大家好，我是讯享网，很高兴认识大家。这里提供最前沿的Ai技术和互联网信息。



 
  
    
     
三个月前 Anthropic 的 Barry 和 Mahesh 在一次内部分享里说了一句话：别再造 Agent 了，造 Skills 就够了。三个月后，GitHub 上 Skills 仓库超过 8 万个，Uber 内部管着 500+ 个，四个头部开源框架加起来拿了 30 万星。Skill 系统从一个简单的想法变成了 AI Agent 生态最活跃的工程方向
 

---

AI Agent 和普通 LLM 调用的核心区别在于执行力。能读写文件、跑 Shell、调 API、上网。但执行力只解决了"能不能做"，没有解决"做得好不好"

Anthropic 用了一个精准的类比。你报税的时候，选 300 IQ 的数学天才 Mahesh，还是选经验丰富的税务专家 Barry？答案是 Barry。没人希望 Mahesh 从第一性原理推导 2025 年税法

现在的 Agent 都像 Mahesh。极其聪明，但缺乏专业经验。给够引导能做出惊艳的事，前期缺少关键上下文，也不会从历史任务中学习。每次新 session 都从零开始

这就是 Skill 要解决的根本问题：把领域知识、工作流、**实践打包成可复用的模块，让 Agent 从通才变专家

---

一句话：打包了可组合程序性知识的文件集合。说白了就是文件夹

这个极简设计是刻意的。任何人，不管是人还是 Agent，只要有一台电脑就能创建和使用 Skills。可以用 Git 管版本，丢 Google Drive 共享，打 zip 发给团队

Anthropic 把架构收敛成了一个清晰的模式：Agent 循环管理上下文 + 运行时环境提供文件系统和代码执行 + MCP 服务器连接外部数据 + Skills 库按需加载专业能力。MCP 提供外部连接，Skills 提供专业知识，两者互补

渐进式加载（Progressive Disclosure）解决了规模问题。一个 Agent 可能装几百个 Skills，全塞进上下文窗口不现实。运行时只给模型看元数据，Agent 决定要用某个 Skill 时再读取完整指令，其他参考资料按需访问。Skills 数量可以无限扩展

处理器、操作系统、应用。模型像处理器，Agent Runtime 像操作系统，Skills 像应用。少数公司造处理器和操作系统，全世界数百万开发者造软件

---

Anthropic 内部有几百个 Skills 在活跃运行。工程师 Thariq 公开分享的经验里，最有价值的是两套分类体系

9 种最有效的 Skill 类型覆盖了几乎所有使用场景。库和 API 参考教 Agent 正确使用某个 SDK。产品验证配合 Playwright 做端到端测试。数据获取连接监控系统。业务流程自动化把重复工作打包成一个命令。代码脚手架生成框架样板。代码质量审查强制执行标准。CI/CD 管理部署流水线。Runbooks 走多工具调查输出结构化报告。基础设施运维处理例行维护

好的 Skill 清楚地属于其中一个类别。搞不清自己属于哪类的 Skill 往往效果最差

5 种设计模式解决的是内部逻辑组织。Google Cloud 团队研究了整个生态后总结出来的

工具包装器（Tool Wrapper）给 Agent 按需加载某个库的上下文，条件触发，审查代码走一套流程，编写代码走另一套。生成器（Generator）通过编排"填空"流程强制输出一致性，模板和风格指南作为外部资源独立更新。审查器（Reviewer）把"检查什么"和"怎么检查"分离，换一份清单就能从代码审查变成安全审计。反转模式（Inversion）翻转 Agent 的默认行为，让它先当面试官收集信息再行动，门控机制保证不跳步。管道模式（Pipeline）强制执行严格的顺序工作流，设置硬检查点

这五种模式可以组合。一个管道 Skill 在最后包含一个审查步骤检查自己的输出。一个生成器在开头依赖反转模式收集必要变量

---

社区的响应非常快。目前影响力最大的四个 Skill 框架各走了一条不同的路线

agent-skills（8.8K 星，Addy Osmani）走标准化路线。19 个核心 Skill 覆盖从 /spec 到 /ship 的完整开发生命周期，7 个斜杠命令，3 个专家 Agent 人设（代码审查员、测试工程师、安全审计师）。最有意思的设计是"反合理化表"，列出了 Agent 常用来跳过关键步骤的借口和对应的反驳，防止 Agent 偷懒。标准化意味着任何团队都能直接用，不需要大幅定制

superpowers（14 万星，obra）走方法论强制路线。强制 TDD 红绿重构循环，子 Agent 驱动开发，每个任务派一个全新的 Agent 执行再做两轮代码审查。Git worktree 隔离保证并行开发不冲突。Skill 在这里的角色更像是强制执行的方法论，不是可选的建议。你不能选择跳过测试

gstack（6.7 万星，Garry Tan）走虚拟团队路线。把 Claude Code 变成了一个 23 人的虚拟工程团队。CEO、设计师、工程师、QA 负责人、发布经理、首席安全官各司其职，Sprint 流水线从 Think 到 Ship 到 Reflect。/learn 命令管理跨 session 的模式积累，/cso 做 OWASP/STRIDE 安全审计。最大特点是角色分工，每个角色有独立的专业知识和约束

compound-engineering（1.36 万星，Every）走知识积累路线。核心理念是每次工程迭代都应该让下一次更容易。6 个 /ce: 命令，80% 规划和审查、20% 执行。最独特的是 /ce:compound 命令，在每个迭代结束时提取经验教训写入知识库，让未来的工作自动受益于过去的积累。Plan、Delegate、Assess、Codify 四步循环

四条路线的对比很清晰。agent-skills 给你标准化工具箱，superpowers 给你强制方法论，gstack 给你虚拟团队，compound-engineering 给你知识飞轮

---

Skill 系统在企业里的采用速度超出预期

Anthropic 自己内部有几百个 Skills 在活跃运行。他们的经验是让一个工程师花一周时间专门优化验证类 Skill 是非常值得的投入。分发用的是有机发现的方式：先放到 sandbox 文件夹，在 Slack 上分享，获得足够使用量后再提交到市场

Uber 内部管理着 500+ 个 Skills。Anthropic 和 Uber 做了一场直播专门讲企业级 Skill 实战。规模一上去，就必须解决发现、分类、版本管理、质量控制的问题

Every 是另一个极端。15 个人的团队，99% 的代码由 AI 生成，MRR 连续 6 个月双位数增长。CEO Dan Shipper 的 Compounding Engineering 方法论把 Skills 变成了知识飞轮：每做完一个功能，把积累的经验固化成 prompt，写进 CLAUDE.md，写进 sub-agent 配置，写进 slash command。隐性知识变显性，然后在整个组织里传播

非技术人员也在建 Skills。财务、招聘、法务、会计，这些人不写代码，但能用 Skills 把通用 Agent 变成自己的专属工具。这可能是 Skill 系统最深远的影响

社区端同样爆发。有人扫了 1000 个仓库筛出 50 个最值得装的 Skills。SkillsMP 收录了 8 万多个，SkillHub 做了 AI 评分，agentskills.io 出了官方规范。Anthropic 自己开源了 PDF、DOCX、PPTX、XLSX 等办公 Skills，还有一个元 Skill（Skill Creator），描述一个工作流 5 分钟生成一个 SKILL.md

---

Anthropic 的 Thariq 分享了几条核心写作经验，加上我们 baoyu 17 个开源 Skills 拿到 9000 星的实战，总结出六条

不要说显而易见的事情。Claude 对代码库已经了解很多，对编程有很多默认判断。Skill 要专注在能把 Claude 推出默认思维方式的信息上。Anthropic 的前端设计 Skill 通过跟客户反复迭代来改善 Claude 的设计品味，避开 Inter 字体和紫色渐变

建立踩坑清单。任何 Skill 中信号密度最高的内容就是踩坑清单。从 Claude 使用 Skill 时遇到的常见失败点中积累，随时间持续更新

善用文件系统做渐进式披露。把详细的函数签名和用法示例拆到 references/ 里，输出模板放 assets/。告诉 Claude 你的 Skill 里有哪些文件，它会在合适的时候自己去读

从 prompt 出发而非从架构出发。baoyu 的经验是先把有效的 prompt 沉淀下来，然后逐步结构化。不要上来就设计复杂的目录结构

原子化拆分。一个 Skill 只做一件事。需要组合时让 Agent 在运行时串联多个 Skills，而不是做一个巨型 Skill 试图覆盖所有场景

description 字段写给模型看。Claude Code 启动时扫描所有 Skill 的描述来决定是否触发。description 不是摘要，是触发条件的描述

---

回看我们过去 60 篇文章追踪的四根柱子（Skill、Harness、记忆、安全），一个明显趋势是 Skill 的职责在扩大，正在吞噬其他三根柱子

superpowers 的 Skill 强制执行 TDD 方法论（承载了 Harness 治理的职责），自动保存设计文档和计划（承载了记忆的职责）。gstack 的 /cso 安全审计是一个 Skill，/guard 安全护栏是一个 Harness 机制，/learn 经验积累是一个记忆功能，三者无缝融合在同一个 Sprint 流水线里。compound-engineering 的 /ce:compound 既是记忆也是 Harness 也是 Skill

最早的 Skill 只是一段提示词模板。现在的 Skill 同时承载工作流定义、经验积累、安全审计。一个设计良好的 Skill 框架可以同时承载工作流约束、经验积累和安全检查

还有几个方向正在推进。测试和评估：确保 Agent 在正确时机加载正确 Skill，输出质量达标。版本管理：Skill 演变带来的行为变化需要清晰追踪。依赖声明：Skills 之间互相引用，声明对 MCP 服务器和环境的依赖。Skill 正在被像对待软件一样对待

当 Claude 自己开始创建 Skills 的时候，系统会真正转起来。Skills 的标准化格式保证了一个特性：Claude 今天写下的任何东西，未来的 Claude 都能高效复用。Anthropic 的目标是，和你一起工作 30 天后的 Claude 要比第一天强得多。这不靠模型升级，靠知识积累

🤔2026年AI风口已来！各行各业的AI渗透肉眼可见，超多公司要么转型做AI相关产品，要么高薪挖AI技术人才，机遇直接摆在眼前！

有往AI方向发展，或者本身有后端编程基础的朋友，直接冲AI大模型应用开发转岗超合适！

就算暂时不打算转岗，了解大模型、RAG、Prompt、Agent这些热门概念，能上手做简单项目，也绝对是求职加分王🔋

📝给大家整理了超全最新的AI大模型应用开发学习清单和资料，手把手帮你快速入门！👇👇

学习路线:

以上6大模块，看似清晰好上手，实则每个部分都有扎实的核心内容需要吃透！

我把大模型的学习全流程已经整理📚好了！抓住AI时代风口，轻松解锁职业新可能，希望大家都能把握机遇，实现薪资/职业跃迁～

这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】