开源技能包能扛起生产级重担？别被“万能胶水”骗了_服务软件

1. 3天赚1200刀？纯聊天就能捏出个能搞钱的 AI Agent！【教程】

2. 9.3k星Skill Seekers：一键把文档变成Claude技能，文档党狂喜

3. AI编程代理经常缺乏生产级工程技能，容易跳过规格编写、测试验证、代码审查等关键步骤，导致代码质量低下、后期维护成本高。agent-skills 为AI编码代理提供生产级工程技能包，覆盖从需求定义到部署上线全开发生命周期的最佳实践。包含19个结构化技能工作流和7个斜杠命令，支持Claude、Cursor、Gemini CLI等多平台AI工具，让代理像资深工程师一样规范开发。GitHub：github.com/addyosmani/agent-skills主要功能：- 7个开发生命周期命令：`/spec`（规格先行）、`/plan`（任务分解）、`/build`（增量实现）、`/test`（测试验证）、`/review`（代码审查）、`/code-simplify`（代码简化）、`/ship`（安全部署）；- 19个核心技能：从`idea-refine`（想法提炼）到`shipping-and-launch`（上线发布），每个技能包含步骤、工作流验证和反合理化表；- 专业代理角色：`code-reviewer`（资深工程师视角）、`test-engineer`（测试专家）、`security-auditor`（安全审计）；- 参考清单：测试模式、安全检查、性能优化、无障碍标准等快速参考；- Google工程实践：集成Hyrum's Law、测试金字塔、Chesterton's Fence、Trunk-based Development等实战经验；- 多平台集成：Claude Code一键安装，Cursor规则文件，Gemini原生技能，支持任何Markdown提示的AI代理。通过`git clone`本地运行或Marketplace安装，适合开发团队、AI代理爱好者和工程实践训练。#AI编程# #工程技能# #AgentSkills#

4. Agent Skill 和 mcp 和 prompt区别是什么？

5. OpenClaw 最大的产业价值，在于它不会被底层大模型所吞噬。它的核心定位不是某个模型的附属工具，而是独立于模型之外的智能体工程底座与执行框架，从根上就和大模型形成了分工而非竞争。它足够开放。架构完全开源、协议宽松、模型中立，兼容所有主流大模型，不绑定任何一家厂商。这种彻底的开放性，让它成为全行业的公共调度层，而不是某家模型公司的导流工具，天然就无法被单一模型生态吞并。它足够复杂。不是简单的接口封装，而是一整套覆盖任务规划、分层记忆、多智能体协同、状态管理、容错重试的工程化体系。这种深度的工程复杂度，是大模型厂商不愿做、也做不深的领域，构成了极高的迁移壁垒。它足够中立。不生产模型，只做框架与执行层，立场完全第三方。对企业、机构、开发者而言，它是安全的“中立基础设施”，不会被某家云厂商或模型厂商绑架，这是任何闭源生态都无法替代的信任基础。它足够可控。坚持本地优先、数据不出域，支持私有化部署、权限审计与全流程可管可控。在金融、政务、制造等强合规场景，这是云端大模型天生不具备的能力，也是 OpenClaw 不可被吞噬的关键壁垒。它足够落地。真正突破了AI沙盒，拥有系统级执行能力，可以操作文件、调用工具、对接业务系统、完成端到端自动化。大模型负责“思考”，OpenClaw 负责“动手”，价值锚点在执行层，不在认知层，模型再强也无法替代它。它足够可扩展。基于标准化插件体系，形成了海量技能生态，开发者可以自由共建、自由商用。这种去中心化的网络效应越用越强，生态一旦形成，单一模型公司根本无力覆盖或取代。它足够长久。架构高度解耦，底层模型只是可插拔的组件，不依赖当前任何一种模型架构。哪怕未来模型技术彻底换代，OpenClaw 依然可以适配升级，生命周期远超单一模型世代，企业投入不会被技术迭代清零。正是这一系列特质叠加，让 OpenClaw 不仅不会被大模型吞噬，反而会成为AI产业落地的核心枢纽，价值随着模型生态的繁荣持续放大。#新媒沈阳聊ai#

6. Agentic Engineering 本质上就是把传统代码的确定性逻辑，重构为意图驱动逻辑：- 语义分支：抛弃刚性的if/else，控制流完全交给LLM根据上下文动态推理，实现真正的“按意图执行”。- 动态工具链：LLM一旦撞上能力边界，就自动寻址、调度外部Tools/Skills，把短板补齐。- 闭环自省：从单次输出变成持续迭代，内置状态机+反思机制，任务不到“真正Done”绝不停止。最终，Agent Loop 会逐渐取代传统Main Loop，成为新一代软件系统的核心循环。但除此之外，Agentic Engineering 仍然是我们熟悉的工程世界——只是主角从代码，变成了意图。

7. Agent Infra到底是什么？【AI基建】

8. 手把手彻底学会 Agent Skills！【小白教程】

9. 2025年，Agent对于打工人真的有用吗？实测OK Computer

10. 全网最细的零门槛OpenClaw教程！云端部署，无缝体验【以及聊聊AI落后焦虑】

11. 打造13个Claude Agent 互相 review 彼此↓ Reddit 一个开发者用 OpenClaw 框架搭建了 13 个 Claude Agent，让它们像真实团队一样工作：有人写代码，有人 review，有人测试，有人查安全漏洞。然后还互相 review 彼此的工作。 1 Writer Agent → 生成代码 2 Reviewer Agent → 逐行审查，对标 code review 标准 3 Tester Agent → 设计测试用例，验证逻辑 4 SecurityAuditor Agent → 扫描安全漏洞 5 Optimizer Agent → 性能优化建议 6 DocumentWriter Agent → 生成 API 文档 7 QA Agent → 最后一关，综合检查 ... + 6 个其他专业角色 vs. 链式流程（A→B→C），这个设计采用质量门控流程。Reviewer 必须 approve 才能进入下一阶段。出问题时反馈重做。成本控制？看起来 13 个 Agent 全力跑，tokens 肯定爆炸。但这个哥们用了几个聪明的招： 1. Context 优化 Writer 不需要看 test cases，Tester 不需要看文档。每个 Agent 只加载相关上下文。这一招可以干掉 80% 冗余 token。 2. 采样策略不是每一行代码都通过全部 13 个 Agent。核心路径 100% 检查，非关键路径采样。 3. 缓存和复用已审查过的代码片段不重复审查。测试用例库复用。架构决策缓存。结果呢？ - 单个开发者 Claude Code：每天 5-20刀 - 13 个 Agent 团队：每天 15-30刀（成本增加不多，质量翻倍）实际对比维护 10 万行代码库： 1. 传统手工做法 - 人工 code review：8 小时 - token：50-80刀 - bug 漏过率：5-10% 2. 13 个 Agent 团队 - 总耗时：30 分钟（Architect 规划 → Writer 并行生成 → Reviewer 自动审查 → 全流程质量门控） - token：20-25刀 - bug 漏过率：<1% 为什么这个方案特别？ 1. 角色化 > 能力化不是「给 Claude 一个超级 Prompt 让它什么都会」，而是「给每个 Agent 一个明确的职责」。 Writer Prompt：「你是代码作者，你的工作是...」 Reviewer Prompt：「你是资深 code reviewer，标准是...」角色专业化自动带来质量提升。 2. 质量门控自动化传统 code review 是人工 bottleneck。Agent review 是自动化 + 可扩展的。 3. 知识积累每个 Agent 的执行历史（什么被 reject、为什么）可以持续优化 Prompt。这是机器学习意义上的反馈循环。 4. 工程意义这不是「用 AI 替代人」，而是「用 AI 团队协作替代个人英雄主义」。更接近真实团队的工作方式。背后的思想转变从「Prompt Engineering」→ 「Architecture Engineering」以前我们花时间优化单个 Prompt，试图让一个 AI 更聪明。现在聪明的做法是设计系统，让多个 AI 通过角色分工和质量门控，集体产出更高质量的结果。原文：www.reddit.com/r/ClaudeAI/comments/1rga7f5/how_i_built_a_13agent_claude_team_where_agents/ #how i ai##程序员#

12. Skills比MCP更重要？更省钱的多！Python大佬这观点老金测了一周终于懂了

13. 如何看Anthropic最新发布的Claude Skills？会替代MCP吗？

14. 最近空闲时间都在用Wegent的Code模式修改Wegent，总结一下近期的调整：功能增强- 新增 Claude Code Skills 管理支持- Gerrit 仓库支持- 数据库自动建表 & 数据库迁移功能- 增加Spec Clarification(需求澄清)模式底层架构改进- Executor 构建为独立二进制形式- 加入 AES 加密机制（密钥/敏感数据安全提升）- Response processor 增加自动重试机制- Session resume / cleanup 更健壮UI/UX 演进- UI 大更新 → 从Ant Design迁移到shadcn- 改进 Workbench 时间线、按钮布局、主题适配其它- 增加完整的项目文档- 增加全面的单元测试覆盖过去两周一共提交了80多个PR，改了几万行代码（而我并不是专业的前端或者python工程师）。虽然知道AI会对生产效率有提升，但是这种跨越式的提升真的发生的时候，还是有些让人无所适从。感觉有空可以分享一下用AI开发AI平台过程中的一些实践经验，不知道有多少人对这个方向感兴趣。（Wegent是一个开源的AI Agent平台，上层支持Agent元信息的定义、部署和运行，底层可对接不同的Agent实现，从而可以在Wgent平台上搭建无IDE代码开发、洞察、数据分析或者知识共享等各类智能体，欢迎star。GH：github.com/wecode-ai/Wegent）

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

16. AI编程大战正式开打！ Claude vs GPT同一天放大招，不是比谁代码写得好，而是AI开始自己组队当项目经理了。#大咖观察 #红衣聊AI #编程 #ChatGPT

17. Claude悄悄更新了Skills生成器，这绝对是一次史诗级升级。

18. Agent Skill 相关资料、笔记和思考

19. 2025过去了！这一年你是不是也在为AI焦虑？老周用360一整年的实践，告诉你答案：不用怕，抓住Agent就赢了！从我自己敲代码做100多个智能体，到带领团队All in，这条AI布道之路，全是实战干货。 2026，你想和智能体一起搞定啥？评论区留言，老周帮你研究！#大咖观察#2026 #年度总结 #红衣聊AI #agent

20. AI也可以组建团队了港大开源的新项目ClawTeam感觉像是让AI Agent从单机到了集群，不同于当前主流的单Agent工具，ClawTeam引入了领导型Agent。当我们下单目标，它就会自主将复杂任务解构为子任务。从开发到部署的全流程自动化，ClawTeam的全栈闭环将原本需要人工干预的DevOps流程转化成了Agent群体的内部协作。如果说OpenClaw解决了“手”的问题，ClawTeam就是在试图解决“脑与神经网络”的问题吧 #ai##ai前沿速递##微博兴趣创作计划#

21. 两个月，19 个 Skills，10000+ stars，400 多次 commit。这个视频是我做 baoyu-skills 从 0 到 1 的完整复盘。前半段是真实场景演示，看我日常怎么用 Agent + Skills 完成实际工作；后半段是设计哲学和迭代方法论，把踩过的坑和悟出来的经验都讲透。四个核心观点：1）从提示词到 Skills：起步没有门槛。把你已有的好用提示词、好的实践、甚至模糊的想法，直接用 /skill-creator 变成 Skill。关键是动手。2）别做万能 Skill：Skill 要原子化，每个只做一件事。然后用 AGENTS.md 编排成工作流，让 Agent 灵活执行。我的素材收集和写作流程就是这么串起来的。3）Skills 像随身小刀，越用越顺手：自己常用、遇到问题当场改、给 Agent 高质量对比样例让它自己优化、用 git 做版本管理留后悔药。4）站在 Agent 角度设计：多存中间文件、先分析再执行、写清验证标准、用子 Agent 并行、脚本优先于 MCP。这些小细节决定 Skill 能不能真正跑通。baoyu-skills 已全部开源：github.com/JimLiu/baoyu-skills 网页链接宝玉xp的微博视频

22. “Skills 不就是脚本套个壳吗？我十几年前就玩 AutoIt 了”图文版：网页链接程序员看到 Agent Skills，很多人第一反应是：“这不就是脚本换个壳吗？我用 Python 半小时就能写出来，还更稳定。”比如：> 我怎么觉得现在 skills 炫耀的功能，基本上我很快就可以用 Claude Code 手搓一个 Python 程序完成了，而且更稳定、更快、随时可调整订制。当然 Skills 把和 AI 的互动简化了，不过我觉得它增加的不确定性、控制力弱、延迟等问题，超越了它带来的好处。还有更直接的：> 就他妈一堆自动化的 bat shell 脚本，JB 吹上天。吐了。我十几年前就玩 AutoIt 了。拿部分场景来比功能，确实不算错。但把 Skills 等同于脚本，就像把智能手机等同于能打电话的计算器，功能有重叠，本质变了。【1】脚本和 Skills 到底差在哪？先说定义。脚本：你写一段代码，告诉电脑先做 A，再做 B，最后做 C。固定动作，按步执行，遇错停下等你。Agent Skills：给 AI Agent 的技能包。核心是一个 SKILL.md 说明文档，写清楚什么情况该用、怎么做更专业、哪些步骤要调代码。还可能引用其他文档或脚本。Agent 读懂之后，自己决定该不该用、怎么用。三个关键差异。**1. 脚本对 Skills 不是必须的。** 比如我做了一个“宝玉写作风格”的 Skill，只有一个 SKILL.md，写清楚风格要求，没有任何脚本。这活你让脚本做，还真做不了。**2. Skill 里的脚本是 Agent 在调度。** 传统脚本：你写代码 → 你调用 → 遇到问题停下来等你。Agent + Skills：你说目标 → Agent 理解 → Agent 调用 → 遇到问题 Agent 自己解决。拿处理 PDF 举例。缺 pdfplumber 库？脚本报错退出，Agent 自己装一个。PDF 格式有问题？脚本报错退出，Agent 换个解析方式。代码有 bug？脚本报错退出，Agent 读报错信息，改代码重跑。相当于你电脑上配了一个 AI 程序员，能看懂报错、装依赖、改代码、调试。**3. Skills 用自然语言编排工作流。** 脚本用 if-else、for 循环、try-catch 编排，你得把思路翻译成代码。Skills 用自然语言：什么情况下用、注意什么、出错怎么办。这降低了门槛。以前只有程序员能写自动化，现在产品经理、运营、设计师，需求说得清楚就能做。也提高了灵活性。比如我写了个“文章配图”的 Skill，不用代码判断文章类型，只在 SKILL.md 里写：配图服务于内容理解，技术内容优先流程图，观点内容优先概念图。Agent 自己判断当前文章该用哪种。【2】确定性的事交给代码Skills 和脚本不是二选一。确定的事让代码做，不确定的让 Agent 做。我的写作工作流里有个格式化步骤：中文引号换全角、中英文之间加空格。规则明确，我写了个脚本。AI 润色完文章后自动调用，比让 AI 做更稳定，成本也更低。怎么判断该用哪个？想想银行柜台和项目经理的区别。银行柜台：每一步有标准动作，合规严格，输出必须可预测。这种场景用脚本，Agent 反而添乱。项目经理：需求模糊，步骤随时调整，中间冒出各种意外。这才是 Agent 的舞台。【3】为什么 Skills 突然火了？在 Agent Skills 之前，我就是脚本自动化爱好者，写了不少小工具。但有两个问题一直没解决。**写脚本的成本不低。** 我是专业程序员，也没写太多自动化脚本，因为把想法变成代码太繁琐。现在借助 Agent，几句话就自动搞定了。非程序员更是直接受益，就好比《哈利波特》里麻瓜突然获得了魔法。以前自动化是少数“魔法师”的专利，现在人人都能做。**分享脚本的成本更高。** 我的脚本很少分享，因为基本只有自己能用。写兼容代码和文档的成本太高，不值得。现在不一样了。我的 baoyu-skills 刚发布时很多在 Windows 下跑不顺，但网友运行时 Agent 会主动修复兼容问题。热心网友还把修改提成 PR，帮到了更多人。Skills 的进化也快。一方面背后的 Agent 模型在不断变强。另一方面，Skills 的反馈循环短得多。传统软件要走产品经理 → 开发 → 测试的长链条，用户拿到可能不是想要的。Skills 是每个人量身定制，一边用一边改，Agent 知道全部上下文，遇到问题马上定位，根据反馈实时调整。【4】“苦涩的教训”强化学习之父 Rich Sutton 在 2019 年写过一篇著名文章《The Bitter Lesson》。核心观点：70 年人工智能研究证明，通用方法最终总是赢。他回顾了国际象棋、围棋、语音识别、计算机视觉的历史，发现一个规律：研究者试图把专家知识硬编码进系统，短期有效，长期却停滞甚至阻碍进步。真正的突破来自让机器自己搜索和学习。脚本是“把你的思考过程固化成代码”，Skills 是“告诉 AI 目标和约束，让它自己想办法”。前者是 hard-coded，后者是 learned。“我十几年前就玩 AutoIt 了”，没错。但今天变了：AI 能理解自然语言、能动态规划、能从错误中学习。【5】别忘了安全Skills 把脚本加说明书打包分发，本质上是新的依赖生态，新的攻击面。恶意 Skills 可能引入漏洞、诱导外联，甚至数据外泄。只装可信来源的 Skills，装之前审计文件和脚本内容。【6】真正的分野“我用 Python 半小时就能写出来”，没错。但写完只有你能用，你愿意花时间写文档、做兼容、处理边界情况吗？大概率不愿意。“十几年前就玩 AutoIt 了”，也没错。但十几年过去了，AutoIt 还是那批人在用。Skills 的意义不在于能做什么新事情，而在于谁能做这些事情。以前自动化是程序员的特权，现在是每个人的工具。以前写脚本要考虑十几种边界情况，现在 Agent 帮你兜底。以前分享脚本是技术输出，现在分享 Skills 是知识传递。程序员看 Skills 觉得没技术含量，就像厨师看预制菜觉得没灵魂。但餐饮业的变革不是让每个人都变成厨师，而是让不会做饭的人也能吃上还不错的菜。Sutton 那篇文章叫“苦涩的教训”。苦涩在哪？研究者花几十年精心设计的专家系统，被暴力计算加通用学习碾压了。那些精巧的领域知识、引以为傲的工程技巧，在算力和数据面前不值一提。你花十年练就的脚本技巧，可能正在被一种你不太看得上的新范式取代。承认这一点确实苦涩，但早点看清楚，总比后知后觉强。

23. 说话就能让AI写出顶级代码？Vercel官方经验包来了

24. 开发AI编程助手时，技能（Skills）管理往往分散且不统一，安装和同步技能繁琐，难以高效复用。OpenSkills 是一个开源的通用技能加载器，兼容Claude Code等多款AI编码代理，实现Anthropic技能系统的完全复刻，支持从任何GitHub仓库安装技能，管理技能版本，支持本地开发和跨代理共享。核心功能包括：- 与Claude Code技能系统100%格式兼容，使用相同的XML技能描述和SKILL.md说明；- 通过CLI工具安装、同步、管理技能，操作简单直观；- 支持安装公共市场技能、私有仓库技能及本地路径技能；- 支持多代理统一技能目录，避免重复定义冲突；- 渐进式加载技能内容，保持代理上下文整洁；- 适配Node.js环境，跨平台使用。适合AI开发者和研究者，方便扩展和定制AI助手的能力。项目地址：github.com/numman-ali/openskills快速开始：```bashnpm i -g openskillsopenskills install anthropics/skillsopenskills sync```让AI编码助手技能管理更开放、更灵活、更高效。

25. 在线开发经常需要切换多种AI工具，实现任务自动化和代码生成十分繁琐。Hugging Face Skills 这个开源项目，将AI/ML任务的定义整合为“技能包”，支持主流代码助手如 OpenAI Codex、Anthropic Claude Code、Google DeepMind Gemini CLI 甚至 Cursor。这些技能包以自包含文件夹形式封装指令、脚本和资源，涵盖从数据集创建、模型训练、评估到论文发布等各环节，为AI编码代理提供标准化操作流程。GitHub：github.com/huggingface/skills主要特点：- 支持多种编码代理，跨平台兼容；- 提供丰富技能示例，如Gradio界面搭建、Hugging Face Hub管理、模型训练调优等；- 方便集成，使用简单，只要安装对应技能即可快速调用；- 支持贡献自定义技能，扩展无限可能；- 配套清晰的文档和示例，让AI辅助开发效率大幅提升。适合AI开发者、自动化脚本编写者和机器学习工程师使用，是升级智能编码体验的利器！#AI创造营##人工智能#

26. 过去十年，大家一直在说AI会改变编程。但现在看，真正被改变的，可能不是“写代码”，而是“审代码”。如果未来AI写代码、审代码都变成了常态，程序员最核心的能力到底是什么呢？#大有学问 #红衣聊AI #anthropic #人工智能 #程序员

27. 字跳TRAE团队发了个《2026 企业级AI编程实践手册》，总结了他们的AI编程方法论和工程实践网页链接“在2026年，AI编程已不再是实验性的尝试，而应该成为企业软件开发的核心生产力。本手册源于TRAE团队在构建AI编程助手过程中的真实实践——我们用AI构建AI，在这个过程中积累了从方法论到工程实践的完整经验。这不是一本理论书籍，而是一线研发团队的实战总结。我们将分享如何将AI真正融入企业级开发流程，如何建立可复制的工程规范，以及如何让团队从“会用AI”到“精通AI编程”。无论你是技术决策者、架构师还是一线开发者，都能在这里找到可落地的方法和工具。AI时代的软件开发不是替代人类，而是重构协作方式。让我们一起探索这个新范式。”#How I AI#

28. 企业级AI Coding的落地方法，都在这本实战手册里了｜甲子光年

29. 基础技术：才是智能时代的核心竞争力人工智能的发展恰似树木生长，光鲜的大模型、智能应用是枝头的绿叶，基础技术才是深扎土壤的根系。若只追新叶不养根，再亮眼的技术也会因养分枯竭失去市场活力，这一规律在技术层面有着清晰印证。基础技术核心包含数据治理、算力支撑和工程化底座三大支柱。数据作为 AI 的燃料，其质量直接决定模型性能，如果没有统一的数据中台做支撑，数据科学家 70% 的时间都在找数据、洗数据，根本无力创新。大模型训练依赖 GPU 集群的并行计算能力，而网络带宽则是算力传输的通道。分布式训练中，带宽不足会直接导致参数交换延迟、训练中断。TensorFlow、PyTorch 等深度学习框架如同施工工具，没有这些基础工具，再先进的 Transformer 架构也难以落地实现。工程化能力是 AI 的抗风险保障。机器学习工程如同混凝土浇筑工艺，缺失它会导致模型部署延迟高、迭代困难。忽视工程化底座的代价任何一个企业都承受不起。云原生技术带来的弹性算力和可观测性监控，就是AI自身的的自我调节能力能应对突然爆发的流量的冲击。AI 的竞争本质是根基的比拼。那些看似突然的技术突破，实则是数据治理、算力优化、工程化体系长期积淀的结果。唯有深耕基础技术，才能让人工智能真正扎根市场，枝繁叶茂。#AI创造营##AI生活指南##微博兴趣创作计划# 种斌Marco的微博视频

30. 想用Clawdbot何必抢Mac mini，手把手教你打造最强本地Agent，立省200美元 | 附保姆级教程

31. 我现在所有 skills 的脚本，默认用 bun 执行，因为 bun 可以直接执行 TypeScript，不需要预先编译，这带来的好处就是如果出错了，Agent 可以快速定位到代码里面的问题，然后直接修改代码再次运行，如果是打包后的代码这就很难打补丁。任何语言或者环境，Agent 友好才是王道！类似的还有 python + uv。另外有网友提到 bun 可能没安装的问题，但现在nodejs比较普及，而 bun 可以通过 npx -y bun 运行的，这样只要有nodejs就可以用bun，所以我在 skills 里面都会让 agent 自己检查并灵活选择。（参考附图）还有一点，我在 skills 里面用的路径都是相对路径，但告诉了 agent 基础目录（baseDir）在哪，这样基本不会找路径出错。

32. 看看 Claude Code 怎么做 Harness，这才是 Agent 工程化的真正难点

33. Cursor：AI编程「第三时代」来了

34. Anthropic 发布了 Agent Skills ，是很好的东西，可以引导 Agent 获取某些技能，而且制作起来很方便。制作一个技能，就好像给新员工写一份入职手册。不需要为每一个不同任务都专门打造一个独立的智能体，而是只要共享特定领域的专业知识，任何人都可以快速将智能体变成对应领域的高手。我之前提到过朋友做一个基于他们 Design System 的 Agent，需要通过提示词引导 Agent 去 grep 检索文档，现在就更简单了，只要在全局或者项目目录下的 .claude/skills 下面添加目录，并且放一个包含meta信息的 SKILL\.md 文件，就可以引导 Agents 去学习使用这些 Skill。官方也给了一个例子就是 PDF Skill，就是包含了一系列 PDF 操作的说明和脚本，Agent 借助这些脚本，就可以操作 PDF，比如提取表单之类。也就是说 Skill 不仅可以包含文档，还可以包含可执行的脚本。需要注意的是 Skill 里面的 Meta 信息是默认会加载到上下文文的，其余信息用到才会加载。更多介绍：www.anthropic.com/engineering/equipping-agents-for-the-real-world-with-agent-skills

35. 【Claude Code中文教程：10万字免费指南助你掌握AI编程新范式】一份专为开发者打造的Claude Code完整学习资源正式上线，从零基础到构建自定义AI智能体，全部免费开放。 + 这份教程解决什么问题？当AI编程助手成为开发者标配，真正的挑战不是“会不会用”，而是“能不能用好”。这份教程正是为此而生——帮助开发者系统掌握Claude Code，实现开发效率的质变。 + 九大核心模块，循序渐进 1. 基础入门：概述、安装配置、基础使用 2. 命令体系：CLI命令、标志说明、斜杠命令、自动化集成 3. 交互与工具：交互模式详解、工具调用集成 4. MCP协议：模型上下文协议的配置、管理与高级应用 5. 技能系统：从原理到实践，手把手教你开发自定义技能 6. 插件开发：从基础到高级的完整插件开发指南 7. 编程实战：代码生成、智能工作流、高级Agent功能 8. 技术原理：Agentic AI核心技术、架构解析、构建编程Agent 9. 企业部署：云集成、网络安全、LLM网关等企业级方案 + 三个值得关注的亮点 - 上下文感知编程：让AI理解整个代码库架构，提供深层建议而非简单补全 - 本地优先隐私保护：代码仅在授权上下文中运行，不用于公共模型训练 - 无缝CLI集成：在终端中实现AI结对编程，不离开熟悉的开发环境对于想深入理解AI编程工具工作原理、或计划构建自己编程Agent的开发者，这份教程提供了难得的系统性学习路径。 claudecode.tangshuang.net

36. 一文带你看懂，火爆全网的Skills到底是个啥。

37. Agent Skill 和 mcp 和 prompt区别是什么？

38. 差点被订阅搞崩溃，全量开放的TRAE SOLO模式帮我手搓了个管理神器#AI编程 #科技改变生活 #玩儿个很新的东西 #TRAE #AI新星计划

39. 龙虾时代，人和AI的关系已经改变了... #大有学问 #红衣聊AI #openclaw #养龙虾 #AI工具

40. 手把手安装OpenClaw龙虾必备的技能Skills！

41. 关于 AI Agent，你最想知道的 3 个问题——为什么我说“垂直 Agent”是个伪命题回答几个读者问题。1、AI Agent 是否有一个权威的概念？中美两国对这个概念是否有统一的解释？AI Agent 的定义和国家无关，更多是行业共识的演进。目前业界比较认可的定义来自 Anthropic。他们在《Building Effective Agents》（网页链接）这篇文章中做了一个很重要的区分：工作流（Workflow）：通过预定义的代码路径来编排 LLM 与工具的系统。Agent：由 LLM 动态地指挥自己的流程和工具使用方式的系统，始终由 LLM 来掌控完成任务的方式。简单来说，工作流是“人写好剧本，AI 照着演”；而 Agent 是“人给个目标，AI 自己想办法”。从技术实现角度，我比较认同 Simon Willison 提出的简洁定义（网页链接）：一个 AI Agent（智能体），是为了实现某个目标，循环调用工具的大语言模型。这个定义抓住了 Agent 的本质——它不是一次性给出答案，而是通过“思考→行动→观察→再思考”的循环，逐步完成任务。目前主流的 Agent 实现，无论是 OpenAI 的还是 Anthropic 的，底层都是这个结构。当然，不同公司可能会根据产品定位给出略有差异的表述，但核心思想是一致的：Agent = LLM + 工具调用 + 自主决策循环。2、近期国内外大厂密集推出 AI Agent，为何选择这个时间点？您如何看待 AI Agent 的商业化前景？大厂在这个时间点密集推出 Agent，核心原因是：Agent 是目前 AI 落地最有价值的方向。为什么 Agent 比聊天机器人更有商业价值？聊天机器人的局限性很明显——它只能“说”，不能“做”。而 Agent 能够：• 调用工具：比如搜索网页、读写文件、执行代码• 完成复杂任务：把大任务拆解成小步骤，逐个完成• 与外部系统集成：对接企业内部系统、数据库、API• 持续运行：不需要人一直盯着，可以在后台自主工作这意味着 Agent 可以真正替代人完成一部分工作，而不只是辅助回答问题。已经跑通的场景：编程领域编程是 Agent 最先落地的领域。像 Claude Code、Cursor、Codex 这样的编程 Agent，已经能够实实在在地帮开发者完成任务，不只是生成代码片段，而是理解需求、读取项目代码、修改文件、运行测试、修复 bug，整个流程都能自主完成。正在爆发的方向：Skills 生态去年底开始，“Skills”这个概念开始流行。简单理解，Skills 就是教会 Agent 完成特定任务的“技能包”，一套预设的工具、提示词和工作流的组合。比如我个人就大量使用 Claude Code 结合各种 Skills 来提升效率：• 给文章自动配图（调用图片生成工具）• 根据素材生成漫画故事• 根据素材自动生成 PPT• 自动发布文章到公众号、博客、社交媒体• 等等这些任务以前每个都要花我半小时到几小时，现在几分钟就能完成。顺便说一下，我这几个 skills 都是开源的：github.com/JimLiu/baoyu-skills/issues现阶段的挑战但 Agent 目前仍处于早期阶段，主要挑战有：1. 门槛较高：目前这些能力主要在极客圈子里流行，普通用户上手困难2. 安全问题：Agent 需要较高的系统权限才能工作，这带来了安全风险。比如恶意的 Skill 可能窃取数据、攻击系统3. 可靠性：Agent 有时会“跑偏”，需要人工干预这些问题都在被逐步解决。大厂密集入场，本质上是看到了 Agent 的巨大潜力，想要抢占生态位。谁能率先建立起最多用户的 Agent 客户端和丰富的 Skills 生态，谁就能在下一阶段占据优势。就像现在 Anthropic 就依赖 Claude Code 抢占了先机和用户心智，大家想到 Coding Agent 先想到 Claude Code，MCP、Skills 的标准也是他们提出来的，开发者们争先恐后的基于他们的标准在构建 Agent 生态。3、通用类 AI Agent 和垂直类 AI Agent，您更看好哪个的商业前景？这个问题需要换个角度来理解。Agent 本身难以形成垂直壁垒从技术角度看，Agent 本身没有任何秘密，就像我前面说的，它从技术角度看就是一个循环调用工具的大语言模型。而模型对所有人来说都是一样的：要么花钱用商业模型（OpenAI、Anthropic、豆包、阿里），要么用 DeepSeek 这样的开源模型。这就像选操作系统，你用 Windows 还是 Linux，大家都能用。所以，单纯做一个垂直领域的 Agent 很难建立护城河。你今天能做，别人明天也能做，而且可能做得更好。真正的机会在哪里？打个比方：Agent 就像操作系统，无论是通用领域还是垂直领域，操作系统本身都差不多。真正的差异化，是基于操作系统之上的应用。垂直领域真正的机会在于：1. 独有的数据：你有别人没有的行业数据、客户数据、知识库2. 专业的 Skills：针对特定行业流程打造的工具和工作流3. 深度的集成：与行业内已有系统的对接能力4. 领域 Know-how：对行业痛点和流程的深刻理解举个例子：一个医疗领域的 Agent 产品，核心竞争力不是“Agent”这层，而是背后接入的医学知识库、与医院 HIS 系统的对接、对诊疗流程的理解、以及多年积累的脱敏病例数据。所以我的结论是：不要去做“垂直 Agent”，而是用通用 Agent 的能力，去解决垂直领域的问题。护城河不在 Agent 这层，在你围绕 Agent 构建的数据、工具和行业理解。以上是我基于一线实践的观察和思考，仅供参考。

42. amirmxt 的 "CLAUDE Skills 101" 教程在不到 9 分钟的时间里，带你全面了解 Claude Skills 的所有核心知识，以及如何将其应用到你的工作中。1. 什么是 Skill2. 它与 Project 的区别3. 如何创建并将其应用到你的工作中#ai创造营##程序员# 黄建同学的微博视频

43. 一位中国AI创业者，一行代码都没写，却靠着AI智能体，冲进了OpenClaw全球贡献者前30，而且排在他前后的，是一批干了十几年的硅谷顶级工程师。#大有学问 #红衣聊AI #创业 #智能体

44. 快抄作业！我用JoyAgent搞了个AI团队 2025年都快结束了，Agent是不是还没用上？我找到了打工人用上智能体的最简单方法，就是用JoyAgent把每天重复的SOP全做成Agent，不懂代码也能零门槛搭建，而且效果很稳定。看着AI团队全自动打工、出活，非常解压。 #AI #智能体 #JoyAgent #JoyCode #京东云

45. 分享6个我觉得应该必装的Skills。

46. 吴恩达老师在 DeepLearning.AI 平台推出的 agent-skills-with-anthropic 课程中文翻译（文字版）github.com/datawhalechina/agent-skills-with-anthropic该课程也适合非技术人员观看。本课程是 DeepLearning.AI 与 Anthropic 合作打造的 Agent Skills 专项课程在本课程中，我们将探讨 Skills 如何赋能 Claude 及其他 AI 智能体执行复杂任务。技能通过向智能体提供专门的指令和知识来扩展其能力。具体包括：1.理解 Skills 的工作原理2.掌握创建 Skills3. 构建适用于不同场景的 Skills（包括编程、研究、数据分析等）#How I AI#

47. Anthropic官方报告：8大趋势说透AI编程未来，60%代码AI写的，老金实测项目带你看！

48. TRAE中国版白送SOLO，一人指挥一支AI大军重磅消息！SOLO终于上线TRAE中国版了，Waitlist免费开放中本期视频实测TRAE的新版本，亮点很多 1、先规划再动手的 Plan 模式 2、带专家团一起干活的 Subagent 子智能体 3、DiffView 差异视图 4、多任务并行 5、上下文智能压缩长时运行不掉链子 SOLO终于把AI从“瞎干活的外包”变成了“懂协作的队友” #AI #人工智能 #TRAE #AI编程 #vibecoding

49. Claude 的 Agent Skills 本质上就是：AI 模型不必把所有能力硬塞在绝对静态的“大脑”里，而是通过“可插拔技能模块”的方式，让模型在面对不同任务时“辅以专属插件／套路”。这种方式在软件工程里早就被验证为经典，比如插件系统、微服务、模块化设计。可以关注 Antropic 这个开源的 Skills 项目：github.com/anthropics/skills「Skills 是一组“指令、脚本、资源”的集合，Claude可以动态载入这些 Skills，从而在特定任务或领域里表现得更好、更定制化」#人工智能##程序员#

50. 传统认知里的慢工出细活在AI浪潮里根本就是个笑话。 #大咖观察 #红衣聊AI #AI时代 #科技

51. 为什么 Claude Skills 的爆发点在 2026 年 1 月？问：Claude Skills 是去年 10 月中就推出的，为什么现在才突然火起来？这是个很好的问题。Claude Skills 确实在 2025 年 10 月中旬就发布了，但直到 2026 年 1 月才真正爆火。这背后有表面原因，也有更深层的逻辑。核心原因就是这东西如果只能在技术圈自嗨，它是火不起来的。去年 10 月份 Skills 编程领域其实很快就开始用起来了，而现在火，只是因为它出圈了，在技术之外的领域火起来了，非技术人员也用起来了。Skills 真正的价值其实是在非编程领域。去年 Coding Agent（比如 Claude Code、OpenCode）开始在非编程领域开花，而 Skills 的设计特点让它能很快找到 Agent 在非编程领域上的场景落地。1. 有 bash 和脚本能力，可以自动化本机操作Skills 让 Claude 能借助代码脚本操作你的本机系统，把很多琐碎的电脑操作变成自动化操作。Claude Code 的创建者 Boris Cherny 在 X 上分享过一个有趣的观察：自从 Claude Code 发布以来，他发现用户们在用它做各种非编码的工作——做度假研究、做 PPT、清理邮件、取消订阅、从硬盘恢复婚礼照片、监控植物生长，甚至控制烤箱。> Since we launched Claude Code, we saw people using it for all sorts of non-coding work: doing vacation research, building slide decks, cleaning up your email, cancelling subscriptions, recovering wedding photos from a hard drive, monitoring plant growth, controlling your oven.>> 网页链接这些场景和写代码完全不沾边，但 Skills + bash 能力的组合让这一切成为可能。比如我自己就做了一些工作流，帮我采集信息、写作、写 PPT、画漫画、发布，极大提升效率。像发文章到公众号、X Article 这些，以前需要手动重复的操作，现在一个 Skill 就搞定了。2. Skills 可以相互调用，用自然语言编排工作流如果是单一的 skill，作用其实有限。但当你有多个 skills，并且 skills 还可以相互调用，那意味着你可以编排工作流。Skills 让 AI 可以像《黑客帝国》主角 Neo 那样瞬间学会新技能：“I know kung fu”。Claude 会根据任务自动加载需要的 Skill，完成后再卸载，整个过程无需用户干预。而最神奇的地方在于，你只需要用自然语言去编排工作流。这中间会有 Agent/大模型去解读你的自然语言，按照工作流执行，有问题还会帮你修复。这极大地解决了非专业用户需要程序员协助编排工作流的问题。3. Skills 本身易于分发，几乎成了每个 agent 的标配一个 skill 只要有一个 SKILL.md markdown 文件和辅助的脚本或者文档，打个 zip 包就能发布。这种轻量级的设计让分发变得极其简单。有个时间点很重要，2025 年 12 月 18 日，Anthropic 宣布将 Agent Skills 规范开放为跨平台标准。很快，微软在 VS Code 和 GitHub Copilot 中集成了对 Agent Skills 的支持，OpenAI 也在 ChatGPT 的代码解释器和 Codex CLI 中采用了几乎相同的技能目录结构。Skills 在 10 月发布时，主要还是被定位为开发者工具。但随着生态成熟、开放标准确立、以及 Cowork 这样面向普通用户的产品推出，Skills 在非编程领域的价值才真正被释放出来。回顾这个过程：10 月：Skills 发布，开发者圈小范围关注11-12 月：技能规范开放、生态扩展、用户积累经验1 月：产品更新 + 非编程场景落地 + 病毒式传播 = 爆发Skills 的爆发是现在它找到了真正的价值定位，让非程序员也能通过自然语言编排复杂的自动化工作流。这才是 Skills 真正火起来的原因，随着更多场景被发掘出来，还会持续的火上一段时间。

52. 实测用TRAE Skills接管工作流，打工人的自动化神器 #AI #AI编程 #TRAE #SOLO #Skills

53. 【Vercel把十年前端经验开源了，AI编程的游戏规则正在改变】Vercel刚刚做了一件大事：他们把积累了十多年的前端最佳实践，整理成了一套可供AI编程助手使用的Skills，并完全开源。这意味着什么？过去需要资深前端工程师多年踩坑才能总结出的React优化技巧、性能调优方案、代码规范，现在任何人都可以让Claude Code或Codex直接"学会"。安装方法非常简单：1. 把整个skills目录复制下来（包括SKILL.md文件）2. 放到你项目的.claude/skills目录下即可如果你用的是Codex，就放到.codex/skills目录。Cursor和VSCode Copilot目前也在beta阶段支持这个功能。有人担心这会占用大量上下文窗口。实际上Skills的设计很聪明——它们是按需加载的，只有在AI判断需要时才会调用相关知识，不会无谓消耗token。这套Skills的核心贡献者是Vercel的shuding，社区对此评价极高。有人说得很到位：这才是真正的"拉平竞争场"——十年的最佳实践，现在对每一个写代码的人开放。从更大的视角看，这代表了一种趋势：顶级团队的工程经验正在以结构化的方式沉淀下来，通过AI编程助手实现规模化传播。以前你需要加入Vercel这样的公司才能学到的东西，现在开源了。当然，工具终究是工具。真正的差距不在于谁能用上这些Skills，而在于谁能理解背后的原理，知道什么时候该用、什么时候不该用。AI可以帮你写出符合最佳实践的代码，但架构决策和技术判断力，仍然需要自己修炼。开源地址：github.com/vercel-labs/agent-skills/tree/react-best-practices/skills/react-best-practices

54. AI - Agent Skill（1）

55. Agent Skills 介绍

56. 16. Agent-Skill基本理解

57. 让 AI Agent拥有"专业技能包"

58. Agent Skills简介

59. Agent Skills

60. 长文干货 - 一文带你学会Agent Skills

61. Agent Skills学习总结

62. 超越上下文，让 Agent Skills 完成你的真正需求（1）工欲善其事，必先利其器，了解什么是 Agent Skills

63. Agent Skills到底是什么？

64. 第一本Agent Skills书上市了

65. Agent Skill 从使用到原理，一次讲清

66. claude-skills

67. 从概念上聊聊 Agent Skills

68. 如何入门 Agent Skills

69. MiniMax官方把压箱底的技能包开源了！3.8K Star，AI编程助手瞬间升级

70. OpenCode技能集（SKILLS）

71. 告别 Vibe 编程，Google AI 大神开源的神器给你的 AI 注入大厂工程规范

72. Java AI 开发核心

73. 90%程序员忽略的工程细节

74. 普通人逆袭AI时代，从“封装”开始！你也试试？

75. 第12章能力封装与工具链——应用开发的“乐高积木”

76. 当 AI 能写代码了，我们还需要“封装”吗？

77. LangChain正式开源DeepAgents框架内置LangGraph引擎 GitHub 9.9k星支持子智能体+文件系统+自动规划开箱即用

78. 报告 | 《用Langchain DeepAgents开发高级AI智能体实战手册》（免费下载PDF版本）

79. 智能体｜Agent 架构演进与选型

80. 2026年AI Agent框架选型指南

81. 图解智能体，第6章　Agent 框架全景与选型指南

82. 国产Agent选型指南

83. AI智能体定制

84. 运维管理平台开源！企业级DevOps运维管理平台，完全开源，有源代码，可以二开，可以商业化

85. 低成本构建

86. Anthropic 推出全新开源 Agent Skills 知识库，助力 Claude 模型技能拓展

87. AI笔记08：LangChain：多任务应用开发

88. 84.6K Star，Anthropic 官方 Agent 技能仓库开源

89. LangChain 基础入门(1)

90. AI Agent项目缺的不是更强模型，而是“可复用的产品骨架”

91. 【第18期】AI扩展技能：Claude Code/Copilot/Cursor跨平台AI技能开发

92. 封神！MiniMax 官方开源技能包，5K Star 实至名归，AI 编程效率翻倍 - 哔哩哔哩

93. RAG、Memory和Skill：AI Agent需要具备的三种能力

94. AI 编程 Agent 现状报告 (2026)：从结对编程到自主 AI 团队

95. 刚开源就斩获 3.8K Star！MiniMax 官方把压箱底的硬核技能包开源了

96. 别再折腾API文档了，MiniMax开源这组“技能包”让AI直接干活

97. Agent核心就几十行代码，那剩下的几万行到底在解决什么问题？

98. 【Skills】03-Skill-Insight：给 Agent 装上"后视镜"，让Skills开始进化

99. ClaudeCodeSkills技能库如何让 AI编程标准化？

100. 开源Skills项目推荐

101. 一个技能库通吃所有AI编程工具（1000+Skills免费用）

102. Skills 资源清单：先把“入口”收齐，再挑你用得上的那几把刀

103. “悟空”来了！钉钉发布全新Agent平台

104. Agent-ReAct-Skills-MCP-Tool 的关系

105. 【Skills】04-Skill-insight：Agent skills从”感觉”到”量化”的进化之路

106. 程序员效率神器：3个开源技能，让开发速度直接翻倍（建议收藏）

107. Star 5.5k 开源 AI Skill 技能包作者 ObsidianCEO

108. 生成式 AI 进入工程化阶段：中国开发者正在寻找更系统的文档与实践路径

109. 这10个Skills，让你的AI Agent脱胎换骨

110. OpenClaw 技能（Skills）完整安装教程

111. 一文汇总16个Agent Skills优质学习资料

112. Anthropic 开源了最新发布的 Claude Skills

113. OpenAI 开源 37 个 Skill，把AI生图、生视频、语音、网站部署、设计创意、游戏开发、自动化全部公开, 内含中文翻译

114. API 封装成 Skill 的最佳实践

115. 基于 LangChain 的Text2SQL 智能体开发实践

116. AI编程是皇帝新衣？缺了人的Agent不过是一台烧token的烂代码机器

117. ⚡️2025-11-02GitHub日榜Top5｜AI舆情分析系统

118. 【实战篇】从提示工程到上下文工程：基于LangChain构建下一代AI应用

119. 码住这个开源项目！antigravity-skills，超多实用技能都在这

120. AI 编程真正的瓶颈不是模型，而是工程方式

121. Agent/Skills/Teams 架构演进过程及技术选型之道

122. AI大模型课程笔记（七）：LangChain，多任务应用开发

123. 企业智能体平台开源！快速搭建企业Agent平台，程序员的有一次机会，可以商业化

124. Agent平台开源！企业可用，堪比DIFY，企业级智能体平台开源，可以私有化部署

125. 警惕！你的CI/CD还没准备好交付AI智能体

126. 【2026年大模型LangChain】10小时学：LLM+Agent+RAG从入门到项目实战（完整版）学会可做LLM项目

127. 492-AI Agent编程智能体开发课，从0到1打造商业级编程智能体应用

128. 极客 AI 工程化项目实战营（包更新）

129. 医学人请注意！大语言模型将在医学垂直领域的工程化落地！

130. 开源Agent框架全景对比LangChain、AutoGen、CrewAI谁才是真核？

131. 从提示词工程到 RAG 检索增强生成，LangChain 提供了完整的组件化方案，支持快速集成主流大模型，实现自动化 Agent 代理与复杂链式调用

132. Aiops探索：用Dify+Prometheus+Alertmanager+LLM做一个Aiops智能体

133. 「代码实战」如何优雅地调用淘宝 API？封装一个可复用的商品信息获取类

134. Bifrost：比 LiteLLM 快 40 倍的 LLM 网关

135. Langchain自动生成 Pytest脚本

开源技能包能扛起生产级重担？别被“万能胶水”骗了

精选参考来源