简介

Anthropic推出的Agent Skills将AI能力从Prompt升级为可管理模块，通过SKILL.md结构化描述能力，采用"索引→选择→按需加载"机制，解决了传统Agent中能力难复用、上下文膨胀等问题。Skill具备可复用、可维护、可共享、可版本化等软件工程属性，实现Prompt负责调度、Skill负责执行的解耦设计，为AI Agent能力工程化管理提供了新范式。

---

当前大多数 Agent 仍然是通过 Prompt 来注入能力：一次性描述目标、流程和规则。 但随着Prompt 越来越长，能力越来越难复用，很快就会遇到 能力难复用、上下文膨胀、维护成本高 等问题。

Anthropic 推出的 Agent Skills，以及 LangChain 对其的支持，正是在工程层面尝试解决这个问题：

让 Agent 的能力从 Prompt，升级为可管理的模块。

———— 什么是 Skill ————

一个 Skill 是一个目录，包含一个 SKILL.md 文件，文件中组织了指令、脚本和资源，用于赋予 Agent 额外能力。

每个 Skill 的核心文件是 SKILL.md，用于结构化描述该能力，包括：

• 名称（name）：Skill 的标识
• 能力说明（description）：Skill 可以完成的任务
• 使用场景（usage）：适合调用的情况
• 操作流程（instructions）：如何使用或调用 Skill
• 依赖信息（dependencies，可选）：Skill 可能依赖的工具或资源

官方示例中，例如 PDF 处理 Skill (document-skills/pdf/SKILL.md)，通过 SKILL.md 说明了如何让 Agent 读取、编辑和填写 PDF 文件，并附带所需资源和操作说明。这个示例清楚地表明：Skill 是一个可调用、可管理、可复用的能力单元。

注意：官方并未规定 Skill 目录必须包含特定文件，除 SKILL.md 外的脚本、文档、配置或示例文件都是可选的，目的是辅助 Skill 的执行和管理。

1. Skill 与 Prompt 的关系

从工程角度看：

• Prompt：负责描述当前任务目标、上下文意图和临时约束
• Skill：封装稳定能力、固定流程和可复用操作

也就是说：

Prompt 负责“调度”，Skill 负责“执行能力”。

比如，Prompt 就像你在家里对吸尘器说：“嘿，打扫下客厅”，而Skill 就是吸尘器实际完成扫地、避障、充电的动作:

这种设计让 Agent 的能力不再绑定于单次对话，而是成为可重复调用的模块化单元。

---

2. Skill 的加载机制

Skills 并不会在 Agent 启动时全部加载，而是采用 索引 → 选择 → 按需加载 的模式：

• 索引阶段：加载 Skill 元信息（name、description、usage）作为“能力索引表”
• 规划阶段：Agent 根据索引判断是否需要某个 Skill
• 执行阶段：当 Skill 被选中时，完整内容和资源才会加载到上下文

这种延迟加载机制在工程上解决了上下文膨胀、Token 消耗过高和规划执行耦合等问题。

---

3. Skill 的工程价值

在 Skill 体系下，Agent 的能力首次具备了 软件工程属性：

• 可复用：同一 Skill 可被多个 Agent 调用
• 可维护：Skill 独立更新，无需修改原 Prompt
• 可共享：团队或组织内部可建立 Skill 仓库
• 可版本化：支持升级、回滚或灰度发布

通过 Skill，Agent 的能力从一次性文本升级为 可管理、可演化的工程单元。

———— 最后 ————

从工程角度看，Skill 模块化 AI 能力，解耦 Prompt 与执行，使 Agent 可复用、可维护、可扩展。

就像软件插件化一样，AI Agent 的能力越来越需要工程化管理，这也提醒我们，在 AI 发展时代，工程能力同样不能丢。

如何系统的学习大模型 AI ？

由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。

但是具体到个人，只能说是：

“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。

这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。

我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。

我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

一直在更新，更多的大模型学习和面试资料已经上传带到CSDN的官方了，有需要的朋友可以扫描下方二维码免费领取【保证100%免费】👇👇

01.大模型风口已至：月薪30K+的AI岗正在批量诞生

2025年大模型应用呈现爆发式增长，根据工信部最新数据：

国内大模型相关岗位缺口达47万

初级工程师平均薪资28K（数据来源：BOSS直聘报告）

70%企业存在"能用模型不会调优"的痛点

真实案例：某二本机械专业学员，通过4个月系统学习，成功拿到某AI医疗公司大模型优化岗offer，薪资直接翻3倍！

02.大模型 AI 学习和面试资料

1️⃣ 提示词工程：把ChatGPT从玩具变成生产工具
2️⃣ RAG系统：让大模型精准输出行业知识
3️⃣ 智能体开发：用AutoGPT打造24小时数字员工

📦熬了三个大夜整理的《AI进化工具包》送你：
✔️ 大厂内部LLM落地手册（含58个真实案例）
✔️ 提示词设计模板库（覆盖12大应用场景）
✔️ 私藏学习路径图（0基础到项目实战仅需90天）

第一阶段（10天）：初阶应用

该阶段让大家对大模型 AI有一个最前沿的认识，对大模型 AI 的理解超过 95% 的人，可以在相关讨论时发表高级、不跟风、又接地气的见解，别人只会和 AI 聊天，而你能调教 AI，并能用代码将大模型和业务衔接。

• 大模型 AI 能干什么？
• 大模型是怎样获得「智能」的？
• 用好 AI 的核心心法
• 大模型应用业务架构
• 大模型应用技术架构
• 代码示例：向 GPT-3.5 灌入新知识
• 提示工程的意义和核心思想
• Prompt 典型构成
• 指令调优方法论
• 思维链和思维树
• Prompt 攻击和防范
• …

第二阶段（30天）：高阶应用

该阶段我们正式进入大模型 AI 进阶实战学习，学会构造私有知识库，扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架，抓住最新的技术进展，适合 Python 和 JavaScript 程序员。

• 为什么要做 RAG
• 搭建一个简单的 ChatPDF
• 检索的基础概念
• 什么是向量表示（Embeddings）
• 向量数据库与向量检索
• 基于向量检索的 RAG
• 搭建 RAG 系统的扩展知识
• 混合检索与 RAG-Fusion 简介
• 向量模型本地部署
• …

第三阶段（30天）：模型训练

恭喜你，如果学到这里，你基本可以找到一份大模型 AI相关的工作，自己也能训练 GPT 了！通过微调，训练自己的垂直大模型，能独立训练开源多模态大模型，掌握更多技术方案。

到此为止，大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗？

• 为什么要做 RAG
• 什么是模型
• 什么是模型训练
• 求解器 & 损失函数简介
• 小实验2：手写一个简单的神经网络并训练它
• 什么是训练/预训练/微调/轻量化微调
• Transformer结构简介
• 轻量化微调
• 实验数据集的构建
• …

第四阶段（20天）：商业闭环

对全球大模型从性能、吞吐量、成本等方面有一定的认知，可以在云端和本地等多种环境下部署大模型，找到适合自己的项目/创业方向，做一名被 AI 武装的产品经理。

• 硬件选型
• 带你了解全球大模型
• 使用国产大模型服务
• 搭建 OpenAI 代理
• 热身：基于阿里云 PAI 部署 Stable Diffusion
• 在本地计算机运行大模型
• 大模型的私有化部署
• 基于 vLLM 部署大模型
• 案例：如何优雅地在阿里云私有部署开源大模型
• 部署一套开源 LLM 项目
• 内容安全
• 互联网信息服务算法备案
• …

学习是一个过程，只要学习就会有挑战。天道酬勤，你越努力，就会成为越优秀的自己。

如果你能在15天内完成所有的任务，那你堪称天才。然而，如果你能完成 60-70% 的内容，你就已经开始具备成为一名大模型 AI 的正确特征了。

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】