skill最佳实践

Vastog2026-05-05 17:00

一、Agent Skills的基本概念与原理

Agent Skills 是什么 ？

Agent Skills（智能体技能）是给智能体安装的"可复用能力模块"，提供一种执行特定任务或访问特定资源的能力。就像给机器人安装"技能芯片"------每个技能让AI能多做一个新任务。它不是一句 Prompt，而是一整套的 「指令 + 知识 + 工具 + 脚本」，在需要时自动加载和使用。

  • Prompt = 你当场口头吩咐一次
  • Skill = 写好的 SOP + 工具箱，智能体随用随查，根据任务自动选择合适的技能或工具来用。

Prompt / RAG / MCP / Agent Skills 对比

📌

不要孤立看待这些技术，而是将它们视为 AI 能力栈中不同层次、不同职责的组成部分 ，根据实际业务目标、任务复杂度和风险容忍度进行组合式选型。Prompt、RAG、MCP 和 Agent Skills 并不存在"谁替代谁"的关系，它们解决的是完全不同层面的约束问题， 共同构成的是一套互补而非竞争 的能力体系**。**

|--------------|--------------|----------------|--------------------|-------------------|
| 维度 | Prompt | RAG | MCP | Agent Skills |
| 本质 | 文本指令 | 检索增强 | 通信协议 | 技能模块 |
| 是否持久 | ❌ | ❌ | ✅ | ✅ |
| 是否可复用 | 低 | 中 | 高 | 极高 |
| 是否有流程 | ❌ | ❌ | ❌ | ✅ |
| 是否有执行逻辑 | ❌ | ❌ | ❌ | ✅ |
| 是否连接外部系统 | ❌ | ❌ | ✅ | ❌ |
| 是否影响上下文 | 高 | 高 | 低 | 极低 |
| 是否可版本化 | 差 | 一般 | 好 | 非常好 |
| 是否适合复杂任务 | ❌ | ❌ | ❌ | ✅ |
| 失败是否可控 | ❌ | ❌ | 中 | 高 |
| 一句话定义 | 一次性指令，控制当次推理 | 为模型临时补充"可检索事实" | 让 Agent 能访问外部系统的协议 | 固化"如何做一类事"的方法论与流程 |
| 记忆口诀 | 控制"想什么" | 控制"知道什么" | 控制"能看到什么" | 控制"怎么做" |
| 适用场景 | 简单对话 | 基于文档的问答 | 多工具集成 | 复杂业务流程集合 |

Agent Skills 的 核心设计理念

渐进式披露（ Progressive Disclosure） ： 分阶段加载（Progressive Loading）Skill 的设计不是"一次性把所有内容塞进上下文"，而是严格分层、逐级、按需分阶段加载信息，分为三种 Skill 内容类型，三个加载级别。

Agent Skills 的文件结构与规格

每个 Skill 都需要一个带有 YAML 前置数据的 SKILL.md 文件：详细文档参考https://agentskills.io/specification

SKILL.md 是 Skill 的唯一入口 ，Agent **不会跳过 SKILL.md 直接使用其他文件，**其他对应的文件则是辅助工具，可根据自己的需求进行定义。

复制代码 
my-skill/
├── SKILL.md              # 【必须】Skill 的入口文件：元数据+核心指令
│
├── reference.md          # 【可选】规则 / 标准 / 背景知识
├── examples.md           # 【可选】输入输出示例
│
├── scripts/              # 【可选】可执行脚本（确定性逻辑）
│   ├── preprocess.py
│   └── validate.py
│
└── templates/            # 【可选】模板文件（结构约束）
    ├── input.txt
    └── output.txt

Agent Skills 的运行机制：从推理到执行的渐进式披露能力加载模型

运行本质：让 Agent 在推理过程中，像操作文件系统一样，按需读取"流程说明 + 规则文档 + 可执行脚本"，而不是一次性把所有知识塞进上下文。从系统角度看，Agent 并不是"调用 Skill"，而是：在一次推理中，动态决定是否「进入某个 Skill 的工作空间」

整个加载过程分为三个大层次，本文详细拆分为5个阶段，下图说明了完整的渐进式披露的信息加载过程：

复制代码 
flowchart TD
    U[用户请求] --> A[Agent 推理引擎]

    A --> M[Skill 元数据池<br/>name + description]
    M -->|相关性判断| D{是否匹配 Skill?}

    D -- 否 --> A2[常规 LLM 推理]
    A2 --> O1[直接回答]

    D -- 是 --> L1[加载 SKILL.md<br/>核心指令 & 流程]
    L1 --> P[流程化推理执行]

    P -->|需要规则?| R[读取 reference.md]
    P -->|需要示例?| E[读取 examples.md]

    P -->|需要确定性操作?| S[执行 scripts/*.py]
    S -->|仅返回执行结果| P

    P -->|需要结构约束?| T[读取 templates/*]

    P --> O2[结构化结果输出]

|-----------|---------------------------------|-----------------------------------------------------------------------------------------------------------|---------------------------------------------------|----------------------------------------|
| 🟦 阶段 | 阶段名称 | 加载内容 | 特点 | 结论 |
| 阶段 0 | Skill 元数据常驻（Always-on） | Skill 的 name、description（YAML 元数据） | * 常驻系统 Prompt * 极低 token 成本 * 仅「是否相关」判断，不进入具体执行逻辑 | Agent 只知道"有什么能力"，不知道"怎么做"，Skill 数量可规模化 |
| 阶段 1 | 相关性判断（Skill Routing） | 用户请求 + Skill 描述 | * 无需加载Skill内容 * 几乎无token消耗 | Skill 是被选择的，不是被强行调用的 |
| 阶段 2 | SKILL.md 加载（能力激活） | 进入Skill，Agent 读取 SKILL.md中的角色、流程、约束 | * 流程开始生效 * 模型行为被约束 * 推理路径收敛 | 从「自由 LLM」切换为「流程化 Agent」 |
| 阶段 3 | 按需资源访问（渐进式披露核心） | Agent 在执行过程中： * 遇到规则 → 读 reference.md * 遇到例子 → 读 examples.md * 遇到确定性逻辑 → 跑 scripts * 遇到结构约束 → 读 templates | * 用到才加载 * 避免上下文膨胀 * 高度模块化 | 知识 ≠ 上下文，Skill 可大规模扩展 |
| 阶段 4 | 确定性执行与结果输出(Execution & Output） | scripts/*.py 的执行结果 + 输出模板约束 | * 代码不进上下文 * 结果可校验 * 输出稳定 | 不确定性交给 LLM，确定性交给代码，最终按照模版约束进行输出 |

Agent Skills 与 MCP 的关系

**Agent Skills：**解决「做事的方法问题」，这类事情，应该按什么步骤做？有哪些规则？哪些地方不能自由发挥？它关心的是：流程是否正确、推理是否可控、输出是否稳定、是否可复用、可版本化，Skill 是"方法论的工程化封装"。

**MCP：**解决「系统访问问题」，Agent 能访问哪些工具？工具的输入输出长什么样？怎么安全、统一地调用？它关心的是：Tool 的发现、Tool 的 Schema、Tool 的调用方式、Tool 的权限与隔离，MCP 是"工具访问的标准协议层"。

Agent Skills 与 MCP 的关系，本质上是：一个解决"认知与方法"的问题，一个解决"连接与执行"的问题。真正的优秀的 Agent 系统，必须同时具备这两层能力。

Skill 决定"要不要用工具、用哪个工具、用来干嘛"，MCP 决定"工具怎么被安全、标准、可扩展地使用"。

复制代码 
┌─────────────────────────────┐
│           Agent             │
│   目标拆解 / 推理 / 决策     │
├───────────────▲─────────────┤
│        Agent Skills         │  ← 如何做（流程 + 方法论）
│   SOP / 规则 / 约束 / 脚本   │
├───────────────▲─────────────┤
│        MCP 协议层           │   ← 能看到什么 / 能连什么
│   Tool Discovery / Invoke   │
├───────────────▲─────────────┤
│        外部系统 / 工具       │
│   DB / API / SaaS / OS       │
└─────────────────────────────┘

Agent Skills 的适用场景

总结：当一个任务开始具备「流程性、可复用性、风险约束」中的任意两项时，就应该认真考虑 Agent Skills，口诀：重复 + 规则 + 风险 = Skill。

|----------|----------------|----------------|
| 判断维度 | 问题自检 | 是否适合 Skill |
| 流程是否固定 | 有没有明确步骤顺序 | ✅ |
| 是否重复出现 | 是否会反复执行 | ✅ |
| 输出是否有结构 | 是否需要 JSON / 表格 | ✅ |
| 是否有规则约束 | 是否有不能犯的错 | ✅ |
| 失败成本是否高 | 出错是否不可接受 | ✅ |

|-----------|--------------|----------------|
| 场景 | 原因 | 是否适合 Skill |
| 闲聊 / 创意写作 | 过度工程化 | ❌ |
| 一次性探索性任务 | 成本大于收益 | ❌ |
| 无规则、无流程任务 | Skill 没有约束对象 | ❌ |
| 极度主观判断 | 无法工程化 | ❌ |

二、Agent Skills的使用和案例

创建我的第一个 Agent Skill

手动创建（这是一个🌰）
Step 1：创建 Skill 目录结构
复制代码 
plugins/train-ticket/
├── README.md	# 插件的主要说明文档
├── USAGE_GUIDE.md	# 使用指南
└── skills/train-ticket-query/	# 具体的技能实现目录
    ├── SKILL.md	# 技能的详细说明文档(核心文件)
    ├── README.md	# 技能的快速入门文档				
    ├── examples/ # 使用示例目录
    │   ├── basic-query-example.md # 基础查询示例
    │   └── complete-usage-example.md # 完整使用示例
    ├── references/ # 参考文档目录
    │   └── api-integration.md # API集成相关文档
    └── scripts/ # 脚本目录
    		├── browser_query.md # 浏览器查询相关文档
        ├── query_ticket.py # Python脚本
        ├── train_monitor.sh # Shell脚本
        └── test_query.py # 测试查询脚本
Step 2：编写 SKILL.md （核心）
复制代码 
---
name: train-ticket-query
description: 这哥skill基于用户提问 "查询火车票余票", "帮我查火车票", "查看车次余票", 通过浏览器访问12306网页获取余票信息并通过markdown的形式返回给用户。
version: 1.2.0
---

# 火车票余票查询

> 本 Skill **仅做一件事：浏览器基础查询余票**。
>
> 说明：12306 的余票 JSON 接口在很多网络环境下会触发风控（302/返回 HTML），因此本 Skill 不提供接口查询。

## 触发场景

- 你说："帮我查明天北京西到驻马店西的余票"
- 你说："查询 2026-01-28 北京南到上海虹桥余票"

## 需要你提供的信息

- 出发站（必填）
- 到达站（必填）
- 出发日期（必填）：今天/明天/后天/YYYY-MM-DD
- 车次（可选）：不填则输出全部车次

## 执行流程

1. 打开页面：`https://kyfw.12306.cn/otn/leftTicket/init`
2. 填写出发站、到达站、日期
3. 点击查询
4. 从结果列表抓取：车次、出发/到达、历时、各席别余票状态

### 人工介入点

如果出现登录/验证码/滑块/弹窗遮挡结果列表：我会暂停并告诉你具体要点哪里。你处理完后回复"已完成"，我继续抓取。

## 输出格式（强约束，Markdown 表格）

1) 先输出一行摘要：

- 查询：`{from} → {to}`｜日期：`{date}`｜查询时间：`{now}`

2) 再输出 **Markdown 表格**（列头固定）：

| 车次 | 出发→到达 | 历时 | 余票（按页面列头原样展开） |
|---|---|---|---|
| {trainNo} | {depart}→{arrive} | {duration} | {seat1}={status}<br/>{seat2}={status}<br/>... |

- "余票"这一列中，席别名称与顺序以 12306 页面列头为准；**按座次逐行展示**，使用 `<br/>` 换行。

## 支持文件

- `README.md`
- `scripts/browser_query.md`
Step 3：编写其他文件（按需编写）---本案例不需要脚本，脚本文件只做占位，其他示例文件只做参考，大家按需编写。

README.md-插件的主要说明文档

复制代码 
# 火车票查询插件

> 最后更新：2026-01-27 19:38

本插件提供 **火车票余票查询** 能力，统一采用 **浏览器模式**：

- 由 Agent 在浏览器中打开 12306 余票查询页
- 填写出发站/到达站/日期
- 抓取车次与各席别余票，并以 Markdown 表格输出（余票按座次换行）

> 说明：由于 12306 接口风控原因，本插件 **不提供 12306 API 直连查询**、也 **不提供本地定时监控脚本**。

## 包含的 Skills

- `train-ticket-query` - 浏览器模式余票查询

## 使用指引

- [USAGE_GUIDE.md](./USAGE_GUIDE.md) - 插件使用指南
- [skills/train-ticket-query/SKILL.md](./skills/train-ticket-query/SKILL.md) - Skill 行为规范

USAGE_GUIDE.md-使用指南

复制代码 
# 火车票余票查询插件使用指南

## 🎯 功能概述

本插件 **仅提供一个能力**：通过 **浏览器模式** 查询 12306 余票，并把结果整理为 Markdown 表格输出。

- 不提供：12306 API 直连查询
- 不提供：本地定时监控 / crontab 监控
- 不提供：通知/提醒/统计/批量脚本

## 📁 文件结构

```
plugins/train-ticket/
├── README.md
├── USAGE_GUIDE.md
└── skills/train-ticket-query/
    ├── SKILL.md
    ├── README.md
    ├── examples/
    │   ├── basic-query-example.md
    │   └── complete-usage-example.md
    ├── references/
    │   └── api-integration.md
    └── scripts/
        ├── query_ticket.py
        ├── train_monitor.sh
        └── test_query.py
```

> 注：`scripts/query_ticket.py`、`scripts/train_monitor.sh`、`scripts/test_query.py` 为 **结构占位**，用于匹配仓库规范；实际能力以浏览器模式（A2）为准。

## 🚀 快速开始

你只需要在对话中对 Agent 说：

- "帮我查明天北京西到驻马店西的余票"
- "查询 2026-01-28 北京南到上海虹桥余票"

Agent 会在浏览器中打开：`https://kyfw.12306.cn/otn/leftTicket/init`，完成填写并抓取结果。

> 默认使用浏览器查询：本插件/Skill 不运行任何本地查询脚本（`scripts/*.py` 仅为结构占位）。

## ✅ 输出格式（Markdown 表格）

- 查询：`{from} → {to}`｜日期：`{date}`｜查询时间：`{now}`

| 车次 | 出发→到达 | 历时 | 余票 |
|---|---|---|---|
| {trainNo} | {depart}→{arrive} | {duration} | {seat1}：{countOrStatus}<br/>{seat2}：{countOrStatus}<br/>... |

> "余票"列按 12306 页面列头顺序展开，使用 `<br/>` 换行。

## 🙋 人工协助点

如果出现登录/验证码/滑块/弹窗遮挡结果列表，Agent 会暂停并明确告诉你需要点击哪里。
你处理完回复"已完成"，Agent 会继续抓取。

## 📎 参考

- `skills/train-ticket-query/README.md`
- `skills/train-ticket-query/SKILL.md`
- `skills/train-ticket-query/scripts/browser_query.md`

basic-query-example.md -基础查询示例

复制代码 
# 基础查询示例

你对 Agent 说：

- "帮我查明天北京西到驻马店西的余票"

Agent 输出（Markdown 表格，余票按座次换行）：

- 查询：`北京西 → 驻马店西`｜日期：`明天`｜查询时间：`YYYY-MM-DD`

| 车次 | 出发→到达 | 历时 | 余票 |
|---|---|---|---|
| Gxxx | 07:05→10:14 | 03:09 | 商务座：有<br/>一等座：有<br/>二等座：候补<br/>无座：有 |

complete-usage-example.md -完整使用示例

复制代码 
# 完整使用示例

## 示例：查询指定日期区间余票

你对 Agent 说：

- "查询 2026-01-28 北京西到驻马店西的余票"

Agent 会：

1. 打开 `https://kyfw.12306.cn/otn/leftTicket/init`
2. 填写出发站/到达站/日期
3. 点击查询
4. 抓取结果并按 Markdown 表格输出（余票按座次换行）

输出格式示例：

- 查询：`北京西 → 驻马店西`｜日期：`2026-01-28`｜查询时间：`YYYY-MM-DD`

| 车次 | 出发→到达 | 历时 | 余票 |
|---|---|---|---|
| Gxxx | 07:05→10:14 | 03:09 | 商务座：有<br/>一等座：有<br/>二等座：候补<br/>无座：有 |

## 常见卡点（需要你协助）

- 若出现登录/验证码/滑块/弹窗遮挡结果列表：按 Agent 提示在页面完成一次操作后回复"已完成"，Agent 会继续抓取。

api-integration.md - API集成相关文档

复制代码 
# 参考：为什么使用浏览器模式

本 Skill 采用浏览器方式查询 12306 余票，而不是直接调用 12306 JSON 接口。

## 原因

12306 的余票查询接口在很多网络环境下会触发风控,不允许直接通过接口获取余票数据：

- 返回 302 跳转到 `https://www.12306.cn/mormhweb/logFiles/error.html`
- 或返回 HTML 而非 JSON

这会导致"接口直连查询"不稳定。

## 解决方案

使用浏览器方式：

1. 打开 `https://kyfw.12306.cn/otn/leftTicket/init`
2. 填写出发站/到达站/日期
3. 点击查询
4. 抓取结果列表并以 Markdown 表格输出（余票按座次换行）

browser_query.md - 浏览器查询相关文档

复制代码 
# 浏览器模式

本 Skill **仅支持浏览器模式**：由 Agent 在浏览器中打开 12306 页面、填写查询条件并抓取结果。

## 为什么不用接口查询

12306 余票查询 JSON 接口在很多网络环境下会触发风控拦截（常见表现：302 跳转到 `https://www.12306.cn/mormhweb/logFiles/error.html` 或返回 HTML），导致脚本不稳定。

## 操作步骤（Agent 自动执行）

1. 打开页面：`https://kyfw.12306.cn/otn/leftTicket/init`
2. 填写：出发站、到达站、日期（今天/明天/后天/指定日期）
3. 点击查询
4. 抓取结果表格：车次、出发到达时间、历时、以及页面列头对应的各席别余票状态

## 人工协助点

若出现以下情况，Agent 会暂停并请你协助：

- 登录
- 验证码 / 滑块 / 人机验证
- 弹窗/浮层遮挡结果列表（例如站点提示浮层）

你只需完成页面操作并回复"已完成/已关闭弹窗/已登录"等，Agent 将继续抓取。

## 输出格式（Markdown 表格）

- 查询：`{from} → {to}`｜日期：`{date}`｜查询时间：`{now}`

> 默认使用浏览器查询：本 Skill 不运行任何本地查询脚本。

| 车次 | 出发→到达 | 历时 | 余票 |
|---|---|---|---|
| {trainNo} | {depart}→{arrive} | {duration} | {seat1}：{countOrStatus}<br/>{seat2}：{countOrStatus}<br/>... |

query_ticket.py - Python脚本

复制代码 
#!/usr/bin/env python3
# -*- coding: utf-8 -*-

"""query_ticket.py

占位脚本：本仓库内的 train-ticket-query Skill **仅支持浏览器模式（A2）**。

之所以仍保留该文件，是为了匹配插件目录结构规范；它不会执行 12306 API 直连查询。

使用方式：请直接在对话中让 Agent 执行浏览器查询。
"""


def main() -> int:
    print("[train-ticket-query] 本 Skill 仅支持浏览器模式（A2），不提供 API 直连查询脚本。")
    print("请参考：plugins/train-ticket/skills/train-ticket-query/scripts/browser_query.md")
    return 0


if __name__ == "__main__":
    raise SystemExit(main())

train_monitor.sh - Shell脚本

复制代码 
#!/bin/bash

# train_monitor.sh
#
# 占位监控脚本：本 Skill 仅支持浏览器模式（A2）。
# 由于浏览器自动化与人工介入（验证码/登录等）强相关，本仓库不提供可离线运行的本地监控脚本。

echo "[train-ticket-query] 本 Skill 仅支持浏览器模式（A2），不提供本地监控脚本。"
echo "请在对话中直接让 Agent 执行查询。"
exit 0

test_query.py - 测试查询脚本

复制代码 
#!/usr/bin/env python3
# -*- coding: utf-8 -*-

"""test_query.py

占位测试脚本：本 Skill 仅支持浏览器模式（A2）。

由于浏览器自动化能力由运行时 Agent 提供，这里不做本地可执行的接口测试。
"""


def main() -> int:
    print("[train-ticket-query] 本 Skill 仅支持浏览器模式（A2），无需本地 API 测试。")
    print("请参考：plugins/train-ticket/skills/train-ticket-query/scripts/browser_query.md")
    return 0


if __name__ == "__main__":
    raise SystemExit(main())

README.md - 技能的快速入门文档

复制代码 
# 火车票余票查询

> 本 Skill **仅做一件事：浏览器基础查询余票**。

## 用法

直接对 Agent 说：

- "帮我查明天北京西到驻马店西的余票"
- "查询 2026-01-28 北京南到上海虹桥余票"

Agent 会在浏览器中打开 `https://kyfw.12306.cn/otn/leftTicket/init`，填写出发站/到达站/日期并抓取结果列表。

## 你需要提供的信息

- 出发站（必填）
- 到达站（必填）
- 出发日期（必填）：今天/明天/后天/YYYY-MM-DD
- 车次（可选）：不填则输出全部车次

## 输出格式（Markdown 表格）

- 查询：`{from} → {to}`｜日期：`{date}`｜查询时间：`{now}`

| 车次 | 出发→到达 | 历时 | 余票（按页面列头原样展开） |
|---|---|---|---|
| {trainNo} | {depart}→{arrive} | {duration} | {seat1}={status}<br/>{seat2}={status}<br/>... |

## 人工协助点

如出现登录/验证码/滑块/弹窗遮挡结果列表：按 Agent 提示在页面完成一次操作，然后回复"已完成"，Agent 将继续抓取。

## 支持文件

- `scripts/browser_query.md`
Step 4：调试你的Skill

🍳按照上面的步骤，已经完成了一个简单的火车票余票查询skill的创建，现在让我们看下效果吧！

调用Skill自动创建

上面的步骤是手动创建的SKill，当然我们也可以通过公共的Skill根据需求自动创建你的Skill，这样就省时省力多了，你只需要负责check它创建的内容是否符合你的预期并做简单的修改即可。

Step 1：导入Skill

在安装 Skill 之前，你需要先获取需要的 Skill 文件包。比如官方 Skills 仓库：https://github.com/anthropics/skills/tree/main，里面就有很多已经做好的 Skills。

你可以让智能体替你自动安装 Skill，比如直接对Kwaipilot发送：帮我安装 skill，skill 项目地址为：https://github.com/anthropics/skills/tree/main/skills/skill-creator

Step 2：调用技能创建skill

调用技能创建自己的skill可以使用skill-manager或者skill-creator，功能效果是差不多的，你可以直接在IDE中引用这个skill并对智能体说：帮我创建一个xxx的skill即可。

Step 3：生成完成，修改+调试

agent会自动调用你引用的skill按照需求帮你生成skill，生成完成后只需要你按照实际使用方式修改+调试即可，就是这么简单！！！

如何使用 Agent Skills（本地IDE）

公司的Kwaipilot IDE 目前已经支持使用 skills，前提是你需要安装最新版本的编译器，启用 Early Access 版本和AGENTS.md功能，就可以直接使用啦！其他的外部编译器也支持使用skill，比如Cursor、VS code、Claude等，想了解的话可以自行探索，这里只以Kwaipilot使用为例。

下载Kwaipilot IDE并启用AGENTS.md
导入需要的skill

大家可以根据上面的导入skill的方式导入自己所需要的skill到本地，然后进行使用。下面放一些公共的skill链接

一些 Skills 市场：

https://skillsmp.com/zh

https://skill0.io

https://github.com/anthropics/skills#

使用skill

自己需要的skill导入以后直接发送需求开始使用即可，可以直接引用skill使用或者用户提问需求和skill的名称、描述匹配就能自动调用Skills，执行任务。

接下来，创建并使用您的第一个Skill吧！🎉🎉🎉

相关推荐
维元码簿2 小时前
Claude Code 深度拆解：CLI 交互模块 1 — REPL 架构
ai·agent·claude code·ai coding
Resistance丶未来3 小时前
TradingAgents 多智能体交易框架深度评测
gpt·大模型·llm·agent·claude·多智能体·trading agents
Hooray4 小时前
用时7天，花费30元，我vibe coding这个网站
前端·agent·ai编程
安逸sgr6 小时前
Hermes Agent + Obsidian 打造第二大脑（五）：插件配置与效率提升——Templater、Dataview、QuickAdd 的完整指南！
agent·知识库·第二大脑·hermes·hermesagent
算法与双吉汉堡6 小时前
【Nanobot项目笔记】项目架构
python·ai·agent·智能体
名不经传的养虾人7 小时前
从0到1：企业级AI项目迭代日记 Vol.17｜让 AI 做代码重构，要盯着它的策略，不只是看结果
人工智能·agent·ai编程·ai创业·企业ai
knight_9___7 小时前
LLM工具调用面试篇6
人工智能·python·面试·职场和发展·llm·agent
YBAdvanceFu7 小时前
拆解 MusicGen：Meta 开源音乐大模型，到底是怎么跑起来的？
人工智能·深度学习·机器学习·数据挖掘·transformer·agent·智能体
Vastog8 小时前
RAG 技术揭秘 —— 从0到1简单实现原生RAG
ai应用开发
热门推荐
01要裂开了！ChatGPT要手机号验证了？注册Codex要求验证电话号码怎么办？2026年登陆Codex要手机号验证的解决办法02GitHub 镜像站点03Codex 接入 DeepSeek API 完整配置文档04零基础教你claude code 接入 deepseek V405【AI】2026 年具身智能模型和世界模型总结06裂开！ChatGPT 居然开始要手机号验证，附详细解决方法07几个好用的ip纯净度检测网站082026年AI前瞻：量子AI、具身智能与科学发现的新纪元09CC-Switch & Claude 基于 Linux 服务器安装使用指南10在Windows 11上安装Docker的踩坑记录