Skills模式会取代传统工作流成为智能体主流架构吗？_服务软件

1. 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

2. Effective Agent Design概述了高效AI智能体（Agent）设计的核心原则，强调上下文管理是提升自主性的关键挑战。1. 现代智能体正趋向于采用类Unix架构，通过赋予模型访问文件系统与命令行（CLI）的权限，来扩展其行动空间并减少对模型内置窗口的依赖。2. 详细讨论了上下文工程的多样化策略，包括利用渐进式披露来优化工具调用、通过缓存技术降低成本，以及利用子代理隔离来处理复杂任务。3. 文章预判了持续学习与自我进化的趋势，即智能体能反思过去经验以更新记忆或技能。4. 展望了多智能体协作与长期运行任务的基础设施建设将成为未来的重要演进方向。访问：x.com/RLanceMartin/status/2009683038272401719#ai创造营# #程序员#

3. claude skills，爆火了！

4. 不被AI淘汰的重要能力就是学会当智能体的领导。 #大咖观察 #红衣聊AI #智能体

5. #天禧 AI 生态# 大会抛出的 “未来 12 个月天禧不参与智能体收入分润，收入 100% 归开发者” 政策，藏着生态长久发展的底层逻辑。这份诚意的意义，在于打破传统平台的利益壁垒，为开发者搭建零门槛的创新舞台，让创作者无需顾虑收益分配，专注于打磨优质智能体应用，最终形成 “开发者受益、用户得利、生态繁荣” 的正向循环。#2025 联想天禧生态伙伴大会##天禧个人超级智能体##酷睿Ultra##酷睿UltraAI更强谁不爱#

6. 「Github一周热点94期」开源AI渗透测试智能体、模块化智能镜子、开源AI Coding、多平台热点聚合、IPTV 频道集合和开源游戏合集

7. 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。

8. #Skills彻底改变了AI使用方式#Skills范式从硅谷火遍全球，成AI行业新风口，国内外大厂争相跟进，字节跳动“扣子”更是率先落地“技能商店”，让这一技术从开发者圈层走向普通职场人，彻底重构了大模型的使用逻辑。不同于传统Prompt的单次指令，Skills将专业知识、工作流与脚本封装为可复用的能力模块，按需加载的特性破解了上下文窗口过载难题，让通用大模型能快速变身领域专家。从开发到办公，固定流程被转化为可调用技能，大幅降低AI使用成本，实现知识沉淀与效率提升。这场变革的核心，是AI从“灵感生成器”向“标准化能力组件”的转型。大厂的集体入局加速了技术落地，也让Skills成为跨平台的通用知识载体。未来，随着技能生态的完善，AI的规模化落地将迎来新可能，而如何做好技能的标准化与安全管理，将成为行业下一阶段的竞争关键。，#用智搜高效玩转AI##HOW I AI# skills彻底改变了ai使用方式

9. Skills的最正确用法，是将整个Github压缩成你自己的超级技能库。昨天写了一篇关于在扣子上使用Skills的文章:网页链接里面用的案例，特别简单，就是把Github上一个非常经典的开源项目，封装成一个Skill，方便我们以后进行调用。这么做的原因特别简单，就是我一直觉得，重复造轮子是一件特别呆逼的事情，互联网三十年，开源世界大神这么多，其实你能想象到的绝大多数需求，都有大佬和真神们，在前方铺路，做出了现成的产品，然后开源了出来，给非常非常多的人用。其实现在非常非常多的一些商业APP，特别是一些所谓的格式工厂、压缩之类的，绝大多数都是把一些大佬的开源工具，做个前端，给大家用。之前我觉得没啥问题，确实，Github上面很多的开源项目，都是没有GUI的，全部需要部署，部署以后还是用命令行操作，真的，光环境这一条，就能卡死绝大多数的普通用户。我自己，之前就是被挡在门外的普通用户。有太多太多好玩的、实用的、很屌的开源项目，我用不了了。比如格式转化这破事，没有AI之前，我每次就是去Google搜，MP3转WAV...然后就看着各种各样你也不知道是不是有刺客的链接，在向你招手。。。所以，Skills一来，从文件结构上，它是可以把脚本和Prompt打包在一起的，这一点，跟单Prompt或者脚本完全不一样，再加上现在一些Coding能力强的基模和Agent，我觉得，它天然的擅长把很多的大佬们的开源项目Skill化，从而在Agent里面，为我所用。而且你要相信那些历史悠久的经典开源项目，经历了无数的时间和使用者的鞭打，不管是成功率还是稳定性还是效率，都远超绝大多数的你根据需求，让AI临时去写的一些代码...所以就搞了这么个东西，其实不止Coze，当你在OpenCode或者Claude Code这种支持Skills的产品里，只要你装了那个Claude官方那个能生成Skills的Skill，也就是skill-creator，打包Github上的开源项目，也是完全没问题的。这种方式，就能最快速度，越过所谓的本地整合包，变成一个类似于Agent的产物，让你能快速的用上。比如昨天扣子文章中，我把视频处理的开源项目FFmpeg和图片视频处理项目ImageMagick，封装成了一个多模态素材处理的Skill，它大概就是这个效果。然后呢，在文章中一个有趣的评论，引起了我的注意。“现在的新问题就是github上那么多好的开源项目对普通人来说还是不可观测的。”这个评论的问题没啥毛病，因为github上那么多开源项目，离大众肯定还是非常的遥远，我因为知道有特定的项目可以去处理特定的事，所以封装成Skill就特别的简单，但是大多数的普通人，可能连github是什么都不知道，那怎么封装呢？这确实是个问题。我当时想了两分钟，然后我一寻思，不对啊，这不都有AI了吗...于是，我就回了一句：“其实可以问AI，我这个需求，有什么比较好的 gihub上得开源项目帮我处理，然后给我链接，再每个进去稍微看一下star数和内容就可以了。”没想到，引起了好几个朋友非常正向的反馈。这个时候，我才意识到，其实，我的很多的小技巧，对于蛮多人来说，还是挺有价值的。所以这块，我觉得我觉得可以单独拎一篇文章，来给大家讲一讲，普通人怎么把整个github，当成自己的弹药库，做成skill，让自己真正的，变得三头六臂无所不能。比如，我自己现在，就已经封装了很多的skills。这个管理skills的skill，也是我自己建的一个skill，要不然感觉每次进到文件里看太麻烦了，我就可以直接用这个skill，对我本地的所有skill进行卸载删除修改优化操作...举一个例子。我相信大家经常都有一个需求，就是去各种视频网站上，下载视频，比如Youtube、B站等等。我自己也有。那我们就可以直接打开ChatGPT，选中GPT-5.2 Thinking（目前我认为搜索能力最好、幻觉程度最低的模型），当然，你用别的也行，一般来说问题都不大。然后直接提出你的问题：有没有那种就是去各种视频网站上，下载视频，比如Youtube、B站等等的github上的开源项目。在GPT搜索了一阵子以后，就会给你推荐一个，在github上，几乎封神的项目。它叫做，yt-dlp。github上143k的star，说是真神，也不为过。支持上千个网站。这，就是yt-dlp，我觉得最伟大的项目之一。你要相信，在这个世界上，在这个互联网上，有无数的大神和前人，已经为你铺好了前路。你要相信，你的需求，永远不是这个世界上第一个提出这个需求的人，也绝对不是最后一个。你要相信，人类在这几十年所积攒的历史，几乎覆盖了世界所有的领域，互联网，永远都是那个最深、最广的宝藏。你要相信，在这一刻，你搜出来这个开源项目的这一刻，这就是人类开源精神的涓涓长河，在你面前展开的绝美的画卷。我时常赞美这世界上，每一个愿意开源、每一个无私的将自己的知识分享出来的前辈们，正是因为他们，才让我们，能站在他们的肩上，去摘更美的星辰。我们直接复制yt-dlp的github链接。然后把这段Promtp发给你装好了skill-creator的OpenCode或者Claude Code：帮我把这个开源工具网页链接打包成一个Skill，只要我后续给出视频链接，就可以帮我下载视频。这块如果还不懂或者不知道的skill-creator是啥的，可以去看我之前的那篇文章：网页链接一般我的做法对打包，是先让Agent进行规划，然后再去写整个的Skill，这样我自己感觉，成功率会高一点、后期稳定性也会更强一点。相对应的，OpenCode就是开启Plan模式。然后，Agent就会开始调用skill-creator这个生成器，开始分析yt-dlp这个项目，然后开始规划要怎么打包封装成一个Skill。规划了一通以后，OpenCode就分析完了，向我提出了几个问题。我也给出了我的回答。然后它就会继续规划，最终给我一个非常明确的计划。我觉得没有问题了，这个时候，我就会切换到正式的开发模式。也就是这个模式，然后发一句话，开始开发！OpenCode就会开始了。过了一会，大概2分钟以后，这个基于yt-dlp的视频下载Skill，就开发完成了。我们试一试。比如OpenAI刚刚出的Youtube访谈视频，我想下载下来。直接就把链接扔给OpenCode就行，这里可以注意一个小技巧，就是所有的涉及到这种需要运行程序的Skills，在第一次运行的时候，都无脑推荐在OpenCode里使用GPT 5.2 Codex（如果你有的话），体验会比Claude 4.5 Opus好N倍。大概就是：构建Skills的时候Claude 4.5 Opus，如果这些开源项目封装好了，在第一次运行的时候用GPT 5.2 Codex，后续就无所谓了。第一次运行，其实会遇到很多问题，比如说Youtube防爬机制很强，需要你装个浏览器扩展导出Cookie，比如要安装一些其他的项目等等，不过这些AI都会指导你干好。然后一顿操作，这个项目，就下载好了，全程大概也就几分钟。之所以是几分钟，还是因为，这是第一次。而后续，只需要，十几秒。这时候，其实你还可以做一个事，就是，把前面的那些为了下载视频而做的一些事情和经验，直接跟AI说：把这些经验，都更新到video-downloader这个skill里，下次就别这么慢了。然后，它就会自己对他的Skill文件进行修改，下次，这些事情，就不用干了，随开随下，快到起飞。这就是我的自己纯为了自己方便的一个skill全流程：根据一个需求，用AI搜索github上得开源项目，把开源项目使用AI进行Skill化，首次运行后，寻找BUG和问题，重新迭代Skill，至此，Skill固化，形成我的主Agent中一个可靠的技能。不止是一个下载视频的需求。还可以是，把一个web项目，打包成一个轻量级的桌面APP。于是，找到了Pake。Github上一个45k的超棒的项目，那就，直接Skill化，以后，你的网页开发完，直接就可以用Pake skill，一句话变成桌面APP。你还可以，直接做一个究极万能的格式转化工厂。直接把这些最牛逼的格式转化项目，直接封装在一起，做成一个万能的格式转化Skill。从此，你无需各种奇怪的格式转化器，一个skill，解决所有。你还可以，把ArchiveBox转成Skill，从此，你有想保存下来的网页，都可以发送给ArchiveBox Skill来以无数种你想要的格式，帮你保存下来。支持N种格式，真的。甚至，你可以把著名的Ciphey，转成一个Skill。从此，你就可以，在你的本地，配合Agent，直接破译密码。。。这些，全部都可以Skill化，全部都可以加入到你的Agent之中，成为，你最坚实的技能，成为，你最恐怖的弹药库。而我提到的这些，仅仅只是Github上开源项目的冰山一角。Github上牛逼的开源项目，那些人类的经验、人类的光芒。本就灿烂如星海。因为Skills的诞生，因为Agent的强大，现在，每个人、每个普通人，你的背后，都是全人类过去数十年的积累，只要你想，他就可以为你所用。你无需三头六臂，你无需头上长角，你已经拥有了海量的知识和技能。如果回到3年前的你的面前，你觉得，他跟你如今可以做到的事、如今的能力边界，还有任何可比性吗？朋友，这样璀璨、这样伟大、这样能让你成为超人的时代。真的不会让你兴奋吗？#HOW I AI##Skills#AI

10. 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。

11. 这是个好问题：> 随着基础模型继续进化，Skills 是否会逐渐被更强的自主规划取代？作为创业者现在去布局 Skills，究竟是短期红利还是长期壁垒？我的看法是：Skills 是短期红利，也是长期壁垒——但壁垒不在 Skills 本身。让我用 AI 发展的三个阶段来解释这个判断。第一阶段：AI Chatbot + Prompt回归第一性原理：AI 也好，Agent 也好，能解决问题才有价值。最早的 AI Chatbot 加上好的 Prompt，已经能解决很多「生成类」问题——回答问题、情感陪伴、翻译、写作、摘要。那时候 Prompt 就是短期红利。你会写出好的 Prompt，就能得到好的结果。我那时候花了大量时间研究 Prompt 工程，确实吃到了红利——很多网友就是那时候认识我的。但要说长期壁垒？没有。现在让 AI 辅助写 Prompt 已经不是什么难事了。不过，AI Chatbot + Prompt 只能解决生成问题，不能使用工具，不能与外部世界交互。第二阶段：AI Agent + 上下文工程然后是 AI Agent 的出现。Agent 能规划、能调用工具，解决了「与环境交互」和「完成特定目标」的问题。这时候上下文工程（Context Engineering）就是短期红利。你知道怎么组织 Agent 需要的上下文，怎么在有限的上下文窗口里塞进足够的信息，那就是核心竞争力。但同样没有长期壁垒。很快模型越来越强，上下文窗口越来越大，上下文工程的最佳实践也逐渐系统化——比如借助文件系统压缩上下文、利用渐进式披露（Progressive Disclosure）解决工具描述占用太多 token 的问题。这些方法现在大家都知道了。第三阶段：Agent + Skills现在是 Agent + Skills 的阶段。Skills 解决的问题是：把特定工作流、特定领域的能力打包成可复用的「技能包」，让 Agent 之上可以长出丰富的应用生态。那些日常工作中琐碎但重复的任务，借助 Skill 的 Prompt 能力和工具能力，可以被高度自动化，带来巨大的效率提升。投资 Skills 是短期红利。 Skills 作为一种具体形式，可能会被更强的模型能力取代——也许未来模型足够强，不再需要人类预先打包好的「技能包」，它自己就能规划出最优路径。但问题来了：谁最能抓住这波短期红利？不是吹 Skills 的自媒体，而是真正懂 Prompt、懂上下文工程的人和团队。他们能借助之前积累的经验，快速做出真正解决问题的 Skills。投资的是能力，不是形式Skills 本身不会成为长期壁垒，但你在 Skills 上投入的学习和实践，会成为你的长期壁垒。这就像当年投资 Prompt 工程的人，后来更容易理解上下文工程；投资上下文工程的人，现在更容易做出好的 Skills。每一波技术浪潮的「短期红利」，都是下一波浪潮的入场券。所以我的建议是：不要纠结 Skills 会不会被取代，而是问自己：通过做 Skills，我能去解决什么问题？积累什么能力？这些能力在下一波浪潮里还有没有用？如果答案是肯定的，那就值得投入。

12. Antropic这个视频视频“Don't Build Agents, Build Skills Instead“，讨论了智能体的发展方向。Claude认为，尽管代理很智能，但它们缺乏领域专业知识和持续学习能力，因此提出了一种名为技能（Skills）的新范式。这些技能本质上是组织化的文件集合，包括脚本和程序知识，充当领域专家的角色，使智能体能够更一致和高效地执行任务。技能的设计理念是任何人都可以创建和使用，并正在形成一个迅速增长的生态系统。一、Anthropic 为什么“放弃”传统 AI Agent核心原因只有一句话：现在 AI 的问题不在“不够聪明”，而在“没有专业经验”。大模型像智商很高但没上过班的新人，面对真实业务场景（财务、法律、工程、运营），稳定性和可靠性都不够。继续堆“更强的 Agent”解决不了这个问题。二、真正的瓶颈是什么不是推理能力，而是可复用的领域专业知识。现实工作需要的是“熟练工”，不是“天才从零推导”。三、Anthropic 的第一个关键转向通往数字世界的通用接口不是复杂工具，而是代码。只要 Agent 能写、能读、能改代码，它就能：1）访问 API2）操作文件系统3）数据分析4）生成结果而且代码是可调试、可修改的，比固定工具强得多。四、真正的颠覆点：不用复杂系统，只用“文件夹”Anthropic 用一个极端简单的方案解决“经验沉淀”问题：把专业知识封装成技能（Skill）= 一个有结构的文件夹。技能本质是：1 可执行或可调用的程序性知识2 放在文件里，能被版本管理、共享、复用3 需要时才加载，避免上下文爆炸这比“智能 Agent 自动学习一切”要现实得多。五、他们真正构建的不是 Agent，而是三层结构1 模型 = 处理器（负责思考）2 Agent Runtime = 操作系统（负责任务与资源调度）3 技能 = 应用程序（真正的业务能力）价值不在模型本身，而在“技能生态”。六、为什么这比 Agent 更重要因为技能让 AI 第一次拥有了可积累、可迁移、可复利的记忆。今天学到的流程，可以变成技能；明天、下个月、下个版本的 Claude 都能直接用；团队内部、社区之间还能共享。AI 不再每天“从头做人”，而是像员工一样越干越熟。总之，不要再指望一个“无所不能的超级 Agent”。真正有价值的是：一个通用 Agent + 一个不断增长的技能库。AI 的未来不止是“更聪明”，更是“更有经验”。#科技先锋官# #ai创造营#

13. 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

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

15. Claude Agent Skills 深度解析：基于第一性原理的提示工程架构leehanchung.github.io/blogs/2025/10/26/claude-skills-deep-dive/ Claude 的 Agent Skills 构建了一种优雅的、以提示为核心的能力扩展体系。它通过“元工具 + 提示注入 + 上下文控制”的方式，实现了安全、灵活且可组合的智能代理行为定制，代表了 LLM 应用从“功能调用”向“认知引导”演进的重要方向。#科技先锋官#

16. 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

17. OpenAI的Skills和Anthropic一样都是惰性加载markdown按需注入context？

18. 一文带你上手 Skills：构建可复用的 AI 能力体系

19. 「Github一周热点93期」多智能体舆情分析、桌面 AI 助手、自然语言画图、Rust桌面组件库、Linux服务器安全和GitHub绿墙

20. 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#

21. 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

22. 盘点一周AI大事(10月12日)｜GPT进化AI操作系统 OpenAI发布ChatGPT应用平台 OpenAI推出智能体编排工具AgentKit Sora 2正式开放API，可以生成15秒无水印的高清视频 OpenAI与AMD牵手成功 Google发布最强行动智能体模型Gemini 2.5 Computer Use Google即将发布Veo 3.1，正面硬刚Sora 2 科学家研发出首个自适应AI教师 Hinton称AI已经有了意识，只是它自己不知道 #AI新星计划 #人工智能 #AIGC #OpenAI #机器人

23. OpenAI 如何打造AI原生工程团队的最佳实践《Building an AI-native engineering team》，归纳如下。文档介绍了团队应该如何真正把 AI 智能体嵌入工程体系，从计划、设计、开发、测试到上线运维形成闭环，加速整个 SDLC（软件开发生命周期）。1. 规划（Plan）规划往往需要大量代码语境理解，过去必须依赖资深工程师反复澄清。文档强调可以先让智能体读取需求、遍历代码库、标记模糊点、拆分工作项，把早期对齐成本显著降低。团队应该做的是专注决策、风险判断与优先级。因此，智能体不止是“辅助写代码”，而是可以提前介入需求—代码映射，用它来减少来回沟通。2. 设计（Design)设计通常被大量样板工作拖慢，例如项目结构初始化、组件框架搭建、样式规范套入。文档强调应让代理完成“从设计 → 组件 → 代码”的流水线式生成，再由工程师审阅架构一致性和 UX 合理性。设计阶段不是用 AI 画原型，而是让智能体直接产出“可运行验证的版本”，显著减少返工。3. 构建（Build）这是 AI 代理提升最明显的阶段。文档给出的最佳姿势，是让智能体负责端到端的初稿实现，包括模型、API、UI、测试和文档，工程师则把精力转向性能、架构、长期可维护性。构建阶段应把 AI 视为“第一实施者”。工程师不再负责逐行写，而负责判断生成方案是否符合系统演进方向。4. 测试（Test）随着智能体承担更多实施工作，测试反而成为工程师控制质量的主轴。最佳实践是让智能体生成测试用例、补全边界场景，并在代码变更后更新测试。不要只让智能体写代码，要让它写测试、跑测试、基于失败结果迭代；测试越强，智能体越可靠。5. 代码审查（Review）智能体可以持续、稳定地进行第一遍代码审查，尤其擅长发现逻辑漏洞、竞态、错误的数据库访问方式等。工程师则聚焦架构一致性与复杂变更的判断。AI 审查不是为了“更快合并”，而是为了“减少重大缺陷进入主干分支”。工程师的关注点应从细节检查转为整体正确性。6. 文档与知识沉淀（Document）智能体非常擅长根据代码生成结构化说明、依赖图和变化总结。最佳做法是把文档维护接入流水线，例如在发布流程中让智能体自动产出变更摘要，并由工程师确认关键部分。把文档写作视为“可自动化的持续任务”，而不是阶段性集中补齐。7. 部署与运维（Deploy & Maintain）让智能体读取日志、Trace、部署记录，再结合代码自动定位可能问题，并给出可行修复。工程师负责判断、确认和实施关键决策。在运维中使用智能体的关键不是预测故障，而是让其整合多源上下文，减少人工排查时间。重点：团队角色的重定义文档贯穿始终的主题是三个动词：Delegate、Review、Own。1 工程师应把重复性、结构化的工作交给智能体。2 工程师需要对智能体产出进行审阅，但专注关键决策点。3 工程师必须对系统的长期演进负责，对所有上线内容最终背书。AI-native 团队不是“工程师被取代”，而是“工程师从执行者变成决策者与架构塑造者”。#微博兴趣创作计划##人工智能#

24. “大模型就像处理器：需要巨大投资，潜力无限，但单独用处有限。Agent运行时就像操作系统：协调模型周围的进程、资源和数据，让模型更有价值。Skills就像应用程序：真正创造价值的地方。”这一观点将AI技术栈类比为传统计算机架构（处理器、操作系统、应用程序），不仅是一个形象的比喻，更揭示了AI开发方向的重大战略转移。1. 模型 (Model) = 处理器 (Processor)在计算机架构中，CPU提供原始的算力；在AI架构中，模型（如Claude 3.5 Sonnet, GPT-4）提供原始的智力。- 极高的通用性与门槛：就像全球只有少数几家公司能制造高端芯片（Intel, AMD, Apple），只有极少数公司能训练前沿的基础大模型。这是一项资本密集型、技术密集型的基础设施建设。- 潜力巨大但不可控：模型本身就像演讲中提到的“智商300的天才Mahesh”。它拥有从第一性原理推导万物的能力，算力（智力）惊人。- 局限性：光有一颗强大的CPU放在桌子上是无法工作的。同样，模型如果缺乏上下文和具体约束，虽然能解决问题，但过程不可控，每次都要从头推导，结果不稳定，无法直接在垂直场景中产生稳定价值。2. Agent 运行时 (Runtime) = 操作系统 (OS)操作系统负责管理资源、进程和输入输出；Agent运行时则是协调模型与数字世界交互的通用平台。- 通用接口：Anthropic发现，底层的Agent架构其实是高度通用的。就像Windows或macOS可以运行在不同的电脑上一样，Agent运行时为模型提供了标准化的环境。- 资源调度：操作系统管理内存和硬盘，Agent运行时则管理代码执行环境、API调用权限和文件系统。演讲中提到的代码（Code）就是通往数字世界的通用接口。无论是生成财报还是处理反馈，本质上都是通过代码这一“系统指令”来调用底层资源。- 连接层（MCP）：类似于操作系统通过驱动程序连接硬件，Agent运行时通过MCP（Model Context Protocol）连接外部数据库和工具。它提供了“连接”的能力，但还没提供“如何使用”的知识。3. Skills = 应用程序 (App)应用程序是用户真正使用的工具，解决了具体问题；Skills则是封装了专业知识的“业务逻辑包”。- 专业知识的载体：Skills就像演讲中的“税务专家Barry”。它不依赖模型从头推导，而是提供了一套经过验证的“工作手册”。- 定义的简单性：Skills的本质就是“文件夹”。它包含了指令（Prompt）、脚本（Code）和资源文件（Template/Reference）。它不需要复杂的架构设计，就像写一个Markdown文件一样简单。- 差异化与价值核心： - 生态规模：做CPU（模型）和OS（运行时）的公司屈指可数，但开发App（Skills）的人可以有千千万万。 - 场景落地：就像Excel处理表格、Photoshop处理图片一样，Skills让通用的AI算力聚焦于特定任务。例如“品牌合规Skill”确保文案风格统一，“财报分析Skill”确保数据处理流程标准。- 可复用与可迁移：Skills如同软件安装包，可以被版本管理（Git）、分享（Google Drive）和分发。它是固化下来的最佳实践。总结：从“造轮子”到“写应用”的范式转移这个类比的核心启示在于纠正了当前AI开发的误区：1. 分工明确：不要试图去重新发明“处理器”（训练基座模型）或“操作系统”（构建复杂的通用Agent架构）。这些是基础设施，应该由大厂来做。2. 价值下沉：真正的机会在于“应用程序层”（Skills）。企业和个人应该专注于将自身的领域知识（Domain Knowledge）——即SOP、品牌规范、业务流程——打包成Skills。3. 确定性交付：通过将“高智商模型”（处理器）与“专业知识包”（应用程序）结合，我们不仅利用了AI的推理能力，还通过Skills约束了其行为，实现了从“每次随机生成的不可控结果”到“稳定、专业的专家级交付”的转变。参考：mp.weixin.qq.com/s/AIIZiW4tmeWD8SNxXBAemw

25. 2026年AI全景预测：迈向百亿智能体时代的20个发展趋势。 #大咖观察 #人工智能 #红衣聊AI #智能体 #AI时代

26. 大模型更像人的大脑，智能体是大模型的手和脚。 #大咖观察 #红衣聊AI #智能体 #大模型

27. 吴恩达DeepLearning AI 新课程：Design, Develop, and Deploy Multi-Agent Systems with CrewAI可以浏览器装一个沉浸式翻译插件，实时英文字幕转中文。主要介绍了如何设计、开发与部署多智能体（multi-agent）系统，重点在于掌握代理式 AI 工作流（agentic AI workflows）的思维方式与工程方法。将学会如何把复杂任务分解成由多个专门智能体协作完成的子任务，从而高效构建复杂的 AI 应用。1. 掌握构建多智能体系统的基本概念：agent、task、crew、flow、state 等。2. 理解智能体的核心组成：记忆（memory）、工具（tools）、模型上下文协议（MCP）、执行钩子（execution hooks）与防护机制（guardrails）。3. 学会通过 CrewAI 框架将这些要素组合，构建具有可观测性、可控性与可扩展性的系统。4. 了解如何通过指标（metrics）与人类反馈（human feedback）对智能体进行评估与持续改进。访问：learn.deeplearning.ai/courses/design-develop-and-deploy-multi-agent-systems-with-crewai

28. #天禧AI从助手到队友# 天禧AI的进阶，是一场多方共赢的生态革命者产业端，“一体多端”战略让AI能力融入PC、手机、平板，加速技术普惠；开发者层面，与扣子平台合作实现“开发即部署”，一键发布智能体降低落地成本；用户则收获三大飞跃：个性化记忆懂需求、闭环行动力省时间、多端体验无断点。更难得的是开放生态，汇聚字节、讯飞等伙伴的力量，让智能体持续丰富。从技术根基建到生态树冠，天禧AI用“共建共享”打破边界，真正实现了产业、开发者、用户的三方共赢。

29. Claude Agent Skills 官方最佳实践↓ 值得一读，除了理解Claude Skills，也能帮你更好的写好提示词和理解上下文。了解如何编写Claude 可以发现并成功使用的有效技能。优秀的技能简洁明了、结构合理，并经过实际测试。访问：docs.claude.com/en/docs/agents-and-tools/agent-skills/best-practices #ai创造营##程序员#

30. 火爆全网的Skills，终于有了最简单的打开方式。

31. 很多人以为 Skills 只是更体面的提示词。就像是把流程写得更清楚一点，省点时间而已。如果你在使用 Skills 的话，又是深度使用过，其实不然。这就像是软件的本质不是代码而是“可重复的因果”。什么意思呢？就是输入什么，经过什么，得到什么。传统程序员用代码把因果钉死在机器里：编译、部署、上线、等待下一次迭代。用户得到的是结果，不是能力。Skills 把因果从代码迁移到语言。用 Markdown 写触发条件、工具调用、输出格式。你以为这是文字，其实这是接口；你以为这是说明，其实这是程序。它让“编程”从语法变成意图，从工程变成表达。换句话讲，Skills 其实更像是大白话编程。更关键的是：Skills 是活的。软件过去像成品，交付就冻结；Skills 像细胞，拿到就能分裂。哪里不顺手，就打开那份 .md，用人话改两句立刻生效。无需环境、无需编译、无需部署。这就把迭代从周和月，压缩到分钟。当迭代成本趋近于零，进化就会发生。任何人都能复制一个 Skill，改成自己的版本，再分享出去。功能不是“发布”，而是“流动”。这是一种新的杠杆：把你的判断、流程、品味，封装成可复用的自动化。财富来自杠杆。代码是杠杆，媒体是杠杆，资本是杠杆。现在，如果你使用 Skills 比较熟的话，其实：语言也成了杠杆。Agent 时代的分水岭不是“会不会写代码”，而是“能不能把意图写成系统”。会说清楚的人，会拥有软件。人人都会说话，所以人人都能开发。真心建议大家去研究一下 Agent Skill 。#AI创造营##科技先锋官##微博年度新知博主#

32. 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

33. 字节跳动「扣子」官宣 2.0 品牌升级，推出全新功能 Agent Skills，实际体验如何？

34. 随着AI智能体的发展，能做好决策、持续创新的人，会拥有独特的竞争力。#大咖观察 #红衣聊AI #行业研究

35. 你最想让智能体机器人先帮你搞定生活，还是提升工作效率？ #大咖观察 #ai新星计划 #红衣聊AI #机器人

36. #天禧AI从助手到队友#今日，以“聚力智能体，共启新生态”为主题的2025联想天禧AI生态伙伴大会在京召开。大会聚焦智能体驱动下的个人AI未来，与生态伙伴共探体验升级与商业落地。大会核心揭示了天禧AI从“助手”到“队友”的关键跃迁。当前的天禧AI 3.5，凭借全时空主动记忆与全域个人知识库，首次构建了统一的个人知识图谱，实现了真正的个性化。更引人注目的是其行动力的飞跃：通过MCP技术及智能体协同架构，它能像“总指挥”一样安全调度多个领域智能体，协同完成复杂任务闭环。本次大会前瞻性勾勒了天禧AI 4.0的演进方向，朝着“思你所想，行你所愿”的认知与行动智能迈进。联想正携手生态伙伴，加速将更懂用户、更能执行的“个人AI双胞胎”带入现实。

37. 现在Agent Skills 那么火，有什么强烈推荐的Agent Skills吗？

38. 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

39. 【当AI智能体比员工多100倍，企业软件会走向何方】这是当下科技圈最热门的话题之一：当AI智能体在企业中承担越来越多的工作，软件的未来会是什么样子？软件会被压缩成一个供智能体调用的数据库吗？我们会用AI来编写自己的个性化企业软件吗？这场新战役的赢家是创业公司还是巨头？想要回答这些问题，首先要理解企业为什么需要软件。企业软件本质上是公司流程的代码化，是你不希望随意改变的部分，因为它们为工作流和运营提供结构，让业务持续运转。一家大型汽车公司采购ERP系统，是因为它构成了复杂全球运营的骨干。这套系统要追踪数百亿美元的收入，确保每笔交易以完全相同的方式处理，达到五个9的正常运行时间，产出能够通过审计。从CEO往下，每个人的饭碗都与这套系统的表现息息相关。为什么企业选择专业软件供应商而非自建？这就要提到“核心”与“情境”的概念。核心是让公司独特的东西，比如产品、人才、文化；情境则是必要但各家企业大同小异的部分，比如薪资、IT工单、ERP、内容管理。情境类软件运行良好时客户察觉不到，出了问题却影响巨大。所以你要从为千万家公司提供专业服务的供应商那里“租用”这些服务。那么，如果未来企业里的AI智能体比人多100倍，会不会吞噬掉软件原来承担的所有用例？用制造业来类比：软件就像工厂里的机器，智能体就像操作机器的工人。在确定性软件中，你希望事情每次都以相同的方式发生：ERP系统根据预设规则计算数据，安全权限每次都一致执行，HR系统不会每次加载时概率性地生成新的汇报结构。而非确定性系统，也就是AI智能体，则负责人类在这些系统中历来要做的事情：在CRM中填写会议记录、为新客户生成销售演示、回答客户支持问询、对企业文档进行研究分析。确定性与非确定性元素最终形成互补。与一些公开讨论的观点相反，我认为在一个企业中AI智能体数量是人类100倍的世界里，记录系统和工具的价值会上升而非下降。因为在这个新世界，软件为智能体提供了在企业内成功运作的护栏，以及让它们自身更高效、与人协作的底层工具。如果你让AI智能体生成10倍的外发邮件和营销信息，这些智能体从哪里获取数据，生成的线索又流向哪里让销售代表跟进？几乎肯定是某种形式的CRM系统。当AI智能体处理和审核发票交易后，数据要录入哪里才能启动供应链工作流？还是现有或革新后的ERP系统。只要人类和智能体还需要互动，就需要确定性软件来无缝连接这些交互。传统上，软件公司被限制在现有IT预算的框架内，通常占公司收入的3%到7%。这为软件市场设置了天花板。但有了AI智能体，软件实际上带来了工作本身，这意味着软件供应商竞争的是完成这些工作的全部支出，而不仅仅是启用它的技术。以合同管理为例。几年前，这个领域受限于组织内需要管理和审核合同的律师数量。但在AI智能体的世界里，这个上限不复存在。智能体可以持续运行，为任何公司处理和审核合同、提供延伸法律服务。美国法律服务市场规模约4000亿美元，是相应法律软件类别的50到100倍。AI智能体只需让法律行业的生产力提升几个百分点，就能一夜之间使法律软件市场规模倍增。那么谁会在这波技术浪潮中获胜？根据克里斯坦森的颠覆式创新理论，当新技术或商业模式对现有企业来说缺乏吸引力时，在位者往往会失败。反之，当新模式支持甚至增强其现有业务时，他们往往能守住阵地。在AI领域，我们可能会看到两种结果并存。某些现有软件类别，比如客户支持或编程，变化之快让许多在位者无法及时调整商业模式或技术栈。同样，有许多智能体原生软件的新类别需要首次创建，因为没有现有供应商能自然地捕捉智能体的工作方式。这将为新创企业创造巨大机会。但也有一些现有SaaS公司处于为智能体赋能的天然位置，尤其是那些拥有AI智能体成功自动化工作所需的自然情境、复杂工作流、与其他系统的连接，以及人机协作天然嵌入工作流程的公司。当然，软件的商业模式必须演进。今天绝大多数SaaS产品按席位收费，这与终端用户的使用量大致对应。但在AI智能体完成大部分交互和工作的世界里，企业系统必须转向更多基于消费和使用量的模式。AI智能体不能简单地作为软件上的席位，因为任何给定的智能体可以在系统内完成不同数量的工作。最终，我们会看到混合模式：用户继续作为软件中的席位存在，而代表扩展使用量的AI智能体则通过消费量来变现。我们已经在AI原生编程产品和其他平台中看到这种模式的出现。毫无疑问，这将是软件历史上最具活力和最激动人心的时期。x.com/levie/status/2013018817610518642

40. 2026 最该学的AI技能：Skills

41. 华为乾崑 All in 启境，让“奔跑的AI智能体”走进日常生活，引领未来出行进入主动智能时代 #启境 #华为乾崑 #奔跑的AI智能体

42. 【10个月深度使用后，我的Claude Code完整配置指南】从二月实验版开始，我就是Claude Code的重度用户，并用它在Anthropic x Forum Ventures黑客松中拿下冠军。十个月日常使用后，分享我摸索出的完整配置体系。+ Skills与Commands：让重复工作一键完成Skills本质上是限定作用域的规则，可以理解为特定工作流的提示词简写。长时间用Opus 4.5写代码后想清理死代码？直接运行/refactor-clean。需要测试？/tdd、/e2e、/test-coverage，这些命令还能在单个提示词中链式调用。两者略有重叠但存储位置不同：Skills放在~/.claude/skills，是更宽泛的工作流定义；Commands放在~/.claude/commands，是快速可执行的提示词。+ Hooks：基于触发器的自动化与Skills不同，Hooks被限定在工具调用和生命周期事件上。主要类型包括：PreToolUse（工具执行前的验证提醒）、PostToolUse（执行后的格式化反馈）、UserPromptSubmit（发送消息时）、Stop（Claude响应完成时）等。比如我设置了一个Hook：在执行npm、pnpm等长时间命令前，如果不在tmux会话中就提醒考虑使用tmux保持会话持久性。另一个实用技巧是用hookify插件对话式创建Hooks，省去手写JSON的麻烦。+ Subagents：任务委派的艺术Subagents是主编排器可以委派任务的子进程，拥有受限的作用域，可在前台或后台运行，为主Agent释放上下文。它们与Skills配合默契——一个能执行部分Skills的Subagent可以自主完成被委派的任务。我的Subagents配置包括：planner负责功能规划、architect负责系统设计、tdd-guide负责测试驱动开发、security-reviewer负责漏洞分析等。关键是为每个Subagent配置允许的工具、MCP和权限。+ MCP：连接外部世界的桥梁MCP将Claude直接连接到外部服务，本质是API的提示词驱动包装器。比如Supabase MCP让Claude能直接拉取特定数据、执行SQL查询，无需复制粘贴。但这里有个关键点：上下文窗口管理。200k的上下文窗口，如果启用太多工具可能实际只剩70k，性能会显著下降。我的原则是：配置20-30个MCP，但保持启用数量在10个以下、活跃工具在80个以内。+ 插件与LSP插件将工具打包以便安装，省去繁琐的手动设置。LSP插件特别有用——如果你经常在编辑器外运行Claude Code，语言服务器协议能提供实时类型检查和智能补全，无需打开IDE。+ 实用技巧集锦键盘快捷键方面：Ctrl+U删除整行、!作为快速bash命令前缀、@搜索文件、Tab切换思考显示、Esc Esc中断Claude或恢复代码。并行工作流方面：/fork可分叉对话处理非重叠任务；Git Worktrees让多个Claude实例无冲突并行工作。另外强烈推荐用mgrep替代grep，它比ripgrep有显著提升，支持本地和网络搜索。+ 编辑器选择虽然不是必需，但好的编辑器能显著提升效率。我用Zed——一个基于Rust的轻量级编辑器，打开即时、大代码库也不卡顿。它的Agent Panel能实时追踪Claude的文件修改，CMD+Shift+R命令面板可快速访问所有自定义命令。VS Code和Cursor同样可行，可选终端模式或扩展集成模式。+ 核心要点不要过度复杂化，把配置当作微调而非架构设计。上下文窗口是稀缺资源，禁用不用的MCP和插件。善用并行执行，自动化重复工作，为Subagents设置明确边界。这套体系的精髓在于：在保持强大能力的同时，精准控制资源消耗。x.com/affaanmustafa/status/1934706098579292549

43. 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#

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

45. 智能体商战，是旧商业规则和新商业规则的战争。 #大咖观察 #红衣聊AI #智能体 #商战 #亚马逊

46. AI智能体时代，职场规则已不同以往。想成为赢家，关键在于找准自己的位置。#大咖观察 #红衣聊AI #智能体

47. 轻的Air，薄的Air，更是“连得起来”的Air。联想moto X70 Air 真正让AI“一体多端”落地：通过天禧AI 3.5，你的指令可以触发一连串智能动作，并在不同设备间自动衔接。它了解你的习惯，预判你的需求，默默做好前置准备——这种“并肩感”，才是未来AI该有的样子。一句话，串联所有智能体验。张凌赫的联想moto AI手机让AI从“功能点”进化成“工作流”。#张凌赫懂你AI你# #与张凌赫共赴玫瑰星云# http://t.cn/AX4MLD68

48. Claude Code Skills 采用了一种极其巧妙的三层上下文系统。请记住这个结构，当你构建技能（Skills）时会非常有用。第一层：主上下文（Main context）——项目配置，总是会被加载。第二层：技能元数据（Skill metadata）——只包含 YAML 前言部分，每个技能大约占用 100–200 个 token。第三层：活动技能上下文（Active skill context）——SKILL.md 文件以及按需引用的文档，在需要时才会加载。像脚本（scripts）和模板（templates）这样的支持文件不会被预加载到上下文中，而是在使用时直接访问，不消耗任何 token。这种架构让系统可以同时容纳数十个技能，而不会触及上下文长度限制。#人工智能##程序员#

49. MCP、Skills、SubAgent 到底是啥？简单捋一下

50. 想要张艺谋式色彩、诺兰式调度？如何靠智能体实现？ #大咖观察 #红衣客厅 #红衣聊AI #智能体

51. 挺好的总结👍 //@微醺的量杯:感觉其实每个skills有点像一个小agent（继承上下文），skills的scripts和references就像之前的tools，不过现在这套agentskills玩法，让整个系统更健壮了，不像工作流，中间出问题就报错，现在即便中间出问题报错，整个系统依然有自我修复的能力（主要靠模型自身能力）。还有个巨大的优势，你可以通过多轮对话持续对结果产生修改和影响（因为本质上在上下文窗口中对文件可以无限修改），这样也拓宽了应用场景。根据不同功能场景用agentsdk搭建一个适合的前端，想象力还是很大的。

52. 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

53. 一文读懂Skills、Prompts、Projects、Subagents、MCP区别与落地实战 http://t.cn/AX2gcs78 “在MCP推出一周年之际，Anthropic 发了篇博客，大意是MCP工具很好，但是会让大模型把大量token浪费在定义MCP工具上。尤其遇到有大量中间工具的情况，这个情况会更明显：比如，把一个会议记录下载然后转存到另一个软件中，那么整个会议记录会被计算两次，token消耗会直接爆炸。为了解决这个问题，Anthropic 推出了个新工具—— Claude Skills 。简单来说， Claude Skills 是一个Markdown 文件，里面有预先编写好的脚本、指令文档、资源，作用是告诉模型什么情况下调用，以及怎么执行某项任务。如此一来，模型在决定如何调用工具之前，会先读取所有工具 Markdown 文件的YAML（只有几十token），然后决定是否对其进行调取。那么问题来了， Skills 会取代 MCP吗？很显然，答案是否定的。接下来，本文将对skills在内claude生态工具做一个详细解读，并附带Milvus体系内skills+MCP实操。” #科技先锋官##微博兴趣创作计划#

54. 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。

55. 【OpenAI：#ChatGPT每周用户数达8亿#】#OpenAI推出AgentKit# 10月7日，OpenAI首席执行官奥特曼表示，目前ChatGPT每周用户数量已达8亿。OpenAI同时宣布推出AgentKit——这是一套用于构建和部署人工智能智能体（AI Agents）的工具包。奥特曼表示：“AgentKit是OpenAI平台上提供的一套完整构建模块，旨在帮助你将智能体从原型阶段推进至生产阶段。它涵盖了你构建、部署和优化智能体工作流所需的全部功能，能大幅减少流程中的阻碍。”(财联社)

56. 人民大学和小🍠联合发的一篇agent论文：DeepAgent arxiv.org/pdf/2510.21618传统智能体（如 ReAct）通常依赖预定义的工作流，缺乏自主性，并且在长交互中容易出现上下文长度爆炸和错误累积的问题。DeepAgent 将自主思考、工具发现和动作执行整合到一个单一、连贯的推理过程中。它不再局限于固定的“思考-行动-观察”循环，而是可以在推理过程中根据需要动态地发现和调用工具。

57. 「Github一周热点87期」文本转语音模型、n8n工作流大全、流式数据处理引擎、ReactUI 库、基于WEB的服务器管理工具和X 推荐算法

58. 对话云栖大会：下一个AI爆款、大模型进化与Agent万亿级企业市场

59. AI智能体也卷起来了？又懂业务又不用搭工作流…

60. Claude Sonnet 4.5 测评：真正的 AI 智能体与真实的工作

61. 工作流引擎哪家好？

62. 【AI前沿】Skills系列：手把手教你玩转Agentic Skills，附超全资源清单！

63. 推荐10 个真正改变工作流的 Claude Skills

64. #天禧 AI 生态# 大会提出的 “应用商店 2026 年推进开设智能体专区” 规划，其意义在于为智能体应用搭建专属的展示与分发平台。这一举措将解决智能体应用 “难找、难用” 的痛点，让用户能快速找到适配自己需求的智能体，也让优质开发者的成果得到更广泛的传播，进一步繁荣天禧 AI 生态的应用生态。#2025 联想天禧生态伙伴大会##天禧个人超级智能体##酷睿Ultra##酷睿UltraAI更强谁不爱#

65. Skills的最正确用法，是将整个Github压缩成你自己的超级技能库。

66. //@黄建同学:这里面有个关键点：如何把Agent融合到现有工作流，成熟企业里面一般都有一套标准的工作流/工作方法，要改变人的习惯很难，但是如果定位在把Agent当做解决问题的一种方法，将Agent融合在现有工作流的一部分，不改变（或者小小改变）大家的工作习惯，采用起来会更容易得多

67. 数据科学工作流程复杂，涉及规划、执行、验证和反思多个环节，单靠传统工具难以高效协作和持续优化。Agentic Data Scientist 是一个基于多智能体架构的开源框架，利用 Google Agent Development Kit 和 Claude Agent SDK，实现了从智能规划到分阶段执行再到持续校验的闭环工作流。它能自动拆解任务，迭代优化方案，结合先进的科学技能库和模型上下文协议工具接口，帮助数据科学家高效完成复杂分析任务。主要功能包括：- 自适应多智能体协同工作，迭代规划与执行保障质量；- 任务分阶段管理，实时跟踪成功标准与进度；- 集成 Claude 科学技能库，支持多种科学计算和数据处理；- 文件管理与网络检索工具，方便数据导入与外部信息获取；- 灵活部署，支持命令行快速启动，满足多场景需求。适合需要系统化、多步骤数据分析的科研人员与工程师，项目地址：github.com/K-Dense-AI/agentic-data-scientist从规划到总结，Agentic Data Scientist 用智能化分工和不断的自我校正，助力数据科学项目更高效、更可靠地推进。

68. 「Github一周热点97期」开源AI手机、AI画架构图、AI编程的指导、看板工具、GO语言的游戏引擎和具身智能资料库

69. #一分钟视频创作季# 智能体进入到需求侧与供给侧形成双重驱动。2026 年全球 AI 智能体市场规模将达 115.5 亿美元，较 2025 年实现 45.8% 的高速增长。中国市场增速更为迅猛，行业测算显示 2025 年国内企业级智能体市场约 109 亿元，未来三年复合增速超 211%，2026 年有望突破 300 亿元大关。消费电子与企业服务是核心增长点， 2026 年将有超 30% 的企业软件内置智能体能力，2026 年部署生成式 AI 智能体的企业比例将从 2025 年的 25% 翻倍至 50%，62% 的投资方预期实现 100% 以上回报。消费电子、网络安全、供应链管理成为投资热点，端侧与云端协同的混合架构将吸引更多资本布局。#AI创造营##财经朋友圈# 种斌Marco的微博视频

70. 最近 Claude Skills 很火，什么是 Skills 呢？Skills 就是要把那些你工作中需要反复执行、有固定流程的任务，变成一个 AI 能理解并能自动调用的“SOP” 。这两天我发现出了好多 Skills 的聚合网站和开源项目，如果你不之道怎么写 Skills 或者不知道去哪找比较好用的 Skills ，大家可以看看这四个地方：1、开源项目：skills，这是anthropics 官方的开源项目。地址： github.com/anthropics/skills2、开源项目：awesome-claude-skills，这地方就像一个 Skill 的“军火库”，汇集了社区里各路大神创建的各种实用技能，从文档处理到开发工具，应有尽有。可以直接使用，或者在别人的基础上修改，打造最适合你自己的工作流。地址：github.com/ComposioHQ/awesome-claude-skills3、聚合网站：skillsmap，这个网站是按点赞数进行排名，点赞的人越多代表这个skills有更多人的认可。地址：openaitoolshub.org/en/skillsmap4、聚合网站：skillsmp，和第二个差不多。地址：skillsmp.com#科技先锋官##AI创造营##微博年度新知博主#

71. #IT技术# #微博兴趣创作计划# 今天为大家介绍四大热门AI框架：LangChain擅长复杂AI应用开发，Dify支持低代码快速搭建，n8n专注自动化工作流，Coze则面向中文用户优化。各框架特点鲜明，你更倾向哪种AI开发方式？搞机工程师的微博视频

72. 【AI辅助设计】Skills系列：一键搞定公众号排版！我用AI写稿+配图+发布的完整魔法

73. 【李开复预言：AI智能体将重塑企业架构】在2025年11月1日举行的全球开源技术峰会上，零一万物首席执行官兼创新工场董事长李开复表示，当前企业的组织结构主要以人类员工为基本单位，但随着人工智能技术的发展，这一模式将逐步发生转变。他指出，未来部分甚至全部的人类岗位可能被AI智能体所替代，企业的组织架构将逐渐以智能体为核心，人员数量相应减少，仅在需要处理复杂决策或战略性事务时发挥作用。李开复认为，随着AI智能体的不断演进，企业内部不仅会拥有负责人力资源职能的智能体，还将出现技术、市场等各类专业智能体。这些智能体之间能够实现协同合作，高效完成特定任务，从而显著提升整体运营效率。他进一步展望，企业中某些部门的任务可由AI更优地执行，多个部门间的流程也可通过智能体进行整合与优化。最终，企业领导者将获得一个强大的智能化管理工具，能够在全局层面调度和指挥各类AI系统，扮演“AI总指挥”的角色。这一过程将深刻重塑企业的组织形态与运作方式。在他看来，未来可能出现仅由一人主导的独角兽企业。借助大量可复制、不间断工作的AI智能体，个人便能构建出具有高商业价值的企业实体。这些智能体具备持续运行、无情绪波动、可规模化部署的优势，使得极简人力配置下的高效运营成为可能。

74. 停止造Agent，开始造Skills吧！Claude Skills创造者

75. Agent Skills

76. MCP+Skills 强强联合，重塑人机协作新模式

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

78. Minion Skills: Claude Skills的开源实现

79. https://zhuanlan.zhihu.com/p/1992529580179874816

80. https://mp.weixin.qq.com/s?__biz=Mzk2NDg0NDQzMg==&mid=2247487031&idx=1&sn=4136111d650fdeb355f215fdac0734b7

81. https://mp.weixin.qq.com/s?__biz=MzIyNjU4NjQ4Mg==&mid=2247490444&idx=1&sn=e21154d6b8863fb9caf4eca51e61fda9

82. https://post.smzdm.com/p/ax6209n4

83. https://mp.weixin.qq.com/s?__biz=Mzk3NTI2MzAwNA==&mid=2247486245&idx=1&sn=33a19848593a732741b991b59972f69b

84. https://zhuanlan.zhihu.com/p/1995439771422585600

85. https://www.toutiao.com/article/7593969325825180175

86. https://mp.weixin.qq.com/s?__biz=Mzg5NDkwNzU3MQ==&mid=2247489589&idx=1&sn=09d3af103249acb250b2c45328145723

87. https://mp.weixin.qq.com/s?__biz=MzA4NjAzMjEyOA==&mid=2654577210&idx=1&sn=fe64dbdf1025aacb4b11f8c1b1397581

88. 终极对比

89. 必懂

90. 从 MCP 到 Agent Skills，AI 就绪的 .NET 10 正当时

91. Agent Skills 开放标准

92. 智能体来了

93. 工作流 VS 智能体，到底怎么来选？

94. 吴恩达Agentic AI课程笔记(1)

95. Agent vs Workflow

96. Agentic Workflow——RAGFlow 0.20.0 特性预览

97. Workflow和Agent到底有什么区别？

98. Workflow和Agent的本质区别

99. AI Agent 及主流 Agent 框架介绍（一）

100. 五步框架

101. LangChain 不看好 OpenAI AgentKit

102. LangChain为何不做可视化 Agent builder

103. LangChain 不做可视化 Workflow 编辑器

104. DAY 9

105. 从代码生成到自主协作

106. Workflow vs Agent 构建器，LangChain创始人的思考

107. Antigravity Skills 来了！一文讲清楚 Skills 和 Workflow 区别

108. Skills、MCP、Workflow 又是新名词爆发的一年呐

109. 五步框架

110. Claude Skills 启发

111. Claude Code Skills

112. Claude Code 的双层架构

113. 大模型狂飙2025

114. Agent架构新方向？Claude Skills工作原理解析

115. 爆火的Skills如何给大模型加入“技能”？记者实测

116. 构建Skill，替代构建Agent

117. Agent Skill

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

119. 告别智能体“健忘症“！Agent Skills for Context Engineering让AI从能跑到好用！

120. Anthropic颠覆认知

121. Claude 新王牌 “Skills” 深度解析

122. Agent Skills 模块化解析

123. Agent Skills

124. Claude Skills 发布

125. Coze 2.0 与 Skills 新想法

126. 一文看懂 Claude Skills

127. Day 19｜智能体的可插拔技能系统

128. 动态上下文-给你的AI智能体装个“技能U盘”

129. Claude Skills 执行技能任务

130. 深度解析 Claude Skills 的渐进式上下文加载

131. Skills vs MCP

132. 智能体Skills标准与项目管理最佳实践相得益彰

133. 从MCP工具调用到Agent Skills

134. 什么是 Agent Skill 的核心本质及其与传统智能体构建模式的主要区别？

135. Agent Skill 火爆全网

136. Agent Skills能不能替代mcp！

137. 开源Skills项目推荐

138. 软件的新玩法:如何 Fork 一个技能库|AGIX PM Notes

139. AI 技能革命来袭

140. Claude官方喂饭

141. 你需要的不是智能体,而是工作流

142. 聊一聊五种智能体模式

143. skill这么赚钱,小白哪里可以用?附5个skill平台使用方法

144. AI 代理工作流:关于是否使用 LangGraph 或 LangChain 构建的完整指南

145. CodeBuddy的 SKILLS 应用实践

146. 智能体的应用

147. 34k Star!Claude skills项目superpowers开源,让智能体写出工程规范级代码

148. 探索工具调用与函数调用:让你的AI模型更高效地工作

149. 2025 年 AI 开发者的红利,在扣子

150. 2025 年 AI 开发者的红利,在扣子

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

152. 一文搞懂 Skills/MCP/Workflow 的区别到底是什么

153. 架构解析：别把 Agent Skills 当“工具函数”，它是一套“能力系统”

154. AI 也会“学习经验”？Skill 技术让智能体更懂人类、 2026年，AI 智能体将走向“可控智能”分享嘉宾：百川智能技术专家--郭美青#AIAgent #范式融合 #医疗AI #AIGC开发者大会 #工作流智能体

155. AI Skills分析报告

156. 🚀2026年Skills元年正式开启！谷歌Antigravity支持Agent Skills，彻底改写传统AI编程！保姆级教程从安装到创建到调用！UI UX Pro Max Skills实测效果超预期

157. AI Agent 的 Skill 和行业 Workflow

158. 这 2 个 Skills 开源项目，最近在 GitHub 上火了。

159. Minion Skills：Claude Skills的开源实现

160. Skills的风席卷而来，Claude Skills 小白向保姆级教程【AI纪年】

161. 告别低效加班！靠 Agent Skills 开启工作流第二曲线

162. 盘点 2025 值得关注的 5 个 Claude Skills 开源项目

163. Claude Agent Skills：用“技能包”把大模型变成你专属的智能员工

164. Claude Code Skills 三层架构曝光！

165. GLM-4.7发布后，n8n就不用学了！搭个AI Skills一键生成工作流

166. 11天暴涨5k Star！智能体上下文工程Skills工具集开源，Claude code等多个平台即插即用

167. skills推出之后，如何设计新的agent架构？

168. Agent Skills 通用化，无缝移植 Base Agent｜录屏精简版

169. 自己写一个智能体-让其理解Skills

170. 秒懂SKILLS: 模块化的RULES + 轻量化脚本

171. 比MCP更火的Agent Skills开发来了，Coze平台开发Agent Skills

172. AI 智能体未来之争：是迷你应用（GPTs）？还是模块化代码（Skills）？开发者，你站哪边？

173. Agent Skills技术协议与开源实现，让大模型拥有“即插即用”技能

174. 一文让你了解Claude Skills 生态

175. 告别低效开发，程序员必备技能skills #ai #ai工具 #skills #github

176. 智能体认知架构的动态演进与多组件协同机制

177. 谷歌也支持Skills了！5 分钟带你上手Skills

178. 我做了一个Meta-skills：Skills 的 Skills，一句话批量生产 AI 工具

179. 智能体开发和对 Anthropic Skills 的一些想法

180. 使用LangChain实现Multi-Agent系统：skills模式

181. 智能体、工作流、知识库、插件：四者关系的通俗解说，看完就懂

182. Agent skills 简明教程(二) skills的运行机制

183. Skills底层实现原理与上下文工程

184. 豫见AI小课堂之探秘【Agent、Skills、MCP】AI 智能体全新架构核心技术—实战应用指南

185. Workflow，是预制的 Agent

186. Claude Agent Skills：一种基于 Prompt 扩展的元工具架构

187. agent和agentic workflow区别

188. AI打工：使用Claude Skills构建稳定 Agent 的标准化系统，实现模块化和动态加载

189. 一文速览Agent Skills

190. 智能体的架构演进与未来展望：基于“脑-手-记忆”模型的系统性分析

191. AI Agent和Workflow如何选择？Agent&Workflow落地的工程建议

192. 03｜SKILL.md 规范一把梭：位置、YAML、触发词与冲突

193. AI 不再“乱跑”：LangChain × LangGraph 打造可控多阶段智能流程

194. 为什么大模型 Agent 产品总是无法落地？来自实战派的经验分享（二）

195. 智能体架构设计（4）：智能体和工作流区别

196. 别再问“怎么写 Skill.md”了，直接抄生产级的Skills 库

197. Workflow 和 Agent 的本质区别

198. 我用Trae刚上线Skills功能，创建了一个小程序性能优化Skill

199. AI智能体技术发展报告：从技术演进、核心架构、开发工具、应用场景到风险挑战

200. workflow还是agent？

Skills模式会取代传统工作流成为智能体主流架构吗？

精选参考来源