在 AI 智能体（Agent）飞速发展的今天，很多开发者陷入了一个误区：为每一个细分领域和用例单独构建一个全新的 Agent。在最近的一次演讲中，来自 Anthropic 的 Barry Zhang 和 Mahesh Murag 提出了一个全新的范式——“不要构建 Agent，要构建技能（Skills）”。
这篇博客将为您总结视频的核心观点，带您了解为什么"技能"将是 AI Agent 发展的下一个里程碑。
1. 现有的问题：通用智能 vs. 领域专长
目前的 AI Agent 虽然拥有很高的智商和通用能力，但往往缺乏特定领域的专业知识（Expertise）。
演讲者打了一个比方：在处理税务问题时，你想要的是一位经验丰富的税务专家（Barry），而不是一个虽然智商 300 但需要从头学习税法的数学天才（Mahesh）。
现有的 Agent 就像那位天才，如果不提供上下文和专业指导，很难在特定工作中表现出色。
2. 什么是"Agent Skills"？
为了解决这个问题，Anthropic 推出了 Agent Skills（智能体技能）。
- 定义：技能就是打包好的程序性知识，本质上就是文件夹。
- 构成：它包含提示词（Prompts）、脚本（Scripts）和说明文件。
- 优势：这种设计非常简单且符合直觉。因为是基于文件系统的，你可以用 Git 进行版本控制，用 Google Drive 分享，甚至直接打包发送给同事。
- 代码即工具：技能中可以包含代码脚本作为工具。代码具有自文档化、可修改的特性，比传统的文字指令更精确。
3. 运作机制：节省上下文窗口
为了让 Agent 能够掌握成百上千种技能而不撑爆上下文窗口（Context Window），Anthropic 采用了**渐进式披露（Progressive Disclosure）**的设计。
- 在运行时，模型最初只看得到技能的元数据（Metadata）。
- 只有当 Agent 决定使用某项技能时，才会读取详细的指令和文件夹内容。
4. 蓬勃发展的生态系统
自推出以来，技能生态系统已经涵盖了三个主要类别：
- 基础技能：赋予 Agent 通用能力，例如处理 Office 文档或进行科学研究（如生物信息学数据分析）。
- 合作伙伴技能：第三方工具的集成。例如 Notion 推出了让 Claude 深入理解工作区内容的技能；Browserbase 推出了浏览器自动化技能。
- 企业内部技能：这是目前最活跃的领域。大型企业正在构建特定技能来教 Agent 遵守内部代码规范、使用专有软件或执行特定的财务流程。
5. 面向未来的架构：MCP + Skills
Anthropic 描绘了一个清晰的通用 Agent 架构：
- Agent Loop：管理模型的思考过程。
- Runtime 环境：提供文件系统和代码执行能力。
- **MCP (Model Context Protocol)**：连接外部数据和工具（连接世界的桥梁）。
- Skills：提供完成任务所需的专业知识（大脑中的智慧）。
这种组合让非技术人员（如财务、法务）也能通过编写简单的技能文件来扩展 AI 的能力。
6. 终极愿景：自我进化的知识库
最令人兴奋的前景是 AI 的持续学习。
Claude 现在已经可以为自己编写技能了。这意味着如果它学会了一个新任务（例如写某种特定格式的 PPT 脚本），它可以将其保存为一个"技能"供未来的自己使用。
这让"记忆"变得具象化和可迁移。今天的 Claude 通过积累技能，在第 30 天时将比第 1 天强大得多。
总结
演讲最后用计算机的发展史做了一个精妙的类比：
- 模型 (Model)就像 **处理器 (Processor)**：潜力巨大但单打独斗难成气候。
- Runtime/Agent就像 **操作系统 (OS)**：负责资源调度和交互。
- 技能 (Skills)就像 **应用程序 (Software)**：这才是承载领域专长、解决具体问题的地方。
我们不需要再去重复造"操作系统"（Agent），而是应该专注于构建丰富多彩的"应用程序"（Skills）。
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。
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。
