Claude Skills解决了一个AI Agent面临的根本问题：如何简单快速的让AI具备特定领域的专业能力

Anthropic刚刚发布了一个看似简单、实则颠覆性的功能——Claude Skills，它解决了一个AI Agent面临的根本问题：如何让通用型AI具备特定领域的专业能力？过去我们通过prompt engineering、fine-tuning或构建自定义agent来实现，但这些方案要么不够灵活，要么成本高昂。

而Skills提出了一个优雅的解决方案——用文件夹和Markdown文件将你的专业知识打包成"技能包"，让AI像学习新技能一样按需加载。巧妙的解决了Agents设定容易上下文爆炸，而MCP又无法覆盖专业资源以及脚本琐碎等难题。

本文章将深入解析Claude Skills的技术架构、实现原理、与AI Agent、MCP的关系，以及可能的应用场景（第5部分）。希望对你有所启发。

PART 01 - Agent能力困境与Skills突破

通用Agent的"技能缺失"难题

近年来，Claude、GPT-4等大语言模型展现了惊人的通用能力，但在实际企业应用中，我们很快遇到了三个核心痛点：

专业知识鸿沟。AI可以写代码、分析数据，但当你需要它按照公司特定的编码规范、遵守特定的审批流程、使用内部工具时，它就捉襟见肘。传统做法是在每次对话开始时提供长篇prompt，但这既低效又难以维护。

上下文爆炸。企业级应用往往需要大量领域知识。某金融公司的风控系统有200页的规则文档，全部塞进context window不仅昂贵，还会稀释AI对当前任务的关注度。更糟糕的是，当规则更新时，你需要在所有地方同步修改prompt。

能力不可复用。每个项目、每个团队都在重复打造自己的"定制化agent"。某公司的数据分析师配置了完美的数据清洗agent，但隔壁的产品团队无法复用这套能力，只能从头搭建。这种碎片化导致大量重复劳动。

现有解决方案的局限

在Skills出现之前，业界主要有三种应对策略：

方案1：System Prompt工程
在系统提示词中塞入所有规则和指令，这种做法最大问题就是Token消耗巨大，且每次对话都要加载全部内容，即使只用到其中10%。而且 维护困难，修改规则需要更新所有集成点。

方案2：Fine-tuning定制模型
用特定领域数据微调模型，成本巨高，而且训练周期长，一般长达数周，且模型一旦训练完成就"固化"了，难以快速迭代，只适合极其稳定的领域知识，对于动态变化的知识领域，爱莫能助，一般小企业也不会用过这种笨重的方法。

方案3：Subagents子代理模式
目前最流行的帆帆，创建多个专门化的子agent，由主agent调度，同样面临通信开销大，调试复杂，且子agent之间难以共享context的问题，有的多agent系统足以让人望而却步，学习曲线陡峭，需要复杂的agent编排逻辑。

Skills的创新突破

Claude Skills采用了一个简单而强大的设计理念：将专业能力打包成"文件夹+Markdown"的标准格式。这个设计有三大突破：

1. 渐进式披露（Progressive Disclosure）

Skills不是一次性加载所有内容，而是分三层逐步展开： 第一层：Skill的名称和描述（启动时加载到system prompt）， 第二层：SKILL.md的完整内容（AI判断相关时才读取），第三层：引用的辅助文件（需要时才加载）。这种设计的巧妙之处就是让AI可以管理几乎无限量的知识，而不会撑爆context window。

2. 文件系统即接口

Skills不需要API、不需要数据库，就是普通的文件夹结构。这意味着： 版本极易控制，用Git即可管理Skills的迭代；团队成员可以像编辑文档一样贡献Skills；最重要的就是零学习成本，任何会写Markdown的人都能创建Skills。

3. 代码与文档的统一

Skills可以同时包含指令性知识（如"填写PDF表单的5个步骤"）， 可执行代码（如extract_pdf_fields.py脚本）， 参考资料（如公司编码规范PDF）AI可以读取指令，也可以直接执行代码，实现了声明式和过程式知识的完美融合。是不是包容性很大。

对比表：

维度	System Prompt	Fine-tuning	Subagents	Claude Skills
上下文效率	低（全量加载）	高（内化于模型）	中（子agent隔离）	高（按需加载）
迭代速度	快（秒级）	慢（周级）	中（分钟级）	快（秒级）
复用性	差（复制粘贴）	差（模型绑定）	中（需要调度层）	优（直接共享文件夹）
维护成本	高（多处同步）	低（模型固化）	高（复杂编排）	低（单一文件源）
灵活性	中	低	高	高
学习曲线	低	高	高	低

从这个对比可以看出，Skills在几乎所有维度都取得了最优或次优的平衡。

PART 02 - Skills核心技术解析

从文件到能力

一个Skill的基本结构非常简单，以Anthropic官方的PDF Skill为例：

pdf/├── SKILL.md          # 核心技能文件├── reference.md      # 参考文档├── forms.md          # 表单填写指令└── scripts/    └── extract_fields.py  # PDF字段提取脚本

SKILL.md的结构：

---name: "PDF Processing"description: "Read, analyze, and manipulate PDF documents including form filling"---# PDF Processing SkillThis skill enables Claude to work with PDF files effectively.## Capabilities1. Extract text and metadata from PDFs2. Fill out PDF forms3. Analyze document structure4. ... (more instructions)## Related Resources-See [forms.md](forms.md) for form-filling workflows-Use `scripts/extract_fields.py` to enumerate form fields

工作流程：

1. 启动时

   ：Claude的system prompt中加载所有Skills的name和description

   Available Skills:
   
   PDF Processing: Read, analyze, and manipulate PDF documents
   
   Database Query: Execute SQL queries with safety checks...
   
   

2. 用户请求：“帮我填写这个PDF表单”

3. Skills触发：Claude判断需要PDF Processing Skill，执行Bash命令读取SKILL.md

4. 深度导航：SKILL.md提到forms.md，Claude继续读取该文件获取详细步骤

5. 代码执行：需要提取表单字段时，Claude运行extract_fields.py脚本

6. 任务完成：根据加载的知识完成表单填写

渐进式披露

这是Skills最核心的设计模式。传统的prompt engineering会这样做：

system_prompt=f"""You are a helpful assistant.PDF Processing Guide:{load_file('pdf_guide.md')}  # 50KBDatabase Guide:{load_file('db_guide.md')}   # 30KB... (10 more guides)"""

每次对话都加载400KB的知识，但用户可能只问一个简单的数学问题。

Skills的做法：

Level 1 (System Prompt)：

system_prompt="""You are a helpful assistant with access to these skills:Skills:- PDF Processing: {short_description}- Database Query: {short_description}...To use a skill, read its SKILL.md file."""

只加载几百字节的元数据。

Level 2 (按需加载)：

# Claude执行：cat pdf/SKILL.md# 只有在判断需要时才触发

Level 3 (深度导航)：

# Claude在SKILL.md中看到forms.md的引用# 执行：cat pdf/forms.md

这种设计让单个Skill可以包含几MB的文档，而不影响常规对话的效率。

PART 03 - Skills与Agent

Skills与Subagents的架构对比

如果是传统的Subagents面对一个复杂专业任务要怎么做呢？

Subagents模式：

[Main Agent]||-- dispatch_to() --> [PDF Agent] (独立context)||-- dispatch_to() --> [Data Agent] (独立context)||-- dispatch_to() --> [Code Agent] (独立context)

每个Subagent是独立的AI实例，有自己的system prompt和context，主agent需要显式调度和结果汇总

Skills模式：

[ClaudeAgent]+ContextWindow||--load_skill("pdf")-->[PDF知识注入context]||--load_skill("data")-->[Data知识注入context]|[单一agent，动态能力]

始终是同一个AI实例， Skills动态注入到context中，无需调度开销，知识可以融合。

关键差异：

维度	Subagents	Skills
Context共享	困难（需要显式传递）	自然（同一context）
Token成本	高（多个AI实例）	低（单实例）
并行能力	可以（多实例并发）	有限（单实例）
调试复杂度	高（跨agent追踪）	低（单一轨迹）
知识融合	难（需要主agent整合）	易（自然融合）

实际案例：PDF表单填写

使用Subagents：

1.MainAgent识别需求2.dispatch_to(PDF_Agent,"分析这个PDF")3.PDF_Agent返回："这是一个包含15个字段的表单"4.MainAgent:"我需要填写数据"5.dispatch_to(Data_Agent,"获取用户信息")6.Data_Agent返回数据7.MainAgent:dispatch_to(PDF_Agent,"用这些数据填表")8.PDF_Agent填写完成

使用Skills：

1.Claude识别需求2.load_skill("pdf")3.在同一context中分析PDF、获取数据、填写表单4.完成（无需多次调度）

Skills的效率优势显而易见。但不能完全否认Subagents的作用，在某些场景仍有价值，例如： 需要真正并行处理多个任务，不同子任务需要完全隔离的context， 使用不同的模型（如GPT-4 + Claude混合）等场景。

Skills可以调用Subagents吗？

答案是可以。这是一种高级模式：

---name: "Complex Data Pipeline"---# Complex Data Pipeline Skill## Step 1: Data ExtractionUse the data_extraction skill to pull data.## Step 2: Parallel ProcessingFor heavy processing, spawn subagents:-Subagent A: Data cleaning-Subagent B: Feature engineering## Step 3: AggregationCollect results and generate report.

这种混合架构结合了两者的优势：Skills提供workflow框架，Subagents处理计算密集型任务。

PART 03 - Skills与MCP

很多读者可能会很好奇，这个skills和mcp是什么关系呢？

与MCP（Model Context Protocol）的关系：

MCP是用于让AI访问外部数据源（如数据库、API）。Skills与MCP是互补的：

• MCP解决"数据访问"问题（如何连接MySQL），提供数据通道
• Skills解决"知识处理"问题（如何设计SQL查询），提供操作规范

两者组合可能会带来爆炸级别的应用效果，例如与企业CRM集成：

案例：企业CRM集成

# CRM Skill (SKILL.md)## Prerequisites-MCP server for Salesforce must be configured-Required permissions: read_contacts, read_opportunities## Capabilities1.**Customer Lookup**: Find customer by name/email/ID2.**Opportunity Analysis**: Analyze sales pipeline3.**Report Generation**: Create custom reports## Workflow Example

User: “生成Q4销售报告”

Steps:

1. Use MCP to query Salesforce API
2. Fetch opportunities with close_date in Q4
3. Group by sales_rep and product_line
4. Calculate metrics (total_value, conversion_rate, avg_deal_size)
5. Generate markdown report with visualizations

## MCP Configuration```yamlmcp_servers:- name: salesforce    protocol: oauth2    endpoints:- contacts: /services/data/v57.0/sobjects/Contact- opportunities: /services/data/v57.0/sobjects/Opportunity
``````plaintext
**分工明确：**- **MCP**：解决"连接到Salesforce"（认证、API调用、数据格式）- **Skills**：解决"如何分析销售数据"（业务逻辑、报告模板）### Agent自主创建Skills当前Skills由人类创建，但Anthropic的路线图指向一个更激进的未来：**Agent自主创建和演化Skills**。**场景想象：**

你: “帮我分析这个CSV文件的客户流失模式”

Claude: 分析任务…
发现：我在类似任务中重复使用相同的分析流程
询问：“我注意到这是第5次分析客户流失，我可以创建一个’Churn Analysis Skill’
来标准化这个流程吗？”

你: “可以”

Claude: 创建 ~/.skills/churn-analysis/
├── SKILL.md (自动生成)
├── analysis_template.py (从历史任务提取)
└── visualization_config.json

完成！下次只需说"使用churn analysis skill"即可。

PART 04 - Skills数据流转分析

知识组织与流转

Skills的数据流遵循"元数据索引 → 内容加载 → 代码执行"的三阶段模式：

阶段1：启动索引

Agent启动  ↓扫描~/.skills/目录  ↓读取每个Skill的YAML frontmatter  ↓构建技能索引：{name: description}  ↓注入到system prompt

阶段2：按需加载

用户输入："帮我处理PDF"  ↓Claude推理："这需要PDF Processing Skill"  ↓执行工具调用：read_file("~/.skills/pdf/SKILL.md")  ↓内容加载到context window  ↓Claude根据指令执行任务

阶段3：代码执行

SKILL.md中提到：使用extract_fields.py提取字段  ↓Claude执行：python ~/.skills/pdf/scripts/extract_fields.py input.pdf  ↓脚本输出JSON：{"name": "", "email": "", ...}  ↓Claude解析输出，继续任务

知识图谱视角

可以将Skills看作一个知识图谱：

[Claude Agent]↓ has_skill[PDF Skill] ───references───> [forms.md]↓ has_script[extract_fields.py][Database Skill] ───uses_mcp───> [MySQL MCP Server]↓ references[query_patterns.md]

这种结构化组织让知识具有可发现性和可组合性。

底层实现与运行时

Claude Skills建立在Claude Code的Agent运行时之上，核心技术栈包括：

1. 文件系统访问
Claude Agent有完整的本地文件系统读写权限， 通过Bash工具执行cat、ls等命令，默认限制在项目目录和~/.skills/

2. 代码执行引擎
支持Python、JavaScript、Bash等脚本， 每次执行在隔离的子进程中， 输出捕获，stdout/stderr重定向到AI的context

3. YAML前置元数据解析

defparse_skill(skill_dir):skill_md=read_file(f"{skill_dir}/SKILL.md")frontmatter,content=split_yaml_frontmatter(skill_md)return{'name':frontmatter['name'],'description':frontmatter['description'],'content':content,'directory':skill_dir}

4. 动态Prompt注入

defbuild_system_prompt(skills):base_prompt="You are Claude, an AI assistant..."skills_section="\n\nAvailable Skills:\n"forskillinskills:skills_section+=f"- {skill['name']}: {skill['description']}\n"skills_section+="\nTo use a skill, read its SKILL.md file."returnbase_prompt+skills_section

5. Context Window管理

Claude 3.5 Sonnet有200K token的context window。Skills通过渐进式披露高效利用这个空间：

• System prompt（含Skills索引）：~2K tokens
• 当前对话历史：~10K tokens
• 已加载的Skills内容：按需增长（0-50K）
• 保留buffer：~138K tokens

即使加载多个Skills，仍有充足的空间处理复杂任务。

PART 05 - Skills部署

环境准备与安装

目前该功能已在Claude所有产品中上线，最简单的方法就是打开Claude客户端：

针对Claude Code用户（Mac示例）：

# 下载安装包curl-Ohttps://storage.googleapis.com/anthropic-downloads/claude-code-latest-mac.dmg# 安装openclaude-code-latest-mac.dmg# 拖拽到Applications# 启动并登录open/Applications/Claude\ Code.app

创建你的第一个Skill

让我们创建一个实用的Skill：API文档生成器。

场景： 你的团队有特定的API文档规范，需要Claude帮你生成符合规范的文档。

Step 1：创建Skill目录

mkdir-p~/.skills/api-doc-generatorcd~/.skills/api-doc-generator

Step 2：编写SKILL.md

---name: "API Documentation Generator"description: "Generate API documentation following company standards"---# API Documentation Generator Skill## PurposeGenerate standardized API documentation for RESTful endpoints.## Documentation Standards### StructureEach API endpoint document must include:1. Endpoint overview2. Authentication requirements3. Request format (with example)4. Response format (with example)5. Error codes6. Rate limiting info### Example TemplateSee [api_template.md](api_template.md) for the complete template.## Code GenerationUse `scripts/validate_api_spec.py` to validate OpenAPI specs before documenting.

Step 3：创建模板文件

# api_template.mdcat>api_template.md<< 'EOF'# {ENDPOINT_NAME}## Overview{BRIEF_DESCRIPTION}## Authentication-**Type:**{AUTH_TYPE}-**RequiredScopes:**{SCOPES}## Request### HTTP Method`{METHOD}`### URL
``````plaintext
{BASE_URL}/{ENDPOINT_PATH}

###
Parameters

|
Name
|
Type
|
Required
|
Description
|

|
------
|
------
|
----------
|
-------------
|

|
{
PARAM_NAME
}
|
{
PARAM_TYPE
}
|
{
YES
/
NO
}
|
{
PARAM_DESC
}
|

###
Example
Request

bash

curl

X
{
METHOD
}
\

{
BASE_URL
}
/
{
ENDPOINT_PATH
}
\

H
“Authorization: Bearer {TOKEN}”
\

H
“Content-Type: application/json”
\

d
‘{REQUEST_BODY}’
Step
4
：
添加验证脚本
**

bash

mkdir
scripts

cat
>
scripts
/
validate_api_spec
.
py
<<
'EOF'

#!/usr/bin/env python3

"""

Validate API endpoint specification

"""

import
sys

import
json

def
validate_endpoint
(
spec
):

"""Validate that API spec has all required fields"""

required_fields
=
[

'method'
,
'path'
,
'description'
,

'auth_type'
,
'parameters'
,
'responses'

]

missing
=
[
f
for
f
in
required_fields
if
f
not
in
spec
]

if
missing
:

print
(
f
"❌ Missing required fields: 
{
', '
.
join
(
missing
)
}
"
)

return
False

# Validate HTTP method

valid_methods
=
[
'GET'
,
'POST'
,
'PUT'
,
'DELETE'
,
'PATCH'
]

if
spec
[
'method'
]
.
upper
()
not
in
valid_methods
:

print
(
f
"❌ Invalid HTTP method: 
{
spec
[
'method'
]
}
"
)

return
False

print
(
"✅ API specification is valid"
)

return
True

if
__name__
==
"__main__"
:

if
len
(
sys
.
argv
)
<
2
:

print
(
"Usage: python validate_api_spec.py <spec.json>"
)

sys
.
exit
(
1
)

with
open
(
sys
.
argv
[
1
])
as
f
:

spec
=
json
.
load
(
f
)

is_valid
=
validate_endpoint
(
spec
)

sys
.
exit
(
0
if
is_valid
else
1
)

EOF

chmod
+
x
scripts
/
validate_api_spec
.
py

Step 5：测试Skill

打开Claude Code，输入：

请帮我为 GET /api/v1/users/:id 端点生成API文档。这个端点返回用户详细信息，需要Bearer token认证。

Claude会：

1. 检测到需要使用API Documentation Generator skill
2. 读取SKILL.md
3. 加载api_template.md模板
4. 询问你详细参数
5. 生成符合规范的文档
6. 运行validate脚本验证

高级Skill模式

模式1：多文件知识库

对于复杂领域，可以组织多层文档：

database-skill/├── SKILL.md                 # 入口├── query-patterns/│   ├── select.md           # SELECT查询模式│   ├── join.md             # JOIN最佳实践│   └── optimization.md     # 性能优化├── security/│   ├── injection.md        # SQL注入防御│   └── permissions.md      # 权限检查└── scripts/    └── explain_query.py    # 查询分析工具

SKILL.md作为导航中心：

# Database Query Skill## Query Patterns-[SELECT queries](query-patterns/select.md)-[JOIN best practices](query-patterns/join.md)-...## SecurityBefore executing any query, review [injection防御指南](security/injection.md).

模式2：Skills组合

一个Skill可以引用另一个Skill：

# Full-Stack Deployment Skill## PrerequisitesThis skill depends on:-**Docker Skill**: For containerization-**AWS Skill**: For cloud deployment## Workflow1. Use Docker skill to create containers2. Use AWS skill to provision infrastructure3. Deploy using custom scripts

模式3：Skill版本管理

使用Git管理Skills的演进：

cd~/.skills/api-doc-generatorgitinitgitadd.gitcommit-m"v1.0: Initial API doc generator"# 创建特性分支gitcheckout-bfeature/add-graphql-support# 修改SKILL.md添加GraphQL文档支持# ...gitcommit-m"Add GraphQL documentation support"gittagv1.1

PART 06 - Skills应用场景

场景1：代码审查自动化

某科技公司有严格的代码审查规范（50页文档），手动培训新员工需要数周。

Code Review Skill结构：

code-review-skill/├── SKILL.md├── standards/│   ├── python.md       # Python编码规范│   ├── javascript.md   # JS规范│   └── security.md     # 安全检查清单├── scripts/│   └── lint_runner.py  # 自动运行linter└── examples/    ├── good_pr.md      # 好的PR示例    └── bad_pr.md       # 常见错误示例

场景2：客户支持知识库

某SaaS公司的客服团队需要回答数百种产品问题。传统知识库检索效率低，且答案常常过时。

Customer Support Skill：

---name: "Product Support Knowledge Base"description: "Answer customer questions about product features, troubleshooting, and billing"---# Customer Support Skill## Knowledge Base Structure-[Getting Started Guide](kb/getting-started.md)-[Feature Documentation](kb/features/)-[Troubleshooting](kb/troubleshooting/)-[Billing FAQs](kb/billing.md)## Response Guidelines1. Always check kb/troubleshooting/ first for known issues2. Cite specific documentation sections in responses3. If answer not found, escalate to human agent## Escalation CriteriaEscalate if:-Question involves account security-Customer is frustrated (detected in tone)-Issue not documented in KB

场景3：数据管道构建

某数据团队需要为不同业务部门构建ETL管道。每个管道都有相似的模式（提取、转换、加载），但细节不同。

Data Pipeline Skill：

data-pipeline-skill/├──SKILL.md├──templates/│├──extraction.py.j2# Jinja2模板│├──transformation.py.j2│└──loading.py.j2├──connectors/│├──mysql.md│├──postgres.md│└──s3.md└──scripts/└──generate_pipeline.py

工作流：

数据分析师: "我需要一个从MySQL到Snowflake的管道，             转换逻辑是聚合用户行为数据。"Claude (加载Data Pipeline Skill):1. 询问源表结构和目标schema2. 从connectors/mysql.md加载MySQL最佳实践3. 使用templates/生成pipeline代码4. 运行scripts/generate_pipeline.py创建文件5. 输出可直接运行的Airflow DAG

场景4：金融合规检查

某金融机构的交易系统需要符合多项监管要求（GDPR、SOX、PCI-DSS等）。合规检查涉及数十个checkpoints。

Compliance Check Skill：

---name: "Financial Compliance Checker"description: "Validate transactions and code changes against GDPR, SOX, and PCI-DSS requirements"---# Compliance Checker Skill## Supported Regulations-[GDPR Requirements](regulations/gdpr.md)-[SOX Section 404](regulations/sox.md)-[PCI-DSS v3.2.1](regulations/pci-dss.md)## Check ProcessFor each transaction or code change:1. Identify applicable regulations2. Run automated checks (scripts/compliance_scanner.py)3. Flag violations with severity (Critical/High/Medium/Low)4. Generate remediation recommendations## Audit TrailAll checks logged to compliance_audit.log with:-Timestamp-Checked entity-Regulations applied-Results-Reviewer (AI or Human)

场景5：多语言文档同步

某开源项目需要维护英文、中文、日文三种语言的文档。传统翻译流程慢且容易遗漏更新。

Documentation Translation Skill：

doc-translation-skill/├── SKILL.md├── glossary/│   ├── technical-terms.csv  # 术语对照表│   └── product-names.csv    # 产品名称规范├── style-guides/│   ├── en.md               # 英文风格指南│   ├── zh.md               # 中文风格指南│   └── ja.md               # 日文风格指南└── scripts/    └── consistency_check.py # 检查翻译一致性

自动化流程：

# 开发者更新英文文档echo"Added new feature: Real-time sync">>docs/en/features.md# Git pre-commit hook触发Skillsgitcommit→Claude检测到英文文档更新→加载TranslationSkill→参考glossary/翻译关键术语→遵循zh.md和ja.md的风格指南→生成中文和日文版本→运行consistency_check.py验证→自动提交翻译PR

结论

Claude Skills的推出标志着AI Agent从"通用型工具"向"专业化专家"的进化。通过简单的文件夹+Markdown组织形式，Skills实现了知识的模块化、可复用化和可交易化。

当Agent能够自主创建和演化Skills时，我们将见证AI从"工具"真正转变为"专家团队"。每个对话都会沉淀为可复用的知识，AI的能力将呈指数级增长。Claude Skills不仅是一个技术特性，更是AI生态演进的关键转折点。

参考资料

1. Anthropic官方博客 - Equipping agents for the real world with Agent Skills: https://www.anthropic.com/engineering/equipping-agents-for-the-real-world-with-agent-skills
2. Anthropic新闻 - Skills功能发布: https://www.anthropic.com/news/skills
3. Claude Skills官方文档: https://docs.claude.com/en/docs/claude-code/skills
4. Claude Support - 使用Skills教程: https://support.claude.com/en/articles/12580051-teach-claude-your-way-of-working-using-skills
5. GitHub - Anthropic Skills官方仓库: https://github.com/anthropics/skills/
6. Simon Willison博客 - Claude Skills分析: https://simonwillison.net/2025/Oct/16/claude-skills/
7. Anthropic工程博客 - Building agents with the Claude Agent SDK: https://www.anthropic.com/engineering/building-agents-with-the-claude-agent-sdk
8. Model Context Protocol官网: https://modelcontextprotocol.io/

最近这几年，经济下行，IT行业面临经济周期波动与AI产业结构调整的双重压力，很多人都迫于无奈，要么被裁，要么被降薪，苦不堪言。
但我想说的是一个行业下行那必然会有上行行业，目前AI大模型的趋势就很不错，大家应该也经常听说大模型，也知道这是趋势，但苦于没有入门的契机，现在他来了，我在本平台找到了一个非常适合新手学习大模型的资源。
[大家想学习和了解大模型的，可以点击这里前往查看]