Claude Skills一出,谁与争锋!40分钟“点化”一个智能客服,看懂AI时代的“降本增效”!

Skill Creator:将你的AI助手打造成行业专家 技能 (Skills)是模块化、自包含的软件包,旨在通过提供专业知识、特定工作流和工具集成来扩展AI代理(如Claude)的能力。您可以将它们想象成特定领域或任务的“入职指南”,它们将Claude从一个通用代理转变为一个配备了模型本身无法完全具备的程序化知识的专业代理。核心价值专业化 (Specialization):将通用AI转化为特定领域的专家,例如财务分析师、图像编辑师、前端开发者或项目经理。效率 (Efficiency):自动化重复性高、耗时长的任务,减少人工干预和错误。 阅读详情

Anthropic在几天前发布了Claude Skills(智能体技能)功能,这项新特性在某种程度上比Model Context Protocol(MCP)更具实用价值。Claude Skills允许开发者为Claude Code提供定制化的技能包,使其能够理解和使用未曾接触过的开发框架和工具包。

本教程将通过一个完整的实战案例——构建企业级智能客服系统——来演示Claude Skills的核心使用方法。这个系统包含Next.js前端、Clerk用户认证以及基于Google Agent Development Kit(ADK)的多智能体框架。

通过本教程,读者将掌握如何创建自定义技能、将新技术框架文档转化为Claude可用的知识库,以及构建完整的生产级应用。希望对你有所启发。

PART 01 Claude Skills核心概念:超越MCP的渐进式知识加载

1.1 什么是Agent Skills

Agent Skills是Claude Code的一项新功能,它允许开发者将特定技术框架或工具的文档打包成"技能包",供Claude在开发过程中动态加载和使用。与传统的将所有文档一次性塞入上下文窗口的方式不同,Agent Skills采用渐进式加载机制。

核心特点:

  • 按需加载

    只在需要时加载相关文档片段

  • 层次化结构

    通过目录结构组织知识

  • 智能检索

    Claude能够根据任务需求自主查找相关文档

  • 持久化知识

    技能包可复用,无需重复提供相同文档

1.2 Agent Skills vs MCP vs Sub-agents

三种技术的核心区别:

维度Agent SkillsMCPSub-agents
知识加载方式渐进式、按需加载一次性工具注册独立上下文窗口
上下文占用极小(动态加载)中等(工具定义)大(完整上下文)
使用场景学习新框架文档调用外部工具/API并行执行任务
学习能力高(类似人类阅读文档)低(固定工具调用)中(预设指令)

为什么Agent Skills更重要:

传统的MCP如Context7虽然能查询最新文档,但只是"检索"功能——Claude可以看到文档内容,但不一定能深度理解如何使用。而Agent Skills通过结构化的知识组织和渐进式学习,让Claude真正"理解"一个框架的使用方法,类似人类开发者阅读技术文档的过程。

1.3 渐进式知识加载的工作原理

Agent Skills采用层次化的文档结构:

skill-name/├── SKILL.md              # 技能概述和快速入门├── references/           # 详细API参考文档│   ├── core-concepts.md│   ├── api-reference.md│   └── advanced-topics.md├── examples/             # 实战代码示例│   ├── basic-usage.py│   └── advanced-features.py└── development/          # 开发指南    ├── setup.md    └── best-practices.md

加载流程:

  1. Claude首先读取SKILL.md了解框架概况
  2. 根据任务需求,查询references/中的相关文档
  3. 参考examples/中的代码示例
  4. 遵循development/中的最佳实践

这种方式避免了一次性加载所有文档导致的上下文污染,同时保证了知识获取的精准性。

PART 02 创建自定义Agent Skill:以Google ADK为例

2.1 项目需求与技术选型

项目目标:

构建一个电商客服系统,支持:

  • 产品信息查询(价格、库存)
  • 订单管理(查询、退货)
  • 客户信息检索
  • 多客服代表独立登录

技术栈:

  • 前端

    Next.js

  • 认证

    Clerk(支持Gmail OAuth)

  • 多智能体框架

    Google Agent Development Kit (ADK)

  • AI模型

    Gemini 2.5 Flash

为什么选择ADK:

ADK是Google推出的多智能体开发框架,支持并行和顺序智能体编排。但Claude Code默认不了解ADK的使用方法,因此需要创建自定义技能。

2.2 准备ADK文档

步骤1:下载官方文档

访问ADK官方文档网站,下载所有HTML格式的文档文件。通常包括:

  • 概述和架构说明
  • Python SDK文档
  • Java SDK文档
  • API参考
  • 示例代码

步骤2:组织文档结构

将下载的文档按照以下结构整理:

adk-docs/├── overview.html├── quickstart/│   ├── python-quickstart.html│   └── java-quickstart.html├── core-concepts/│   ├── agents.html│   ├── tools.html│   └── orchestration.html├── api-reference/│   ├── agent-api.html│   └── tool-api.html└── examples/    ├── basic-agent.html    └── multi-agent-system.html

步骤3:打包为ZIP文件

将整理好的文档打包成adk-documentation.zip,准备提供给Claude。

2.3 使用Skill Creator创建技能

Claude Code内置了一个特殊的"Skill Creator"技能,专门用于从文档创建新技能。

操作步骤: 1. 上传文档包

在Claude Code中,找到Skill Creator功能,上传准备好的adk-documentation.zip文件。

2. 提供上下文描述

这是Google Agent Development Kit (ADK)的完整文档。ADK是一个多智能体开发框架,支持:- 创建单个和多个智能体- 并行和顺序智能体编排- 工具定义和调用- 与Google AI模型集成请基于这些文档创建一个技能包,使Claude能够使用ADK构建多智能体系统。

3. 技能生成过程

Skill Creator会执行以下步骤:

  1. 解压ZIP文件
  2. 分析文档结构(识别HTML层级)
  3. 提取核心概念和API定义
  4. 生成SKILL.md(快速入门指南)
  5. 创建references/目录(详细文档)
  6. 生成examples/目录(代码示例)
  7. 打包成新的技能ZIP文件

生成时间:通常需要2-5分钟,取决于文档规模。

2.4 技能包结构解析

生成的技能包包含以下内容:

SKILL.md(主文件):

# Google ADK Skill
## Overview
Google Agent Development Kit (ADK) is a framework for building
multi-agent AI systems with orchestration capabilities.
## Quick Start
### Python
```python
from google.adk import Agent, Tool
# Create a basic agent
agent = Agent(
name="support_agent",
model="gemini-2.5-flash",
tools=[search_tool, order_tool]
)

Java

Agent agent = Agent.builder()
.name("support_agent")
.model("gemini-2.5-flash")
.tools(searchTool, orderTool)
.build();

Core Concepts

  • Agents: AI entities that can use tools
  • Tools: Functions agents can call
  • Orchestration: Sequential and parallel execution

```plaintext

references/(参考文档):

  • agent-creation.md

    智能体创建详解

  • tool-definition.md

    工具定义规范

  • orchestration-patterns.md

    编排模式

  • error-handling.md

    错误处理

examples/(代码示例):

  • basic-agent.py

    基础智能体示例

  • multi-agent-parallel.py

    并行智能体

  • multi-agent-sequential.py

    顺序智能体

  • custom-tools.py

    自定义工具

2.5 安装技能到项目

步骤1:创建技能目录结构

在项目根目录创建:

mkdir -p .claude/skills

步骤2:下载并解压技能包

将Skill Creator生成的ZIP文件下载,解压到:

.claude/skills/google-adk/├── SKILL.md├── references/├── examples/└── development/

步骤3:验证技能可用

在Claude Code中,技能会自动被识别。可以通过以下方式验证:

  • 查看.claude/skills/目录
  • Claude Code会在启动时加载所有技能
  • 可以在对话中要求Claude"查看可用的技能"

PART 03 使用ADK技能构建多智能体客服系统

3.1 项目初始化与需求说明

创建项目提示词:

帮我创建一个多智能体系统用于电商客服支持。系统要求:1. 使用Google ADK框架(参考我提供的ADK技能)2. 创建模拟数据集,包括:   - 产品信息(名称、价格、库存)   - 客户数据   - 订单记录3. 客服功能:   - 产品查询:查询产品价格和可用性   - 订单管理:查询订单状态、处理退货   - 客户信息:根据客户名称检索信息4. 智能体编排:   - 使用并行智能体处理独立查询   - 使用顺序智能体处理复杂流程5. 使用ADK UI界面进行测试请先查看我提供的Google ADK技能文档,然后基于最佳实践实现。

Claude的执行过程:

  1. 读取技能文档
[Claude] 正在查看Google ADK技能...   [Claude] 已理解ADK框架的核心概念
  1. 规划实现
[Claude] 计划创建以下组件:   - 产品搜索工具   - 订单查询工具   - 客户查询工具   - 退货处理工具   - 主客服智能体(协调所有工具)
  1. 生成代码

Claude会创建项目结构并实现所有组件

3.2 核心代码实现解析

数据模型定义:

# customer_data.pycustomers = [    {        "id": "C001",        "name": "Michael Johnson",        "email": "michael@example.com",        "phone": "+1-555-0123"    },    {        "id": "C002",        "name": "Sarah Williams",        "email": "sarah@example.com",        "phone": "+1-555-0456"    }]products = [    {        "id": "P001",        "name": "Wireless Headphones",        "price": 79.99,        "stock": 150,        "category": "Audio"    },    {        "id": "P002",        "name": "Samsung 1TB SSD",        "price": 129.99,        "stock": 85,        "category": "Storage"    }]orders = [    {        "id": "O001",        "customer_id": "C001",        "products": ["P001", "P002"],        "total": 209.98,        "status": "shipped",        "date": "2025-10-20"    }]

工具定义:

# tools.pyfrom google.adk import Tool# 产品搜索工具product_search_tool = Tool(    name="search_products",    description="搜索产品信息,支持按名称、类别筛选",    parameters={        "query": {"type": "string", "description": "搜索关键词"},        "category": {"type": "string", "description": "产品类别(可选)"}    },    function=search_products_handler)# 客户查询工具customer_lookup_tool = Tool(    name="find_customer",    description="根据客户名称或ID查询客户信息",    parameters={        "customer_name": {"type": "string", "description": "客户姓名"},        "customer_id": {"type": "string", "description": "客户ID(可选)"}    },    function=find_customer_handler)# 订单查询工具order_lookup_tool = Tool(    name="get_customer_orders",    description="获取客户的所有订单",    parameters={        "customer_id": {"type": "string", "description": "客户ID"}    },    function=get_orders_handler)# 退货处理工具return_tool = Tool(    name="process_return",    description="处理产品退货请求",    parameters={        "order_id": {"type": "string", "description": "订单ID"},        "product_id": {"type": "string", "description": "产品ID"},        "reason": {"type": "string", "description": "退货原因"}    },    function=process_return_handler)

智能体创建:

# agent.pyfrom google.adk import Agentfrom tools import *customer_support_agent = Agent(    name="Customer Support Agent",    model="gemini-2.5-flash",    system_instruction="""    你是一个专业的电商客服智能体。    你的职责包括:    1. 帮助客户查询产品信息    2. 查询订单状态    3. 处理退货请求    4. 提供专业、友好的服务    使用可用的工具来获取准确信息。    """,    tools=[        product_search_tool,        customer_lookup_tool,        order_lookup_tool,        return_tool    ])

ADK UI配置:

# app.pyfrom google.adk.ui import launch_ui# 启动ADK UI界面launch_ui(    agents=[customer_support_agent],    port=8080,    title="电商客服系统")

3.3 系统测试与功能验证

测试场景1:产品查询

用户:你们有什么耳机产品?智能体执行:1. 调用 search_products(query="耳机")2. 返回结果:   - Wireless Headphones   - 价格:$79.99   - 库存:150台智能体回复:"我们目前有Wireless Headphones,价格为$79.99,库存充足,有150台可售。"

测试场景2:客户订单查询

用户:查找名叫Michael的客户,他下过什么订单?智能体执行:1. 调用 find_customer(customer_name="Michael")2. 找到客户 Michael Johnson (ID: C001)3. 调用 get_customer_orders(customer_id="C001")4. 获取订单信息智能体回复:"客户Michael Johnson(ID: C001)有1笔订单:- 订单号:O001- 购买产品:Wireless Headphones, Samsung 1TB SSD- 总金额:$209.98- 状态:已发货- 日期:2025-10-20"

测试场景3:复杂查询(多工具协作)

用户:查询我们有哪些SSD?价格是多少?有客户买过吗?智能体执行:1. 调用 search_products(query="SSD")   → 找到 Samsung 1TB SSD ($129.99)2. 需要查询购买记录,但当前工具不支持按产品查订单3. 智能体识别到工具限制,建议增强功能智能体回复:"我们有Samsung 1TB SSD,价格$129.99,库存85台。关于购买记录,目前只能通过客户ID查询订单,无法直接查询特定产品的购买历史。建议开发团队添加'按产品ID查询订单'的工具。"

PART 04 添加用户认证:Clerk集成实战

4.1 为什么选择Clerk

Clerk是一个现代化的用户认证和管理平台,提供:

核心优势:

  • 开箱即用

    无需从零编写认证逻辑

  • 多种登录方式

    支持邮箱、Google、GitHub等

  • 安全性

    内置安全最佳实践

  • 用户管理

    完整的用户管理Dashboard

  • 免费套餐

    慷慨的免费额度,适合初创项目

适用场景:

  • 需要快速上线的MVP项目
  • 多客服代表独立登录的SaaS应用
  • 需要与Supabase等数据库集成的系统

4.2 Clerk账户设置

步骤1:创建Clerk账户

访问 https://clerk.com 注册账户。

步骤2:创建新应用

在Dashboard中点击"Create Application":

  • 应用名称

    agent-customer-support-v2

  • 登录选项

  • ✅ Email(邮箱登录) - ✅ Google(Google OAuth) - 可选:GitHub、Microsoft等

步骤3:获取API密钥

创建成功后,复制以下密钥:

NEXT_PUBLIC_CLERK_PUBLISHABLE_KEY=pk_test_xxxCLERK_SECRET_KEY=sk_test_xxx

步骤4:配置环境变量

在项目根目录创建.env.local文件:

# Clerk AuthenticationNEXT_PUBLIC_CLERK_PUBLISHABLE_KEY=your_publishable_keyCLERK_SECRET_KEY=your_secret_key# ADK ConfigurationGOOGLE_API_KEY=your_google_api_key

4.3 Clerk官方集成提示词

Clerk提供了一个优化过的提示词,包含完整的集成指南。这个提示词的设计理念与Agent Skills类似——提供结构化的文档让AI理解。

获取集成提示词:

在Clerk Dashboard中,找到"Framework Integration"部分,选择"Next.js",复制提供的提示词。

提示词内容结构(简化版):

# Clerk + Next.js集成指南## 安装依赖npm install @clerk/nextjs## 配置Middleware创建 middleware.ts,配置保护路由## 环境变量在 .env.local 添加Clerk密钥## 布局配置使用 ClerkProvider 包裹应用## 认证组件- SignIn: 登录页面- SignUp: 注册页面- UserButton: 用户菜单- SignOutButton: 登出按钮## API路由保护使用 auth() 获取当前用户## 注意事项- 不要将密钥提交到Git- 在生产环境使用环境变量- 配置重定向URL

提供给Claude的完整指令:

我需要为现有的Next.js应用添加Clerk认证。集成要求:1. 安装Clerk SDK2. 配置环境变量(已在.env.local中)3. 创建middleware保护路由4. 添加登录/登出功能5. 在主页面显示用户信息具体实现:- 登录页面:/sign-in- 注册页面:/sign-up- 主应用:/dashboard(需要登录)- 用户按钮:显示在dashboard右上角请遵循Clerk官方最佳实践:[粘贴Clerk提供的完整集成提示词]当前项目结构:/app  /api  /dashboard  /page.tsx

4.4 Next.js + Clerk集成实现

Middleware配置:

// middleware.tsimport { clerkMiddleware, createRouteMatcher } from '@clerk/nextjs/server'const isProtectedRoute = createRouteMatcher([  '/dashboard(.*)',  '/api/adk(.*)'])export default clerkMiddleware(async (auth, req) => {  if (isProtectedRoute(req)) {    await auth.protect()  }})export const config = {  matcher: [    '/((?!_next|[^?]*\\.(?:html?|css|js(?!on)|jpe?g|webp|png|gif|svg|ttf|woff2?|ico|csv|docx?|xlsx?|zip|webmanifest)).*)',    '/(api|trpc)(.*)',  ],}

布局组件:

// app/layout.tsximport { ClerkProvider } from '@clerk/nextjs'import './globals.css'export default function RootLayout({  children,}: {  children: React.ReactNode}) {  return (    <ClerkProvider>      <html lang="zh">        <body>{children}</body>      </html>    </ClerkProvider>  )}

Dashboard页面:

// app/dashboard/page.tsximport { UserButton, auth } from '@clerk/nextjs'import { redirect } from 'next/navigation'import CustomerSupportUI from '@/components/CustomerSupportUI'export default async function DashboardPage() {  const { userId } = await auth()  if (!userId) {    redirect('/sign-in')  }  return (    <div className="min-h-screen bg-gray-50">      {/* 顶部导航栏 */}      <header className="bg-white shadow">        <div className="max-w-7xl mx-auto px-4 py-4 flex justify-between items-center">          <h1 className="text-2xl font-bold">客服工作台</h1>          <UserButton afterSignOutUrl="/" />        </div>      </header>      {/* 主内容区 */}      <main className="max-w-7xl mx-auto px-4 py-8">        <CustomerSupportUI />      </main>    </div>  )}

登录页面:

// app/sign-in/[[...sign-in]]/page.tsximport { SignIn } from '@clerk/nextjs'export default function SignInPage() {  return (    <div className="flex min-h-screen items-center justify-center">      <SignIn         appearance={{          elements: {            rootBox: "mx-auto",            card: "shadow-lg"          }        }}      />    </div>  )}

4.5 集成ADK与Clerk

API路由实现:

// app/api/adk/chat/route.tsimport { auth } from '@clerk/nextjs'import { NextRequest, NextResponse } from 'next/server'import { getAgentForUser, sendMessage } from '@/lib/adk-client'export async function POST(req: NextRequest) {  // 验证用户身份  const { userId } = await auth()  if (!userId) {    return NextResponse.json(      { error: 'Unauthorized' },      { status: 401 }    )  }  const { message } = await req.json()  try {    // 获取用户专属的智能体实例    const agent = await getAgentForUser(userId)    // 发送消息给智能体    const response = await sendMessage(agent, message)    return NextResponse.json({ response })  } catch (error) {    return NextResponse.json(      { error: 'Internal server error' },      { status: 500 }    )  }}

前端聊天组件:

// components/CustomerSupportUI.tsx'use client'import { useState } from 'react'import { useUser } from '@clerk/nextjs'export default function CustomerSupportUI() {  const { user } = useUser()  const [messages, setMessages] = useState<Array<{role: string, content: string}>>([])  const [input, setInput] = useState('')  const [loading, setLoading] = useState(false)  const sendMessage = async () => {    if (!input.trim()) return    setLoading(true)    setMessages(prev => [...prev, { role: 'user', content: input }])    try {      const response = await fetch('/api/adk/chat', {        method: 'POST',        headers: { 'Content-Type': 'application/json' },        body: JSON.stringify({ message: input })      })      const data = await response.json()      setMessages(prev => [...prev, { role: 'assistant', content: data.response }])      setInput('')    } catch (error) {      console.error('发送消息失败:', error)    } finally {      setLoading(false)    }  }  return (    <div className="bg-white rounded-lg shadow-lg p-6">      {/* 欢迎信息 */}      <div className="mb-4">        <h2 className="text-xl font-semibold">          欢迎, {user?.firstName || user?.emailAddresses[0].emailAddress}!        </h2>        <p className="text-gray-600">AI客服助手已准备就绪</p>      </div>      {/* 聊天历史 */}      <div className="h-96 overflow-y-auto mb-4 space-y-4">        {messages.map((msg, idx) => (          <div            key={idx}            className={

PART 05 系统测试与优化

5.1 完整系统演示

登录流程:

  1. 访问 http://localhost:3000
  2. 点击"登录"按钮,跳转到Clerk登录页面
  3. 选择Google OAuth登录
  4. 授权后自动跳转到/dashboard

客服操作流程: 场景1:产品查询

客服输入:"查询我们有哪些耳机产品?"系统处理:1. 前端发送请求到 /api/adk/chat2. API验证Clerk用户身份3. 调用ADK智能体4. 智能体使用 search_products 工具5. 返回结果给前端显示结果:"我们目前有以下耳机产品:1. Wireless Headphones   - 价格:$79.99   - 库存:150台   - 类别:Audio"

场景2:客户订单查询

客服输入:"查找客户Michael,告诉我他的订单详情"系统处理:1. 调用 find_customer(customer_name="Michael")2. 获取客户ID: C0013. 调用 get_customer_orders(customer_id="C001")4. 整合信息返回显示结果:"客户信息:- 姓名:Michael Johnson- 邮箱:michael@example.com- 电话:+1-555-0123订单记录:- 订单号:O001- 产品:Wireless Headphones, Samsung 1TB SSD- 总金额:$209.98- 状态:已发货- 日期:2025-10-20"

场景3:库存查询

客服输入:"Samsung SSD还有多少库存?"系统处理:1. search_products(query="Samsung SSD")2. 提取库存信息显示结果:"Samsung 1TB SSD 当前库存:85台"

PART 06 Claude Skills最佳实践与扩展

6.1 创建高质量技能包的原则

原则1:文档结构清晰

skill-name/├── SKILL.md             # 必需:快速入门(500-1000字)├── references/          # 必需:详细文档│   ├── 01-concepts.md   # 核心概念│   ├── 02-api.md        # API参考│   └── 03-advanced.md   # 高级主题├── examples/            # 必需:代码示例(至少3个)│   ├── basic.py│   ├── intermediate.py│   └── advanced.py└── development/         # 可选:开发指南    ├── setup.md    └── troubleshooting.md

原则2:快速入门完整性

SKILL.md应包含:

  • 30秒概述(what it is)
  • 2分钟快速开始(hello world)
  • 核心概念列表
  • 常用API速查

原则3:示例代码可运行

所有示例必须:

  • 完整可执行(不能有省略的import)
  • 包含注释说明
  • 覆盖80%的常用场景

原则4:参考文档详细

每个API都应包括:

  • 功能描述
  • 参数说明(类型、默认值、约束)
  • 返回值说明
  • 使用示例
  • 常见陷阱

6.2 适合创建Claude Skill的场景

场景类型1:内部工具和框架

如果公司有内部开发的框架或工具:

  • 内部API网关
  • 自定义ORM
  • 公司特定的部署流程
  • 代码审查标准

场景类型2:新兴技术框架

Claude尚未训练或理解不深的技术:

  • 最新版本的框架(如ADK、LangGraph)
  • 小众但强大的工具
  • Beta阶段的新技术

场景类型3:标准操作流程(SOP)

将公司流程文档化为技能:

  • 代码审查清单
  • 部署步骤
  • 故障排查手册
  • 安全合规要求

不适合的场景:

  • ❌ 已广泛使用的成熟框架(如React、Django)
  • ❌ 文档过于简单的工具
  • ❌ 频繁变动的API(维护成本高)

如何学习大模型 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。

在这里插入图片描述

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 学习资料已经上传优快云,朋友们如果需要可以微信扫描下方优快云官方认证二维码免费领取【保证100%免费】

在这里插入图片描述

OpenClaw入门必装Skills(附使用场景) 很多同学安装了OpenClaw后,但却不会使用,就相当于你只是拥有了一副强大的躯干,却没有给它装上能够灵活执行任务的“手脚”和负责思考决策的“大脑插件”——Skills。没有这些核心能力的支撑,OpenClaw只是一个“空壳”,无法真正应用到实际业务场景中,更谈不上提升效率或解决复杂问题。所以,安装只是第一步,要真正让OpenClaw“活”起来,为我们所用,就需要给OpenClaw安装各种Skills,这个过程就是养虾的过程。 阅读详情

相关推荐

Claude Code 从“使用者”到“创造者”一个技能——skill-creator

skill-creator 让人人都能把自己脑海里的“最佳实践”固化成AI可以严肃执行的标准步骤。它把一份经验,变成了一项随时可复用的资产。现在你已经从使用技能的独行侠,进化成了能批量生产技能的实验室主力。如果你也希望把自己那些宝贵的“私房”工作流都变成标准技能包,快去装上 skill-creator 试试。之后想好要做什么技能了吗?可以告诉我,我来帮你完整走一遍制作流程~

十年老程序猿,AI 疯狂研究专家,前沿硬核知识分享 880

从构思到部署:用skill-creator构建你的第一个文档处理Skill

作为Web开发者,我们早已习惯"创建组件→定义Props→注册使用"的工作流。当面对AI应用开发时,skill-creator工具链正是这一思维的完美延续——它将AI能力封装为标准化组件,让Web开发者用熟悉的方式驾驭AI。不同的是,这些"智能组件"不仅能处理结构化数据,还能理解文档内容、提取关键信息,就像为传统组件注入了认知能力。 想象这个场景:你正在开发合同管理系统,产品经理要求"自动提取PDF合同中的甲方乙方信息"。传统方案需要集成PDF解析库、编写正则表达式、处理各种格式异常…而使用skill

沛哥儿的专栏 1万+

Claude Skills中文版发布[代码]

Claude Skills中文版正式推出,提供16个官方AI技能模板的完整中文翻译,支持GPT、CodeX等多种模型。项目解决了中文用户使用Skill的痛点,包括语言障碍、模型限制和使用难度。涵盖文档生成、开发工具、创意设计、企业办公四大类技能,并附有详细的中英文使用指南。项目亮点包括高质量翻译、多模型支持、持续更新和开源许可。用户可通过GitHub快速上手,参与贡献或获取免费资源。

Claude Code 插件 Skill-Creator 使用说明

《Claude Code 插件 Skill-Creator:从聊天助手到可编程开发助理》介绍了如何通过 Skill-Creator 将重复性工作流转化为可复用的 AI 技能。该工具解决了普通 Prompt 的记忆性差、不稳定和不可复用问题,允许开发者用 YAML 格式定义具有明确输入、规则和输出的结构化技能(如 SQL 格式化、Rust 单元测试生成等)。通过技能组合,用户可构建自动化工作流,将 Claude 转变为可执行特定开发任务的"个人 AI 编译器"。文章通过创建 SQL 关键词

codeideaai的博客 9768

Langfuse实战:从评估打分到问题解决的完整指南

本文详细介绍了如何利用开源LLM工程平台Langfuse对AI应用进行系统性评估与优化。从创建评估数据集、设计自动化评分函数,到深入排查常见问题并关联Trace进行精准打分,提供了完整的实战指南。最后,探讨了如何利用评估结果驱动提示词迭代与A/B测试,并给出了生产环境部署与性能优化的关键考量,帮助开发者构建可测量、可分析、可改进的LLM应用。

backprop5master的博客 651

Python自动化办公:5分钟搞定钉钉群文件自动发送(附完整代码)

本文详细介绍了如何利用Python实现钉钉群文件的自动化发送。通过结合钉钉企业内部应用与群机器人API,构建了包含智能令牌管理、文件上传与消息发送的完整工作流。文章提供了可直接复用的完整代码,并分享了定时任务、目录监听等进阶实战方案,帮助职场人士高效解决重复性文件发送难题,实现办公自动化。

7z8x2c4v6b9的博客 325

从创建到进化:用 skill-creator 和 Darwin 打造高质量 Agent Skill

文章摘要: Agent Skill生态快速发展,工具如Claude Code、Codex等开始支持SKILL.md扩展机制。随着Skill数量增长,手工管理变得困难,需要系统化的工作流。文章介绍了skill-creator和darwin-skill工具链:前者用于从零创建Skill,后者用于持续优化Skill质量。Skill本质是给AI的操作说明书,包含核心说明、脚本和资源。文章以创建优快云作者信息读取Skill为例,展示了完整开发流程,包括定义边界、设计工作流、编写脚本和结构化输出。强调Skill开发不

南宫乘风-Linux运维-虚拟化容器-Python编程 ownit.top 3381

从BSCAN到BAP:深度解析Tessent MBIST逻辑的协同工作机制与设计考量

本文深入解析了Tessent MBIST逻辑中BSCAN Interface、Logic Group Def、Controller与BAP模块的协同工作机制。文章以一条测试指令的完整路径为例,详细阐述了数据流与控制流如何跨模块、跨时钟域协同工作,并重点探讨了MBIST BAP在协议转换与流量管理中的核心桥梁作用,为芯片内建自测试的集成与调试提供了关键的设计考量和实战技巧。

kappa的博客 482

Skill Creator 全阶段详解

本文摘要: Claude Skill开发流程分为两个核心目录结构:Skill目录存放定义和源码,Workspace目录存放评估结果。完整工作流包含8个阶段:意图捕获、访谈调研、编写SKILL.md、设计测试用例、并行测试、评分聚合、迭代改进、触发优化和打包分发。每个阶段都有明确的目标、输入输出和文件关联,其中特别强调需求澄清的重要性,以及渐进式加载、主动触发描述等设计细节。流程注重从对话历史反向提取需求,区分可测试技能类型,并采用三层渐进式加载机制解决上下文空间限制问题。

AI蜗牛之家 1991

【原创工具 | OpenCV-CamCalib】一个基于 OpenCV 的自动化相机数据采集和标定程序

一个基于OpenCV的自动化相机数据采集和标定程序。系统内置相机地址默认为 0。

XavierJ的博客 2697

ZYNQ裸机LWIP双网口实现

文章目录前言一、LWIP双网口二、使用步骤1.部分说明2.部分代码总结 前言 一、LWIP双网口 由于项目需要多通讯口,查阅资料发现lwip支持多网口操作。于是,就开搞了。 二、使用步骤 1.部分说明 利用xemac_add函数在网卡链表中添加一个网卡,即使用netif块重复xemac_add操作。 先用轮询的方式实现双网口,后期修改为中断模式 2.部分代码 导入官方例程LWip echo server, 修改main函数,增加一个netif块 #if LWIP_IPV6==0 #if L..

weixin_35865280的博客 1万+

掌握技能开发:Skill用工具制造工具的艺术

本文介绍了如何使用Anthropic的skill-creator工具创建自定义AI技能并导入Trae使用。主要内容包括:1) skill-creator的功能介绍和使用流程,它支持技能创建、测试、优化全生命周期管理;2) 详细演示了创建markdown_to_word技能的完整过程,包括技能结构、加载机制和实战案例;3) 展示了如何将创建好的技能导入Trae并进行测试优化。通过skill-creator这一"工具制造工具",开发者可以快速构建和迭代AI技能,实现Markdown转Word

ak47maker的博客 1553

汽车UDS诊断详解及Vector相关工具链使用说明——1.1 应用层协议整体介绍

本文我们先从整体的维度来介绍一下应用层协议,每个UDS服务都遵循本文中的协议。 一、SI(Service ID) SI是UDS指令的第一个字节,我们第一篇文章中提到的10等服务就是指这个服务的SI=0x10,它是服务的标识,每个服务的SI都是唯一的。 ...

weixin_42967006的博客 5475

Claude 官方 Skill-Creator 介绍及使用指南

skill-creator 是 Anthropic 官方 example-skills 包中的核心技能,用于快速创建/更新 Claude Agent Skills,通过交互式流程生成符合规范的技能目录、SKILL.md 配置与资源结构,无需手动编写完整模板,大幅降低自定义技能的开发门槛。自动生成技能目录、SKILL.md(含 frontmatter 与内容模板)、assets/scripts 等配套文件夹。版本兼容:确保安装的 example-skills 版本与 Claude Code 兼容,可通过。

臭大佬的优快云 2148

SAP BW/4HANA 项目字段级数据血缘分析的方法与工具

利用SAP自带工具可以在一定程度上查看数据流和字段使用情况,但往往需要人工逐步深挖。适用于简单场景或验证单个字段的映射。借助SAP数据治理解决方案(如 Information Steward、Data Intelligence 等)能够自动整合元数据,提供图形化、跨系统的血缘分析,适合对数据 lineage 有严格要求的企业级项目。第三方工具则提供了灵活强大的功能,如自动文档、生成功能丰富的报告,对于复杂环境下的血缘分析和影响分析非常有帮助。自行开发SQL/CDS脚本。

2007 年 ~ 2025 年,深耕 SAP 技术 18 年 471

【WRFDA第三期】OBSPROC namelist 变量总结

OBSPROC namelist 变量总结

WW、forever的博客 1120

SkillCreator 完全解读:五步评估流程 × Skill 进化逻辑 × 实战指南

摘要:本文系统解析了Anthropic官方Skill Creator的核心机制,包含三大核心模块:1)完整的Skill进化生命周期(创建-迭代-发布三阶段);2)五步评估流程详解(并行运行、断言设计、计时捕获、打分汇总、反馈改进);3)九大Skill类型分类及开发技巧。重点阐述了评估流程中"同一轮并行运行"的技术原理和"必须先生成Viewer"的设计哲学,为开发者提供了构建高质量Claude Code Skill的工程化方法论。通过量化对比(with-skill vs

qq_27822417的博客 923

深度学习工具包 DeepLearningToolbox

深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain's apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath('DeepLearnToolbox'));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand('state',0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = 'sigm';%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, 'Too big error');```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, 'Too big error');```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand('state',0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex3 neural net with dropoutrand('state',0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');```[![Bitdeli Badge](https://d2weczhvl823v0.cloudfront.net/rasmusbergpalm/deeplearntoolbox/trend.png)](https://bitdeli.com/free "Bitdeli Badge")

解析 skill-creator:如何编写高质量的 AI Skill

本文基于Anthropic官方skill-creator仓库分析,提炼出AI Agent技能开发的6大核心原则。该仓库通过357行的SKILL.md文件展示了简洁高效的技能创建方法论,采用三级加载系统(元数据、正文、资源)优化上下文窗口使用。关键原则包括:保持内容简洁以节省上下文资源、根据任务特性设置适当自由度、使用祈使句式编写指令、在description中明确功能与触发条件、避免冗余文档等。这些原则适用于所有支持Agent Skills标准的AI工具开发,强调技能设计应以AI执行效率为核心,而非人类可读

paopao_wu的专栏 3875

OV9734 DATASHEET,完整规格书

OV9734完整规格书,包括电气参数,尺寸规格,寄存器配置表等

RU DOS版、EFI版32bit/64bit BIOS常用工具

DOS版、EFI版的RU工具,可用来查看IO、MEM、PCI、SMBIOS等资源。亲测在EFI SHELL下可用。

深入解读 Claude Skills(Anthropic)——原理、实践、风险

摘要:Anthropic推出的ClaudeSkills功能通过模块化"能力包"机制,将指令、脚本、模板等打包为可复用的Skill,使Claude能像"专家"般处理特定任务。该功能采用渐进式披露、可组合性等技术架构,支持预构建和自定义Skills,适用于企业文档生成、数据分析等场景。虽然提升了效率,但也存在安全风险,如恶意代码注入等。文章详细解析了其技术原理、应用场景、风险治理,并提供了Skill创建示例和FAQ。建议企业建立严格的管理制度,确保安全使用这一将通用AI转

聚梦小课堂 3309

NTscan扫描工具

ntscan是一个扫描器,可以扫描没有密码和弱密码的共享,先到配置文件中填写猜测的用户名和密码,扫描过程中右侧出现的是扫描日志。

别再手动写代码了!Claude Skills 实战,让 AI 帮你干 80% 的活!

Claude Skills 是模块化的能力包,包含指令、元数据和可选资源(脚本、模板),让 Claude 在需要时自动加载和使用。

羑悻的博客. 2万+

Claude Skills 完全指南:让 AI 精准适配你的工作流程

摘要:Anthropic推出的Claude Skills是一套可重复使用的AI指令集,能帮助职场人高效完成重复性工作(如产品文档、营销文案等)。与普通AI记忆功能不同,Skills提供跨项目的通用工作框架,确保输出一致性。该功能通过按需加载指令实现动态工作流程,特别适合需要标准化流程的团队。文章还区分了适用Skills和简单提示词的场景,并指出AI大模型领域快速发展带来的职业机遇。(149字)

javatiange的博客 1020

停止造Agent,开始造Skills吧!Claude Skills创造者:Agent聪明但不够专业,非技术人员也能造Skills

为了解决这个问题,他们提出了一种全新的架构范式:Agent Skills。技能本质上是文件和文件夹的集合,用于打包可组合的程序性知识,让Agent从一个聪明的“通才”转变为一个专业的“专家”。自10月份 Claude Skills 上线以来,很多开发者都亲自上手构建了这套技能,小编也经常能刷到各种讨论和经验贴。例如一位网友做的文生图 Skill :或者一个编码浏览器 Skill:Skills是什么?

2502_93987700的博客 651

如何使用skill-creator

是 Anthropic 官方推出的,专门用于创建、测试、评估和迭代优化 Claude 等 AI 代理的 Skills(技能包)。它把技能开发从“一次性提示词”变成了。

mirana的专栏 896

实操总结!Claude Skills 安装 + 使用入门指南,建议收藏

Claude Skills 是 Anthropic 推出扩展 Claude 功能的模块化能力,每个 Skill 包含指令、元数据和可选资源(脚本、模板),Claude在运行时会自动使用这些资源。

Python_0011的博客 1448

skill-creator 使用指南

skill-creator 是用来创建、编辑、审计、整理、验证 Skill 文件和 SKILL.md 的工具。

aovenus的专栏-测试新时代(微信公众号:测试新时代) 770

Claude Code加载Skills系列教程|写给纯新手的Claude Code下载、安装、配置保姆级入门指南

Claude Code是专为开发者打造的AI原生IDE,能在一个窗口内完成代码编写、文档处理、技能调用全流程操作,实现真正的沉浸式编程体验。本文提供从零开始的安装指南,详细讲解Claude Code与网页版的区别,并列出安装必备条件(付费账号、系统版本、网络环境)。教程包含命令行一键安装和手动安装两种方式,配有终端操作示意图和常见问题解决方案。最后重点介绍Skills技能库的配置方法,包括中文设置、自动技能触发和工作路径优化,帮助开发者快速上手并充分发挥Claude Code的效能。

那些看似不起波澜的日复一日,会在某天让你看到坚持的意义 2731
上一篇: 别再瞎卷了!2025顶会Agent Memory的最新赛道,这几篇论文已经指明了方向!
下一篇: “报告,发现新大陆!”LATTICE如何让LLM像哥伦布一样,在知识海洋中主动探索?
Python_金钱豹
博客等级 码龄5年 1万+粉丝 2835原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值