原创：小姐姐味道（微信公众号ID：xjjdog），欢迎分享，转载请保留出处。
要论写代码最能打的模型，非claude家的莫属。但论其他的，可能就一般了。
10月16日，Anthropic 又开始讲故事了。这次的名字叫 Claude Skills，宣传语是"可定制的专业能力"，听起来挺唬人。发布会搞得很隆重，PPT 做得精美，演示流畅，案例动人，仿佛 AI 要上天了。这明显是尝到了MCP当年推出的甜头，想要再复制一波流量。
结果呢？
作为一个写了十几年代码的老油条，我看完之后笑了：Cursor 的 cursorrules 早在一年前就这么玩了，RAG的 Retrieval 早就做了无数实践，你现在告诉我这是创新和颠覆？
说穿了，这就是 RAG（检索增强生成）的一种增强版本。Anthropic 给它包装了个"渐进式披露"的名字，听起来很高级，实际上还是在做检索、匹配、加载这套流程。
本质上，不管是 Tools、MCP、cursorrules 还是 Skills，干的都是同一件事：给模型补充必要的上下文信息。只不过形式不同、名字不同罢了。
大模型优化的三板斧
在揭穿 Claude Skills 之前，咱们先聊聊大模型优化这件事。现在市面上，无非就三招。
第一招是砸钱练模型。说人话就是：烧钱、烧数据、烧算力，让模型天生聪明。好处是一次训练到处能用，推理快。但问题是贵到离谱啊，GPT-4 训练成本超过 1 亿美元，你以为在开玩笑？而且迭代慢，3-6 个月才能更新一次，等得花儿都谢了。知识烙进模型里了，想更新？重新训练吧。这是 GPT-4、Claude 3.5 这些家里有矿的主儿才玩得起的。
第二招是硬塞长上下文。管它三七二十一，把所有信息都塞进去，让模型自己找。这招简单粗暴，工程师喜欢，信息也不会漏掉。这次还是烧钱，不过这次是烧客户的钱了。
第三招是管理上下文。说白了，就是给模型补充必要的上下文信息。不管你叫它 RAG、Tools、MCP、cursorrules 还是 Skills，本质都一样。区别只是管理方式：是全量加载？还是检索匹配？还是智能筛选？
处理这些额外规则和上下文的方式，无外乎两种：元数据管理 （打标签、分类，然后匹配）和检索（语义搜索或数据库查询）。你把 Skills 存在 Markdown 文件里，还是存在数据库里，还是存在向量库里，只不过是换了个形式而已。
说到这你就明白了，第三招的各种变体（RAG、Skills 等），本质上都在做同一件事，只是包装不同。每种方案都有坑，都有问题。
本质上都是在管理上下文
好，现在我们来扒一扒 Claude Skills 到底干了什么，以及它和其他方案的区别在哪。
先说结论：**不管是 Tools、MCP、cursorrules 还是 Skills，本质上都是在给模型补充上下文信息。**区别只是形式和管理方式不同。
当这些额外的规则和上下文信息太多时，能够处理它的技术其实只有一种：先语义化处理前置信息，然后有选择地使用。
具体怎么做？处理方式无外乎两种：
第一种：元数据管理。给每个 Skill、Rule、Tool 打上标签、分类、描述，然后根据任务特征去匹配。这就是 Claude Skills 宣称的"渐进式披露"------扫描技能库、自动匹配相关技能、按需加载。听起来高级，但本质就是元数据匹配。当然你也可以分层，把描述越来越细（注意，你的工作量也会越来越多）。
第二种：检索。可以是语义搜索（向量相似度匹配），也可以是精确的数据库搜索（关键词、标签查询）。不管你的 Skills 是存在 Markdown 文件里，还是存在数据库里，还是存在向量库里，只不过是换了个形式而已。底层逻辑都是检索。
所以你看：
- 传统 RAG：检索（语义搜索或关键词匹配）→ 注入 Context → 调用模型
- Cursor Rules：元数据管理（全量加载所有规则）→ 塞进 System Prompt → 调用模型
- Claude Skills：元数据管理（智能匹配）+ 检索（按需加载）→ 注入 Context → 调用模型
看出来了吗？Claude Skills 只是把元数据管理和检索结合了一下，给它起了个新名字叫"渐进式披露"。技术上有优化吗？有一点，比如可以包含可执行代码，减少了一些 token 浪费。算颠覆性创新吗？对不起，谈不上。
那问题来了：既然只是把现有技术组合了一下，为啥要包装成 "Skills"？
答案很简单：为了好卖！
"Custom Instructions" 听起来就是个配置项，没意思。"Rules" 听起来像是在约束我，不爽。但 "Skills"？哇，听起来像我变强了！
你看，技术组合包装成革命性功能，换个名字感觉立马不一样。这是产品经理的胜利，是营销的胜利。
换汤不换药，该踩的坑一个都没少
别以为换了个管理方式就能逃脱，不管你用元数据管理还是检索，核心问题一个都没解决。
先说召回率和精准度的问题。这是所有上下文管理方案的死穴：
- 全量加载（Cursor Rules）：信息完整，但稀释效应严重，模型容易懵
- 检索匹配（传统 RAG）：检索太少漏关键信息，检索太多噪音一堆
- 智能匹配（Claude Skills）：听起来美好，但匹配不准怎么办？该匹配的没匹配上，不该匹配的塞进来了
而且"稀释效应"无论如何都存在。不管你是全量加载，还是智能筛选，只要上下文信息多了，模型表现就会下降。多个 Skills 互相冲突？模型就像精神分裂一样，行为不一致。
这不叫"解决问题"，这叫"换个方式踩坑"。
Claude Skills 的按需加载不算创新。而且，这个"按需"到底有多准？如果匹配算法不够聪明，该加载的没加载，不该加载的加载了一堆，那成本优势就没了。而且"扫描技能库 + 自动匹配"本身也要消耗计算资源。
你说 Anthropic 不是有 Prompt Caching 吗，缓存命中便宜 10 倍？首先，其他模型也有。其次，本质上是把 Token 成本转嫁给了计算成本（缓存要钱的，只是你看不见），把成本转嫁给了用户（订阅制你看不到单次账单，但 Anthropic 心里门儿清）。而且缓存策略还得精心设计，不然命中率上不去，钱照样烧。
天下没有免费的午餐，该付的钱一分都少不了。
人家要赚钱，你别当傻子
说实话，从商业角度看，Anthropic 这波操作没毛病。竞争这么激烈，不搞点新名词怎么活？"Skills" 听着就比 "Custom Instructions" 好懂，让用户觉得"只有 Claude 有 Skills"，这就成了。"Skills 功能仅限 Pro 用户"------要用？掏钱！OpenAI 也这么干（GPTs）、Google 也这么干（Gems）、微软也这么干（Copilot GPT）。这是行业常规操作，不寒碜。
但作为技术人，咱得保持清醒。
Low 的表现是什么？"卧槽，Claude Skills 太牛了！这是颠覆性的创新啊！我要赶紧把所有项目迁移到 Claude！"看到这种发言，我只能说：兄弟，你该醒醒了。
专业的态度应该是："哦，又是一个上下文管理的变体。把元数据管理和检索结合了一下，加了智能匹配和渐进式披露。本质上还是在做 RAG 那一套，只是工程上优化了一点。先看看实际效果和成本，测测匹配准确率，再决定用不用。
技术圈最怕什么？概念通货膨胀。明明都是在做上下文管理，非要起一堆新名字；明明是工程优化，包装成"架构革新"；明明是参数调整，包装成"算法突破"。
保持独立思考，是技术人的底线。看穿本质，别被营销牵着鼻子走。
曾经的MCP，想绑你上贼船
Anthropic 曾经出了个玩意儿------MCP（Model Context Protocol），配合 Skills 和 Tools，说是要构建"完整的生态"。听起来很美好？咱们看看本质是什么。
MCP 干的事儿就是提供标准化接口，让 Claude 能访问外部资源：数据库、API、文件系统、其他服务。等等，这不就是任何一个 REST API 服务器干的事儿吗？不就是 OpenAI Function Calling 吗？换汤不换药，又是旧酒装新瓶。
Cursor 告诉我们，事情本可以不用这么复杂。Cursor 也能读写文件系统、执行终端命令、调用 LSP、集成 Git、支持多种模型（Claude、GPT-4、Gemini）。重点来了：Cursor 不绑定任何一个模型。它提供了一个完整的 IDE 环境，模型只是其中一个可替换的组件。今天用 Claude，明天换 GPT-4，后天上 Gemini，随便换。这才是健康的架构。
很多公司看到 MCP 后，眼睛都亮了，赶紧开发 MCP Gateway（把其他协议转成 MCP）、MCP Proxy（统一管理 MCP 连接）、MCP Hub（MCP 服务市场）。
6 个月后的真实情况：使用量远低于预期，甚至有点惨淡；Claude 新版本一出，协议又改了，你的代码白写了；OpenAI 的 Function Calling 生态已经很成熟了，用户不愿意换；应用场景有限，看起来像个大型玩具，生产上不可控；公司悄悄把 MCP 相关项目标记为"维护模式"（其实就是放弃了）。
历史总是惊人的相似。还记得 Google Wave 吗？协议设计得多好啊，结果没人用。还记得 SOAP vs REST 吗？复杂的最终输给了简单的。还记得各种区块链联盟链吗？热度过后一地鸡毛，现在连提都不提了。
技术圈最不缺的就是"下一个大事件"，但大部分都是昙花一现。工程师的时间很宝贵，别浪费在追风口上。
xjjdog的思考：大模型的未来：别再把它当工具了
现在所有人都在搞 RAG、Skills、MCP，但说白了，都是把大模型当成工具：我有数据 → 喂给模型 → 模型吐结果。工具归工具，数据归数据，两回事。
问题在哪？LLM 对你的数据没有记忆，每次对话都像第一次见面。每次都在"重新认识你"，上次说过的事，这次还要再说一遍。知识永远是"外挂"的，不是模型的一部分，只是临时喂进去的。无法真正个性化，你用的和别人用的本质上是同一个模型。
我有个想法，估计厂商们都没想过，或者想过但很难做：大模型应该能实时训练，随着你的使用不断进化。
现在的玩法是：模型（固化死的） + 数据（外挂临时喂）。我说的玩法是：模型（持续进化） = 基座智能（IQ）+ 你的个人知识（数据）。听起来很科幻？其实不是。
具体怎么搞？不是共享一个大模型，而是每个用户有一个独立的模型副本，连LoRA都不是。你用得越多，模型就越懂你。不是靠什么 RAG 检索，而是真正"记住"你。
每次你和模型对话，对话内容被编码，微调你的个人权重，重要知识直接写入神经元，模型逐渐"理解"你的思维方式和工作习惯。用一个月后，模型记住你的项目结构（不用每次都加载进 Context），知道你的编码风格（不用写 .cursorrules），懂你的专业术语（不用每次解释），能预测你的意图（甚至主动给建议）。这才是真正的"个人助理"，不是那种每次对话都失忆的傻瓜机器人。
关键问题是怎么把"智力"和"知识"分离开？Base Model 是共享的"智商"：推理能力、语言理解、代码生成、通用常识。Personal Layer 是你的专属"知识"：你的项目代码和架构、你的工作文档和笔记、你的编码偏好和习惯、你的历史对话和经验。
怎么实现？可能的技术路径有：Mixture of Experts（基座模型 + 你的个人 Expert 模块）、Adapter Layers（基座模型冻结不动，只训练你的 Adapter）、Memory Networks（显式的记忆存储层）、Neural Compression（把你的知识压缩到少量参数里）。
为什么这是通向 AGI 的必经之路？因为 RAG 是死胡同。知识永远在"外面"，不是模型的一部分；模型无法对知识进行深度推理，只能表面理解；检索到的知识是"死"的文本，不是"活"的理解。
举个例子你就明白了。RAG 模式下，你问："项目中 UserService 的设计有问题吗？"AI 检索 UserService 代码，然后分析："可能有并发问题"。个人化模型呢？你问："UserService 有问题吗？"AI 说："你上周提到的并发问题还没解决吧？我注意到你在 OrderService 里也用了类似的模式，建议一起重构。根据你的编码习惯，我已经生成了一个方案，你看看..."
看出区别了吗？RAG 每次对话都像"初次见面"，需要重新介绍自己。个人化模型真正"认识你"，知道你的过去，理解你的习惯。
技术上能做到吗？现在的障碍是：训练成本高，每个用户都训练一个模型？疯了吧？隐私问题，个人模型怎么管理？放哪？存储问题，几千万用户 × 每人一个模型 = 爆炸。
听起来不可能？其实有办法。现在也有一些尝试，比如 LoRA + 量化，个人层其实只有几 MB，不是整个模型都要存。联邦学习，本地训练你的个人层，云端只管基座模型。边缘计算，个人模型跑在你本地，隐私也解决了。增量学习，不是全量训练，而是持续微调，成本可控。
清醒点，别被忽悠了
回到最开始的问题：Claude Skills 是不是创新？
商业角度：是的，营销很成功，包装很漂亮。
技术角度：算不上颠覆性创新。本质上，Claude Skills 只是 RAG 的一种增强版本，把元数据管理和检索结合了一下。它确实在工程上做了些优化------渐进式披露、智能匹配、可执行代码，这些都是实实在在的改进。
但说到底，不管是 Tools、MCP、cursorrules 还是 Skills，都没有跳出"上下文管理"这个框架。处理方式无外乎两种：元数据管理和检索（不管是语义搜索还是数据库查询，不管存在 Markdown 还是向量库，只是换了个形式）。
核心问题（召回率、精准度、稀释效应、成本）依然存在，只是换了种方式存在。和 Cursor Rules 相比，Claude Skills 更智能了一点，但没有质的飞跃。
给技术人的几句话：
别被营销话术忽悠瘸了，但也别一棒子打死。透过现象看技术原理，认清它们本质上都是在做上下文管理。根据实际需求选工具，别追概念追风口。别把基础设施绑在单一厂商上，哪天坑你你都不知道。真正的创新在"个人化模型"，不在上下文管理的第 N 次优化。
大模型的终极形态，不应该是我们不断"喂数据"的工具，而应该是一个真正"理解我们"、随我们一起进化的智能伙伴。
在那一天到来之前，保持清醒，别为每个新概念买单。技术人的价值，在于看穿迷雾，认清本质。
防忽悠检验清单
下次看到新的 AI 功能发布时，先别激动，问自己几个问题：
- 这是新技术，还是旧技术换了个马甲？
- 核心问题解决了吗，还是换个形式依然踩坑？
- 我现有的工具能不能干同样的事儿？
- 用了这东西会不会被厂商绑死？
- 6 个月后，还会有人提起它吗？
- 去掉那些营销话术，真正的技术创新在哪？
如果答案都不理想，那么：恭喜你，又识破了一次"新瓶装旧酒"的骗局。
保持清醒，是技术人的底线。
作者简介：小姐姐味道 (xjjdog)，一个不允许程序员走弯路的公众号。聚焦基础架构和AI应用。十年架构，日百亿流量，与你探讨高并发AI世界，给你不一样的味道。我的个人微信xjjdog0，欢迎添加好友，进一步交流。