知识号创作者专属：一键发布AI Skill全流程指南

1. 大模型的上下文工程，都说很重要，但相关的研究那么少，对Agent开发有什么影响，有大佬能解释一下吗？

知乎 2025-11-27 00:00:00

2. OpenClaw「App」榜单，国产Skill下载量冲上第一：能给龙虾接入现实世界

微信公众号 2026-03-13 00:00:00

3. 把方法论装进 AI：从这场 Skill 黑客松里，我们找到了 6 个值得参考的样本

微信公众号 2026-04-07 00:00:00

4. OpenAI、Anthropic 和 Google 的工程师为什么从不为提示词发愁？秘诀在于“上下文栈”——真正的元技巧是“上下文工程”。过去，我们用提示词“黑客”式地与AI沟通，像用简单短语和关键词和陌生人对话。但现在的模型不只是理解指令，它们理解的是“环境”。你的工作不再是简单“提示”，而是设计它的上下文。什么是上下文？就是你在模型开始生成内容前搭建的数字环境，包括：- 它应该“扮演”的角色（身份）- 它的目标是什么- 它的沟通风格和语气- 它参考的例子、数据和过往作品这才是保证输出连贯、高质且符合品牌调性的关键。举个例子：旧式提示： “写一篇关于AI生产力工具的LinkedIn帖子。”上下文设计版： “你是一位技术创始人，写实用且能病毒传播的推文，语气自信且带点挑衅，基于真实案例。这里有你过去的三篇示例。现在，写一篇关于AI生产力工具的新推文。”区别就在于，你不是在“提示”，而是在“简报”。模型不再是工具，而是你团队的新成员。就像招新人一样，它需要了解你的品牌、目标和期待，而非随便发号施令。这就是“上下文工程”的力量。一个简单且实用的框架是4C： 角色（Character）、命令（Command）、限制（Constraints）、上下文（Context）。 一次设定，反复使用。有了正确的上下文，你的模型变成真正懂你声音、受众和意图的创意伙伴。没有它，你只是靠运气。停止“提示词黑客”，开始“上下文构建”。每次简报，都像培训新员工一样，问自己：“他们需要知道什么，才能像我一样思考？”这才是2025年AI合作的未来。掌握上下文工程，不只是问什么，更是给什么；不只是它写什么，更是它懂什么。创作者借此放大品味，创始人放大判断力，团队放大知识。你今天的上下文结构是什么样的？原文：x.com/hasantoxr/status/1995891151535259864

新浪微博 2025-12-03 00:00:00

5. 【#豆包手机助手技术说明#：#豆包手机助手无法截屏受保护内容#】12月13日，豆包手机助手发布技术说明，称豆包手机助手使用系统原生截屏接口，无法截屏银行键盘等受保护内容。#豆包手机助手澄清安全权限误解#“近期有网友发布视频称，豆包手机助手通过 READ_FRAME_BUFFER 权限，从 GPU 渲染的图形缓冲区拿走图像数据，不需要走上层的截图 API。还用了 CAPTURE_SECURE_VIDEO_OUTPUT 权限，可以获取银行安全键盘等受保护的界面内容。这是对豆包手机助手技术实现方式的错误解读。豆包手机助手采用的是原生截屏接口（WindowManagerService.captureDisplay），严格遵循应用声明的 Secure 标记，无法截屏银行安全键盘等声明受保护的界面内容。任何持有豆包手机助手技术预览版的用户，都可以自己写一个带有受保护页面的 APK 进行测试，让 AI 讲解页面内容，可以验证 AI 是无法看到的。”豆包进一步说明，网友提到的 READ_FRAME_BUFFER 权限，是为了让 AI 可以在后台完成操作，豆包手机助手让三方应用运行在虚拟屏空间中。为了获取虚拟屏中运行的应用截图内容（对应方法 WindowManagerService.captureDisplay）提供给豆包大模型推理，所以需要 READ_FRAME_BUFFER 权限，但该方法以及权限无法读取到包括银行 App 在内的任何三方应用设置为 Secure 的内容。

新浪微博 2025-12-13 00:00:00

6. Agent Skill 和 mcp 和 prompt区别是什么？

知乎 2026-02-01 00:00:00

7. 当 AI Agent 成为日常，为什么“Skill Registry”是个人或企业沉淀核心能力的必经之路？

知乎 2026-05-11 00:00:00

8. 手把手彻底学会 Agent Skills！【小白教程】

哔哩哔哩 2026-02-02 00:00:00

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

哔哩哔哩 2026-02-06 00:00:00

10. 这可能是我今年用过最合理的AI硬件形态

哔哩哔哩 2026-01-19 00:00:00

11. Claude Code+DeepSeek V4 Pro安装教程｜3步从零装好开始用 | Mac Windows

哔哩哔哩 2026-05-09 00:00:00

12. 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。

新浪微博 2026-01-22 00:00:00

13. AI 化知识管理怎么做？Obsidian x GAP 管理法｜AI 做搬运、我做判断

哔哩哔哩 2026-05-11 00:00:00

14. 想让 AI 真正懂你？首要任务是学会“结构化表达”。春节期间，向亲友推荐 AI 时常听到这样的反馈：“乍看很惊艳，实操却不稳定；闲聊尚可，一旦涉及严肃工作就不靠谱。”这种“时好时坏”的症结，往往不在模型能力，而在交互质量。大多数人习惯了随意的自然语言，却忽略了：AI 需要清晰的指令边界。“结构化表达”正是人类思维与大模型（LLM）之间最高效的“通讯协议”。当你把模糊意图转化为结构化的逻辑指令，就跨越了从“闲聊玩具”到“生产力工具”的鸿沟。一、Why：为什么大模型喜欢结构化表达？从大模型的技术原理（Transformer 架构）来看，结构化表达能显著提升模型表现：1）降低“熵”（减少不确定性）大模型本质是基于概率预测下一个 token。人类自然语言往往充满歧义、省略和跳跃。结构化表达（如分点、贴标签、定义框架）能减少上下文歧义，缩小模型的搜索空间，从而更大概率命中你想要的高质量答案。2）引导“注意力机制”（Attention Mechanism）结构化文本（如 Markdown 标题、由于/因此、背景/任务/要求）能让模型更清晰地区分：哪些是核心指令、哪些是背景信息、哪些是限制条件。相当于给模型划重点，防止它在长文本里“迷路”。3）触发“思维链”（Chain of Thought）当你用结构化方式拆解问题（比如：第一步做什么、第二步做什么），你是在向模型“演示解题路径”。这种逻辑引导更容易激活模型推理能力，让输出不只是文字堆砌，而是逻辑推演。二、How：结构化表达如何“放大”AI 的能力？在实际工作中，结构化表达能把 AI 从“闲聊机器人”变成“专业生产力工具”：1）从“模糊需求”到“精准指令”非结构化：“帮我写个周报，这周做了 A 项目和 B 项目。”结果：AI 往往会写出一篇通用的、毫无亮点的流水账。结构化：【角色】你是高级项目经理。【背景】本周推进了 A 项目（处于收尾阶段，无风险）和 B 项目（处于启动阶段，缺人手）。【任务】撰写周报。【框架】1）关键进展；2）风险预警；3）资源需求。【风格】简洁、客观、数据导向。结果：AI 会生成一篇逻辑顺畅、重点突出、基本可用的周报文档。2）突破“上下文限制”当你需要 AI 处理复杂任务（如写长篇报告、分析复杂代码）时，结构化表达能帮助你模块化拆解。你不再一次性把所有东西扔给 AI，而是构建一个“工作流”：先定义大纲（结构化框架）再分模块填充内容（结构化填充）最后统一润色（结构化约束）3）确保输出的“可交付性”如果你要求 AI 结构化输出（例如“请以 Markdown 表格形式输出，包含列 A、列 B、列 C”），生成内容就可以直接复制到 Excel 或 PPT。结构化输入往往带来结构化输出，极大降低后期排版与整理成本。三、What：什么是结构化表达？一个高质量的结构化 Prompt 通常包含四个模块：Role（角色设定）：明确 AI 身份（如资深 Python 工程师、麦肯锡咨询顾问）Context（背景信息）：提供任务上下文（如目标受众、项目阶段、原始数据）Instruction（核心指令）：清晰的动词 + 目标（如分析趋势、用隐喻解释概念）Constraints（约束/输出格式）：字数、语气、格式（表格/代码/JSON）另外还有经典的 BROKE 或 ICIO 模型，大家也可以自行学习了解。写在最后结构化表达能力，是 AI 时代最重要的“软技能”。它不是新东西：以前，结构化表达是为了让人听懂（向上汇报、跨部门协作）；现在，结构化表达是为了让 AI 听懂（获得更稳定、更可控的产出）。本质上，你思维的清晰度，直接决定了 AI 产出的精确度。

新浪微博 2026-02-24 00:00:00

15. 基于ima知识库在教、学、评中的应用（二）

微信公众号 2026-05-04 00:00:00

16. 「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

哔哩哔哩 2026-03-21 00:00:00

17. 我做了个 Skill：让 AI 帮你生成 Logo 和图标

微信公众号 2026-04-16 00:00:00

18. Skill不就是prompt吗？为啥被吹成这样？

知乎 2026-05-08 00:00:00

19. 昨天这篇文章提到了强化机制（网页链接），此强化非彼强化，正好详细了解了一下。这里的强化机制并非机器学习领域的强化学习，而是一种为大模型注入额外提示、补全上下文、修正轨迹的工程技巧。它的核心目标是让 Agent 在多步任务中保持方向稳定、决策一致。1. 解决什么问题？当 Agent 需要处理复杂的多步骤任务，模型常常出现以下问题：1） 工具报错后无法正确恢复当错误信息过长或过几轮后被遗忘时，模型会继续产生无效输出。2） 忘记初始目标在长上下文中，模型会偏向于处理眼前的文本，而不是任务本身。3） 被工具输出的噪声误导许多系统的工具输出不够结构化，模型难以正确解析。4） 循环行为模型可能重复调用相同工具，或重复生成相同解释。2. 什么是强化机制？为了让 Agent 能够顺畅执行任务，工程实践中逐渐形成了一种关键方法，即“强化机制（reinforcement）”。强化机制通常包含三类信息：1） 原始工具输出2） 对工具输出的解释、总结或结构化处理3） 针对任务目标的提醒、下一步行动建议或错误纠正提示这种方式让模型在下一轮推理时，不仅知道发生了什么，还知道应该如何继续。3 强化机制是如何运作的？为了说明强化机制如何发挥作用，可以将 Agent 的通用循环简化为四个阶段：1） 用户或系统提出任务2） 模型给出行动（如调用工具或生成内容）3） 工具返回结果4） 系统将结果整理后重新注入模型，让模型继续强化机制作用在第四阶段，它通过人工设计“强化后的上下文”结构，让模型更理解状态，也更容易走上正确路径。一个典型的强化注入可能包含：1） 工具原始输出2） 提炼后的关键点3） 关于失败原因的简要解释4） 明确提示模型下一步应该做什么5） 任务目标的提醒4 强化机制的常见形式在实际系统中，强化机制可以通过多种形式实现：1） 结果总结将工具输出的关键部分提炼为简短段落，让模型更容易解析。2） 错误解释遇到报错时，用自然语言告诉模型：错误原因是什么，应该如何修复。3） 结构化状态把工具状态包装成 JSON 或结构化文本，让模型减少解析错误。4） 目标重申在任务进行多轮之后，重新提醒模型最终目标是什么。5） 自我检查（Self-Check）让模型根据当前状态生成“我下一步应该做什么”的列表，并在下一步回显给自己。6） 路径规划在关键步骤加入“你已完成哪些步骤，还剩哪些步骤”的信息。这些设计本质上都是为了让模型更容易维持任务链路。5 如何设计一个高质量强化机制？如果你正在构建自己的 Agent，可以遵循以下设计原则：1） 状态必须清晰不让模型自己推理上下文，而是直接告诉它关键点。2） 信息必须简短强化信息越长，越容易被淹没在上下文中。3 ）错误必须显式解释模型在理解错误时的鲁棒性很差，需要手工解释。4） 目标必须持续提醒尤其是超过三轮的任务，不提醒必偏航。5） 工具结果必须被结构化能 JSON 就不要纯文本。通过这些工程技巧，可以显著提升 Agent 的稳定性。#微博兴趣创作计划# #人工智能#

新浪微博 2025-11-29 00:00:00

20. OpenClaw 不踩坑恶意 Skills，企业需要自己的 Skills Registry：Nacos 3.2 发布

知乎 2026-03-18 00:00:00

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

知乎 2026-04-08 00:00:00

22. Skill Creator：构建 AI 智能体的skill技能。很多人在用 Claude Code 或 OpenClaw 时，慢慢就自己摸出了一套工作流——比如"我每次都先这样，然后那样，再加一个脚本"。Skill Creator 提供了一套结构化的框架，让你把这种高频工作模式固化成一个 Skill，然后：1. 保存下来，永久复用2. 根据测试反馈迭代改进3. 通过量化评估来验证有没有真的变好4. 最后打包分享给团队核心机制：Draft → Test → Review → Improve → RepeatSkill Creator 的设计逻辑很工程化：1. Draft定义 Skill 要做什么、什么时候触发、输出格式写成 SKILL.md —— 这是核心，包含人类可读的指令 + 元数据目标：200-500 行清晰的文档，不堆砌2. Test写 2-3 个现实场景的测试用例关键：不只跑一遍，要同时跑"用这个 Skill"和"不用 Skill"两个版本（baseline）捕获：时间、token 消耗、输出质量3. Review启动一个交互式评审界面（浏览器），可视化对比两个版本用户逐个看，打反馈，可以看定性输出（文件内容）和定量数据（性能指标）关键：提前草稿量化评估（assertions），而不是等结果出来再想4. Improve根据反馈改 Skill重新测试到新的 iteration和上一版本对比，看有没有真的变好5. 反复直到满意项目：github.com/anthropics/skills/tree/main/skills/skill-creator#HOW I AI# #程序员#

新浪微博 2026-04-04 00:00:00

23. 9.3k星Skill Seekers：一键把文档变成Claude技能，文档党狂喜

微信公众号 2026-02-11 00:00:00

24. 【上下文工程实战指南：如何让AI代理真正听懂你的话】“AI垃圾输出”的锅，现在该用户来背了。在Claude Code这类黑箱系统中，上下文是我们唯一能控制的输入变量。既然如此，如何优化它就成了关键问题。+ 什么是上下文？上下文指的是你发送消息时提供给大语言模型的一切——不仅是提示词本身，还包括系统提示、元数据、历史对话、模型的思考过程、工具调用和响应。大模型的上下文窗口有限，对话越长，追踪信息的准确度就越低。Claude Code的上下文窗口看似有20万token，但实际可用空间远没那么多。运行/context命令就能看清真相：22.5%被预留，10.2%被系统提示占用，加上MCP服务器、子代理和规则，真正留给我们的只有约12万token。更关键的是，无论是否接近窗口上限，上下文越多，模型质量就越差。+ 基础功夫最重要和大多数事情一样，820法则同样适用于vibe coding。做好以下基础，你就已经完成了80%：- /upgrade升级到Max计划- /model选择opus 4.5- /init创建项目说明文件然后是基本工作流：1. 从计划模式开始（Shift + Tab）2. 让Claude通过提问来澄清模糊点3. 执行经过打磨的计划创建子代理、自定义命令、钩子、多代理编排确实很酷，但说实话，没有我们想象的那么重要。掌握基础才是核心竞争力。+ 如何实际运用这套工作流把每次新对话当作一个目标，严格控制范围：-“我要修复这个bug”-“我要构建这个功能”对于新项目，目标可以更宽泛，但这意味着需要更多规划和打磨——因为模糊性越大，误解空间就越大。多花时间规划，再多花时间打磨规划。让Claude不断提问，直到它开始为问而问。请它多次审查计划，讨论架构、最佳实践、安全风险、生产就绪度、测试策略——目标是在每个模糊点提供细节。+ 何时重置，如何重置如果进展顺利且后续任务与当前上下文相关，继续就好。接近上下文上限时，运行/compact释放空间，或让Claude Code自动处理。但如果事情不顺利呢？模型没做对，你陷入了“这太糟糕了请修复”→垃圾输出→“这更糟糕了你在想什么”→垃圾输出的循环。这时不要试图在同一线程中挽救，而是：- /rewind回到进展顺利的节点- /new开启新线程，优化原始提示词，明确指出“不要做什么”——把上次的教训写进去+ 避开复杂性陷阱如果你常刷社交媒体，可能已经收藏了无数花哨设置——MCP服务器、子代理、技能包……我的建议是：不要过度复杂化。正如Anthropic所说，我们的目标是“找到最小的高信号token集合”。往上下文塞太多MCP数据，只会用低信号填满窗口，同时烧掉你的钱。+ 善用MCP服务器获取优质上下文MCP服务器本质上是让模型能调用的第三方工具——文档、GitHub代码、Linear工单、Figma设计等。这类工具刚推出时被热捧，但人们很快发现很多会疯狂消耗上下文，得不偿失。我目前只用三个经过验证的：- exa.ai：AI代理的网络搜索- context7：AI代理的最新文档- grep.app：AI代理的GitHub搜索我主要用它们研究如何正确实现代码——这些事我自己查文档也能做。Anthropic把这称为“即时上下文”策略——代理在需要时自己寻找信息。这对Claude Code这类代理式编码工具非常有效。+ 用子代理节省上下文——我最喜欢的隐藏技巧Claude Code可以创建子代理——作为主代理的子实例运行。关键在于：- 子代理拥有独立于主代理的上下文窗口- 可以使用不同模型（比如非opus）这意味着我们可以让子代理执行消耗大量token的操作（如研究），然后向主代理提供精炼摘要——信息密度高，token消耗低。我最常用的是一个自定义的“图书管理员”子代理，运行sonnet模型扫描开源仓库和文档，向主代理返回精炼摘要。我会说：“用librarian研究如何用Y库实现X，然后实现Z”——子代理触发，调用所有工具找到高质量答案。这既防止主上下文被污染，又用更便宜的模型完成简单任务。+ 用技能包引入相关上下文技能包与子代理相反——不是把任务委派给专门代理，而是把专业能力引入当前代理的上下文。比如Claude Code内置的“前端设计师”技能，会引入一段较长的提示词，告诉Claude前端设计的注意事项。这些工作流听起来花哨，但原理很简单——Claude只是在认为需要时，把一段文本拉入上下文。+ 核心要义好的vibe coding是为价值密集的上下文而优化。你添加或从模型接收的任何信息，都应简洁地服务于帮助模型回答下一个请求。如果做不到这点，就不应继续在同一上下文中工作——这是避免陷入令人沮丧的垃圾输出循环的关键。社交媒体上那些花哨命令可能让你觉得自己落伍了。但实际上，事情没那么复杂——尽力用简洁、高质量的信息帮助模型，给它工具让它自己找到相关信息。就像你对待一位同事那样。x.com/jarrodwatts/status/1926054877836624014

新浪微博 2026-01-07 00:00:00

25. Agent Skill规范、构建与设计模式网页链接Skill 生态正在快速发展，已形成 规范标准（agentskills.io）→ 构建方法论（Anthropic/Superpowers）→ 设计模式（Google） 的完整知识体系。三个关键认知：1.Skill 不是 Prompt，而是围绕任务、工具、流程和输出边界的结构化行为设计2.渐进式加载是核心机制，解决了 Agent 系统的上下文膨胀问题3.描述是触发的关键，写好 description 比写好指令主体更重要

新浪微博 2026-05-17 00:00:00

26. 产品经理真的可以下岗了网页链接 这个skill可以评估产品点子是否能让终端用户清晰感知价值它的核心框架是 4 个维度打分（红/黄/绿）：Value Clarity：用户能否一句话说清“我能得到什么结果”Value Timeline：多久能看到结果（即时 vs 长周期）Value Perception：结果/进度能否被感知与验证（可视化、反馈回路）Value Discovery：用户如何发现价值（入口、触发场景、教育成本）而且还包含一些成功/失败产品的案例拆解（Dropbox、Instagram、Duolingo、WeChat、Quibi 等），并且有中文文档 SKILL-zh.md卷不卷？更卷的是openclaw，喂给他链接，他自己就装载完了

新浪微博 2026-02-25 00:00:00

27. Skills Registry 公测开启：为企业打造私有的 Skill 管理中心

知乎 2026-05-09 00:00:00

28. 周六来360，免费装安全的龙虾！ 下午我也会直播发布两个新产品，想养虾的朋友直播间见。#大有学问 #OpenClaw #养龙虾 #红衣聊AI

抖音 2026-03-13 00:00:00

29. 教程制作经常需要收集资料、整理大纲、手写正文、找配图，还要转换多种格式，步骤繁琐耗时。yao-tutorial-skill 把教程生产全流程自动化整合，提供一键生成完整教程的智能解决方案。输入主题或参考资料，就能自动输出带来源、大纲、配图、多格式导出的专业教程成品。GitHub：github.com/yaojingang/yao-open-skills/tree/main/skills/yao-tutorial-skill主要功能：- 智能输入归一化，生成brief.json明确主题、受众、目标和格式要求；- 优先使用用户资料补充官方文档、论文、GitHub和实践案例，确保内容权威；- 课程设计大纲，面向学习路径和用户痛点，专业又通俗易懂；- 自动撰写5000-10000字完整教程正文，正式出版物品质；- 为每个章节生成HTML可视化配图，自动截图嵌入正文；- 一键导出Markdown、Word、PDF、HTML多格式成品；- 内置验证脚本，检查引用、配图、导出完整性和路径泄漏。支持本地运行，适合技术博主、培训讲师、产品经理和知识付费创作者快速产出高质量教程。#Yao框架##AI教程生成##知识付费#

新浪微博 2026-05-01 00:00:00

30. 腾讯 IMA 上线 IMASKills，将如何重塑 AI 知识管理？

知乎 2026-03-26 00:00:00

31. 手把手系列：5分钟在ima创建你的第一个Skill

微信公众号 2026-05-22 00:00:00

32. 手把手系列：5分钟在ima创建第一个Skill，拉开人与人之间的差距

微信公众号 2026-05-23 00:00:00

33. ima copilot | ima新功能！构建你的智能学习搭子

微信公众号 2026-05-20 00:00:00

34. 时间是无价的—每一分钟都要用在刀刃上—ima知识库智能体

微信公众号 2026-05-23 00:00:00

35. 腾讯ima有了任务模式

知乎 2026-05-22 00:00:00