agent skills

MCP 负责“能做什么”，Agent Skills 负责“应该怎么做”：2026 年 Agent 架构的分层革命上周我把同一份技能说明书分别喂给了两个不同的 Agent 客户端，一个按步骤把任务跑得干干净净，另一个把关键步骤跳过去直接开始瞎编。两个客户端用的是同一个模型，连温度参数都一样，唯一的区别就是其中一份说明书被写成了标准格式，另一份只是塞在对话里的普通文本。这个对比让我第一次真切感受到，Agent 时代的竞争已经从模型本身转移到了怎么给模型写操作手册。

被Skill/MCP/Hook搞晕三周，我画了张决策图事情是这样的。我团队从今年3月开始全员切 Claude Code。一开始还好，大家往 CLAUDE.md 里塞项目规范，顺手写几个 /deploy、/review 的 Custom Commands，日子过得去。

没有Codex，也能使用Agent Skills完成仓库体检真正要回答的问题是：没有 Codex 时，能否调用同一套可审计的扫描程序，得到仓库地图、测试缺口和验证记录？本次验证对象是 Agent Capability Benchmark Lite v0.1.0，不是模型质量。

AGENT实例-智能体量化交易真相：告别算命，拥抱信息差摘要：市面上充斥着“用大模型写代码实现财务自由”的割韭菜爽文。但真把 Agent 扔进实盘，那些试图让 AI 预测未来涨跌的“算命流”玩家，骨灰都已经被市场扬了。大模型是逻辑引擎，不是预言家。本文带你拆解量化交易中 Agent 的真实工程生态位：它不负责高频拔线，只负责做最冷血的“研报榨汁机”，赚取非结构化信息的信息差。

我写了 200 行 CLAUDE.md，Claude 全忽略了——Karpathy 只用了四条https://github.com/forrestchang/andrej-karpathy-skills) — 原始仓库，当前 150,000+ stars

一周 30k+ stars 的 Skill 生态，3 个仓库代表 3 种工程师哲学打开今天的 GitHub Trending，我盯着看了五分钟没动。榜单前列三个仓库——mattpocock/skills、obra/superpowers、anthropics/skills——本周合计新增 33,968 stars。这是个什么量级？相当于一个 5 年老项目一年的星星增长，在七天内集中砸到了 Claude Code Skill 这一个赛道上。

[MAF预定义的AIContextProvider-02]AgentSkillsProvider——将Agent Skills引入MAFSkills针对Agent的重要性是不言而喻的。从本质上讲，Agent Skills就是随着用户与LLM对话的推进，动态加载被称为Skill作为提示词的一种机制。在大部分实现中，Skill的内容会被封装成角色为Tool的消息被添加到对话历史中，因为这样可以借助针对对话历史的压缩实现对老旧Skill的卸载。Agent Skills依然是输入增强的一种形式，所以Agent Skills在MAF中是被AgentSkillsProvider的AIContextProvider引入的。

-星空下无敌

Skills详解（2万字详细教程），Skills是什么，如何安装并使用SkillsAI 时代，不会 Skills ，你就落后了Skills 是目前广泛使用的一个技术，几乎是大模型不可或缺的一部分，不仅 Javaer 、Pythoner 需要掌握，就连产品经理、UI、行政等职位选手都需要使用它，覆盖人群非常广。Skills 已经不单单是程序员需要掌握的技术，而是所有人、所有岗位都需要掌握的技术。

信也科技布道师

Agent Skills + Vibe Testing：构建人机协作的测试闭环随着 Vibe Coding 逐渐成为常态，产品经理可以用自然语言生成页面，开发也不再从零开始写代码，整体实现速度被成倍放大。甚至没有编程背景的人，也能借助 AI，把想法变成可运行的代码。

装了 30 个 Skills 之后，我才搞清楚哪些是在白浪费 context三个月前，我把从各路博客扒来的 Skills 一股脑装进 ~/.claude/skills/，总共 34 个。

[MAF预定义的AIContextProvider-02]AgentSkillsProvider——将Agent Skills引入MAFSkills针对Agent的重要性是不言而喻的。从本质上讲，Agent Skills就是随着用户与LLM对话的推进，动态加载被称为Skill作为提示词的一种机制。在大部分实现中，Skill的内容会被封装成角色为Tool的消息被添加到对话历史中，因为这样可以借助针对对话历史的压缩实现对老旧Skill的卸载。Agent Skills依然是输入增强的一种形式，所以Agent Skills在MAF中是被AgentSkillsProvider的AIContextProvider引入的。

天外飞雨道沧桑

Openspec 规范驱动开发工作流-需求文档篇使用 openspec 工作流进行开发，投喂的需求文档要如何规范编写？OpenSpec 的 propose 阶段会读取需求描述，自动生成三个核心产物： AI 会基于需求文档 + 项目上下文（config.yaml 中定义的技术栈、架构约定、AGENTS.md）来生成这些产物。需求文档的质量直接决定了产物质量。产品需求文档的建议

Harness Coding 实践Autobot 系统设计架构本文档详基于最近开发的一个项目总结而来，整个项目是Minimax M2.7 speed模型+ ClaudeCode生成而来，没有手敲一行代码。本文介绍 autobot AI Agent 平台的技术架构、依赖组件、以及通过 Skill 调用外部服务的完整流程。

Claude Certification 出现了一道“官方文档级”错题：关于 Claude Code Skills 优先级的误导在准备 Claude Certified Architect – Foundations 认证考试的过程中，一道关于 Claude Code Skills 优先级的题目引起了注意。题目描述的场景很具体，但给出的"正确答案"与当前官方文档存在明显冲突。这类错误如果不被指出，可能会误导大量正在学习 Claude Code 和 Agent Skills 的工程师，影响他们对 skill 策略的设计和理解。

从零开始，深入解析 OpenClaw 架构设计与实现细节想象一下这样的场景：你有一个 AI 助手，它可以在你常用的所有通讯工具上与你对话——WhatsApp、Telegram、Discord、Slack、iMessage……它不仅能聊天，还能帮你执行命令、操作浏览器、读写文件、管理日程，甚至控制你的电脑。这一切都发生在你自己的设备上，而不是某个远程服务器。这，就是 OpenClaw。

LangChain DeepAgents 完全指南Deep Agents 是一个开箱即用的 AI Agent 框架。想象一下，你要做一个 AI 助手，通常需要自己组装很多零件：prompt、工具、上下文管理…但 Deep Agents 帮你把这些都准备好了，你只需要几行代码，就能得到一个功能强大的 AI Agent。

Peter·Pan爱编程

深度解析MiniMax M2.7：当AI学会“自我进化”，以及如何通过Ollama本地体验最强Agent不卷跑分不养虾，MiniMax M2.7 带来了一个真正能打的 Cowork Agent自2026年3月18日起，AI圈的热词除了“龙虾”，又多了一个“自我进化”。当全行业还在忙着适配OpenClaw（龙虾框架）、追逐榜单跑分时，MiniMax已经让“龙虾自己拿起了筷子”。

熊猫钓鱼>_>

AI语料投毒与信息证伪：当生成式引擎成为攻击向量GEO攻击的本质不是技术入侵，而是利用RAG系统对高质量结构化内容的天然信任漏洞，实施认知层面的社会工程学攻击。

熊猫钓鱼>_>

Playwright与Puppeteer实战教程：让AI拥有“看懂“网页的能力在AI Agent时代，如何让大语言模型“看懂”网页是一个核心挑战。与Jina Reader API这种“外包”方案不同，Playwright和Puppeteer提供了一种“本地化”的解决方案——直接在服务器上运行无头浏览器，真正渲染页面、执行JavaScript、交互操作。