是我们之前讲过的，通过一个 skill 去调用另外一个 skill， 就是 不断的进行套娃。但是在这里的话，我现在不希望他接入我的视频流水线， 因为我现在还没有进行过这一个 skill 的 测试以及后续的优化，所以我现在希望它独立的使用，但是我需要你保留一部分的接口，以便于后面我优化完成之后呢，把它集成到我的视频流水线里面， 在这个创建思路的过程中，就是我们不断的去和 ai 进行探讨，就是有任何问题就一定要及时的跟 ai 去说。这一点在上一期的视频中我提到过，就是你不知道什么是你不知道的，就是你不知道什么东西是对的，什么东西是错的，那么 你就应该让 ai 去帮你矫正你的道路是对的还是错的，虽然 ai 矫正的东西也不一定对，同时这一个矫正的道路是更多的是对于你自己的想法的一个补充，你不能够完全依赖 ai 给你产出的内容，因为 ai 因为 ai 的 上下文是会腐烂的，说着说着他就变成了一些特别奇怪的东西，当他做好设计计划的时候，你就可以看到他的一些描述的内容，以及他的一些目录结构之类的东西，他是如何去进行工作的，以及 他使用了哪一些方式。当你确定没有问题的时候，你就可以让他继续生成。当你觉得有问题的时候，有哪里不对，你就可以在 后面给他说有哪里不对，他会重新评估你说的话，然后重新给你生成新的计划，我这里只是示范，所以我就直接让他进行生成了。 其实在我自己创建 skill 的 这一个过程中，我都是经常这样，就是让它快速的出一个原型，然后快速的进行验证，然后再不断的去进行打磨和优化。当你从一开始就想把它打磨的很好的时候，其实是很浪费你的时间的，因为你没有通过实际的验证，你就 不知道你的东西做出来到底是对的还是错的。 ok， 当我们创建完成之后，他就会告诉你调用的命令或者说其他的一个东西，然后如果说你觉得他的名字不好，你也可以是进行修改的， 我这里就直接先进行一个测试。 ok， 当我们在发送一条消息，觉得这一条消息不对的时候，是可以按左上角的 esc 撤回的，然后这就是关闭了，然后连续按两下，你就可以回退到你上一条说的话的时候， 然后进行继续的一个补充，使用这一条竹子稿进行测试。 ok， 你 看到了创建一个 skill 就是 这么的简单，然然后续的效果是需要我们不断地去进行优化 和打磨的。但是如果说你在一个行业里面深耕的足够久，当你把这个行业的所有的方法论，制度库都共享给客户的时候，那么他能够给你产出的一个内容的效果是完全会超乎你的想象的。同时，如果说你有一些重复的工作，比如说选择题，精密分析，甚至哪怕只是 把你一个文件夹里面的所有发票都给你整理好，你就可以和他通过一步步的工作规划成一个工作流， 固化成一个 skill。 那 么在你日后工作的时候，你只需要打开这一个 skill， 它就能够去自动化的帮你去完成。 ok， 在 本期视频中，我们讲的是 skill 的 安装，使用以及创建你自己的一个 skill。 当然所有关于克拉的一切都是我自己去自学的，所以说有任何不对的地方也欢迎提出来指正。 ok， 这一期的视频就到此为止，我们就下一期再见。
114陈与小金
01:32查看AI文稿AI文稿如何让你的 openclaw 变得更聪明？这期视频我们来全面了解 skill 功能，从让 openclaw 帮你创建 skill 到怎么安装和还有哪些注意事项。手把手带你武装自己的小龙虾。你可以简单地理解， skill 就是 给 openclaw 安装了技能包，原来它是一个通用的 ai 助手，在拥有了 skill 以后，执行特定的任务，它会完成的更好。比如 openclaw 自带的 weather skill， 它可以通过查询天气服务来准确地获取 天气预报的信息。 obsidian skill 可以 让 openclaw 学会如何编辑你的笔记软件。那我们该如何使用 skill 呢？当对话时，如果有关键词与 skill 的 技能相符时，就会触发这个 skill。 比如我想了解一下杭州的天气， openclaw 就 会调用 weather skill 来完成这个工作。那 openclaw 内置了一些基础的 skill， 比如这个 skill creator， 它可以帮助你创建自己的 skill。 为了让 openclaw 可以 更好地帮助我编辑非输文档， 设置了一些规则，让他自己创建了一个飞书文档的编辑 skill。 那 在每天的定时任务出发时，这个 skill 就 可以让 openclaw 正确的总结每天的对话内容，并且补充到飞书文档中去。 openclaw 也提供了 skill 的 应用商店 clawhab， 在 这里你可以下载和分享 skill。 你 可以直接让 openclaw 去 clawhab 中下载 skill， 或者在电脑的命令行中直接执行 clawhab install skill 来完成安装。不过需要注意的是，如果你想安装别人的 skill， 一定要清楚这个 skill 的 能力范围， 毕竟 openclaw 在 电脑中的操作权限非常大，防止一些 skill 恶意攻击你的电脑还是很有必要的。那以上就是关于 openclaw 的 skill 功能的全部内容，如果对你有帮助，欢迎点赞关注，后面我也会分享实用的 ai 技巧和好玩的数码产品，那我们下期视频再见吧！
16李瑞可Lyric
01:10查看AI文稿AI文稿很多人写 skill 啊，一上来酒醉不醉话，要么处罚不准，要么输出不可用。那么这个视频呢，我花一到两分钟的时间，我给你介绍一个最稳的一个写法，一共是五个必填项。那么第一呢，要定义这个 skill 处罚的条件，用户说什么，满足什么，关键词就处罚， 写成一句清晰的，什么时候用。那么第二呢，就是目标的输出啊，最后要交付什么，比如说生成一个带标题脚本和配图的一条视频。 第三呢就是输入的约定，就是这个 skills 需要哪些参数，格式是什么，没有输入的话我们要定一个默认的策略。那么第四呢，就是执行的步骤，那么按照顺序写成可执行的一个清单， 遇到失败要写清回退和错误的提示。那么比如说我们上传图片到图层，如果失败了就不要去归档。那么第五呢，就是验收的标准， 给一条市里输入和期望的输出，最好呢，能跑通一次自检，你会发现 skill 的 本质啊，它不是文案，它是一个可测试的流程模板，按照这个结构去写啊，你的 skills 才能够被附用，能迭代也更容易啊，交给智能体啊，去稳定的执行。好吧啊，我是郭振啊，咱们下个视频再见。
20郭震AI
02:35查看AI文稿AI文稿很多人以为 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。
77沐晨AI笔记
04:15查看AI文稿AI文稿最近大家都在编写自己的 skill， 但是经过这长时间我也在不断的编写各种的 skill， 就 发现其实做 skill 跟做内容以及产品它是一样的模式。写一个 skill 很 简单，但是要达到一个高质量的水平，需要不断的优化，或者是前期我们在设计的时候就要给他有一个比较规范的设计流程 和界定一些规范和边界。那么今天我其实主要分享一下如何编写一个高质量的 skill。 其实 首先就从我们整个的文件结构开始，因为不管是在 code code 或者是 code text 里面边写 skill 或者是调用 skill， 我 们有一个主文件就是 skill 点 md， 它里面其实是有几个元素组成的，文件的开头它其实是以 markdown 的 格式作为这种起始块，中间有几个关键的要素就是像 name 和 description， 它主要就是描述我们这个 skill 的 名称以及我们这个 skill 它到底能够干什么。整个其实一个完整的 skill 文件， 它里面最主要的还是以这个主文件的 md 为准。当然我们里面有比如说像 scripts 和 references， 它更多的是比如说我这个 skill 里面设计了一些代码的文件要做计算和验证，或者是主文件一旦超过了五百行，我就建议它 拆分到 references 里面，因为它其实就是可以作为你这个主文件的一些参考的资料，或者是一些赋的流程优化，都可以往这里面放，并不是我们一个主的这个 skill 点 md 的 文档，我们把所有的流程全部要放里面，这样如果放太多的内容就会导致一个问题， 在执行这个任务的时候，可能由于流流程太长，由于模型的这个上下文长度的问题，可能就会受影响，就会导致中断，最后的这个效果就不太好。那其实这里我是总结的几点是在我们编辑 skill 的 过程中，我们需要去注意或者是提高我们这个 skill 的 质量的。首先第一个事情就是我们在做这个事情之前，我们要 选一个我们任务场景下的一个重复任务，那比如说是我们的一些日常的工作需求，或者是一些其他的额外需求，这个其实就是来自于你自己，你是否能够清晰把这个需求定义出来，或者是觉得这个任务它能够通过哪几个阶段去完成。第二个阶段就是写入卡片，入卡片其实对应的就是我们在主 skill md 文件里面的每个处理步骤 和节点，说白了你就需要给它界定第一步干什么，第二步干什么。比如说我们写一个数据分析的一个 skill， 那 可能说我第一步你是先要做分类， 分类完成了之后你要做规档，规档之后你要做一些映设，最终我要输出一个什么样的结果，其实这个就是我们的任务卡片有计划有阶段去完成。第三个就是我们整个的设计，因为设计里面不只是包含我们整个任务阶段，它可能还包含最终你对输出的标准， 或者是你的整个规范的设定。比如说你希望你的输出质量是怎样的，能够达到怎样水平。比如说我之前写了一个 youtube 视频转 markdown 内容文章的 skill， 这个思路就是我通过把 youtube 的 长视频播课转换成整个 markdown 文章的笔记，便于我日常快速的去浏览它。其实里面的主文件也不太长里面，比如说这里面它有几个机制，就是错误处理机制和参考文件，这个其实就是我的约束，比如说一个长视频它可能需要多个分片去处理，我每五分钟去处理一个机制， 所以说他可能一个主文件就容纳不了，我会在整个副文件里面再去把我的整个题的词或者是整个输出的标准去放在里面，这个就是设计的要求。第四个就是写最小正文，比如说我们通过这种正人体把自己的需求详细的表达清楚了之后，这个其实就是一个最小正文， 那其他的你需要通过 ai 来给你优化合适，也可以用 ai 来去生成。那最终我们需要跑一个测试，这个测试是聚焦在三个场景，第一个就是标准化场景是什么意思呢？其实就是我们要给他完整的输入和触发条件。 比如我做了一个微信公众号的深图 skill， 那 我需要把我的 brief 深图提的词给到他，或者是提到微信公众号深图相关的字眼，那触发他之后我的输入信息也相对比较全，那最终他其实就是能够生成出一个比较好结果。那第二个其实就是我们的缺口场景，说白了你可能只是给他一些很少量的信息，教验一下他在这种情况下它的输出效果， 或者是它整个 skill 的 主流程有没有发生太大的变化，或者是有没有胡编乱造？第三个其实就是诱惑场景，这个场景更多的，比如说我们要快成达成一个目标，那在这个目标的范围之下，它的边界在哪里？说白了就是它 最终有没有按照你的主文件来去执行，那即使你给了很少的信息，那需要你去补充信息，这个其实也是一个反向的反馈。那最终呢？我们是整合了，比如说有四个套件，有任务卡、触发入口、最小帧和压力测试。这四个套件我觉得是很重要的，因为我们把 这些目的和要求以及规范编写清楚了之后，会让我们整个 skill 质量变得更高，因为我们给到 agent 尽可能少的让他去猜测，把我们的需求尽可能表达的更完善。所以说并不是选的越多越好，而是涉及的越合理，你的规范提的越准确越好。
171三栖有话说
01:04查看AI文稿AI文稿用 ai 编程，爽是爽，就是账单看着心疼。每次问个小 bug， ai 都要先给你写一大段客套话。今天介绍这个六万星标的神器，教你如何从大模型嘴里抢回美金。 caveman 这个插件的逻辑简单粗暴，强制 ai 用原始人的方式说话，没有废话，没有寒暄，只说核心逻辑和代码，直接砍掉，大量偷肯消耗。 他甚至内置了文言文模式，利用汉字极高的信息密度，把百字解析压缩成一句话，省钱省到有点离谱。如果你是高频使用自动化工具的极客，或者公司内部跑了几百个 a， 整这个插件，一周就能帮你省下非常可观的 api 费用。 他不只是一个梗，而是一套完整的提效工具链，完全免费，一行命令就能装到你的开发环境里。 ai 时代，真正昂贵的不是模型本身，而是每一次被废话浪费掉的上下文等待时间和推理预算。赶紧把这个神仙插件装上，把省下来的 api 费用拿去喝杯咖啡吧！我是带你每天半小时看透前沿 ai 的 酋长 andy 下课！
60AI酋长Andy
01:00查看AI文稿AI文稿上期说 skill 装了不生效是因为他没被触发，这期我直接把三个动作给你照做，就能让他百分百生效。第一个动作，把任务说具体，别上来就帮我弄一下，他根本不知道该翻哪本手册，你得说清楚对什么文件想要什么，结果越具体越能命中对的 skill。 第二个动作，给他触发词，关键词就是那本手册的书名，点名，文件类型，操作名，比如整理这份 excel， 审查这段代码，说对词他一秒就翻到对的那页。 第三个动作，让他先复述，再干加一句，先说说你打算怎么做，让他先讲清楚要走哪个流程，你确认对了再让他动手。就这一步，能省掉百分之八十的办公。 这三步顺手了， skill 才真正是你的，练两天就成肌肉记忆。关注我，下期拆 coser 装了不会用其实卡在一个设置上的坑。
00:36查看AI文稿AI文稿这个工具可以帮你省百分之八十的 token。 我是 努力的。艾迪克，一款名为血巨人的比特 app 项目引人注目，已获得六万多星。它可以让智能体像元神一样说话，减少约百分之七十五的 token 输出，同时保持准确性。看看这个例子，原本需要六十九 token 的 输出，血巨人只用了十九个字，妥妥的赛博文言文了，属于是 按作者的话说，脑子依然强大，但是嘴巴却很小。参考作者的测试数据，最高可以节省百分之八十七的 token， 平均节省百分之六十五。我想说，现在模型的废话确实是太多了，不止省 token， 看起来都会方便一点。安装方式放在评论区了，赶紧试一下吧。
113努力的艾力克
