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

Anthropic 2025年10月正式推出Agent Skills功能，12月升级为开放标准，推动AI应用开发从“提示工程”迈向“技能工程”

源自102位全网作者

02-06 12:44

精选参考来源

对于向深入学习上下文工程（Context Engineering）的同学，Anthropic刚发的这篇《Code execution with MCP: Building more efficient agents》又是一篇必看的文章。这篇文章讲的是如何解决 MCP 工具太多的问题，但凡你做过 Agent 开发，用了大量 MCP 工具，就会知道 MCP 工具多了后最大的问题就是上下文占用太多，不仅导致成本高，还会影响推理和生成质量。另外一个问题就是 MCP 工具返回的中间结果也会挤占大量的上下文空间。看这文章的时候忍不住夸了一下 Manus，他们确实在上下文工程方面探索的很深入了，里面的工程技巧和他们以前分享过的很类似。> Manus 把工具分成了 3 层，预定义了很多 Shell 工具，也是让 Agent 通过文件系统直接检索，另外也会实时编写 Python 代码来创造工具网页链接> Manus 《AI 智能体的上下文工程：构建 Manus 的经验教训》解读网页链接Anthropic 的方案也很简单直接，就是把“代码”也当作工具的一种，然后从代码中去调用 MCP。这样做有很多好处：1. 解决了系统提示词中工具定义太多的问题不需要在系统提示词中加载所有 MCP 工具，只需要定义一个“代码”工具。那需要工具了怎么办呢？这些代码都保存在统一的目录下，去目录检索下就能找到合适的工具了，比如这是文中的一个目录示例：servers├── google-drive│ ├── getDocument.ts│ ├── ... (other tools)│ └── index.ts├── salesforce│ ├── updateRecord.ts│ ├── ... (other tools)│ └── index.ts└── ... (other servers)找不到现成的工具怎么办？直接现写一个！写完了还可以保存起来下次继续用。2. 解决了 MCP 工具返回结果太长的问题比如说我们要用 MPC 工具获取 1 万行数据后筛选转换出合格的数据，就可以先从代码中调用 MCP 工具获取这 1 万行数据，然后从代码中去筛选过滤，最后只返回 5 条数据，这样上下文中就只需要保留那 5 条过滤的数据，而不是像以前一样有 1 万条数据在里面。3. 解决了数据隐私问题如果你直接使用 MCP 工具，工具返回的数据都要加载到上下文每次上传给 LLM，用代码就可以对敏感数据先二次处理再加到上下文4. 中间结果持久化和技能沉淀代码可以把一些中间结果写入文件保存到硬盘，一方面可以不占用上下文空间，另一方面也可以随时从硬盘避免反复调用 MCP。还有就是虽然很多代码是临时生成的，但是这些临时生成的代码可以保存下来，沉淀为“技能”（Skill），加上 SKILL .MD 文件就和 Claude Code 的技能一样可以被反复使用了。可能有人还记得 2023 年 Jim Fan 他们团队做的一个玩 Minecraft 的 Agent Voyager，就能把玩游戏的技能写成代码，保存起来后续使用，最终让 Agent 在 Minecraft 中做很多事。现在想想还是蛮超前的。网页链接原文：网页链接翻译：网页链接

【AI前沿】双雄对决：Claude Sonnet 4.5与DeepSeek V3.2，AI技术路线的两种突破方向

全部
来源

内容由AI生成

1. 对于向深入学习上下文工程（Context Engineering）的同学，Anthropic刚发的这篇《Code execution with MCP: Building more efficient agents》又是一篇必看的文章。这篇文章讲的是如何解决 MCP 工具太多的问题，但凡你做过 Agent 开发，用了大量 MCP 工具，就会知道 MCP 工具多了后最大的问题就是上下文占用太多，不仅导致成本高，还会影响推理和生成质量。另外一个问题就是 MCP 工具返回的中间结果也会挤占大量的上下文空间。看这文章的时候忍不住夸了一下 Manus，他们确实在上下文工程方面探索的很深入了，里面的工程技巧和他们以前分享过的很类似。> Manus 把工具分成了 3 层，预定义了很多 Shell 工具，也是让 Agent 通过文件系统直接检索，另外也会实时编写 Python 代码来创造工具网页链接> Manus 《AI 智能体的上下文工程：构建 Manus 的经验教训》解读网页链接Anthropic 的方案也很简单直接，就是把“代码”也当作工具的一种，然后从代码中去调用 MCP。这样做有很多好处：1. 解决了系统提示词中工具定义太多的问题不需要在系统提示词中加载所有 MCP 工具，只需要定义一个“代码”工具。那需要工具了怎么办呢？这些代码都保存在统一的目录下，去目录检索下就能找到合适的工具了，比如这是文中的一个目录示例：servers├── google-drive│ ├── getDocument.ts│ ├── ... (other tools)│ └── index.ts├── salesforce│ ├── updateRecord.ts│ ├── ... (other tools)│ └── index.ts└── ... (other servers)找不到现成的工具怎么办？直接现写一个！写完了还可以保存起来下次继续用。2. 解决了 MCP 工具返回结果太长的问题比如说我们要用 MPC 工具获取 1 万行数据后筛选转换出合格的数据，就可以先从代码中调用 MCP 工具获取这 1 万行数据，然后从代码中去筛选过滤，最后只返回 5 条数据，这样上下文中就只需要保留那 5 条过滤的数据，而不是像以前一样有 1 万条数据在里面。3. 解决了数据隐私问题如果你直接使用 MCP 工具，工具返回的数据都要加载到上下文每次上传给 LLM，用代码就可以对敏感数据先二次处理再加到上下文4. 中间结果持久化和技能沉淀代码可以把一些中间结果写入文件保存到硬盘，一方面可以不占用上下文空间，另一方面也可以随时从硬盘避免反复调用 MCP。还有就是虽然很多代码是临时生成的，但是这些临时生成的代码可以保存下来，沉淀为“技能”（Skill），加上 SKILL .MD 文件就和 Claude Code 的技能一样可以被反复使用了。可能有人还记得 2023 年 Jim Fan 他们团队做的一个玩 Minecraft 的 Agent Voyager，就能把玩游戏的技能写成代码，保存起来后续使用，最终让 Agent 在 Minecraft 中做很多事。现在想想还是蛮超前的。网页链接原文：网页链接翻译：网页链接

2. 【AI前沿】双雄对决：Claude Sonnet 4.5与DeepSeek V3.2，AI技术路线的两种突破方向

3. 一文读懂鲸智百应：驱动组织进化的企业AI操作系统，让企业从「用AI」到「是AI」

4. 【Claude Code任务系统深度解析：从待办清单到依赖感知的智能编排】做过复杂项目的人都有这种体验：你让AI帮你重构代码，它干到第四步突然忘了第二步是前置条件，开始做依赖未完成任务的工作。上下文丢失，前功尽弃。扁平的待办清单已经不够用了。Claude Code最新推出的任务管理系统彻底改变了这个局面。它本质上是一个依赖感知的编排层，能理解任务之间的阻塞关系，跨会话持久化，还能将工作分配给并行代理。这套系统有四个核心能力值得关注：第一，完整的依赖管理。任务可以阻塞其他任务，Claude在前置任务完成前不会启动被阻塞的工作。比如任务3被任务1和2阻塞，那它就必须等1和2都完成才能开始。再也不会出现“忘了先配置数据库”这种低级错误。第二，真正有效的持久化。会话内，任务状态能在上下文压缩时存活；跨会话，设置环境变量CLAUDE_CODE_TASK_LIST_ID后，任务能在完全独立的对话间保持。第三，代理分配与并行执行。任务被分配给命名代理，多个工作者同时启动，它们读写同一个任务列表却不会冲突。第四，可视化进度追踪。终端里按ctrl+t就能看到所有任务状态：已完成、进行中、待处理、被阻塞，一目了然。系统提供四个核心工具：TaskCreate创建任务，TaskUpdate修改任务状态和依赖关系，TaskGet获取任务详情，TaskList查看全局。依赖管理是这套系统的精髓所在。当你给任务3添加addBlockedBy: [“1”,“2”]时，意味着任务3必须等任务1和2都完成才能启动。一旦任务3完成，被它阻塞的任务4和5会自动解锁，变为可执行状态。这个机制从根本上杜绝了“在前置条件未满足时就开始工作”的问题。任务以JSON文件形式存储在~/.claude/tasks/目录下，每个任务一个文件，包含主题、描述、状态、阻塞关系等信息。这意味着你可以备份、版本控制，甚至用外部工具读写这些文件。代理分配的工作流程很有意思：Claude先创建任务并分配owner字段，然后启动代理并告诉它“你是fact-checker，去TaskList找分配给你的任务然后完成它们”。代理会自己发现任务、标记进行中、执行工作、标记完成。Claude可以在一条消息里启动多个代理并行运行。代理有四种类型：通用型能读写编辑搜索执行命令；Bash型只能跑终端命令，适合git操作和测试；探索型只读不写，用于快速了解代码结构；规划型也是只读，专注于设计实现策略。不同类型对应不同的速度和安全级别。模型选择上，haiku适合简单任务，sonnet适合大多数编码工作，opus适合复杂推理。什么时候该用任务系统？三步以上的多步骤工作、有依赖关系的任务、可能跨会话的工作、复杂重构或功能开发、需要多代理协作的场景。简单的一次性问题或单文件编辑就没必要了。这套系统的价值在于：它把Claude从“有时会跑偏的聪明助手”变成了“能用结构化方式管理复杂工作的编排者”。你获得了可见性、依赖约束、持久化、并行能力和清晰的责任归属。结构化能力决定了你能处理多大规模的复杂性。这个道理对人如此，对AI同样如此。x.com/nummanali/status/2014684862985175205

5. 工具外化的认知税AI每次使用工具都要重新阅读说明书，而人类早已把说明书内化成肌肉记忆。学习游泳时，初学者需要刻意回忆手臂如何划水、腿如何蹬，每个动作都占用大量注意力；熟练后，身体自动完成整套动作，思考负担几乎为零。在编程IDE中，传统的AI代理每调用一次代码补全或搜索工具，都需要将完整的工具描述和上下文加载到提示中，导致每次操作都消耗大量token；而采用代码执行模式的代理，只需生成一段调用函数的代码，工具的实现细节被封装在外部文件中，按需读取， token 消耗骤降。一个大型的多Agent协作系统，如果每个Agent在通信时都要传递完整的内部状态和工具定义，系统很快就会因上下文膨胀而瘫痪；反之，若Agent之间通过预定义的协议和编译好的消息格式交互，只传递必要的变化量，系统的整体吞吐量会成数量级提升。这就像背乘法口诀表。最初需要一行行背诵，计算时要默念；熟练后，看到“7×8”的瞬间，答案“56”直接浮现，中间不再需要回忆整个口诀表的过程。类似于计算机体系结构中的缓存机制。CPU不会每次都从速度慢的主内存中读取指令和数据，而是将频繁使用的信息存放在高速缓存中。AI代理将工具描述和常用结果“缓存”为可执行的代码模块，从而避免了每次都要从“主存”（即原始上下文）中加载的昂贵开销。从表征学习（Representation Learning）的角度看，优秀的模型会将原始数据压缩为高效的特征表示。传统的工具调用迫使AI在原始文本（工具描述）层面进行推理，而代码执行模式让AI学会将工具功能“编译”成一种更高级、更紧凑的程序性表征（即代码）。这实质上是将工具的语义知识从需要反复传输的“数据”，转化为可重复执行且无需重复解释的“程序”。未来的AI应用设计，应致力于将工具的“知识”从昂贵的对话上下文中剥离出来，将其沉淀为可索引、可调用的标准代码模块或技能包。开发者应优先选择支持“代码模式”或“渐进式披露”工具定义的框架。在构建工作流时，思维链（Chain-of-Thought）应侧重于高级规划和逻辑梳理，而非重复搬运工具说明书和中间数据。这意味着我们的角色应从“提示词工程师”向“技能架构师”转变，精心设计那些一旦编写便可反复、高效使用的工具调用程序，从而让AI的认知资源集中于真正的决策与创新。

6. 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。

7. 从“工具过载”到“精准调用”：破解 Agent 工具管理难题

8. 新课程：使用工具执行构建编码代理，由@e2b中的@tereza_tizkova和@FraZuppichini授课。大多数人工智能代理都局限于预定义的函数调用。本短期课程将教你构建能够编写和执行代码以完成任务的代理，让你能够访问整个编程语言生态系统，而不再局限于一套固定的工具。您将学习如何在沙盒云环境中安全地运行代理生成的代码，从而保护您的系统免受有害操作的影响。你将获得的技能：- 构建能够自主编写和执行代码、管理文件并通过反馈循环处理错误的代理- 在 E2B 云沙箱中安全地运行代理代码，并了解本地、容器化和云执行之间的权衡。- 创建一个数据分析代理，用于探索和可视化 Pandas 数据- 创建一个全栈代理，用于构建完整的 Next.js Web 应用程序加入并构建能够通过编写代码完成复杂任务的智能体：deeplearning.ai/short-courses/building-coding-agents-with-tool-execution

9. 深度｜OpenAI Agent团队：未来属于单一的、无所不知的超级Agent，而不是功能割裂的工具集合，所有技能都存在着正向迁移

10. 如何为LLM智能体编写工具？Anthropic官方教程来了

11. AI Agent智能体的“超能力”之源——大模型与工具生态

12. Claude 官方发文：如何给 Agent 构建一个好用的工具？

13. 融云首发“通信+AI”闭环架构，让 AI 有情商、能落地｜甲子光年

14. AI 产品范式探讨：非线性思维、多 Agent 协作才是复杂任务的更优解

15. 手把手彻底学会 Agent Skills！【小白教程】

16. 如何评价Anthropic 发布通用AI代理 Claude Cowork，目前实际使用怎么样？

17. 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。

18. AI已经会开机完成任务了！实测 Kimi 新上线的「OK Computer」功能

19. 探访云栖（二）：AI Agent元年，谁在打造“数字员工”？【101 Weekly】

20. //@Dcatfly:技能中也可以调用工具，能用 skill 优先用 skill，因为 skill 会按需加载上下文，初始化时更省上下文空间//@宝玉xp:回复@不靠谱的寒大嘴:不会，两者互补，Skill 是技能，MCP 是调用工具//@不靠谱的寒大嘴:skills会取代mcp吗？

21. 如何为Agent编写高效的工具？

22. 速递｜这家初创公司正在教AI Agent如何真正完成任务

23. 推出“向人类学习后，可自主编程数天”的Kiro，亚马逊云副总裁：AI Agent将是“云计算诞生以来”最大的技术变革

24. 都有这么多 Agent SDK/框架了（我应该没列全吧）一、OpenAI Agents SDKOpenAI 推出的 Agents SDK 是目前最轻量、最直接的 Agent 开发方式。它原生支持 Python 和 TypeScript，语法简洁，几行代码就能让 LLM 调用外部函数、工具或执行任务。1. 与 OpenAI 模型的无缝集成，尤其是函数调用、上下文管理等特性。2. 支持 multi-agent handoff 与任务链式调用，便于扩展复杂逻辑。3. 具备生产友好的可观测性与追踪机制。它非常适合快速原型和中小规模生产项目，是“入门写 agent” 的理想起点。二、LangChainLangChain 几乎是 LLM 应用开发的“标准库”。其 Agents 模块为 LLM 封装了链式推理、工具调用、上下文记忆等能力。1. 概念丰富——有 Chain、Tool、Memory、Agent、Retriever 等模块，适合构建复杂系统。2. 插件与生态极其庞大，几乎支持所有主流模型与数据源。3. 提供跨语言支持（Python 与 JavaScript/TypeScript）。LangChain 上手门槛略高，但生态完整，非常适合需要可扩展架构的项目。三、LangGraph用“流程图”思维管理 Agent 状态。LangGraph 是 LangChain 的“升级版本”，它将 Agent 系统抽象为状态机＋有向图，可以显式地控制 Agent 间的消息流与执行路径。1. 天然适合多 agent 协作、任务编排和状态回溯。2. 支持持久化与可视化，能直观看到系统执行流程。3. 面向生产级场景，具备清晰的错误恢复与检查点机制。如果你想做一个“多 Agent 系统”，LangGraph 几乎是最强大的开源选择。四、Google ADKGoogle 的 ADK（Agent Development Kit）主打可扩展性与安全性。它不是轻量原型工具，而是企业级 Agent 平台。1. 多语言支持，深度集成 Google 生态（Vertex AI、Gemini 等）。2. 工具调用能力极强，可直接对接云服务、API 与企业系统。3. 自带日志、监控、可观测性与治理能力。适合需要在企业内部署、具备高可靠性要求的 Agent 系统。五、SmolAgentsSmolAgents 是Hugging Face推出的一款轻量 Python 库，设计理念是“最小可行 Agent”。1. 安装简单、API 极少，几分钟即可跑通一个工具调用示例。2. 灵活支持 tool 注册与函数调用，但不追求完整框架。3. 适合快速原型、实验性项目或教育用途。如果你希望“几行代码让 LLM 动起来”，SmolAgents 是最轻便的起点。六、AutoGenAutoGen 最初由 Microsoft 研究团队推出，用于多 Agent 间的对话协作。它以“角色对话” 为核心，支持 LLM 代理之间互相交流、分工、调度任务。1. 多 agent 结构灵活，可模拟协作团队。2. 支持复杂任务分配与循环反馈。3. 对研究者和实验系统尤其友好。如果你的目标是研究 agent 交互机制或自动化工作流，AutoGen 是很好的基础。七、MetaGPT角色驱动的 Agent 系统。 MetaGPT 是一个以“AI 团队”为核心的框架，设计理念是让多个 agent 分别扮演项目经理、工程师、设计师等角色，共同产出结果。1. 多角色、结构化协作，任务拆解逻辑强。2. 擅长长链路流程（如产品需求分析→代码生成→测试）。3. 适合自动化软件工程类场景。如果你希望让 LLM 们“像一个团队一样协作”，MetaGPT 是不错的模板。八、Haystack AgentsRAG 与 Agent 的结合体。Haystack 原本是一套开源 RAG 框架，如今扩展出了 Agents 模块。它擅长将检索、知识库与 LLM 推理结合。1. 内置文档检索、索引、管道机制。2. 适合企业知识问答、文档助手类 agent。3. 与 LLM 、数据库和 vector store 的集成成熟。如果你的 agent 核心任务是“带知识的问答”，Haystack 是现成方案。九、Claude Agent SDKAnthropic 推出的开发包。它基于其先前产品 Claude Code 的 agent 引擎（agent harness）构建，目的在于为开发者提供“从模型调用 + 工具调用 +流程控制 +状态管理”这一整套能力。1. 上下文管理自动化：自带对话／会话上下文的压缩与管理机制，避免因上下文过长导致模型性能下降。 2. 丰富的工具生态：包含文件操作、代码执行、网络搜索等内置工具，并支持扩展自定义工具／插件。 3. 权限与安全机制：可以细粒度控制 agent 可使用的工具、权限模式（例如 allowedTools、disallowedTools）等。 4. 生产化准备特性：例如会话管理、错误处理、监控能力、模型优化／提示缓存机制。 5. 插件和扩展支持：通过插件机制（如自定义命令、子 agent、技能集、MCP 服务器）可创建复杂系统。#ai创造营# #程序员#

25. 看到一个博主对 2026 年 AI 的预测。他说，他有九成把握认为，到2026年底，主流AI工具会把Claude Code的能力带给所有用户，而且会做得更加出色。它们会： 1、每天主动建议创建新的应用、功能和其他有用的成果，而不是被动等待指令。 2、得到批准后，制定计划并将任务分配给子代理。 3、为每个子代理配备合适的技能和MCP工具来完成各自的步骤。 4、安排一个监督代理审查输出结果，确保质量。 5、在需要时通过Slack、短信等人们常用的渠道联系用户寻求帮助。 6、在仪表板上展示进度。你负责提供反馈。这些反馈会在夜间被处理成新的主动建议，供你第二天审核和批准。你会发现自己慢慢变成了代理团队的管理者。从一个借助AI助手工作的独立贡献者，到成为一支代理团队的管理者，这个转变的具体时刻你可能说不清楚，但某一天你会突然意识到，这事儿已经发生了。你仍然会和AI聊天，但你付费购买的大部分token不再是用来回答你的问题或请求，而是用在AI驱动的整个流程上，从主动推荐到多步骤执行。所有的拼图已经就位。ChatGPT Pulse能做主动推荐，Claude Code和Codex能利用技能和MCP规划并执行多步骤任务，Anthropic正在开发任务模式界面来追踪代理任务的进展。到2026年底，这一切都会成熟起来。所有功能会整合进一个流畅易用的工具里，彻底改变普通用户与AI互动的方式。 #科技先锋官##微博年度新知博主##AI创造营#

26. 《A Survey of Vibe Coding with Large Language Models》随着大型语言模型（LLM）的飞速发展，软件开发迎来了从辅助代码生成到自主编程代理的新范式——“Vibe Coding”。该方法让开发者跳脱逐行审查代码，转而通过自然语言与AI交流，观察执行结果并提供反馈，形成迭代式协作闭环。1. Vibe Coding定义与理论框架：首次将Vibe Coding形式化为人类开发者、软件项目与编码代理三方动态交互的受限马尔可夫决策过程（Constrained MDP），明确各方角色与优化目标。2. 大型语言模型训练生态：系统梳理预训练代码语料、指令与偏好数据集、持续预训练与微调技术，以及强化学习在代码生成中的应用。3. 编码代理架构分析：涵盖任务分解与规划、多层记忆机制、工具调用与代码执行、自反性迭代调试，以及多代理协作框架，全面展现智能编码代理的能力边界。4. 开发环境与反馈机制：探讨隔离执行环境（容器化与安全沙箱）、AI原生开发界面、分布式编排平台，以及编译器反馈、单元测试、集成测试与人类审查等多源反馈体系。5. 五大Vibe Coding开发模型：提出无约束自动化（UAM）、迭代对话协作（ICCM）、规划驱动（PDM）、测试驱动（TDM）、上下文增强（CEM）模型，帮助开发者根据项目需求灵活选择人机协作策略。6. 未来挑战与影响： - 从传统分阶段开发转向持续微迭代，推动开发流程再造。 - 开发者角色从代码编写者转变为意图表达者、上下文工程师与质量裁决者。 - 代码质量与安全风险显著，需构建集成静态和动态安全检测的实时反馈闭环。 - 规模化监督体系亟待建立，结合层级监督、多代理辩论与自动监控保障系统安全。 - 团队协作与信任机制需重塑，防止依赖过度与责任模糊。总结而言，Vibe Coding不仅是技术革新，更代表了软件工程范式的根本变革，强调人机协同与上下文管理的重要性，未来研究需聚焦安全保障、系统可控性及人因优化。全文详见：arxiv.org/html/2510.12399

27. 2026 最该学的AI技能：Skills

28. AI Agent完全学习指南：从理论到实践，智能体核心技术深度解析

29. 回复@Tmp_情绪疯子:没问题的，skill相当于某个领域专家，mcp是专家可以使用工具的协议，对接了很多实用工具//@Tmp_情绪疯子:回复@宝玉xp:我的浅薄理解，就是mcp可以调用工具实现某一个功能，skills是不是类似集合了多个功能，实现了一向技能，这样理解不知道对不对？

30. 字节全球首发AI技能商店：一句话生成Coze Skills，你的经验直接卖钱

31. AI工作流与智能代理的五大关键洞见：1. 先从“代理化工作流”（agentic workflows）入手，而非直接追求“智能代理” 多数人提到“想要代理”，其实更需要的是“代理化工作流”。它更具确定性、可靠性且节省成本，是实现自动化的理想起点。2. 让智能代理聚焦单一具体任务比如Wade的邮件代理只做一件事：将100封邮件筛选为10封优先级邮件，基于“需操作”、“给助理看”、“仅供参考”等分类。聚焦让代理表现更优。3. 将自动化串联起来，逐步升级先做简单任务（如生成准备文档），再尝试把这些任务链式连接，产生更复杂且高效的效果。4. 把AI当作“初级员工”来培养不是自己亲自处理所有邮件，而是不断优化对AI的指令、反馈输出，像培养员工一样提升AI表现和效率。5. AI是思考的“合作伙伴”，而非替代品写文档时反复与AI互动，提供上下文和反馈，远胜直接采纳AI初稿。这样才能激发更高质量的创作。其他专家也认同：- 聚焦单一任务的代理比“黑盒”式复杂系统更有效 - 需要搭建合适的上下文、检查点和治理机制，确保自动化可靠 - 这套思路避免了“所有东西都是代理”的混淆，更适合企业应用 - AI助力提升思考清晰度，辅助决策，而非完全替代人类判断总结：真正落地的AI自动化，始于“代理化工作流”的精细设计和反复迭代，将AI当作可训练的团队成员，而非神奇魔盒，才能实现稳健、可控且高效的业务升级。链接：x.com/petergyang/status/1982815634280120493

32. 99%的人都搞错了AI Agent？智能体该如何帮企业赚钱？

33. 很多 AI 开发者和研究者在使用 Claude Code 时，常常需要切换不同的系统提示（system prompts）来满足各种场景需求，比如内置工具说明、子代理模式、任务辅助以及安全审查等。Claude Code System Prompts 仓库集合了 Claude Code 各个版本的全部系统提示，涵盖16个内置工具说明、多个子代理（如探索、规划、任务工具）以及实用工具提示。它支持灵活调整和定制，方便开发者根据不同环境和用例，动态加载合适的提示语。主要特点包括：- 全面收录 Claude Code v2.0.70 及之前51个版本的系统提示变更日志；- 多种子代理提示，支持规划、探索、任务执行、代码审查等多场景应用；- 丰富的工具描述，助力理解和使用 Bash、写作、搜索、任务管理等功能；- 提供 tweakcc 工具，方便用户以 Markdown 格式定制和管理系统提示，支持冲突检测和版本管理；- 支持生成会话摘要、代码文档、情绪分析等智能辅助功能。GitHub 地址：github.com/Piebald-AI/claude-code-system-prompts适合对 Claude Code AI 开发框架感兴趣的技术人员深入研究和二次开发，提升智能代理交互体验。

34. 阿里全家桶全面Agent化！千问“任务助理”全面公测，从此AI不再只是动嘴出主意的狗头军师！

35. 【0G为Claude打造了一套专业技能包，AI开发效率将大幅提升】0G基金会刚刚发布了一个很实用的工具：专门为Claude Code打造的0G Compute技能包。简单来说，这套技能包能让Claude瞬间变成0G去中心化AI推理网络的专家助手。这套工具解决了一个开发者普遍面临的痛点。在构建AI应用时，开发者往往需要反复查阅文档、调试API参数、处理各种边界情况。现在有了这个技能包，Claude能够直接帮你完成这些繁琐工作。具体能做什么？在AI应用构建方面，它能协助开发聊天机器人、图像生成服务、语音转文字等功能。在SDK集成方面，它掌握了最新的API用法和正确的调用模式。在账户管理方面，它能处理充值、转账、退款以及子账户系统的各种操作。安装过程相当简洁。个人使用的话，只需把技能目录复制到个人skills文件夹即可。团队协作的话，放到项目的skills文件夹里，所有成员都能用。使用体验也很顺滑。当你提到相关关键词时，技能会自动激活。比如问"帮我集成0G Compute SDK"或者"用0G创建一个流式聊天机器人"，Claude就会自动调用这套知识库来回答。这个工具的价值在于它大幅降低了0G生态的开发门槛。去中心化AI推理网络本身概念就比较新，各种接口和调用方式对新手来说有一定学习成本。现在有了这个技能包，相当于给每个开发者配了一个0G专家随时待命。从更大的视角看，这也代表了一种趋势：基础设施项目开始主动拥抱AI开发工具。不是等开发者来适应你的API，而是把你的知识直接注入开发者日常使用的AI助手中。对于正在探索去中心化AI推理领域的开发者来说，这个工具值得一试。github.com/0gfoundation/0g-compute-skills

36. Claude Code官方指南精要

37. Claude Code Skills

38. Claude 推出 Skills 功能，及 Agent Skills 开发指南

39. 深度解析Anthropic Agent Skill，从用法到与MCP的核心差异

40. 继 MCP 之后，Anthropic 再放大招

41. Anthropic 再推新标准

42. Anthropic 推进 Agent Skills 开源 / 标准化

43. 吴恩达新课重磅上线

44. 别折腾造 Agent 了，Anthropic 说你该造Skills

45. Anthropic关于构建Agent Skills的思考解读

46. 技能即文件

47. Anthropic新观点

48. AI开发的分水岭

49. Skills 可以替换 MCP 了，吗？Anthropic 发布 Skills 和 MCP 协同工作指南

50. Claude Code Agents和Skills的区别

51. Skills 在编程领域的首个全自动实践 Claude Code 深度解析

52. Claude Agent Skills的第一性原则

53. 深入解析 Claude Code Skills

54. Anthropic关于构建Agent Skills的思考解读

55. Anthropic 推出 Skills for Claude，助力 AI 代理提升任务执行能力

56. 2026 AI 元年

57. Notion创始人谈AI如何重塑任务执行、信息管理与组织协作

58. 代理式人工智能

59. AI 代理大战一触即发

60. 微软Copilot升级代理模式

61. 这次升级的核心

62. 从自动化客服到 ERP 任务代理

63. 从想到做

64. AI编码代理的「意图编织」技术

65. GitHub热门AgentSkills核

66. OpenSkills、AgentSkills、AnthropicSkills决定你的Agent成败

67. Agent Skills 入门和精通看这篇就够了！

68. 实测Agent Skills，一次编写，全网通用

69. 一文详解Agent Skills到底是什么（快速入门Agent Skills）

70. Agent Skills如何重塑AI智能体开发

71. 为什么 Agent Skills 让 AI Agent 更专业高效和更省钱？一文解读 Agent Skills

72. Agent Skills

73. Agent Skills vs MCP 与常见 Agent Skills 介绍

74. 10个效率翻倍的Claude Code使用技巧！

75. Claude Code创始人曝光 13 个 Claude Code 使用技巧，告别乱改代码和反复返工

76. 每天了解一个AI产品 No.6 Claude Code

77. 2026年Claude Code Skills排行榜

78. 孙悟空有了金箍棒才变成了齐天大圣：agent skills 让claude code发挥神力

79. 一口气学会Agent Skills | Claude Code实战自动化全教程

80. Claude Code Skills：垂直 Agent 的“操作系统”

81. Agent Skills：把你的 Claude Code升级为定制的工作平台

82. Anthropic定义的Agent skills产品怎么用？

83. claude agent skills

84. 一文讲清楚Claude Agent Skills篇，如何自定义Skills

85. Claude Code Skills实战教学：技术开发文档直接打包成技能包，Skill Seeker实现 Agent Skills 零成本定制，打造Claude Code无限容量的定制化 AI 智能体

86. 重磅开源！Anthropic 官方发布 anthropics/skills：Claude 终于学会像人一样操作电脑了！

87. AI辅助研发：从设计到可执行任务

88. 把Claude Code Agent Skills制作成桌面端应用！

89. 从 Claude Code 到 Web API：解构 Agent Skills - 哔哩哔哩

90. Agent skills 简明教程(一) skills 在claude code中的作用

91. Anthropic Agent Skills——从知识到技能

92. AI 代理能否完成你在应用上的日常任务？

93. 从MCP到Agent Skills，Anthropic定义AI标准

94. Anthropic发布Claude Skills

95. Claude Code：agent skills 讲解

96. Cherry Studio + Claude Code：日常工作类 Agent Skills 最佳实践

97. Claude code：通过agent skills打造模块化能力

98. 我把 Claude Code Skills 迁移到了 MiniMax Agent

99. 管理 Claude Code 的工具权限

100. 41K! AI代理爆款框架！让多个AI“组队打怪”，复杂任务轻松搞定！

101. 借助 agent-skills 辅助论文写作

102. DeepMind 引入 AI 代理，学习在可扩展的世界模型中完成各种任务

扫一下，分享更方便，购买更轻松

0评论

当前文章无评论，是时候发表评论了

提示信息

取消

确认

评论举报

垃圾广告！低俗色情！人身攻击！疑似水军评论！其他有害！