AI Agent落地必看：三大核心能力缺一不可_服务软件

1. 大模型 Agent 和 workflow 的区别在哪里？

2. 手把手安装OpenClaw龙虾必备的技能Skills！

3. 盘点一周AI大事(5月3日)｜Google上线AI口语陪练 Google IO即将发布Gemini 4和Veo 4 Gemini上线原生文件生成 Google推出AI衣柜 Google翻译上线AI口语陪练 Claude 接入50多款创作软件，能直接操作Photoshop修图、做海报，接管Blender建模，用Ableton创作音乐英伟达开源全模态模型Nemotron 3 Nano Omni 研究员训练出复古大模型talkie KAIKAKU发布食品大模型Epicure 研究员开源突破性智能体协作框架Recursive MAS Moonlake上线Blender智能体Moonlake 3D Agent #前沿科技趋势发布月 #AI新星计划 #AI #AIGC #大模型

4. 今年最火的开源Agent项目，如何思考Agent的自我进化？

5. 大模型Agent的核心还是prompt？

6. 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#

7. 深度｜养马、养虾、练模型：MiniMax 的 Agent 三线布局到底在赌什么？

8. Agent Skills使用指南：让AI智能体拥有“即插即用”的超能力

9. 手把手彻底学会 Agent Skills！【小白教程】

10. Memento-Skills：让 AI agent 在部署中自己进化，不用重新训练。绝大多数 agent 框架面对一个根本性的问题：模型一旦部署，参数就冻住了。遇到新任务失败了，要么手动调 prompt，要么回炉微调。Memento-Skills 想解决的就是这个问题——让 agent 在真实运行中持续学习、自我修复，模型权重一行都不动。1. 它解决什么问题现有 agent 的学习方式只有两条路：预训练（成本极高）、微调（需要标注数据）。两条都依赖离线流程，部署之后就固定了。但现实是，agent 在生产环境里会持续遇到新情况、新失败，没有一种低成本的机制让它从这些经验里真正学到东西。Memento-Skills 提出了第三条路：部署时学习（deployment-time learning）。模型参数不变，经验积累在一个持续演化的外部技能库里。2. 技术特点核心是一个四步循环：Read → Execute → Reflect → Write。具体是这样工作的：1）接到任务，用 skill router 从技能库里找最合适的技能，或者临时生成一个新技能2）执行，拿结果3）反思执行轨迹——成功了就提升这个技能的有效性评分；失败了就直接改技能文件里的代码或 prompt4）改完写回技能库，下次直接生效技能以结构化 markdown 文件存储，既能被检索，也能被改写。skill router 不是按语义相似度召回，而是按「行为效用」——学的是哪个技能在当前任务上下文里实际有效，而不是哪个在文本上最相似。v0.3.0 还加了一个「Dream Daemon」：在两次会话间隙，后台进程会自动整合近期执行经验，提炼新的技能候选。名字灵感来自人类睡眠中的记忆巩固机制。3. 应用场景最直接的场景是需要长期稳定运行的 agent：1）企业内部自动化流程（它原生支持飞书、钉钉、企业微信接入）2）代码生成和调试 agent——每次修复失败的写法后，下次遇到同类问题直接用改好的技能3）需要跨任务复用经验的研究 agent——技能库越用越大，通用能力越来越强已在 HLE 和 GAIA 两个 benchmark 上验证：随着学习轮数增加，性能持续提升，不是一次性的。4. 跟其他框架最不一样的地方大多数框架把工具当「固定工具箱」——工具是什么就是什么，agent 只是选用。Memento-Skills 把技能当「可写内存」——agent 不只是调用技能，还能修改技能、创建技能、淘汰技能。这个差别很根本：失败在这里不是触发重试，而是触发重写。另一个不同：它是完全自研框架（不依赖 LangChain），支持国内开源模型（Kimi/MiniMax/GLM），有本地沙箱执行，不只是 paper demo，可以真实部署。GitHub: github.com/Memento-Teams/Memento-Skills#how i ai##程序员#

11. 单任务狂飙16小时！模型+Harness双轮驱动，金融Agent跑通了

12. 认知重塑：为什么你需要OpenClaw（告别对话框：从陪聊AI到干活Agent）

13. 【AI前沿】Agent 届的 Hermès？Hermes Agent 爆火之后，真能取代 OpenClaw 吗？

14. 让 AI Agent 安全“跑”在云端：基于函数计算打造 Agent 代码沙箱

15. 下一个“AI卖铲人”：算力调度是推理盈利关键，向量数据库成刚需

16. AI中的Agent是什么意思？

17. Anthropic 发布 AI Agent 评估体系完整指南，对 AI Agent 发展有何意义？

18. 在AI时代，人类的核心竞争力到底是什么？现在最应该培养什么能力？

19. LoongCollector + ACS Agent Sandbox：构建 AI Agent 生产级运行平台

20. 真正的核心竞争力，来自于驾驭工具。 #大咖观察 #红衣聊AI #编程 #人工智能技术

21. #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

22. 从实际 vibe coding 的效果来看，并非每个任务选择最强模型就是最佳选择，也不是无脑新开子 Agent 就能保持最佳上下文和执行效率。最贵模型的推理思考能力很强，但处理普通任务，例如读写文件、代码搜索、格式化、简单查询时，效率经常很低。背后的原因也很简单，强模型的 thinking 和 reasoning tokens 开销很大，而这些任务并不需要深度推理，过度思考只会增加延迟和 token 消耗。例如，用 Opus 做一次 Glob 搜索和用 Haiku 做，结果基本一样，但成本会差出两个数量级。要把任务做好，关键不在于模型是不是最强，而是看任务能否正确匹配模型的能力密度。Claude Code 在创建 Sub-Agent 时，就围绕这方面做了大量设计：1）当需要保留当前对话上下文继续工作时，例如并行探索不同方案、在后台执行独立子任务，它会 fork 一个 Agent，继承当前上下文，让任务在同一语境中延续；2）当任务目标明确且不依赖父会话上下文，例如代码搜索、方案规划、结果验证，它会直接使用内置 Agent，包括 Explore、Plan、verification、general-purpose 等，调度的时候，会给 Agent 分配一个清晰的任务目标；3）设计了 Agent Team 模式，支持让多个 Sub-Agent 协同工作，分工不同的子任务，互相之间通过消息传递和共享上下文来配合完成更复杂的工作。Agent Team 跟普通 subagent 的不同之处是，成员 Agent 之间允许通讯。在 Sub-Agent 的模型选择上，Claude Code 是动态设定的，例如 Explore Agent 采用的就是 Haiku 模型，而 Plan 和 verification 默认会继承父模型。Haiku 模型延迟最低、单 token 成本也最低，在文件搜索、代码定位、文档分析等等只读场景下，准确率已经足够了，整体性价比也是最优的。有了模型选择的基础，再往下就是执行方式的优化。要同时兼顾成本和效率，核心思路是并行执行，将任务拆成多个上下文隔离的子任务，再分派多个 Sub-Agent 并发处理。也分享几个在 Claude Code 中的小技巧，用起来可以让成本、效率和效果达到一个更好的平衡：1）通过环境变量 CLAUDE_CODE_SUBAGENT_MODEL 可以统一指定子 Agent 的默认模型，主会话用强模型做调度和决策，子 Agent 用轻量模型做执行，配置简单，几乎零成本接入。2）通过 Fork 模式复用父会话的 Prompt Cache，让并行子任务共享上下文前缀的 KV 缓存，10 个并行 fork 的成本接近 1 + 9 × delta，在大规模并行场景中非常省钱。直接跟主对话说“从当前上下文 Fork 子进程处理”即可。3）通过 .claude/agents/ 目录下的声明式 Markdown 文件定义专用 Agent，可以精细控制模型选择、工具权限、最大轮次、执行模式、隔离方式、记忆范围、MCP 服务、Hooks 等，适合那些会反复出现的固定角色，例如 code reviewer、security auditor 等等。项目长期使用的专用 Agent 可以考虑用这种方式来定义，后续维护和迭代也更方便。好模型的 token 成本会越来越高，获取难度也是越来越大，短期内一定是供不应求的，因此模型的推理能力需要被转换为一种精细化分配的资源。中低难度的任务把国内模型用起来就好了，反而效率更高，还省钱。在 vibe coding 的时候，学会让不同能力的模型组合完成任务，将会是一项必备技能。😄

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

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. 【Claude Code的技能系统：百个技能背后的九大类型与最佳实践】快速阅读：Anthropic团队在Claude Code中实际使用了数百个技能，总结出9大类型和若干制作原则。技能的本质是可包含脚本、数据的文件夹系统，而非简单的文本说明。最有效的技能往往专注于“反常识”信息，通过渐进式披露避免过度引导。---技能系统已经成为Claude Code最常用的扩展机制。但灵活性也带来困惑：什么样的技能值得做？好技能的秘诀是什么？Anthropic内部运行着数百个活跃技能。这些经验可能有参考价值。一个常见误解是把技能当“markdown文件”。实际上，技能是包含脚本、素材、数据的文件夹——Agent可以发现、探索、操作这些内容。最有意思的技能都在创造性地使用配置选项和目录结构。九种类型技能大致分九类。好的技能清晰归属其一，混乱的往往跨越多个类别：1. 库与API参考解释如何正确使用内部库、CLI或SDK。包含代码片段库和常见陷阱清单。比如：billing-lib（内部计费库的边界情况和易错点）、frontend-design（让Claude更好地遵循设计系统）。2. 产品验证描述如何测试代码是否工作。常与Playwright、tmux等外部工具配合。有价值的做法包括：让Claude录制测试视频，在每步强制状态断言。值得工程师花一周时间打磨验证技能。3. 数据获取与分析连接数据和监控栈。包含获取数据的库、凭证、仪表板ID，以及常见查询工作流。例如funnel-query定义了“从注册到激活到付费”需要join哪些事件表。4. 业务流程与团队自动化将重复工作流自动化为一条命令。通常较简单，但可能依赖其他技能或MCP。保存之前结果到日志文件，帮助模型保持一致性。如standup-post聚合ticket、GitHub活动和Slack历史，生成格式化的站会更新。5. 代码脚手架与模板为特定功能生成框架样板。当脚手架有自然语言需求、无法纯靠代码覆盖时特别有用。6. 代码质量与审查强制执行代码质量。可以包含确定性脚本以提高鲁棒性，可能作为hook或GitHub Action自动运行。adversarial-review会生成一个“全新视角”的子Agent来批评代码，实现修复，迭代直到问题降级为吹毛求疵。7. CI/CD与部署帮你获取、推送、部署代码。babysit-pr监控PR、重试不稳定的CI、解决合并冲突、启用自动合并。8. Runbook接收一个症状（Slack线程、告警、错误签名），执行多工具调查，产出结构化报告。9. 基础设施运维执行日常维护和操作流程——有些涉及破坏性操作，需要护栏。比如<resource---制作要点+ 别说废话Claude Code已经了解你的代码库，Claude本身也懂编程。如果你的技能主要是知识传递，专注于那些能推Claude脱离默认思维的信息。frontend-design技能就是好例子——它通过与用户迭代，避免Claude总用Inter字体和紫色渐变。+ 建立Gotchas章节技能中信号最强的内容。这些章节应该从Claude使用技能时的常见失败点累积而来。你需要持续更新技能来捕获这些坑。+ 利用文件系统与渐进式披露技能是文件夹。把整个文件系统当作上下文工程和渐进式披露。告诉Claude技能里有什么文件，它会在合适时机读取。最简单的形式是指向其他markdown文件，比如把详细的函数签名和用例拆到references/api.md。你可以有references、scripts、examples等文件夹。+ 避免过度引导Claude会尽量遵循指令。因为技能高度可复用，小心别太具体。给Claude需要的信息，但保留适应情境的灵活性。+ 考虑设置流程有些技能需要用户提供上下文。比如发送站会到Slack的技能，可能要问发到哪个频道。好做法是在技能目录下存config.json。如果配置未设置，Agent就问用户。+ 描述字段是给模型看的Claude Code启动会话时，会构建所有可用技能的清单及其描述。这个清单是Claude扫描的依据——“有没有适合这个请求的技能？”所以描述字段不是摘要，是触发条件。+ 记忆与数据存储有些技能通过在内部存储数据来实现记忆。可以简单到追加日志文件、JSON文件，复杂到SQLite数据库。比如standup-post技能可能保存standups.log，记录每次发的内容，下次运行时Claude读自己的历史，知道昨天以来发生了什么。技能目录中的数据可能在升级时被删除，应存到稳定文件夹，目前提供${CLAUDE_PLUGIN_DATA}作为每个插件的稳定存储。+ 存储脚本与生成代码给Claude代码是最强大的工具之一。给Claude脚本和库，让它把精力花在组合上、决定下一步做什么，而不是重构样板。比如数据科学技能可能有从事件源获取数据的函数库。为了让Claude做复杂分析，给它一组辅助函数。Claude随后即时生成脚本组合这些功能，回答“周二发生了什么？”这类问题。+ 按需Hook技能可以包含只在调用时激活、持续整个会话的hook。用于你不想一直运行、但有时极有用的强意见hook。例如/careful通过PreToolUse匹配器阻止rm -rf、DROP TABLE、force-push、kubectl delete。你只在知道要碰生产环境时才需要它——一直开着会逼疯人。---分发技能共享技能有两种方式：- 把技能签入repo（./.claude/skills下）- 做一个plugin，建立Claude Code Plugin市场，用户可以上传和安装小团队在少数repo间工作，签入repo效果不错。但每个签入的技能都会给模型增加上下文。规模扩大后，内部插件市场允许你分发技能，让团队决定安装哪些。+ 管理市场我们没有中心化团队决定；而是有机地发现最有用的技能。如果有技能想让人试用，可以上传到GitHub沙盒文件夹，在Slack等地方给链接。一旦技能获得关注（由技能所有者决定），他们可以提PR移到市场。警告：创建糟糕或冗余的技能太容易了，发布前确保有某种策展方法。+ 组合技能你可能想让技能互相依赖。比如文件上传技能，CSV生成技能制作CSV后上传。这种依赖管理还没原生内置到市场或技能中，但可以按名称引用其他技能，模型会在安装时调用它们。+ 测量技能为了了解技能表现，我们用PreToolUse hook记录公司内部技能使用情况。这样能找到受欢迎的技能，或相对预期触发不足的技能。技能是强大而灵活的工具，但仍处于早期，大家都在摸索最佳用法。把这些当作有用提示的集合，不是权威指南。理解技能的最佳方式是开始、实验、看什么有效。我们的大多数技能都始于几行字和一个坑，因为人们在Claude遇到新边界情况时不断添加而变好。ref: x.com/trq212/status/2033949937936085378#AI创造营##人工智能#

26. Kimi K2.6 发布 [震惊] Kimi K2.6 的通用 Agent、代码、视觉理解等综合能力得到全面提升，其中在博士级难度的完整版人类最后的考试（Humanity's Last Exam）、在考察模型真实软件工程能力的 SWE-Bench Pro、评估 Agent 深度检索能力的 DeepSearchQA 等基准测试中均取得行业领先的成绩，持平或优于 GPT-5.4、Claude Opus 4.6 和 Gemini 3.1 Pro等闭源模型。 Kimi K2.6 是我们迄今最强的代码模型，其长程编码能力也得到显著提升，在测试中可以不间断编码 13 小时，编写或修改超过 4000 行代码，完成复杂系统的开发和优化。通过将代码与视觉能力的深度融合，K2.6 将代码驱动的设计能力提升到了新高度，可以交付极具设计创意的专业级 Web 应用。 Kimi K2.6 大幅增强了 Agent 自主化执行能力，帮助我们进一步扩展 Agent 的能力范围：由 K2.6 模型驱动的「Agent 集群」架构迎来一次大升级，现在支持 300 个子 Agent 并行完成 4000 个协作步骤，实现更大规模的并行化，同时任务完成度和交付质量相比于 K2.5 有显著提升；针对 OpenClaw、Hermes Agent 等主动式 Agent 框架，K2.6 展现出极强的自动化任务处理能力，支持长达 5 天的持续自主运行。

27. 流批一体，智算融合：Flink赋能实时大模型推理与自动化Agent系统构建

28. 《扣子开发 AI Agent 智能体应用》031-实战案例：多 Agent 模式开发旅游助手

29. Nous Research 开源了一个 AI Agent 框架：Hermes Agent。「The agent that grows with you」——会自我生长的 Agent。核心亮点是一个闭环学习系统，Agent 可以从使用经验里自动创建技能、改进技能，跨会话记住你是谁。大多数 AI Agent 框架的记忆是静态的，你教它什么它记什么，不会自己演化。Hermes 的设计不同： 1. 自动创建技能：完成复杂任务后，Agent 会主动把这次经验总结成可复用的技能，下次遇到类似任务直接调用。 2. 技能自我改进：已有的技能在使用过程中会持续迭代，而不是一次写好永不更新。 3. 用户建模：基于 Honcho 的对话记忆，Agent 会跨会话持续深化对你这个人的理解——你的偏好、工作方式、决策模式。 4. FTS5 全文搜索 + LLM 摘要：可以搜索所有历史会话，用语义召回过去的上下文。访问：github.com/NousResearch/hermes-agent #HOW I AI# #程序员#

30. DeepSeek V3.2 正式版发布，V4 还没来，但已经是开源模型里 Agent 能力最强了

31. 【Hermes Agent三层记忆架构，彻底治好AI助手转头就忘】快速阅读：Hermes Agent 通过三层记忆系统、自主编写技能（Skills）以及离线优化引擎 GEPA，解决了 AI 助手“转头就忘”的痛点，实现了从简单对话工具向具备自我演进能力的个人工作流引擎的跨越。现在的 AI 助手大多像个只有瞬时记忆的临时工，每次对话结束，之前的偏好、纠错记录和项目习惯全都清空了。Hermes 的逻辑不太一样。它把 Agent 拆解成了三个层级：身份、记忆、技能。身份由 `SOUL.md` 定义，它是系统的第一优先级，决定了 Agent 是个严谨的工程师还是个随性的设计师。记忆则分成了三层：最核心的是存储环境习惯的 Markdown 文件，其次是可搜索的历史对话，最后是可扩展的外部插件。这种设计很像计算机的存储层级，把关键信息留在缓存，把海量数据丢进磁盘。最有意思的是它的“技能进化”机制。当 Agent 解决了一个复杂问题，它会自己写一份 `SKILL.md` 存起来。下次遇到类似任务，它直接调用“剧本”，而不是重新摸索。为了防止技能库变成垃圾堆，它还有一个类似垃圾回收（GC）的机制，定期清理或合并过时的技能。有网友提到，Agent 容易产生“自我感觉良好”的错觉，导致生成的技能并不好用。针对这个，Hermes 引入了 GEPA 引擎。它不靠 Agent 自己评价，而是通过分析执行轨迹，在离线状态下进行进化搜索，用更硬核的逻辑去优化技能。你可以同时运行多个完全隔离的 Profile，比如一个专门写代码的程序员，一个专门做调研的研究员。它们互不干扰，却能通过各自的记忆和技能，成为 24 小时在线的数字团队。如果一个 Agent 真的能通过不断积累技能来变强，那我们和它的关系，会从“指令下达者”变成“教练”吗？akshay_pachaar/status/2054564519280804028

32. 传统AI Agent需要海量预设技能和复杂配置，动辄几十万行代码，Token消耗巨大，部署麻烦还容易幻觉。GenericAgent 只需3.3K行种子代码，就能自我进化，自动生长专属技能树，实现浏览器/终端/文件系统/键鼠/屏幕/手机的全系统控制，Token消耗仅其他Agent的1/6。首次任务自主摸索安装依赖编写脚本，下次直接一句话调用。越用越聪明，形成独一无二的个人技能树。GitHub：github.com/lsdefine/GenericAgent主要功能：- 自我进化机制：自动将任务执行路径固化为可复用Skill；- 9个原子工具：code_run/file操作/web控制/ask_user等，直接接管系统；- 分层记忆系统：L0元规则到L4会话归档，30K上下文超省Token；- 多前端支持：桌面GUI/终端UI/微信QQ飞书企业微信钉钉Bot；- 真实浏览器注入：保留登录态，支持屏幕视觉和ADB手机控制；- 支持Claude/Gemini/Kimi/MiniMax等主流模型，跨平台运行。pip安装依赖，配置API Key即可启动，适合开发者/自动化爱好者/企业使用。#AI代理# #智能Agent# #自我进化#

33. 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

34. Hermes Agent：一个能自己变聪明自我进化的AI Agent?

35. 从“写代码”到“管Agent”，程序员核心价值被AI重写，Agent工程师薪资暴涨！人才缺口大！学历门槛低！窗口期拉满！

36. 写作与整理：让OpenClaw 接管你的周报与公文（职场公文自动化）

37. 过度依赖AI，正在丧失三大核心能力

38. Niantic发布Scaniverse与VPS 2.0，强化空间计算底层能力

39. Hermes Agent跟龙虾差别不大？那是这8个项目你还没试过。

40. Agent的未来世界：交给AI代理人类不必“弯弯绕绕”。

41. Python 第三方库：plum（多重分派与类型驱动调度）

42. 企业级多 Agent 规模化落地怎么做？群虾智能 AI 沙龙 PPT 限时领取

43. AI正在偷你的能力，人类该如何应对？ #大咖观察 #红衣聊AI #AI时代

44. 放假前，抽空学一下吴恩达DeepLearning AI的这个教程吧：Agent Skills with Anthropic，内容包括：1. 使用开放标准格式和最佳实践来创建可复用的技能，并将它们组合起来构建复杂工作流。2. 为代码生成与评审流程、数据分析以及研究任务构建自定义技能，让你的智能体在需要时按需加载。3. 将技能与 MCP 以及子代理结合，打造具备专门知识并能够访问外部数据源的强大智能体系统。访问：www.deeplearning.ai/short-courses/agent-skills-with-anthropic/#HOW I AI# #程序员#

45. 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？

46. 【腾讯发布 Agent 产品全景图】腾讯云今日正式发布 Agent 产品全景图，构建从基础设施到应用场景的完整体系。围绕 Agent 基础设施层、模型服务层（TokenHub 大模型服务平台）、技能生态层（开放微信、元宝等生态资源）、AI 应用层及安全层五大板块展开。腾讯集团高级执行副总裁汤道生表示，AI 应用正从 Chatbot 向 AI Agent 跃迁，企业比拼重点将转向工程化能力，未来每个个体和企业都能借助标准化工具快速搭建智能体应用。在主流大模型能力差距逐渐缩小的背景下，腾讯此举意在通过“基础设施+生态资源”抢占 Agent 工程化落地的先机，将 AI 能力转化为可规模化复用的企业服务底座。#腾讯云##AI Agent##大模型#

47. #腾讯首次公布Agent养虾产品全景图#，构建从基础设施到应用场景的完整体系腾讯云今日正式发布 Agent 产品全景图，围绕基础设施、模型服务、技能生态、AI 应用及安全五大层面，构建了从个人到企业的完整产品体系。汤道生指出，AI 落地正从 Chatbot 向 Agent 跃迁，未来比拼重点将是工程化应用能力。@IT之家

48. DistillHub：2026年超硬核的AI技能仓库，万物皆可 .skill！

49. 写作与整理：让OpenClaw 接管你的周报与公文（OpenClaw Skill调用详解）

50. 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

51. Kimi 发布并开源 K2.5 模型，哪些信息值得关注？Agent 集群能力能做哪些任务？

52. 我也学会开源了，哈哈。第一个Skill是我从B站up主那里拿来的。我自己做了剩下几个好用的skill，分享给大家。直接把链接放到 TRAE 对话里，说帮我安装这些skill就好了。那个skill creator是 Anthropic 发布skill 基础上改的，更适合小白使用。网页链接技能模块 (skills)rag-skill：智能本地知识库检索助手，支持多格式文件的高效问答支持Markdown、PDF、Excel等多种文件格式采用分层索引和渐进式检索技术包含PDF处理、Excel分析等参考文档skill-creator：技能创建指南，用于扩展TREA能力的模块化工具提供技能创建的核心原则和最佳实践包含初始化、编辑、打包技能的脚本提供工作流和输出模式的参考文档task-decomposition-skill：任务拆解框架，将复杂任务拆分为可执行的子任务核心改进：增加意图分析和用户确认环节四阶段流程：意图分析 → 澄清确认 → 任务拆解 → 拆解确认支持五种任务类型：创作型、技术型、学习型、项目型、研究型核心理念：慢即是快，先理解用户意图再拆解disk-monitor-skill：系统磁盘监控与智能清理工具提供完整的磁盘空间监控、缓存清理和安全防护功能支持微信、有道笔记等应用缓存清理包含AI CLI安全使用指导md-to-pdf：Markdown文件转PDF工具将MD文件转换为格式美观的PDF文档支持中文、表格、列表等格式适用于批量转换MD文件

53. 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。

54. 在线开发智能代理系统遇到上下文管理难题？推荐看看 muratcankoylan 的开源项目「Agent Skills for Context Engineering」，这是一个面向生产级 AI 代理系统的全面技能库。它提供了完整的上下文工程方案，涵盖基础理解、架构设计、多代理协作、工具开发、评估优化等多维度技能，帮助你科学管理语言模型的上下文窗，实现最高效的上下文利用和智能决策。主要亮点：- 深入讲解上下文衰减、压缩和优化，避免模型“迷失中间”；- 支持多代理架构设计，含监督者模式、图谱记忆、沙盒环境等；- 提供完善的评估框架，支持LLM作为裁判进行性能对比和偏差缓解；- 包含项目开发全流程指导，从概念设计到流水线部署；- 独家认知架构技能，形式化建模代理心智状态，实现理性推理与解释；- 跨平台、通用原则，适配Claude Code、Cursor等主流代理平台。GitHub：github.com/muratcankoylan/Agent-Skills-for-Context-Engineering无论你是搭建单一代理还是多智能体系统，这套技能库都能助你构建、优化和调试高效智能体，推荐 AI 开发者和研究者深入学习！#AI创造营##人工智能#

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

56. Claude Agent Skills：将 Workflow 打进技能包

57. 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

58. 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。

59. 【#小米大模型接入全球顶级框架#，限免两周】今日，小米宣布，Xiaomi MiMo-V2系列正式支持全球顶级Agent 框架Hermes Agent，实现官方集成接入。小米还邀请全球开发者试用，限免两周。限免周期：4月8日-4月22日24:00（北京时间，UTC+8），共两周。使用方式：更新Hermes Agent至最新版，通过Nous Portal即可免费调用Xiaomi MiMo-V2 Pro、Omni、Flash模型。小米表示，Hermes Agent是当前全球最受关注的开源Agent框架之一，具备自我进化、跨会话记忆能力，从任务中自动积累经验，越用越强，支持全平台通信。MiMo-V2-Pro凭借1M长上下文能力、原生强工具调用与深度Agent专项优化，全面适配Hermes自进化技能、跨会话记忆、复杂工作流等核心特性。MiMo-V2-Omni则进一步拓展感知边界，融合图像、视频、音频与文本的全模态理解能力，助力Hermes Agent成为真正看得见、听得懂、能动手的全模态Agent。网页链接

60. 删掉 OpenClaw！Hermes Agent 才是真王炸，一键本地部署 +模型接入全教程（避坑指南） | 零度解说

61. 给建议的AI看够了？MiniMax Agent 让AI直接住进你的电脑干活#AI新星计划#科技改变生活#MiniMAX#Agent#minimaxagent

62. 有了OpenSkills这个开源项目，Cursor, Antigravity, Gemini CLI 或者Qwen CLI也能在本地环境中运行Claude Skills了。试了下Gemini-CLI，还挺快就能上手。这个项目的目的是让你能够在本地运行 Claude（或者其他支持 MCP 协议的 LLM）的技能（Skill），不再依赖云端 API，从而实现隐私保护、本地数据处理等场景。它本质上是一个本地技能执行引擎，支持各种专用任务，例如处理文档、图像等，也可以自己扩展新技能。#ai创造营# #程序员#

63. 社区有人花时间整理了一份 OpenClaw 资源清单，「我能找到的每一个有用的 OpenClaw 资源，希望帮大家少走弯路」。1. Skills 体系官方有 openclaw/clawhub 技能目录。社区里已经有多个 Skills 索引：1）VoltAgent/awesome-openclaw-skills：大型外部技能索引2）LeoYeAI/openclaw-master-skills：560+ 精选技能，每周更新3）FreedomIntelligence/OpenClaw-Medical-Skills：医疗领域专项技能库4）ClawBio/ClawBio：生物信息学专项技能库2. 几个有意思的具体技能：1）mvanhorn/last30days-skill：自动搜索 Reddit、X、YouTube、HN 最近30天内容，生成摘要2）kesslerio/coding-agent-openclaw-skill：在 OpenClaw 里调度 Codex、Claude Code、Gemini 等多个编码 CLI3. Dashboard 生态Dashboard 工具已经形成了一个小市场，各有侧重：1）OpenClaw-Studio：可视化 Web 管理界面2）clawmetry：开源可观测性工具，追踪 Token 消耗、session 漂移、记忆告警，本地运行不上传数据（pip install clawmetry）3）LobsterBoard：拖拽式自托管 Dashboard，60+ 组件 + 模板库4）openclaw-pixel-agents：像素风 Agent 办公室——Agent 在办公桌边走来走去，实时反映它们的状态（这个比较有意思）4. 最常被提到的几个配置问题1）SOUL.md：跳过人格配置是最常见的错误，Agent 没有性格就感觉像在跟 ChatGPT 聊天2）记忆管理：Agent 之间会互相覆盖记忆，需要显式管理 memory 目录结构3）Cron 任务：直接在 OpenClaw 里配置定时任务，不需要额外引入 Make 等工具GitHub：github.com/alvinreal/awesome-openclaw#HOW I AI# #程序员#

64. 开发AI Agent常常需要切换多个框架和工具，记忆系统难管理，技能创建繁琐，自学习循环还得从零搭建，效率低下。《Hermes Agent 从入门到精通》橙皮书，提供Nous Research开源AI Agent框架的完整实战指南。全书17章5部分，详解自学习循环、三层记忆系统、自动技能创建与演化，还包括安装、多平台部署和真实场景应用。GitHub：github.com/alchaincyf/hermes-agent-orange-book主要内容：- 从Harness工程到Hermes Agent核心概念；- 学习循环、记忆系统、Skills与工具生态；- 动手安装、首次对话、多平台运行与自定义；- 知识助手、开发自动化、内容创作、多Agent实战；- 自学习Agent边界与三方对比深度思考。免费PDF下载，支持开发者与AI爱好者快速上手，基于Hermes Agent v0.7.0。#AI橙皮书##HermesAgent##人工智能#

65. Harness Engineering: 让 Coding Agent 可靠完成长程任务网页链接"Coding Agent 处理目标明确、规模可控的任务很成熟，但面对上千文件的批量迁移任务，会遇到上下文耗尽、中断无法恢复、规模放大后行为不可控等问题。本文从实际落地经验出发，提出任务拆解、并行执行、File As Progress 状态持久化、多层重试等核心设计，并结合真实场景展示完整方案。最终将这套编排经验沉淀为 meta-skill，让 Agent 自己生产长程任务的执行框架。"Harness 中的每一个环节，都隐含了一个"当前模型做不到"的假设。随着模型能力提升，这些假设会逐渐过期。做Harness Engineering 是在模型能力和工程可靠性之间找到合适的边界。模型每一次进化，这个边界都会移动：曾经需要脚本控制的环节，可能下一代模型就能自主处理了。但"确定哪些环节该交给模型、哪些该留在框架里"这个判断本身，不会因为模型变强而消失。每当新模型出现，重新审视这个边界，去掉一个环节，观察对结果的影响。Harness Engineering 是团队基础设施建设的一部分，解决 Agent 完成大规模任务时的不确定性，并提供可量化的结果评估能力。

66. 在线开发者和 AI 爱好者注意了！OpenAI 发布了超实用的开源项目「Skills Catalog for Codex」，它收集了大量可被 AI 代码代理（Codex）调用的技能包，帮助实现各种编程任务的自动化和智能化。这些「技能」本质上是任务指令、脚本和资源的合集，Codex 可以用它们来完成特定工作，实现写一次、处处用的高效复用。亮点功能：- 包含丰富的开发者工作流技能，支持自动化代码、测试、部署；- 覆盖多种语言及场景，比如 Python、JavaScript 甚至 Shell 脚本；- 支持官网推荐的“curated”和“experimental”技能安装，灵活拓展能力；- 易于创建和分享自定义技能，让你的 AI 助手更贴合实际需求。GitHub：github.com/openai/skills适合对 AI 代码自动化感兴趣的开发者和团队，提升工作效率的利器！#AI创造营##人工智能#

67. 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！

68. 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！

69. 「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

70. 盘点一周AI大事(3月22日)｜OpenAI红色警报字节开源AI超级员工DeerFlow 2.0 英伟达开源Agent安全补丁NemoClaw Okara发布AI CMO Junior开源能雇佣的AI员工Junior 清华开源Agent课堂OpenMAIC MiniMax发布最强开源大模型M2.7 Miro开源最强深度研究模型Miro Thinker H1 Unsloth开源AI训练工具Unsloth Studio Google升级AI Studio和Stitch 阿里开源最强影视配音模型Fun-CineForge Google开源最强视频超分模型Spark VSSR 研究员开源最强数字人模型ID-LoRA 研究员开源首个城市级别的世界模型Seoul World Model #前沿科技趋势发布月 #AI新星计划 #AI #AIGC #OpenAI

71. 太爽了！Hermes Agent 发布UI了，本地对接最强开源 Gemma 4 模型+ 微信（免费无需Token）| 零度解说

72. 「Github一周热点113期」AI 终端工具、一站式黑客工具箱、Skill 包、Codex 生态技能和AI短视频

73. 「Github一周热点103期」超轻量的clawdbot、编程智能体的记忆工具、聊天记录分析工具、视觉agent框架和键盘、鼠标统计工具

74. 快速了解Agent Skills，普通人也可以让AI成为技能专家

75. AI Agent性能翻倍！技能工程实操指南，新手也能轻松上手

76. AI Agent核心技能全解析

77. Agent Skills搭建超详细流程，存一下吧…… - 哔哩哔哩

78. Agent Skills完全指南

79. AI Agent Skill 完全科普指南

80. 一文搞懂什么是 Agent Skills

81. AI Agent Skills 全解析

82. Agent Skills是什么？有了GPT或Gem，还需要Skill吗？一次看懂

83. 什么是Agent skill

84. 一文读懂

85. Agent Skills 开放标准及其最佳实践

86. Agent 该如何实现 Skill 功能？

87. 从"AI会写代码"到"AI自己干活"

88. AI Agent 要变强

89. Skills、MCP、Sub-Agent 到底差在哪？AI Agent 体系概念辨析

90. 🔥一张图秒懂AI Agent的「大脑结构」！

91. AI应用-AI Agent

92. AIagent技术指南| OpenAI Agent 构建指南

93. Agency-Agents

94. 【科普】大火的 AI Agent Skills 是个什么东西？大神为你揭开神秘面纱 | 中英字幕

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

96. 一期带你彻底搞懂 Agent Skills，从原理到实战！ - 哔哩哔哩

97. 关于Claude Skills 的思考

98. Agent Skills 介绍

99. Agent 的下一层能力

100. 阿里通义最新Trace2Skill解读

101. 别让文本束缚了Agent！北大提出SSL三层架构，让大语言模型Agent技能真正“结构化”

102. 上交大54页综述讲透Agent认知外部化的演进之路

103. Anthropic Agent Skills

104. Agent Skills 完全指南

105. Agent 智能体

106. Agent基础概念面试题

107. 【AI Agent基础｜第一篇】AI模型的能力边界与分类

108. 为什么真正成熟的多智能体系统，一定需要 AI agent指挥官和 AI调度官？

109. 如何通过 Skills、MCP 和 Subagents 构建 AI Agent 能力操作系统？

110. 炸裂！GitHub 160k星的AutoGPT，让AI自己指挥自己，我试了试...

111. AutoGPT 2025

112. AI训练营——Day 14: ReAct、Toolformer、AutoGPT等框架

113. AutoGPT: 让每个人都能用上AI agent的开源平台

114. AI 智能体记忆系统现状深度调研（五）

115. 开源Agent生态正在分层

116. AI Agent 架构详解

117. 🤖AI Agent技术架构全景图

118. AI产品一图流

119. AI Agent 智能体架构模式全景解读

120. Agent技能工作流全拆解

121. 【2026年春季班】大模型Agent智能体开发实战（同步更新）

122. 别再啃 300 页技术文档了！AI Agent 最新技能快速上手的 3 条可落地路径

123. 怎么一开口就能让人觉得你很懂AI Agent

124. 【Agent入门到精通】01 - AI Agent的本质

125. AI Agent团队进化史

126. Skill0

127. Skills 为何成为 Agent 工程化的关键拼图？

128. Skill 越堆越多，Agent 为什么反而越不稳？

129. AI方向（2）：AI Agent笔记

130. 用好 Agent Skill，让AI代码编辑器效率起飞

131. 用一天跑通第一个AI Agent项目。AI Agent的核心竞争力在于能自主执行复杂任务，大幅提升自动化效率与智能决策能力🎚，核心涵盖四大模块：感知、记忆、规划决策、行动/工具调用。我完整整理了Agent搭建全流程，从基础框架搭建，到真实项目落地实现，跟着练完，你的Agent搭建能力直接拉满、原地封神！ #AIAgent #Agent #大模型 #人工智能 #学习打卡

132. Agent Memory 评估机制研究整理

133. 百万年薪的 AI Agent 工程师，到底掌握了什么底层逻辑？

134. Microsoft Agent Framework 使用 Skills

135. AI Agent的定义、核心能力和应用场景

136. AI Agent还是0基础？练完这78页，直接上手就牛

137. Agent Skills使用指南

138. Skill 编写进阶指南

139. AI Agent 开发者路线图：从入门到专家的成长路径

140. AI 编程必须安装的一个 Skill: Superpowers

141. AI编程躺赢指南：Agent技术到底强在哪？

142. 首篇全新情景认知视角的大模型Agent综述

143. 我愿称之为AI Agent最全学习路径！

144. Hermes Agent 技能矩阵：79个内置技能打造你的Agent智能工作流

145. 一文理解什么是 Agent Skill？

146. AI 军团：多智能体协调系统

147. 都写AI Agent怎么拉开技术差距？🧐

148. 一张图看懂AI Agent搭建全流程

149. 【Agent Skills洞察与实践】07- Agent Skill分析，如何实现技能的编排和评估

150. 企业级应用：AI指挥官如何跨平台调度多个Agent助手？

151. Agent技能越搭越乱？缺这套分层逻辑给agent写了一堆技能文件，刚开始还行，任务一复杂就乱套——调用顺序错乱、直接卡死。换模型也没用。根本原因不在模型，在技能组织方式。硅谷团队GooseWork提出了一套原子-分子-化合物三层架构，用分层替代平铺网络。 #Agent架构 #技能分层 #SkillGraph #AI工作流 #开发效率

152. 多Agent协同调度：当排产、质检、运维agent开始开会

153. 一图看懂AIAgent全流程，吃透版！！

154. 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

155. 2026最火AI技术Agent：让AI真正帮你干活

156. 本地 AI 推理平台第十九期 Vol.19｜多智能体：主 Agent 如何调度子 Agent 这一期我们不再让一个 Agent 做所有事情，而是尝试一个更自然的方向： 👉 多智能体协作（Multi-Agent）在实际开发中，一个 Agent 的能力越来越多： * 能搜索 * 能写代码 * 能分析项目 * 能调用工具但问题也随之而来： 👉 越强的 Agent，越难维护、越难扩展。这一期我做了一个更简单、也更工程化的方案： 👉 主 Agent + 子 Agent 的结构 * 主 Agent：负责任务理解与调度 * 子 Agent：负责具体能力执行在视频中我演示了两个典型场景： 1️⃣ 搜索 + 总结任务用户输入：帮我找一下 Rust 学习资料，并总结一下主 Agent 会自动判断这是“搜索类任务”，然后调用 search_agent 完成搜索，再统一输出结果。 2️⃣ 本地项目分析用户输入：帮我分析本地某个项目主 Agent 判断为“代码分析任务”，调用 code_agent 完成项目结构分析。通过这种方式： 👉 不同能力被拆分到不同 Agent 中 👉 主 Agent 只负责调度，而不是亲自执行这一期的核心不是“多了几个 Agent”，而是： 👉 从单 Agent，走向可调度的 AI 系统。同时，这个版本还是“显式调度”，也就是主 Agent 决定调用哪个子 Agent。下一步，我会让系统支持： 👉 自动选择 Agent（智能路由）如果你对： * AI Agent * 多智能体系统 * AI 工程架构 * 本地 AI 推理平台感兴趣，欢迎关注这个系列。 #多智能体 #MultiAgent #Agent #AI工程 #AI架构

157. 手把手教你写第一个 Agent Skill：让 AI 自动搞定“痛苦”的周报！

158. 读者 30+ 问合集：从"多 Agent 调度不准"到 AI 团队协作避坑指南

159. 深度智能体框架DeepAgent剖析

160. 企业级OpenClaw落地指南：通过私有化部署构建AIAgent工作流？

161. 分享一下我的Agent学习路线

162. AI Agent 框架对比：Hermes vs AutoGPT vs CrewAI 怎么选？

163. 从“动嘴”到“动手”：AIAgent开启数字员工时代

164. Agent搭建-超详细教程，存一下吧 - 哔哩哔哩

165. 如何开发一个好用的Agent Skills

166. AI Agent 的入门系列分享，包括大模型、记忆、能力（Function Calling / MCP / Skills）、知识库，以及Agent的框架到一起手搓落地到AI应用；分享为了帮助AI小白用户，了解基础概念，找到学习路径；在面对海量信息的时候，能先构建起自己的基础判断力。 #aiagent #大模型 #claude #gemini #自学ai

167. 背完这64页，你的Agent就可以了。遭点罪背完这64页，你的Agent就可了！AI Agent的魅力在于它能够自动搞定复杂任务，让自动化和智能决策的效率飙升，任务自动化轻松get！它主要包括四大核心能力：感知、记忆、规划与决策、行动/使用工具。#大模型 #每天跟我涨知识 #知识分享 #计算机 #编程

168. 给 AI Agent 装技能包(Skills)，有时还会有副作用？

169. Agent智能体学习路线：从概念到落地，3步

170. 普及一下字节Agent上岸需要达到的学习强度

171. 3分钟大白话讲透AI Agent到底是什么？传统AI，它的强项是回答问题。但AI Agent不同，它至少多出了四个核心能力：思考、记忆、使用工具、以及行动。当它接到一个任务时，它会“先规划，再执行”。 📕任务分解：它会把一个大目标拆解成无数个具体的执行步骤。 📕智能决策：它会分析手里有哪些资源，哪种方案最优。 📕调用工具：这是最酷的一点。它能像人一样上网查资料、用Excel处理数据，甚至操作浏览器。如果需要做一个登陆系统，AI Agent可以自主设计架构、编写前后端代码、建立数据库，甚至直接帮你把服务器都部署好。我们从“写代码的人”变成了“Code Reviewer（代码审核员）”，只需要负责审核把关。对于自媒体创业者，AI Agent能帮你搞定账号定位、选题设计，甚至一口气写好30篇文案，自动生成配图，然后定时发布。它一个人就是一支运营团队。其实，AI Agent带来的是一场生产力的革命。我们正在从“人操作工具”的时代，跨越到“人管理智能体”的时代。未来的工作逻辑变成了：人 -> AI Agent -> 世界。在这种模式下，你的“执行力”变得不那么重要了，但你的“判断力”变得至关重要。未来最稀缺的能力，不是你会写多少行代码，或者PPT做得多漂亮，而是你能不能给AI下达最正确的目标，以及你是否有管理智能体的能力。 #AI工具 #ChatGPT #aiagent #AIAgent #生产力工具

172. 3分钟大白话讲透AI Agent到底是什么？

173. SkillNet--AI agent新基建?

174. Skill与SubAgent：AI Agent设计的核心选择

175. AI Agent试题解析题目智能体（Agent）的核心特征不包括以下哪项？详细解析智能体（Agent）的核心特征是其能够自主完成任务并与环境交互的关键能力，主要包括： 1. 自主性：能够独立决策，无需人类持续干预； 2. 环境感知能力：通过传感器或输入设备感知周围环境； 3. 目标导向性：围绕预设目标规划并执行行动； 4. 社交能力：与其他智能体或人类进行交互协作。被动响应性指依赖外部指令触发行动，缺乏自主决策能力，因此不属于智能体的核心特征。#计算机求职 #求职面试 #刷题神器 #应届生求职

176. AI Agent：会“干活”的智能助手

177. AI Agent实战指南：从原理到代码，小白也能学会的智能自动化技术，建议收藏！

178. AI Agent 到底是怎么“干活”的？本文直击核心为你讲述！开发者必备，赶紧收藏！

AI Agent落地必看：三大核心能力缺一不可

精选参考来源