当前位置：

社区首页

电脑数码

软件应用

服务软件

AIGC文章详情

“全能”AI Agent反而更易掉链子？真正可靠的技能设计必须满足这四个维度

源自94位全网作者

04-10 10:05

精选参考来源

爆肝10亿token，我给OpenClaw做了个龙虾管家！【一键安装龙虾】

Claude 工具调用迎来重大升级简单来说，Claude 的工具调用方式从一问一答变成了写代码批量处理。以前的流程：用户提问 → Claude 调用工具 → 拿到结果 → Claude 再决定下一步 → 再调用工具 → 循环往复现在的流程：用户提问 → Claude 先写一段代码 → 这段代码自动调用工具、解析结果、根据条件判断下一步操作 → 最终把处理好的结果交给 Claude核心变化是：Claude 不再每次调用工具后都要"回来想一想"，而是提前用代码把各种可能的情况都规划好，一次性执行完。实际效果有多好？以网页搜索为例，Sonnet 4.6 在 BrowseComp 基准测试上准确率提升了 13%，同时输入 token 减少了 32%，又快又准。以前 AI Agent 每一步都要请示大模型做决定，现在 Claude 可以预先把成百上千种决策路径写进代码里，一次性跑完。这相当于把原来需要多轮 LLM 调用的循环压缩成了一次代码执行，效率提升的潜力非常大。除了搜索之外，代码执行、网页抓取、记忆、程序化工具调用等功能也同步正式上线了。

全部
来源

内容由AI生成

1. 爆肝10亿token，我给OpenClaw做了个龙虾管家！【一键安装龙虾】

2. Claude 工具调用迎来重大升级简单来说，Claude 的工具调用方式从一问一答变成了写代码批量处理。以前的流程：用户提问 → Claude 调用工具 → 拿到结果 → Claude 再决定下一步 → 再调用工具 → 循环往复现在的流程：用户提问 → Claude 先写一段代码 → 这段代码自动调用工具、解析结果、根据条件判断下一步操作 → 最终把处理好的结果交给 Claude核心变化是：Claude 不再每次调用工具后都要"回来想一想"，而是提前用代码把各种可能的情况都规划好，一次性执行完。实际效果有多好？以网页搜索为例，Sonnet 4.6 在 BrowseComp 基准测试上准确率提升了 13%，同时输入 token 减少了 32%，又快又准。以前 AI Agent 每一步都要请示大模型做决定，现在 Claude 可以预先把成百上千种决策路径写进代码里，一次性跑完。这相当于把原来需要多轮 LLM 调用的循环压缩成了一次代码执行，效率提升的潜力非常大。除了搜索之外，代码执行、网页抓取、记忆、程序化工具调用等功能也同步正式上线了。

3. Claude Code 内部复盘的Skills实战经验公开：好 Skill 的 5 个共性

4. Daniel San：Claude Code Skills 设计理念：采用三层上下文系统，分层如下- 第一层：项目主配置，始终加载。- 第二层：技能元数据，仅加载 YAML frontmatter（每个技能约 100-200 token）。- 第三层：按需加载技能文档（SKILL.md 与相关文档）。这种架构允许同时加载数十个技能而不超出上下文限制，同时将脚本和模板文件设计为直接调用（零 token 消耗），从而确保性能和灵活性。讨论中也有不同观点，比如关于各层职责划分、加载策略和多技能性能的问题，这些争议显示出设计细节的重要性和优化空间。原文链接：x.com/dani_avila7/status/1981394535155438029

5. Anthropic最新发布的Claude Developer Platform功能，开启了AI代理工具使用的新纪元。未来的AI代理将无缝调用数百甚至数千种工具，像IDE助手整合Git操作、文件管理、测试框架，或运维协调连接Slack、GitHub、Jira等多个系统。他们面临的最大挑战是：如何避免因预加载海量工具定义而导致的上下文爆炸？传统方式可能消耗十万以上tokens，严重影响模型性能。Anthropic提出“工具按需发现”策略——Tool Search Tool，让Claude只加载当前任务真正需要的工具，节省85%上下文空间，大幅提升准确率和响应速度。另一方面，传统自然语言调用工具方式带来的上下文污染和多次推理开销，也被Programmatic Tool Calling（编程式工具调用）彻底革新。Claude通过生成Python代码来批量调用、处理工具数据，只把最终结果放入上下文，极大节省token消耗（约降37%），降低延迟，并提高了复杂流程的执行准确度。此外，JSON Schema虽能定义参数结构，却难以表达正确用法和参数间的关联。Anthropic引入Tool Use Examples，允许开发者通过示例明确工具调用规范，显著提升复杂参数场景下的调用准确率（测试中从72%提升到90%）。这三项功能——工具搜索、编程调用、用例示范——协同解决了大规模多工具场景下的发现效率、执行效率和调用准确度问题。它们不仅适合构建跨多个服务的大型系统，也为开发者提供了灵活、高效的工具管理和调用新范式。开发者可根据应用场景分层使用，先从最大瓶颈入手： - 上下文爆炸优先用Tool Search Tool - 中间数据过多用Programmatic Tool Calling - 参数复杂易错用Tool Use Examples Anthropic的实践证明，这样的设计大幅提升了AI代理的实用性和稳定性，推动智能代理从简单调用迈向智能编排。期待更多创新应用在Claude平台上诞生。原文详见 anthopic.com/engineering/advanced-tool-use—— 这项技术展示了AI工具集成的未来方向：动态发现、代码驱动执行和示范引导，三者合力打造高效、精准、可扩展的智能代理生态。对希望打造复杂多工具AI系统的开发者来说，Anthropic的方案无疑提供了宝贵的参考和实践路径。

6. 探秘 AgentRun丨流量一大就瘫痪？如何解决 AI 模型调用之痛

7. 如果你想高效利用Claude Code进行大规模项目开发，这篇六个月深度实战总结绝对值得一读。作者独自重写30万行代码，打造了以下几大核心系统：1. 技能自动激活系统（Game Changer！）通过自定义TypeScript钩子（UserPromptSubmit和Stop Event Hook），自动识别当前编辑内容和用户意图，智能加载相关技能并提醒Claude遵循最佳实践，彻底解决了技能“摆设”问题。配置中心是skill-rules.json，定义关键词、意图模式、文件路径等触发条件。2. 模块化技能设计（500行规则）避免单个技能文件过大导致上下文限制，采用主技能文件+多个资源文件的渐进式加载，显著提升token利用率和响应效率。3. 开发文档系统，防止Claude“失忆” 为每个大任务创建三个文档（计划、上下文、任务清单），通过自定义slash命令自动生成和更新，确保Claude在多轮对话中始终保持正确上下文和规划。4. PM2进程管理，后台调试利器用PM2管理七个微服务，实现实时日志读取、自动重启和性能监控，让Claude可以自主读取日志、定位问题、重启服务，极大提升调试效率。5. 钩子体系确保“零遗漏” 包括文件编辑追踪、构建检查、错误处理提醒等钩子，自动检测TypeScript错误并提醒修复，确保代码质量和格式统一，杜绝“漏网之鱼”。6. 专用Agent军团，任务分工明确包括代码架构审查、错误修复、测试路由、战略规划等10个专用agent，针对具体任务精准输出，避免过度泛化。7. 附属实用脚本与工具诸如测试认证路由的脚本、数据库重置、Mock数据生成等，均附着于技能中，方便Claude调用，避免重复造轮子。8. 合理分工文档与技能技能负责通用最佳实践和模式，文档聚焦项目架构、数据流、API等具体内容，形成清晰职责分离，提升Claude理解与执行力。9. Prompt技巧与复盘强调详细明确的需求描述，避免引导性问题，多次重提和调整prompt以获得更优输出。10. Slash Commands极大简化交互设计多条自定义命令，快速生成开发文档、执行代码审查、运行测试等，极大提升工作流效率。作者坦言，这套体系花了数月打磨，但效果显著：Claude自动激活技能、一致遵守代码规范、快速定位和修复错误，单人完成了原本需要多人协作的大型重构，质量和效率双提升。如果你正苦于AI助手技能难用、代码质量参差不齐、项目上下文频繁丢失，不妨参考这套基于钩子和自动激活的Claude Code基础架构。它将让你体验到真正的“AI协作开发”而非被动工具。详细源码和文档地址：github.com/diet103/claude-code-infrastructure-showcase🔗 www.reddit.com/r/ClaudeAI/comments/1oivjvm/claude_code_is_a_beast_tips_from_6_months_of/---总结：- 规划先行，技能+钩子实现自动激活 - 文档系统锁定上下文不迷失 - PM2管理微服务，实时调试无压力 - 钩子链保证代码零错误 - 专用Agent分工明确，效率倍增持续优化你的AI开发环境，放胆用Claude Code打造你的下一个爆款项目吧！

8. Antropic Claude 推出新概念 Agent Skills，让 Claude 从“通用模型”进化为“可编程的专用智能体”，它通过可加载的技能体系，将人类的知识和流程转化为可复用的智能模块。1. 核心概念：Agent Skills 是一种“技能包”，由说明文档、脚本和资源组成。Claude 可以在需要时动态加载这些技能，而不是一开始就加载全部上下文。2. 作用：让 Claude 能执行特定领域的任务，比如处理 PDF、填写表单、运行脚本、执行数据分析等，相当于给 Claude 增加“专业模块”。3. 结构：每个 Skill 是一个文件夹，核心文件是 SKILL.md，包含技能的元数据（名称、描述）和使用说明；也可包含其他资源文件或可执行代码。Claude 根据任务需要，分层加载这些内容。4. 原理：Claude 先读取每个技能的基本信息，当判断某个技能相关时，再逐步加载其详细内容或脚本执行逻辑，实现「渐进式上下文披露」。5. 优势：（1）增强 Claude 的专业性与上下文理解；（2）减少 token 占用，提高执行效率；（3）让组织可复用知识，把程序性经验打包成模块化能力。6. 安全与可扩展性：Skills 可以自由创建与共享，但要注意代码安全和上下文来源；未来 Claude 还将具备自动创建、评估和优化技能的能力。Blog：www.anthropic.com/engineering/equipping-agents-for-the-real-world-with-agent-skills#人工智能##程序员#

9. Agent Skill 和 mcp 和 prompt区别是什么？

10. 手把手安装OpenClaw龙虾必备的技能Skills！

11. Agent Skill 相关资料、笔记和思考

12. 构建 Claude Code 的经验：Anthropic 如何运用 Skills 技能

13. Nacos 3.2 Skill Registry 正式版发布，让 AI 能力在企业更安全、可控落地

14. 面对百万级放票流量洪峰，魔方文娱如何用可观测性体系破解稳定性难题？

15. 9.3k星Skill Seekers：一键把文档变成Claude技能，文档党狂喜

16. Dify 官方上架 Nacos A2A 插件，补全双向多智能体协作能力

17. 想提升Agent浏览能力？一定要试试web-access技能

18. 开发团队在构建智能体（AI Agent）应用、实现自主任务规划与执行时，常面临智能体决策逻辑复杂、工具调用能力弱、多任务协同难的问题，传统大模型应用难以适配自主化工作流需求。 AutoGPT 是一款开源的自主智能体框架，适配开发团队快速搭建具备自主思考、任务分解、工具调用能力的AI应用的核心场景。开源地址：github.com/Significant-Gravitas/AutoGPT 核心功能： 1. 内置任务自主分解与优先级排序机制，可将复杂目标拆分为可执行的子任务链，无需人工干预完成流程规划。2. 支持多类型工具集成，可对接搜索引擎、代码执行环境、API接口等外部资源，拓展智能体的实际应用能力。3. 提供记忆管理模块，包含短期上下文记忆与长期存储记忆，保障智能体在长周期任务中具备持续学习与状态追踪能力。4. 内置反馈迭代机制，可根据任务执行结果优化后续决策，提升复杂任务的完成质量。5. 兼容主流大模型，支持本地与云端部署模式，满足不同场景下的算力与安全需求。

19. 从“工具过载”到“精准调用”：破解 Agent 工具管理难题

20. Claude Code太难？Coze帮你3分钟做出可变现的 Skills

21. 今晚8点直播｜扣子2.0首发：零门槛手搓爆款Coze Skills

22. 手把手彻底学会 Agent Skills！【小白教程】

23. Skill 调用 Skill：Agent Skills 的乐高式组合写 Skill 的时候遇到一个问题：我的漫画生成 Skill 需要画图，但用户可能装了 Nano Banana Pro 的 Skill，也可能装了 Midjourney 的。我要在代码里写死调用哪个吗？不用。这正是 Agent Skills 设计的精妙之处。原理：启动即感知Claude 调用 Skill 时会加载 SKILL.md、注入指令、修改执行环境。但更关键的是启动阶段——Agent 启动时就预加载了所有已安装 Skill 的名称和描述。换句话说：Agent 一启动就知道自己有哪些能力。实践：松耦合调用我的漫画 Skill 里，画图环节是这样写的：> Check available image generation skills If multiple skills available, ask user preference> 检查可用的画图 Skill，如果有多个则提示用户选择好处是解耦。我不依赖任何特定的画图实现，用户装了什么画图 Skill，Claude 就调用什么。更妙的是 Claude 能动态适配目标 Skill 的能力：- 支持参考图 → 传角色设计图- 只支持文本 → 传文字描述所以我只需要说：“帮我画张图”，而不用：“用 Nano Banana Pro 的 API 帮我画张图”。为什么这样更好这种松耦合带来几个实际好处：1. 可替换：换画图引擎不用改上游 Skill2. 可扩展：新画图 Skill 自动可被调用3. 低维护：Skill 作者不用追踪下游依赖4. 用户自主：用户选自己喜欢的工具Skill 间相互调用是基于能力描述的松耦合。你只描述“需要什么能力”，Claude 在运行时自动匹配。这让 Skills 成了真正的乐高积木——独立模块，自由组合，构建复杂工作流。

24. Agent常见面试题：LLM 是如何学会调用外部 API 或工具的？1 训练数据让模型先“知道工具是怎么用的”在模型具备工具调用能力之前，它必须先在训练数据里看到足够多的工具调用示例。通常包含两类数据：1）真实 API / 工具调用代码或文档，例如：a. “要获取天气，请调用 get_weather(city=...)”b. “要计算数学表达式，请调用 calculator(expression=...)”2）人类标注或模型生成的“对话 + 工具调用”示范，例如：a. 用户问：杭州天气如何？模型示范：调用 tool.get_weather({city:"杭州"})再根据工具返回的结果继续回答。通过这些示例，LLM 学会了：什么问题对应调用什么工具；工具调用的格式是什么；什么时候不该调用工具。2 监督学习（SFT）使模型学会“根据指令选择工具”在 Fine-tuning 阶段加入大量的示例：1）该调用工具的场景2）不该调用工具的场景3）多工具协作场景例如：用户问「告诉我台北到上海的机票价格」。正确示例：a. 模型判断这需要实时信息b. 模型调用 flight_search API模型学习到：当遇到“需要外部信息/计算能力”的问题时，应倾向调用工具。3 通过 RLHF 让模型“偏好正确的工具调用行为”强化学习阶段会奖励：1）正确调用工具2）不乱调用工具3）工具调用后能给出正确结果惩罚：1）不必要的调用2）调用错误的工具3）调用格式不正确这一步让模型不仅会“模仿”，还会“懂得什么时候该调用工具”。4 ReAct / 规划式数据让模型学会 “推理后再决定工具”许多训练数据采用 ReAct 风格：1）模型先思考：要不要调用工具？2）再决定工具调用3）执行后再继续思考与回答这种数据让模型具备：1）任务分解2）长链路推理3）工具调用规划最终效果是：面对复杂任务，模型不会盲调，而是自行形成“推理 → 调用 → 再推理”的结构化流程。5 架构层提供“可调用工具的接口”现代 Agent 框架都会在推理阶段给模型提供一个结构化 schema：1）告诉模型有哪些工具2）告诉模型调用格式3）告诉模型每个字段是什么类型这样模型在生成内容时不需要“猜”，而是严格遵循系统提供的 schema，直接输出可执行的 JSON 或结构化调用指令。例如：1）系统提供工具：search(query: string)2）模型内部只需决定：要不要调用？，以及 query 内容是什么。6 推理时的实际行为：模型并不真的“执行工具”，而是生成结构化调用请求推理时发生的事情是：1）模型生成 JSON 指令，例如：{"tool":"search", "query":"杭州天气"}2）外部系统执行工具并将结果返回3）模型继续根据工具结果生成下一步行动或最终答案模型本身没有执行能力，它只是生成符合 schema 的字符串而已。总结LLM 学会调用外部 API / 工具，是一个“示例训练 + 强化学习 + 架构支撑 + 推理策略”组合的结果：1）先在数据里看到大量工具调用示范2）通过 SFT 学会该如何调用3）通过 RL 学会什么时候应该调用4）通过 ReAct 学会任务分解与步骤规划5）通过 functions/schema 让调用标准化因此模型看起来像真的“理解工具”，但本质是根据统计学习到的模式生成结构化指令。#ai创造营# #程序员#

25. 2026 最该学的AI技能：Skills

26. 一次搞懂skill原理，玩法，开源skill资源，动手教程......

27. 从“能用”到“会用”｜如何写好一个 Skill http://t.cn/AXfA39Pv 本文为 Skill 设计与开发的一站式最佳实践指南，可助力你： - 系统厘清 Skill 的定义，规避常见认知误区； - 熟练掌握高命中率、高稳定性 Skill 的设计标准与核心原则； - 掌握 “评测驱动、失败优先” 的工程化 Skill 构建与迭代全流程； - 掌握可维护、可扩展的 Skill 设计技巧； - 依托 AI 高效完成 Skill 的创建、迭代与优化； - 凭借反模式检查清单，精准规避 Skill 开发中的典型问题。 #How I AI#

28. Minko Gechev 总结的一份写Agent Skill的最佳实践github.com/mgechev/skills-best-practices目标是把Agent Skill写得更像可执行的程序，让 Agent 更容易发现、正确触发、并在不浪费上下文的前提下稳定执行。内容除了编写规范，还包含了一份skill的验证流程。#HOW I AI#

29. 告别多API配置噩梦：QVeris如何定义AI Agent的数据调用新标准？| 鹿演 Vol.009

30. 《扣子开发 AI Agent 智能体应用》028-实战案例：智能客服

31. 「Github一周热点107期」OpenAI收购的AI安全工具、AI代理事务所、OpenClaw技能库、claude code插件和上下文数据库

32. 如何评价字节扣子推出的Coze Skill？实际使用体验如何？

33. 《扣子开发 AI Agent 智能体应用》016-基于大模型的企业知识库（知识库实战：打造汽车行业智能客服）

34. 「Github一周热点99期」提升ClaudeCode效率10倍的工具？

35. 「Github一周热点100期」爆火的AI编程工具却被Claude封禁？

36. 科研工作中，整合多领域工具进行复杂分析常常繁琐耗时。Claude Scientific Skills 提供一套开箱即用的科学技能集合，支持生物信息学、化学信息学、临床研究、材料科学等多学科，助力将 Claude AI 转变成科研助理，完成多步骤科学计算和数据处理。涵盖内容包括：- 直接调用26+科学数据库（PubMed、UniProt、ChEMBL等）- 52+主流科研Python包（RDKit、Scanpy、PyTorch Lightning等）- 15+科研平台集成（Benchling、DNAnexus）- 20+数据分析与文献写作工具支持快速搭建从基因组学分析、药物筛选到临床变异解读、系统生物学网络构建的复杂科研流程。文档完善，提供丰富示例与最佳实践，支持多平台部署，适合科研人员和机构提升研究效率。项目地址：github.com/K-Dense-AI/claude-scientific-skills主要特点：- 一键安装，自动调用相关技能，无需繁琐配置- 跨学科全覆盖，助力多模态多步骤科研任务- 持续更新，社区活跃，支持企业级使用将Claude变成你的“AI科学家”，加速科研创新，解放双手！

37. 「Github一周热点95期」META 3D 模型、智能体记忆引擎、向量数据库、 Web 3D 引擎、AirPods 跨平台、数据库管理工具

38. 智源：ArXiv CLI重磅开源！2亿+开放论文，即将化身科研智能体的技能包

39. 给 AI Agent 装技能包(Skills)，有时还会有副作用？

40. AI Agent性能翻倍！技能工程实操指南，新手也能轻松上手

41. [解读官方文档] Agent Skills 最佳实践

42. 构建AI Agent Skill的最佳实践指南

43. AI Agent Skills 深度解析

44. 专业级智能体 Skills 构建实践指南

45. SkillsBench

46. 手把手教你在coze技能商店赚钱

47. coze升级2.0版本，小白也可无门槛使用近期爆火的Skills

48. Coze 技能(Skill)开发硬核指南

49. Coze Skill 上线了，亲测了一下，可以帮我把知识变成产品

50. Claude Code skills上手难，小白如何快速上手Coze skill（三大上手技巧）

51. 你写的 AI Skill，凭什么让模型听话？

52. 如何像开发软件一样，工程化地构建 AI Agent 的 Skill？

53. 动手打造会干活的 AI

54. Skill 看起来容易，但是又不知道怎么用？这篇文章来教会你

55. Skill开发入门

56. Agent tool use 演进史

57. 一文读懂 Agent Skills，让你的AI秒变专业领域“多面手”

58. 做AI Agent半年，为什么还是不稳定？

59. 实测170个AI Agent技能后，致命误区

60. 告别“玄学”调优

61. 你知道不，你现在给 AI 用的 Agent Skills 可能毫无作用，甚至还拖后腿？

62. Agent Skills有两个极易忽略的点！要么上下文“爆”了，要么工具“死了”

63. Agent Skill 从使用到原理，一次讲清

64. Top 10热门Agent Skills，我试了个遍，发现真的能让生产力翻倍

65. 盘点 4 个让 AI Agent 变强的 Skills。

66. AI产品经理如何将用户故事转换为agent故事

67. AIagent技术指南| OpenAI Agent 构建指南：从设计到安全，一文讲透落地全流程(24页-文末附完整版下载)

68. Agent Skills 大盘点 2026-02-22

69. Agent工具调用和复杂任务执行的新突破

70. 误解的痛：一位网友重构 Agent Skills 的全过程

71. 第十期：【终极篇】打造“AI科学家”——多专家智能体（Multi-Agent）系统

72. 2026年OpenClaw部署及安全使用指南：5700个Skill精选+双部署+阿里云百炼API配置及避坑手册

73. 基于Eval 驱动的Agent Skills评估：体系、方法与工程实践

74. 为什么开发一个 AI Agent 看似容易，但真正让它「好用」却如此困难？技术瓶颈主要在哪里？

75. 挤爆字节服务器的Agent到底啥水平？Coze一手实测来了

76. AIAgent颠覆电商运营，巨头已落地，从客服到库存全自动化

77. 手把手教你玩转Coze技能功能

78. Agent 评测怎么做

79. 扣子2.0（Coze）技能（Skill）入门和实践

80. 为什么你的 AI Agent 总是出错？自验证机制可能是答案

81. Agent Skills使用指南

82. AI应用-Dify

83. Agent 的“技能书”来了：深度解读 Anthropic 开源的 AgentSkills 标准

84. 快速了解Agent Skills，普通人也可以让AI成为技能专家

85. 2026最新Dify 接入第三方 API 的方法：OpenAI 兼容接口配置教程 - 哔哩哔哩

86. 为什么 Function Calling 才是 AI Agent 的真正瓶颈——而不是模型智商

87. 瞬间对AI Agent的喜爱程度达到了100000000% 🎯AI Agent 的核心价值在于能够自主完成复杂任务，显著提升自动化水平与智能决策效率。其能力主要体现在四个关键环节：感知、记忆、规划与决策、行动（含工具调用）。 🎯具体工作流程如下： ✔感知：Agent 通过传感器或数字接口获取环境信息，如图像、语音、文本或系统状态等，形成对当前情境的理解。 ✔记忆：将历史交互、任务上下文和经验数据进行结构化存储，为后续推理提供长期或短期记忆支持。 ✔规划与决策：基于感知输入与记忆内容，Agent 进行目标分解、路径规划和策略选择，动态生成最优执行方案。 ✔行动与工具调用：通过调用 API、操作软件工具或控制物理设备等方式，将决策转化为实际动作，完成任务闭环。 📚练完这些你的Agent就牛了！ #Agent #大模型 #人工智能 #AI #热门