组件复用Skill开发:让AI告别“即兴发挥”,成为工程协作者

生产级Agent Skill:从Prompt到可复用工程资产的关键跨越 在AI应用落地过程中,软件工程的核心诉求——模块化、复用、测试与可控性——正从传统代码延伸到智能体领域。Agent作为决策调度者,需要将能力拆解为可独立维护的执行单元,这就是Skill机制的价值所在。不同于简单的Prompt模板,生产级Skill必须包含输入输出定义、权限边界、错误处理、测试用例和版本管理,使其成为真正的工程资产。从代码评审到日志分析,这类可复用、可测试、可观测的能力模块正在帮助团队将AI从玩具级Demo推向稳定的生产系统。本文以GitHub上7.9万星的项目为切入点,解析Agent Ski 阅读详情

让AI流程化:组件复用Skill开发,让AI成工程协作者

以下是正文:做这个Skill的初衷很直接,也很现实:功能开发时容易"顺手新建一个",而不是先复用已有组件,造成组件库越来越臃肿。这件事对团队的伤害其实是复利型的:重复组件越来越多;维护成本越来越高;UI/交互一致性越来越差;AI生成代码时也更容易继续复制混乱。所以做这个Skill的目标不是"帮AI搜索一下",而是:把"复用优先"的思考过程流程化,让AI在写代码前先走一遍"查索引 → 判断是否复用 → 命不中再新建"的路径。

想解决的不是搜索问题,而是“思考顺序”问题

一开始很容易把问题理解成:"做个组件搜索工具给AI用就好了"。但实际落地后发现,真正的问题不是工具有没有,而是:AI会不会主动用;AI什么时候用;AI用完之后是否还能回到项目上下文;AI能不能稳定走同一条流程。这和Vercel在他们的agent评测里观察到的现象很像:skills本身不是没用,而是agent往往不会稳定触发;而把基础知识放进AGENTS.md这种"被动上下文"后,稳定性反而更高。Vercel的实验里,默认skill触发并没有提升通过率,加入显式指令后才明显改善,而AGENTS.md文档索引方案表现更稳定。这给了一个很关键的设计方向:先解决AI的"决策点"问题,再解决AI的"能力"问题。

核心设计思路:AGENTS.md + Hook + Skill(三层结构)

最终采用的是三层结构:

AGENTS.md:放基础上下文(常驻)

把"组件复用优先"的规则、组件索引入口、扫描后需要做的事情,放进AGENTS.md(或同类常驻上下文机制)里。目的不是塞满文档,而是让AI每轮都知道:这个仓库有组件复用机制;默认应该先查可复用组件;查不到再考虑新建;扫描后还有描述补全流程需要继续执行。这层解决的是:AI根本不知道有这套机制。不写进去,AI主动使用skill的概率确实会很低(这点踩过坑)。

Hook:做路由增强(提高触发概率)

如果运行环境支持hooks(例如Claude Code的UserPromptSubmit支持在用户prompt处理前注入额外上下文),就可以做一层"意图路由增强":在用户提到"组件复用 / 是否有现成组件 / 封装组件 / 查组件"等语义时,给AI注入提示,让它优先走组件复用流程。Claude的文档明确写了UserPromptSubmit会在处理前触发,并且可通过additionalContext注入上下文。这层解决的是:AI知道有skill,但不一定想起来用。

Skill:提供流程和工具(真正执行)

Skill不是只写说明文档,而是要提供:明确的调用入口;稳定的输出格式;可执行脚本;失败时的兜底逻辑。OpenAI的Codex Skills文档里提到skills是"渐进披露"机制:运行时先看到skill的元信息(尤其是description),只有决定使用时才加载完整SKILL.md;而且隐式触发高度依赖description。这也是为什么skill的触发边界和描述要写得非常清楚。这层解决的是:AI想用了,但执行过程不稳定。

这套Skill在源码里是怎么落地的(实现)

下面是这次组件复用Skill的几个关键实现点:

先把"入口"收敛成一个:find - component.js

在SKILL.md里明确规定:Agent必须调用统一入口find - component.js。这样做的原因很简单:避免AI在多个脚本之间犹豫(scan - components、match - component、resolve - scope……);避免AI漏掉前置步骤(比如索引不存在时先扫描);避免AI调用路径不一致导致结果不稳定。统一入口做了几件事(都在find - component.js里):接收查询词(query)、仓库根路径(repoRoot)、当前聚焦路径(startDir)。如果components.csv缺失,内部自动触发run - scan.js;调用resolve - scope计算当前应用和允许搜索范围;调用match - component做匹配排序;命中时记录使用(用于后续加权);按固定JSON协议返回结果(成功/失败/无匹配/是否触发扫描等)。这一步本质上是把分散逻辑聚合成"一个业务动作":"查一下有没有可复用组件",而不是"先算scope,再查CSV,再排序,再补扫,再记usage"。这对AI很关键。

不是"全仓库乱搜",而是"当前应用 + 根级共享"优先

在monorepo场景里,组件复用很容易踩两个坑:只搜当前app,漏掉根级共享组件;全仓乱搜,结果太多太噪音。所以在resolve - scope.js里做了一个比较工程化的范围解析策略:读取pnpm - workspace.yaml解析workspace包;根据当前聚焦文件/目录反推currentAppRoot;再结合root_scope_patterns(例如apps/_share/、packages/ 等)构建允许范围;最终形成一个搜索集合:当前应用 + 根作用域共享包。如果没有聚焦子项目(比如startDir就是repo root),则切换为全量scope。这个设计很像人类工程师的查找策略:先看"我这个业务应用里有没有",再看"全局共享有没有",而不是直接在整个monorepo海里捞针。

匹配不是纯关键字:做了"多因素加权"

组件匹配如果只做字符串包含,很快就会变成垃圾召回器。在match - component.js + fuzzy - match.js里做了一个组合评分,核心包括:名称精确/包含匹配;模糊匹配(编辑距离);Token重叠;首字母缩写匹配(例如dlp匹配DateLinkPicker);当前应用加权(当前app的组件优先);使用频率加权(常用组件更靠前);来源质量加权(README推断质量高于纯inferred);存在性校验(文件不存在则降权/过滤);记录类型权重(组件优先于依赖)。这一步的目标不是追求"算法先进",而是让排序更符合团队真实使用习惯:"更可能被复用的组件排在前面"。此外还加了一个低分阈值(NO_MATCH_SCORE_THRESHOLD):如果最高分太低,就认为是噪音命中;可以触发一次扫描后再查;还是低分则按"无匹配"返回,不把噪音结果塞给AI。这个点很重要,因为AI一旦拿到一些低质量候选,很容易"将错就错"。

把"索引构建"做成可复用流水线,而不是一次性脚本

很多类似方案停在“扫一遍生成CSV”,然后就过时了。这次把扫描做成了run - scan.js -> index - manager -> enrich的流水线,核心考虑是持续维护:

run - scan.js负责编排流程

resolve - scope;updateIndex;自动触发autoEnrich(可配置)。

index - manager.js负责索引更新策略

保留历史记录并合并;根据source_hash跳过未变化组件;记录last - scan - changed - ids.json;支持并行扫描(包数量较多时启用);对缺失文件支持标记exists = 0(在查找阶段也会回写)。

扫描后进入Agent富化(enrich)流程

读取agent - enrich - prompts.json;找出summary占位符项;按id回到components.csv;读取源码/README;生成summary + keywords;再通过update - component - summary.js写回。更关键的是在配置里启用了:agent_mode_no_fallback = true。也就是说,在Agent模式下不走规则引擎降级,而是要求Agent必须完成这一步。这其实就是"流程化思考"的精髓:不是建议,而是纳入主流程。

让Skill不只是"搜索器",还是"反馈回路"

一个很容易被忽视的点是:查找命中后,还记录了使用行为(usage - tracker)。这意味着系统不是静态的,它会逐步学习团队偏好:哪些组件经常被复用;哪些组件在某个app里更常出现;哪些结果应该在排序中更靠前。这是一种很轻量但非常实用的反馈机制——不需要搞复杂训练,也能提升AI下一次推荐质量。

这次实现里,总结出"让AI流程化"的3条原则

这也是最想分享的部分:

原则1:把基础上下文放进AGENTS.md(或用Hook注入)

如果不这样做,AI主动使用skill的概率很低。原因不是AI笨,而是agent的执行是有"决策成本"的:它要先意识到有skill;再判断该不该用;再决定什么时候用。而把基础上下文放进AGENTS.md或通过hook提前注入,本质上是在减少决策点。Vercel的评测结果说明了这种"被动上下文"在某些场景下会更稳定。

原则2:Skill需要直接提供工具函数给AI调

只写一堆说明文档不够。AI在工程任务里最需要的是:一个可以直接执行的入口;明确的参数;稳定的返回结构。所以把find - component.js做成统一入口,并定义了固定JSON输出(ok / matches / noMatch / scanTriggered / hint / error等),这会明显提升AI的执行稳定性。

原则3:显式告诉AI调哪些函数,并把分散逻辑聚合到一个入口

这是最容易被忽略、也是最影响稳定性的一点。如果给AI暴露一堆脚本:resolve - scope.js;match - component.js;run - scan.js;scan - components.js;index - manager.js。它理论上能拼起来,但实践里很容易漏步骤、顺序错、参数错。所以在Skill里显式规定:查找时用find - component.js;构建时用run - scan.js;更新描述时用update - component - summary.js。把复杂系统收敛成几个明确入口,AI才容易稳定执行。

这次实践里一个很重要的认知转变

原来以为"写skill"是在给AI增加能力。现在更像是在做:给AI增加"默认工作方式"。换句话说,skill不只是能力包(capability bundle),也是流程控制器(workflow controller)。AGENTS.md负责"告诉AI世界观";Hook负责"提醒AI现在该用哪套流程";Skill负责"把动作做完,并且做得稳定";日志/CSV/usage负责"让系统可观测、可迭代"。这套思路不只适用于组件复用,后面也可以迁移到:任务优化闭环;日志分析标准化;策略诊断流程;代码规范治理。

这套方案当前的价值

AI开发前先查可复用组件,而不是直接新建;monorepo下按"当前应用 + 共享组件"范围检索;索引缺失自动扫描;组件描述富化进入主流程;匹配质量有加权与反馈回路;整体流程有明确入口和输出协议。

结语:让AI少一点"即兴发挥",多一点"工程纪律"

这次组件复用Skill的开发过程,对最大的启发不是"AI能帮写多少代码",而是:AI其实非常适合被放进一套清晰流程里工作。只要把下面三件事做好:基础上下文(AGENTS.md / hooks);可执行入口(工具函数);明确流程边界(统一入口 + 输出协议)。AI就不会只是"一个会说话的代码补全器",而会更像一个遵守团队规范的工程协作者。而这,才是做这个Skill真正想要的结果。

Cursor不是IDE而是代码协作者:Rule、Skill与Prompt的工程化实践 在AI编程时代,'代码协作者'正逐步替代传统IDE的被动补全角色,其核心在于对自然语言意图的理解与工程化执行。理解prompt engineering本质是意图翻译而非关键词堆砌,掌握Rule作为人机协作的行为契约而非配置项,善用Skill封装领域知识而非下载功能插件,已成为提升开发效能的关键路径。尤其在Vue3、iOS原生等上下文敏感场景中,通过分层Prompt、桥接注释与逆向验证钩子,可有效弥合模型能力与平台规范间的断裂。本文聚焦Cursor落地中的认知跃迁与实操方法论,助力工程师从工具使用者成长为协作 阅读详情

相关推荐

Antigravity AI Skill编程协作者:结构化技能驱动的工程提效范式

Skill(技能)是现代AI编程协作中的核心抽象,本质是将重复性开发任务封装为输入明确、输出可控、约束可验的结构化模板。它不同于传统Prompt工程或黑盒模型调用,而是融合了接口契约、类型安全、团队规范与CI/CD集成能力的工程化产物。其技术价值在于降低跨职能协作摩擦、消除胶水代码、提升API变更响应速度,并支撑无障碍、性能、安全等质量属性的自动化落地。典型应用场景包括Figma转React组件、OpenAPI生成TypeScript客户端、数据库ER图建模等。本文深入解析Antigravity AI中su

weixin_31293685的博客 306

用了这套配置,Claude Code 终于不用我反复交代背景了,2026 最强 Hooks、Skills、Agents 实战

每次打开 Claude Code 新会话,我都要先来一段开场白:"这是一个 Node.js 项目,用的 Prisma + Express,测试框架是 Jest,别动 package-lock.json,别碰 .env 文件……每次新开会话,上下文清零,规则清零,约束清零。CLAUDE.md 是它的长期记忆,Skills 是它的专业技能库,Hooks 是它的行为准则,Agents 是它的团队分工。CLAUDE.md 能解决"每次都要交代项目背景"的问题,但它是全量加载的——写多了会吃掉宝贵的上下文窗口。

码哥字节 917

告别重复调Prompt:用Agent Skill沉淀可复用的AI工程经验

在AI应用开发中,提示词工程是连接业务需求与模型能力的关键,但很多开发者发现,精心调校的Prompt换个场景就失效,隐性经验难以迁移。Agent Skill作为一种结构化能力封装方案,将指令、参考资源、示例模板有机整合,让模型按需加载并执行完整工作流,极大提升工程经验的复用效率。它介于Prompt与Agent之间,既避免上下文碎片化,又为多Agent协作提供标准化能力单元。数据分析、SQL审核、报告生成等高频稳定场景,均适合通过Skill沉淀为团队共享资产。本文梳理Skill的目录结构、描述编写与拆解流程,

weixin_29035147的博客 317

别再让AI“自由发挥“了!Anthropic新架构:教会AI“专业技能“,小白也能成为大模型架构师

Anthropic提出"Skill"架构范式,颠覆传统AI Agent开发思路。商业应用中,AI的一致性、稳定性比高智商更重要。Skill架构将模型视为处理器,技能(核心为SKILL.md文件)视为应用程序,实现智能与经验解耦,让非技术人员也能直接"教导"AI,沉淀组织知识。通过渐进式披露机制保护上下文窗口,实现真正的可组合性,让AI从"自由发挥"的"天才"转变为执行标准流程的"专家"。

m0_59164520的博客 639

从零搭建生产级Agent Skill:可复用技能包的工程化实践

Agent作为自主执行任务的智能体,核心在于规划、工具调用与迭代能力,而Skill则是一组结构化能力包,本质是团队沉淀的SOP。生产级Skill不是简单写一个Prompt,而是包含SKILL.md、脚本、模板、测试和版本管理的完整工程组件。它通过明确的适用边界、可验证输出、测试覆盖、版本回滚和安全边界,将不可控的模型能力转化为稳定可预期的基础设施。在事故复盘、日志分析、运维告警等高频场景中,Skill能显著提升Agent的执行质量和团队协作效率。本文以GitHub 7.9万star的实践项目为切入点,从零搭

weixin_30458043的博客 398

AI Skill开发实战:从原理到实践,打造可复用的自动化工作流

在人工智能应用开发中,函数调用(Function Calling)和提示词工程(Prompt Engineering)是构建智能系统的核心技术。函数调用允许大语言模型识别用户意图并结构化地请求外部功能,而提示词工程则通过精心设计的指令引导模型行为。这两项技术的结合,使得AI能够将一次性的交互固化为可重复、可组合的自动化流程,从而大幅提升开发效率和应用智能化水平。其技术价值在于降低了复杂AI能力的认知负荷,让非专业用户也能通过自然语言调用专业功能。典型的应用场景包括数据分析、文件处理、系统集成等自动化任务。本

weixin_32377497的博客 395

【收藏】Skill:AI的“工作手册“,让大模型应用开发更简单

文章介绍了AI Skill技术,将其比喻为AI的"工作手册",由元数据、说明和资源代码三层构成。Skill解决了传统提示词工程的上下文浪费、复用性差和操作不一致问题。文章详细讲解了使用扣子编程平台创建和部署技能的方法,让开发者无需编写代码即可构建AI技能。

2401_85375186的博客 1209

GStack实战:40分钟掌握AI Agent工程化开发与Skill编排

在AI应用开发领域,大语言模型(LLM)的集成与工程化部署是开发者面临的核心挑战。其原理在于通过模块化设计将复杂任务拆解为可复用的原子能力单元,从而提升代码的可维护性和团队协作效率。这一技术价值体现在能够系统化地解决功能膨胀、测试困难与部署黑盒等工程难题,广泛应用于智能客服、内容生成、数据分析等场景。本文聚焦于GStack框架,它通过一套标准化的Skill体系实现AI Agent的快速构建,其中预置的28个Skill覆盖了网络请求、数据处理与逻辑控制等常见操作,并通过Workflow编排机制将模块化开发与工

cuemes08808的博客 615

Skill Forge 实战指南:基于 BrowserAct 让 AI 一次探索、生成可复用爬虫 Skill,从此告别重复开发

Skill Forge 是构建在 BrowserAct CLI 之上的扩展 Skill,核心主张是 **"让 AI 帮你写爬虫——探索一次,永久复用"**:Agent 先通过浏览器自动化完整探索目标站点(API 优先、DOM 兜底),再把验证过的抓取路径封装成带参数的 Skill 包(SKILL.md + Python 脚本),之后任意批量任务都走同一条稳定路径。读完本文,你将掌握 Skill F

gitblog_00005的博客 1026

AI编程工程化:用Skill实现可复用、可验证的AI代码生成

AI编程正从‘提示词驱动’迈向工程化阶段,核心在于将隐性开发经验封装为标准化、可验证的执行单元——Skill。它融合了输入Schema校验、模板化代码生成与自动化回归测试,本质是面向AI的微型软件包,解决语义歧义、技术栈不一致和模型漂移带来的不确定性。相比传统函数库,Skill强调契约强度与执行沙盒,支撑前端表单校验、风控规则生成、API文档输出等高频场景。本文以实战视角解析Skill设计原则、工作流编排与仓库治理,助力团队构建稳定、可审计、可规模化的AI编程基础设施。

weixin_33443972的博客 301

CH582低功耗实战:从1.2mA降到5uA,我的蓝牙广播功耗优化笔记

本文详细记录了沁恒CH582蓝牙芯片从1.2mA降至5μA的功耗优化全过程。通过建立基准测试环境、分层排查软件配置与IO状态、精细调优射频参数以及硬件层面的电源管理,实现了极致的低功耗表现。文章还提供了实用的功耗测量方法和典型问题排查指南,为蓝牙设备开发者提供了宝贵的参考经验。

weixin_30368405的博客 575

Prompt工程Skill化:从文本指令到可复用AI组件的演进与实践

在人工智能应用开发领域,Prompt工程正经历从一次性文本指令向可复用、可组合的标准化组件演进。其核心原理在于通过定义强类型的输入输出契约、固化系统指令、集成执行引擎与后处理逻辑,将模糊的自然语言交互转化为结构化的软件接口。这一转变的技术价值在于解决了传统Prompt在复用性、稳定性和规模化集成方面的痛点,实现了AI能力的工程化封装与管理。从应用场景看,Skill化封装使得技术方案评审、数据分析、内容生成等复杂任务能够像乐高积木一样被灵活调用和编排,显著提升了开发效率与系统可靠性。本文聚焦于**Skill化

weixin_33795093的博客 518

python爬取《你好, 李焕英》豆瓣评论数据

# 导入工具包 import requests from bs4 import BeautifulSoup import time import pandas as pd import numpy as np # 请求头 headers={'User-Agent':'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/88.0.4324.190 Safari/537.36'} # =

python技巧分享 3457

从“同事.skill”到AI Agent浪潮——当人工智能开始“取代”你的工位

摘要: 2026年4月,GitHub上爆火的“同事.skill”项目掀起了一场AI数字分身狂欢。开发者通过爬虫抓取离职同事的聊天记录、邮件等数据,生成可模仿其工作习惯和沟通风格的AI技能包,5天内斩获7.3k星标,并衍生出“前任.skill”“老板.skill”等变种。技术层面,该项目采用双层架构(Work Skill+Persona)和静态Markdown文件实现角色扮演,而非真正的模型训练。尽管被戏称为“赛博永生”,其本质是标准化Agent Skills生态的缩影——Anthropic推出的开放式AI代

小明的博客 1606

宇树GO2-YOLOv5在Jetson Orin上的部署避坑实践

本文详细记录了在宇树GO2四足机器人搭载的Jetson Orin平台上部署YOLOv5目标检测模型的完整实践过程。文章重点分享了从ARM架构认知、网络连接解决方案、Archiconda环境搭建、PyTorch版本精准匹配到依赖安装与性能验证的核心步骤与避坑指南,旨在帮助开发者高效完成边缘计算环境下的算法部署。

app77的博客 670

IBM Storwize V3700存储维护实战:硬盘更换、电源模块热插拔与带外管理IP配置

在企业IT基础设施中,存储阵列是数据持久化的核心组件,其稳定运行直接关系到业务连续性。存储阵列通常采用RAID技术实现数据冗余,并通过热插拔、冗余电源等设计保障高可用性。带外管理则提供了独立于业务网络的硬件级监控与管理通道,是运维的关键手段。本次实战以一台IBM Storwize V3700存储阵列为例,详细记录了在业务低峰期,依据严谨的操作流程,对出现SMART预警的硬盘进行在线更换,并对有异响的冗余电源模块实施热插拔更换。针对管理界面强制要求设置VIP才能配置带外管理地址的限制,文章提供了通过SSH命令

weixin_29172963的博客 304

Web 开发者零 AI 基础入门:Skill 开发实战全攻略

本文从Web开发者视角出发,介绍了AI时代的Skill开发模式。Skill将复杂AI能力封装为标准化模块,类比Vue/React组件,开发者无需精通大模型即可快速构建AI应用。文章详细讲解了Skill核心概念、工程化工具skill-creator、契约文件SKILL.md的规范语法,并通过SpringBoot+Vue3实现PDF文本提取的完整案例,展示了如何将Web开发经验迁移到AI领域。Skill开发复用组件化思维,采用标准化接口定义和工程化工具链,让Web开发者能够无缝切入AI应用开发,降低技术门槛。

爱人爱己,风生水起 742

《深入浅出强化学习原理入门》学习笔记(三)机器人找金币应用实例

《深入浅出强化学习原理入门》学习笔记(三)MDP应用实例

lxs3213196的博客 3187

网安人如何开发AI Agent Skill?如何打造可复用数字资产?

其实做Skill的逻辑很简单,就是把具体场景的做事规则、专业知识整理好,打包成标准化的模块。不管是个人还是团队,都能把零散的经验变成可复用的数字资产,个人提高工作效率,团队能统一执行标准,新人上手也更快。单个Skill解决一个小问题,多个Skill组合起来,就能完成复杂的工作流,让AI的能力真正落地到日常工作中。

不忘初心,护天下安全! 1179

看完这篇你就能讲解LLC软开关:一文秒懂 ZVS 和 ZCS 到底啥意思!

想要 MOS 管ZVS 好实现➜ 把工作频率保持在 fr1 或更高。想让整流二极管也ZCS 实现➜ 频率就别高过 fr1。设计磁性元件时,一定要计算好 Lr、Lm、Cr 的值,这直接决定你 fr、fr1 是多少!LLC 的软开关技术不是“魔法”,是电感电容+频率控制的精妙组合;fr1 就像黄金分割点,整流和开关都能“刚刚好”;不是所有软开关都能同时实现,要看你在频率曲线的哪一段!

weixin_43199439的博客 1550

Transformers 实战修炼与源码剖析专栏大纲

本专栏以 Hugging Face Transformers 为主线,围绕“能用、会调、敢上线、懂源码”四个目标展开。内容不把理论堆成公式墙,而是用真实或拟真的业务场景驱动:客服分类、合同抽取、知识库问答、模型微调、推理服务、监控告警、源码扩展等。采用“业务痛点 → 三人剧本对话 → 代码实战 → 总结思考”的四段式结构,让读者在动手完成一个个小项目的过程中,逐步理解 Tokenizer、Model、Pipeline、Trainer、Generation、PEFT、Accelerate、Serving等概念

davidwang456的专栏 928

从“能用”到“会用”,Skill设计与开发全流程最佳实践指南

《Skill开发最佳实践:从“能用”到“好用”》 本文系统阐述了Skill开发的核心原则与实践方法,帮助开发者打造高命中率、高稳定性的实用Skill。首先澄清常见误区:Skill不是简单Prompt,而是可执行的指令说明书;编写时应面向模型而非人类,避免冗余解释;功能单一明确优于复杂臃肿。其次提出设计标准:元数据(名称与描述)需简洁规范、含关键词;根据任务复杂度采用不同自由度分级(高自由度给原则、中自由度给框架、低自由度给步骤)。最后强调工程化开发流程需遵循"评测驱动、失败优先"原则,通

小程故事多的博客 1909

058、时域降噪(Temporal Denoise):运动补偿与递归滤波在视频降噪中的应用

本文深入探讨了时域降噪(Temporal Denoise)技术在视频处理中的应用。作者通过车载环视项目案例,揭示了空域降噪的局限性,提出利用帧间信息进行降噪的核心思路。文章详细解析了递归滤波和运动补偿两大关键技术,指出递归滤波简单但易产生拖影,而运动补偿通过计算运动矢量解决此问题。作者还分享了多帧降噪方案的优势与算力挑战,并总结了噪声模型匹配、运动矢量一致性等实战调优经验。最后强调时域降噪需要与空域降噪平衡,指出调试工具的重要性,提出"在保证运动区域无鬼影的前提下追求信噪比"的实践原则,体现了算法复杂度与效

zzfmlxs的博客 93

Taste Skill与SKILL.md:让AI前端产出告别“AI味”的工程化实践

在前端开发中,AI生成代码常因“平均化审美”导致页面模板化、缺乏判断力,即“AI味”。其原理在于AI缺乏场景化审美规则与可复用技能。Agent Skills机制通过SKILL.md将资深前端的审美判断结构化为可执行、可组合的技能单元,实现从“能生成”到“有判断”的跨越。该机制适用于后台表格、营销页等场景,能显著提升产出质量与团队一致性。Taste Skill正是这一思路的落地实践,为AI前端注入品味与工程判断。

weixin_31960565的博客 340

霍尼韦尔SoftMaster使用说明

霍尼韦尔SoftMaster使用说明

IEM模型,地表粗糙度模拟

利用微波反演土壤水分时候,利用IEM模型可以实现对随机地表的模拟

AI核心概念讲解】一口气搞懂 Skill:AI 的“技能包”,AI Coding 的关键产出

AI技能包:从实验功能到行业标准的三月革命 2025年底,Anthropic推出的Claude Skills功能在三个月内迅速演变为全球AI生态的开放标准,微软、OpenAI等巨头纷纷跟进。Skill作为AI的"技能包"模板,通过结构化指令、自动加载和开放标准,实现了从普通提示词到工程化能力的跃升。其核心在于三层文件夹结构和渐进式披露机制,使AI能动态调用所需技能而不占用过多资源。 Skill重新定义了AI时代的工作范式:开发者从编写代码转向设计AI可执行的流程说明书,工作重心转变为流程

感谢阅读。 689

大中型超市收银系统(可直接运行)

光步前台收银系统系统功能:商品销售、商品退货、挂单、收银员权限、会员销售、单品取消、整单取消、商品查询、脱机销售、脱机数据上传,基本资料下载,开钱箱、小票打印、收款结算,支持多币种付款方式(现金、储值卡、礼券、微信等),支持多种促销。运行环境:.net 4.0登陆信息用户名:1001 密码:123456内置商品信息,商品编码可输入00001000 - 00010000,测试效果相关功能键F5 结算 F9挂单 F11商品查询 F8退货 Insert单品取消 Del整单取消 F12开钱箱F2 会员 Ctrl+Z退出系统 Home 锁屏 相关源码待公开

告别“Prompt地狱“!Anthropic Skill让AI Agent能力模块化,小白也能轻松掌握的AI编程新范式

文章介绍了Anthropic推出的Agent Skills技术,将AI Agent能力从传统Prompt升级为可管理的模块化单元。Skill通过SKILL.md文件描述能力,采用按需加载机制,解决了能力难复用、上下文膨胀等问题。Skill体系使Agent能力具备可复用、可维护、可共享和可版本化的软件工程属性,标志着AI Agent开发向工程化管理的重要转变。

Androiddddd的博客 815

假人有限元模型

假人模型,车辆碰撞假人有限元模型,适合做乘员安全的研究者利用

上一篇: TrendForge 每日精选 13 个热门开源项目,今日总获星 32362 颗!
下一篇: piCore:Tiny Core Linux 树莓派移植版,轻量灵活定制系统的理想之选!
IT界那些事儿
博客等级 码龄6年 2万+粉丝 22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