掌握 Agent Skills：让 AI 处理复杂任务，小白也能轻松上手！立即收藏学习大模型新技能-优快云博客

Agent Skills 是由 Anthropic 等行业领军公司支持的开放标准，旨在扩展 AI 智能体的能力。通过将专业知识和工作流封装成可复用的技能包，智能体可以完成特定任务，如法律审查、数据分析等。技能包通过 SKILL.md 文件定义，包含元数据、指令和资源，支持渐进式披露机制。集成 Agent Skills 可让 AI 具备“开箱即用”的新功能，适用于编程工具和对话工具。技能商店提供模块化能力的分发平台，用户可下载技能扩展助手/智能体能力。

1.Skills 是什么

1.1.Skills 概念来源

2025 年10月，Anthropic 正式发布 Claude Skills。

博客地址：https://claude.com/blog/skills

Clipboard_Screenshot_1769565514.png

随后，Agent Skills 作为开放标准被进一步发布，引导一个新的 AI Agent 开发生态。目前，该标准目前已得到 Anthropic/OpenAI/Google/Microsoft/Cursor 等多家行业领军公司的支持，迅速成为各大主流 AI 工具的标配。

1.2.为什么选择 Agent Skills?

如今的智能体能力虽然日益强大，但往往缺乏完成实际工作所需的特定上下文。

Agent Skills 正是为了解决这一问题而生。它赋予了智能体访问 **过程性知识（procedural knowledge）**以及特定于公司、团队和用户的上下文环境的能力，并且可以按需加载。

只要拥有了一套技能库，智能体就能根据当前处理的任务扩展自身的能力边界。

对于Skills作者：一次构建能力，即可部署到多个智能体产品中。

对于兼容的Agent ：支持 Skills 意味着最终用户可以直接让智能体拥有“开箱即用”的新功能。

对于团队和企业：将组织内部的知识捕获并封装为可移植、版本受控的软件包。

Agent Skills 能实现什么？

• 领域专长 (Domain expertise)： 将专业知识打包成可复用的指令集，从法律审查流程到数据分析流水线皆可涵盖。
• 新能力 (New capabilities)： 赋予智能体全新的技能（例如：制作演示文稿、构建 MCP 服务器、分析数据集）。
• 可重复的工作流 (Repeatable workflows)： 将多步骤的任务转化为一致且可审计的工作流。
• 互操作性 (Interoperability)： 同一个技能可以在不同的、兼容 Skills 标准的智能体产品中重复使用。

1.3.什么是skills

玩过游戏的同学应该很好理解，做从新手村出生之后，需要不断学习不同的技能，例如 “治疗”、“烹饪”、“锻造” 已经各种“攻击” 技能。我们可以将 Agent 看作新手村刚出生角色，配置了Skills 之后，就具备了专业领域 Agent 的能力。

Agent 可通过加载不同的 Skills 包，来具备不同的专业知识、工具使用能力，稳定完成特定任务。

Clipboard_Screenshot_1769568837.png

Agent Skills 是一种轻量级的开放格式，旨在通过专业知识和工作流来扩展 AI 智能体的能力。

从本质上讲，一个 Skill（技能）就是一个包含 SKILL.md 文件的文件夹。该文件包含了元数据（至少包含 name 和 description）以及指导智能体如何执行特定任务的指令。此外，技能包还可以捆绑脚本、模板和参考资料。

文件结构示例：

my-skill/
├── SKILL.md       # 必需：指令 + 元数据
├── scripts/       # 可选：可执行代码
├── references/    # 可选：文档资料
└── assets/        # 可选：模板、资源文件

my-skill/
├── SKILL.md       # 必需：指令 + 元数据
├── scripts/       # 可选：可执行代码
├── references/    # 可选：文档资料
└── assets/        # 可选：模板、资源文件

1.4.skills 是如何工作的

Skills通过渐进式披露 (progressive disclosure) 机制来高效地管理上下文：

发现 (Discovery)： 在启动时，智能体只会加载每个可用技能的名称（name）和描述（description），这足以让它判断该技能何时可能派上用场，而不会占用过多资源。
激活 (Activation)： 当某个任务与技能的描述相匹配时，智能体才会读取完整的 SKILL.md 指令并将其纳入上下文中。
执行 (Execution)： 智能体遵循这些指令，并在需要时选择性地加载引用的文件或执行捆绑的代码。

这种方法既保证了智能体的运行速度，又能让它根据需求随时获取更多的上下文信息。

1.5.Skill和 MCP 区别

MCP 的概念早于 skills ，稍微理解一下就发现两者的区别，但是，仍然有不少新手对于两者没什么概念。于是，我们做个简单的解释。

• MCP 是一种**开放标准的协议，它关注的是 AI 如何用统一方式调用外部的工具、数据和服务，本身不定义任务逻辑或执行流程。**

Clipboard_Screenshot_1769570686.png
• Skill 则教 Agent 如何完整处理特定工作，它将执行方法、工具调用方式以及相关知识材料，封装为一个完整的「能力扩展包」，使 Agent 具备稳定、可复用的做事方法。

Clipboard_Screenshot_1769570791.png

2.skills 编写规范

2.1.目录结构

一个 Skill 本质上是一个目录（文件夹），其中至少包含一个 SKILL.md 文件：

skill-name/
├── SKILL.md       # 必需
├── scripts/       # 可选：可执行代码
├── references/    # 可选：文档资料
└── assets/        # 可选：模板、资源文件

你还可以选择性地包含额外的目录，如 scripts/、references/ 和 assets/ 来支持您的技能功能。

2.2.SKILL.md 格式

SKILL.md 文件必须包含 YAML 前置元数据 (Frontmatter)，其后紧跟 Markdown 正文内容。

前置元数据

最基础的配置如下：

---
name: skill-name
description: 描述这个技能是做什么的，以及何时使用它。
---

包含可选字段的完整示例：

---
name: pdf-processing
description: 从 PDF 文件中提取文本和表格、填写表单、合并文档。
license: Apache-2.0
metadata:
  author: example-org
  version: "1.0"
---

字段详解：

字段	必须	约束条件
name	是	最多 64 个字符。仅限小写字母、数字和连字符。不能以连字符开头或结尾。
description	是	最多 1024 个字符。不能为空。描述技能的功能及使用场景。
license	否	许可证名称，或指向捆绑许可证文件的引用。
compatibility	否	最多 500 个字符。说明环境要求（如目标产品、系统包、网络访问权限等）。
metadata	否	任意键值对映射，用于存储额外的元数据。
allowed-tools	否	以空格分隔的预批准工具列表，该技能可使用这些工具。（实验性功能）

name 字段

必需的 name 字段：

• 长度必须在 1-64 个字符之间。
• 只能包含 Unicode 小写字母、数字和连字符（a-z 和 -）。
• 不能以 - 开头或结尾。
• 不能包含连续的连字符（--）。
• 必须与父目录名称一致。

有效示例例：

name: pdf-processing
name: data-analysis
name: code-review

description 字段

必需的 description 字段：

• 长度必须在 1-1024 个字符之间。
• 应同时描述技能做什么以及何时使用。
• 应包含特定的关键词，帮助智能体识别相关任务。

优秀示例：

description: Extracts text and tables from PDF files, fills PDF forms, and merges multiple PDFs. Use when working with PDF documents or when the user mentions PDFs, forms, or document extraction.
(译：从 PDF 文件提取文本和表格、填写 PDF 表单及合并多个 PDF。当处理 PDF 文档或用户提及 PDF、表单或文档提取时使用。)

license 字段

可选的 license 字段：

• 指定适用于该技能的许可证。
• 建议保持简短（许可证名称或捆绑的许可证文件名）。

示例：

license: Proprietary. LICENSE.txt has complete terms
(译：专有协议。完整条款见 LICENSE.txt)

compatibility 字段

可选的 compatibility 字段：

• 如果提供，长度必须在 1-500 个字符之间。
• 仅当技能有特定环境要求时包含此字段。
• 可指出适用的产品、所需的系统包、网络访问需求等。

示例：

// 示例1
compatibility: Designed for Claude Code (or similar products)
// 示例2
compatibility: Requires git, docker, jq, and access to the internet

大多数技能不需要此字段。

metadata 字段

可选的 metadata 字段：

• 字符串键到字符串值的映射。
• 客户端可利用此字段存储 Agent Skills 规范未定义的额外属性。
• 建议使用具唯一性的键名，以避免意外冲突。

示例:

metadata:
  author: example-org
  version: "1.0"

allowed-tools 字段

可选的 allowed-tools 字段：

• 以空格分隔的列表，列出了预先批准运行的工具。
• 实验性功能。不同智能体实现对此字段的支持可能有所不同。

示例：

allowed-tools: Bash(git:*) Bash(jq:*) Read

正文内容

前置元数据之后的 Markdown 正文包含技能指令。这里没有格式限制。请编写任何有助于智能体有效执行任务的内容。

推荐包含的部分：

• 分步指南 (Step-by-step instructions)
• 输入和输出示例
• 常见边缘情况 (Edge cases)

注意：一旦智能体决定激活某个技能，它将加载这整个文件。对于较长的内容，请考虑将其拆分到引用文件中。

2.3.可选目录

scripts/

包含智能体可以运行的可执行代码。脚本应该：

• 自包含或清晰记录依赖关系。
• 包含有用的错误信息。
• 优雅地处理边缘情况。

支持的语言取决于智能体的具体实现。常见选项包括 Python, Bash, 和 JavaScript。

references/

包含智能体在需要时可以阅读的额外文档：

• REFERENCE.md - 详细的技术参考。
• FORMS.md - 表单模板或结构化数据格式。
• 特定领域文件（如 finance.md, legal.md 等）。

保持单个参考文件聚焦。智能体是按需加载这些文件的，文件越小意味着占用的上下文越少。

assets/

包含静态资源：

• 模板（文档模板、配置模板）
• 图像（图表、示例）
• 数据文件（查找表、Schema）

2.4.渐进式披露

技能的结构设计应考虑到上下文的高效利用：

1. 元数据 (Metadata) (~100 tokens): 启动时加载所有技能的 name 和 description 字段。
1. 指令 (Instructions) (推荐 < 5000 tokens): 当技能被激活时，加载完整的 SKILL.md 正文。
1. 资源 (Resources) (按需加载): 文件（如 scripts/、references/ 或 assets/ 中的内容）仅在需要时加载。

建议保持主 _SKILL.md_ 文件在 500 行以内。将详细的参考资料移至单独的文件中。

2.5.文件引用

当引用技能中的其他文件时，请使用相对于技能根目录的相对路径：

See [the reference guide](references/REFERENCE.md) for details.Run the extraction script: scripts/extract.py

保持文件引用在 _SKILL.md_ 的下一级。避免深层嵌套的引用链。

3.集成skills

如何为 AI 智能体或开发工具添加技能支持。

3.1.集成方式

集成技能主要有两种方式：

1. 基于文件系统的智能体： 智能体在计算机环境（如 Bash/Unix）中运行，这是功能最强大的选项。

• 当模型发出类似 cat /path/to/my-skill/SKILL.md 的 Shell 命令时，技能被激活。
• 捆绑的资源（脚本、资产等）通过 Shell 命令直接访问。

1. 基于工具的智能体 (Tool-based)： 智能体在没有专用计算机环境的情况下运行。

• 开发者需要实现特定的工具（Tools），允许模型触发技能并访问捆绑的资产。
• 具体的工具实现由开发者自行决定。

3.2.流程概览

一个兼容技能的智能体需要具备以下能力：

• 在配置的目录中发现技能。
• 启动时加载元数据（名称和描述）。
• 将用户任务与相关的技能进行匹配。
• 通过加载完整指令来激活技能。
• 根据需要执行脚本并访问资源。

技能发现

技能是包含 SKILL.md 文件的文件夹。您的智能体应该扫描配置好的目录，寻找有效的技能文件夹。

加载元数据

在启动阶段，仅解析每个 SKILL.md 文件的 YAML 前置元数据（frontmatter）。这可以保持初始上下文的使用量处于较低水平。

解析前置元数据

示例伪代码：

function parseMetadata(skillPath) {  content = readFile(skillPath + "/SKILL.md");  frontmatter = extractYAMLFrontmatter(content);  return {    name: frontmatter.name,    description: frontmatter.description,    path: skillPath  };}

注入上下文

将技能元数据包含在系统提示词（System Prompt）中，以便模型知道有哪些可用技能。请遵循您所使用平台的系统提示词更新指南。

例如，对于 Claude 模型，推荐使用 XML 格式：

<available_skills>  <skill>    <name>pdf-processing</name>    <description>从 PDF 文件中提取文本和表格、填写表单、合并文档。</description>    <location>/path/to/skills/pdf-processing/SKILL.md</location>  </skill>  <skill>    <name>data-analysis</name>    <description>分析数据集、生成图表并创建总结报告。</description>    <location>/path/to/skills/data-analysis/SKILL.md</location>  </skill></available_skills>

• 对于基于文件系统的智能体： 请包含 location 字段，并指明 SKILL.md 文件的绝对路径。
• 对于基于工具的智能体： 可以省略 location。
• 保持简洁： 每个技能元数据应大约占用 50-100 个 token 的上下文。

3.3.安全考量

脚本执行会带来安全风险。请考虑以下措施：

• 沙箱化 (Sandboxing)： 在隔离的环境中运行脚本。
• 白名单 (Allowlisting)： 仅执行来自受信任技能的脚本。
• 用户确认 (Confirmation)： 在运行潜在危险操作之前询问用户。
• 日志记录 (Logging)： 记录所有脚本执行情况以供审计。

3.4.参考实现

skills-ref 库提供了用于处理技能的 Python 工具和命令行界面（CLI）。

• pip 安装：

pip install skills-ref

• 使用命令：

# 验证skill目录skills-ref validate path/to/skill# 阅读技能属性(输出JSON)skills-ref read-properties path/to/skill# 为智能体提示词生成 <available_skills> XMLskills-ref to-prompt path/to/skill-a path/to/skill-b# 验证skill目录skills-ref validate path/to/skill# 阅读技能属性(输出JSON)skills-ref read-properties path/to/skill# 为智能体提示词生成 <available_skills> XMLskills-ref to-prompt path/to/skill-a path/to/skill-b

4.skill 使用

4.1skill 商店

Skill 商店是一个模块化能力的分发平台。由于 Agent Skills 遵循统一的开放标准（如 SKILL.md 格式），一个由专家编写的“PDF 分析技能”或“AWS 部署技能”可以被打包并发布在商店中，供其他用户直接下载到自己的智能体（如 Claude Code、Cursor 或自定义 Agent）中使用。

**比喻：**如果 LLM 是一个精干的临时工，Skill 商店就是一排陈列着各种“操作手册”和“专业工具箱”的货架。雇主（用户）只需要根据任务，从货架上拿下一本手册交给临时工，他就能立刻掌握特定领域的专业技能。

推荐使用 Vercel 出品的 skills.sh 排行榜，可以直观查看当前最受欢迎的 Skills 仓库和单个 Skill 的使用情况。

还可以辅助使用 skillsmp 商店，该商店中自动抓取了 Github 上的所有的 Skills 项目，并按照分类、更新时间、Star 数量等标签进行了整理。

Clipboard_Screenshot_1769602177.png

其他特色 Agent Skills 商店还有：

• context7：基于 Context7 的 Skill 商店
• skillstore.io：对 Skill 进行了安全审计的中文商店
• agentskills.me：提供了云端 Skill 运行环境的商店
• skills.rest：提供 Skill 分析和安全审查的商店

4.2.Skill 使用

Agent Skills 作为一套基于文件系统的跨平台标准，可以灵活地被嵌入到各种产品中使用。

目前越来越多的编程工具和对话工具已经开始支持 Agent Skills 标准，相信后续还会有更多形式的使用方式出现。

编程工具

要在编程工具中安装 Agent Skills，只需要将 Skill 文件夹放入对应的路径即可。

建议使用 Vercel 官方出品的 npx skills add <owner/repo> 命令行工具快速发现和添加 skill，具体参数详见 npmjs/skills。

工具	项目路径	全局路径	官方文档
Amp	`.agents/skills/`	`~/.config/agents/skills/`	Amp Skills
Antigravity	`.agent/skills/`	`~/.gemini/antigravity/skills/`	Antigravity Skills
Claude Code	`.claude/skills/`	`~/.claude/skills/`	Claude Code Skills
Codex	`.codex/skills/`	`~/.codex/skills/`	Codex Skills
Cursor	`.cursor/skills/`	`~/.cursor/skills/`	Cursor Skills
CodeBuddy	`.codebuddy/skills/`	`~/.codebuddy/skills/`	Codebuddy Skills
Droid/Factory	`.factory/skills/`	`~/.factory/skills/`	Factory Droid Skills
Gemini CLI	`.gemini/skills/`	`~/.gemini/skills/`	Gemini CLI Skills
Goose	`.goose/skills/`	`~/.config/goose/skills/`	Goose Skills
Kilo Code	`.kilocode/skills/`	`~/.kilocode/skills/`	Kilo Skills
Kimi CLI	`.kimi/skills/`	`~/.kimi/skills`	Kimi CLI Skills
OpenCode	`.opencode/skills/`	`~/.config/opencode/skills/`	OpenCode Skills
Qwen Code	`.qwen/skills/`	`~/.qwen/skills/`	Qwen Code Skills
Roo Code	`.roo/skills/`	`~/.roo/skills/`	Roo Code Skills
Trae	`.trae/skills/`	—	Trae Skills
VS Code	`.github/skills/`	`~/.copilot/skills/`	VS Code Skills
Windsurf	`.windsurf/skills/`	`~/.codeium/windsurf/skills/`	Windsurf Skills

对话工具

随着 Agent Skills 标准的普及，越来越多的对话式 AI 工具也开始支持 Skill 的安装和使用。

用户可以通过添加 Skill 来扩展助手/智能体的能力，实现更复杂的任务处理流程。

• Coze/扣子： Coze 2.0 新增技能功能使用说明
• Cherry Studio：在 Cherry Studio 中通过 Agent 使用 Skill 最佳实践

4.3.安装skill

通过命令安装

你可以到 skillsmp 商店搜索想要尝试的 skill，这里以 Playwright-cli 为例子。

进入一个项目的根目录，执行下面的命令。

npx skills add microsoft/playwright

根据提示进行安装。

Clipboard_Screenshot_1769655170.png

通过VScode IDE 打开项目目录，可以看到 skill 已经安装了。

Clipboard_Screenshot_1769684362.png

拷贝安装

有些 skill 不支持命令安装，那么我们可以拷贝安装（skill 本质上就是由几个文件组成。）

Playwright-skill:https://github.com/lackeyjb/playwright-skill

# 克隆项目
git clone https://github.com/lackeyjb/playwright-skill.git

# 拷贝到指定项目下面
cp -a ./playwright-skill/skills/ ./playwright-mind/.github/skills/

Clipboard_Screenshot_1769672615.png

触发 `Skill`

在玩游戏的时候，当我们点亮了一个技能，第一时间肯定是要体验一下他的特效、攻击力等。在安装 playwright-cli 之后，如何触发技能呢？

使用示例

以安装的 playwright-cli 为例子，文档中给出了一个 demo。

项目地址：https://github.com/microsoft/playwright-cli

• 安装 playwright-cli 工具


npm install -g @playwright/cli@latest

• 检查playwright-cli命令

playwright-cli --help

playwright-cli - run playwright mcp commands from terminal

Usage: playwright-cli <command> [args] [options]

Core:
  open <url>                  open url
  close                       close the page
  type <text>                 type text into editable element
  click <ref> [button]        perform click on a web page
  dblclick <ref> [button]     perform double click on a web page
  fill <ref> <text>           fill text into editable element
  drag <startRef> <endRef>    perform drag and drop between two elements
  hover <ref>                 hover over element on page
  select <ref> <val>          select an option in a dropdown
  upload <file>               upload one or multiple files
  check <ref>                 check a checkbox or radio button
  uncheck <ref>               uncheck a checkbox or radio button
  snapshot                    capture page snapshot to obtain element ref
  eval <func> [ref]           evaluate javascript expression on page or element
  dialog-accept [prompt]      accept a dialog
  dialog-dismiss              dismiss a dialog
  resize <w> <h>              resize the browser window

• 演示

> Use playwright skills to test https://demo.playwright.dev/todomvc/.
  Take screenshots for all successful and failing scenarios.

你的Agent会运行playwright-cli命令,当然，你也可以手动操作:

playwright-cli open https://demo.playwright.dev/todomvc/ --headed
playwright-cli type "Buy groceries"
playwright-cli press Enter
playwright-cli type "Water flowers"
playwright-cli press Enter
playwright-cli check e21
playwright-cli check e35
playwright-cli screenshot

通过 VS code 自带的 copilot 运行测试。

1769699121449.png

根据 playwright-cli/SKILL.md 的指导，AI 正在使用 playwright-cli 终端命令执行。

PS D:\github\playwright-project> playwright-cli open https://demo.playwright.dev/todomvc/
<!-- Daemon for `default` session started with pid 2820.
- You can stop the session daemon with `playwright-cli session-stop` when done.
- You can delete the session data with `playwright-cli session-delete` when done.
-->
### Page
- Page URL: https://demo.playwright.dev/todomvc/#/
- Page Title: React • TodoMVC
### Snapshot
- [snapshot](.playwright-cli\page-2026-01-29T15-00-35-075Z.yml)
### Events
- [INFO] %cDownload the React DevTools for a better ...ttps://demo.playwright.dev/todomvc/js/bundle.js:20881

PS D:\github\playwright-project> playwright-cli screenshot -o "01-initial-state.png"
### Result
- [Screenshot of viewport](.playwright-cli\page-2026-01-29T15-00-40-233Z.png)
### Events
- [ERROR] Failed to load resource: the server respon...of 404 () @ https://demo.playwright.dev/favicon.ico:0
PS D:\github\playwright-project> playwright-cli snapshot
### Page
- Page URL: https://demo.playwright.dev/todomvc/#/
- Page Title: React • TodoMVC
### Snapshot
- [snapshot](.playwright-cli\page-2026-01-29T15-00-44-270Z.yml) 
PS D:\github\playwright-project> cat ".playwright-cli\page-2026-01-29T15-00-44-270Z.yml" | head -50
head: The term 'head' is not recognized as a name of a cmdlet, function, script file, or executable program.
Check the spelling of the name, or if a path was included, verify that the path is correct and try again.
PS D:\github\playwright-project> Get-Content ".playwright-cli\page-2026-01-29T15-00-44-270Z.yml" -First 80
- generic [ref=e1]:
  - generic [ref=e2]:
  ....

下一步

前后花了两天时间对skill 的概念和使用了初步的了解，之所以使用playwright为例子进行介绍，是因为大家对于playwright会比较熟悉，我仍然不认为playwright能彻底的替代UI自动化测试了。

接下来，我们可以思考以下，工作中哪些是有迹可循的事情，可以结合自己的工作来编写自己的专属 skill，例如，测试用例、测试计划，测试报告等日常工作，有自己的专属 skill 加持，AI 处理起来会更加精准高效。

最后

对于正在迷茫择业、想转行提升，或是刚入门的程序员、编程小白来说，有一个问题几乎人人都在问：未来10年，什么领域的职业发展潜力最大？

答案只有一个：人工智能（尤其是大模型方向）

当下，人工智能行业正处于爆发式增长期，其中大模型相关岗位更是供不应求，薪资待遇直接拉满——字节跳动作为AI领域的头部玩家，给硕士毕业的优质AI人才（含大模型相关方向）开出的月基础工资高达5万—6万元；即便是非“人才计划”的普通应聘者，月基础工资也能稳定在4万元左右。

再看阿里、腾讯两大互联网大厂，非“人才计划”的AI相关岗位应聘者，月基础工资也约有3万元，远超其他行业同资历岗位的薪资水平，对于程序员、小白来说，无疑是绝佳的转型和提升赛道。

对于想入局大模型、抢占未来10年行业红利的程序员和小白来说，现在正是最好的学习时机：行业缺口大、大厂需求旺、薪资天花板高，只要找准学习方向，稳步提升技能，就能轻松摆脱“低薪困境”，抓住AI时代的职业机遇。

如果你还不知道从何开始，我自己整理一套全网最全最细的大模型零基础教程，我也是一路自学走过来的，很清楚小白前期学习的痛楚，你要是没有方向还没有好的资源，根本学不到东西！

下面是我整理的大模型学习资源，希望能帮到你。

👇👇扫码免费领取全部内容👇👇

在这里插入图片描述

最后

1、大模型学习路线

2、从0到进阶大模型学习视频教程

从入门到进阶这里都有，跟着老师学习事半功倍。

在这里插入图片描述

3、入门必看大模型学习书籍&文档.pdf（书面上的技术书籍确实太多了，这些是我精选出来的，还有很多不在图里）

在这里插入图片描述

4、 AI大模型最新行业报告

2026最新行业报告，针对不同行业的现状、趋势、问题、机会等进行系统地调研和评估，以了解哪些行业更适合引入大模型的技术和应用，以及在哪些方面可以发挥大模型的优势。

5、面试试题/经验

【大厂 AI 岗位面经分享（107 道）】

【AI 大模型面试真题（102 道）】

【LLMs 面试真题（97 道）】

6、大模型项目实战&配套源码

适用人群

在这里插入图片描述

四阶段学习规划（共90天，可落地执行）

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
…

👇👇扫码免费领取全部内容👇👇

3、这些资料真的有用吗？

这份资料由我和鲁为民博士(北京清华大学学士和美国加州理工学院博士)共同整理，现任上海殷泊信息科技CEO，其创立的MoPaaS云平台获Forrester全球’强劲表现者’认证，服务航天科工、国家电网等1000+企业，以第一作者在IEEE Transactions发表论文50+篇，获NASA JPL火星探测系统强化学习专利等35项中美专利。本套AI大模型课程由清华大学-加州理工双料博士、吴文俊人工智能奖得主鲁为民教授领衔研发。

资料内容涵盖了从入门到进阶的各类视频教程和实战项目，无论你是小白还是有些技术基础的技术人员，这份资料都绝对能帮助你提升薪资待遇，转行大模型岗位。
在这里插入图片描述