00:00 / 00:39
连播
清屏
智能
倍速
点赞24
如果你来设计投放Skills能力库,你会怎么做 场景:投放 Agent / 高风险自动化场景 一、先判断 目标不是更智能,第一版先降出错率。真正风险:乱调预算 / 乱碰规则 / 钱瞬间烧掉,不敢用 Agent ≠ 不够聪明,而是不可控 👉 面试官信号:你在从风险出发,而不是能力出发 二、整体设计原则 先稳地基,再谈智能;确定性优先;高风险场景 = failure-first;不从高阶策略入手 三、拆链路:三段式结构 1️⃣ 信息准备(只给事实,不给判断) Facts only;结构化沉到 Skills;预算 / 出价上下限 / 地域 / 人群限制;投放表现:稳定信号 + 异常点摘要;不给原始表,不给噪音;判断权留给 Agent 👉 面试官点:你知道怎么“喂信息”,而不是堆数据 2️⃣ 执行操作(收得最紧的一层) 越靠近钱,越不能自由发挥;所有花钱动作封进 Skills;固定模板 + 明确阈值;一次只允许改一个参数;禁止连续乱调;全量操作日志;可追溯 / 可回放 / 可追责 👉 面试官点:你知道什么地方必须“系统说了算” 3️⃣ 结果校验 & 兜底(安全网) 消耗异常;指标波动超阈值;品牌 / 平台红线;自动检测;自动回滚到上一个稳定状态;不允许无限“智能尝试”;试错有护栏 👉 面试官点:你不是指望模型自觉 四、明确“不做什么” 第一版不做完整投放策略生成;不做多目标复杂优化;不做黑盒式“为什么这么投”。原因:强经验依赖、难评估、难追责,留给后续演进 👉 面试官信号:你知道该“克制” 五、成功标准 Prompt 是否明显变简单;执行是否更稳定、可复现;出问题是否更容易定位;Skills 是否可被多个 Agent 复用;系统复杂度是否下降 高风险场景,先做可控,再谈智能。 #llm #大模型 #AI #互联网大厂 #面试题
00:00 / 03:27
连播
清屏
智能
倍速
点赞20
00:00 / 02:27
连播
清屏
智能
倍速
点赞74
00:00 / 05:24
连播
清屏
智能
倍速
点赞2
Agent 和 Skills 的核心区别是什么? ⭐ S|Situation 这个问题我其实是踩过坑之后才真正想清楚的,就是 Agent 和 Skills 如果边界不清,系统会越做越乱。早期如果把太多事情都丢给 Agent,让它既理解需求、又拆任务、还亲自执行,短期看起来灵活,但一旦能力变多、业务变复杂,问题就会迅速放大:行为不可控、逻辑重复、出了问题也很难定位。 ⭐ T|Task 所以我后来给自己定了一个很明确的判断标准:Agent 和 Skills 必须在“负责什么”这件事上划清楚边界。 我的目标不是把系统做得“看起来很智能”,而是让它在长期演进中 可控、可复用、可排查。 ⭐ A|Action 在我现在的理解里,两者的分工是非常不对称的。Agent 更偏“想和选”,我通常会把它的职责严格限制在三件事上:听懂用户真正想要什么,而不是只照着一句指令往下跑;把模糊需求拆成可以一步步执行的任务;在多种能力之间,判断现在该用哪一个、先用哪一个。所以 Agent 更像一个调度和编排中枢,而不是一个亲自下场干活的角色。 Skills 则是“真干活”的能力模块。我会把它当成已经被封装好的专业工种:里面是相对确定的流程、规则,以及被反复验证过的做法。Skills 不需要关心“要不要做”,只需要关心:能不能稳定地、可重复地把这件事做好。 从系统设计角度看,这样拆分有几个非常直接的好处: 第一,能力复用 同一套 Skills 可以被不同业务、不同 Agent 调用,不需要每个地方重复实现。 第二,行为可控 复杂、关键的执行逻辑被收敛在 Skills 里,而不是让 Agent 自由发挥,系统稳定性更高。 第三,问题可排查 出了问题更容易判断:是 Agent 理解偏了,还是某个 Skills 本身有问题,而不是一团糊在一起。 ⭐ R|Result 所以从产品和系统长期演进的角度看,我更偏向这样一种结构:Agent 负责想清楚怎么走,Skills 负责把每一步走稳。而不是把所有事情都压到 Agent 身上,去赌它每一次都能“刚好想对”。这种拆分虽然一开始看起来没那么“酷”,但在复杂系统里,反而更能跑得久、跑得稳。 #ai #大模型 #面试 #互联网大厂 #一分钟干货教学
00:00 / 02:01
连播
清屏
智能
倍速
点赞31
00:00 / 01:36
连播
清屏
智能
倍速
点赞88
00:00 / 02:13
连播
清屏
智能
倍速
点赞17
抓蛙师1月前
告别重复解释!手把手教你打造专属 AI 编程知识库 Claude Code Skills 简介 Skills 是什么? Skills 是 Claude Code 的预置知识模块,通过触发词按需激活。相比每次对话都要加载的 CLAUDE.md,Skills 只在需要时才加载,实现了"知识分片、按需调用"。 解决什么问题? - 告别重复解释项目架构 - Token 消耗降低 75%+ - 生成的代码一次就对,无需反复修改 - 知识持久化,不会因上下文限制而"失忆" 我的实践数据 知识库规模: ├── CLAUDE.md 248 行(每次加载) ├── 23 个 Skills 10,165 行(按需加载) └── 6 份 Docs 3,821 行(深度参考) 总计 14,234 行,但每次只加载需要的部分 Skills 分类(23个) | 类别 | 数量 | 典型 Skill | |-------|-----|----------------------------------------| | 核心开发 | 5 | crud-development、database-ops | | 前端移动端 | 4 | uniapp-platform、component-library | | 业务集成 | 5 | payment-integration、wechat-integration | | 工程支持 | 9 | bug-detective、performance-doctor | 效果对比 | 场景 | 无 Skills | 有 Skills | |------------|---------------------|-------------------| | 开发 CRUD 模块 | 30分钟 + 15000 tokens | 3分钟 + 3500 tokens | | 代码正确率 | 需多次修改 | 一次生成即可用 | 核心价值 Skills 让 AI 从"什么都懂一点的通用助手"变成"精通你项目的专属专家"。写一次 Skill,团队永久受益。 了解全栈框架更多信息,访问框架官网:https://ruoyi.plus
00:00 / 17:55
连播
清屏
智能
倍速
点赞683
00:00 / 01:55
连播
清屏
智能
倍速
点赞NaN
00:00 / 18:43
连播
清屏
智能
倍速
点赞85