企业官网建设流程全解析

仿爱奇艺网站源码,手机有软件做ppt下载网站有哪些内容吗,网站建设技术方面的论文,做自媒体可以参考的外国网站Agent Skills是Anthropic提出的渐进式披露提示词管理机制#xff0c;分为元数据、指令和资源三层#xff0c;实现按需加载#xff0c;大幅降低Token消耗。本文以Claude Code为例#xff0c;详细介绍了Skills的安装、创建和使用方法#xff0c;包括实战案例字幕转mar…Agent Skills是Anthropic提出的渐进式披露提示词管理机制分为元数据、指令和资源三层实现按需加载大幅降低Token消耗。本文以Claude Code为例详细介绍了Skills的安装、创建和使用方法包括实战案例字幕转markdown笔记并对比了Skills与MCP的区别。Skills适合轻量化、提示词驱动的能力扩展是大模型开发者构建智能体的实用工具。前言Agent Skills最近非常火它最初只是 Claude 中的一个功能模块但在最近两个月里随着越来越多开发者体验到其强大与便捷Codex、Cursor、OpenCode 等主流 AI 编程工具也相继加入了对 Agent Skills 的支持。就连我日常使用最频繁的字节跳动旗下工具 Trae也于近期集成了这一能力。2025 年 12 月 18 日Anthropic 正式将 Agent Skills 发布为开放标准标志着它正与 MCP 一样朝着通用化、跨平台化的规范方向发展。如果大家还不熟悉 Agent Skills也无需担心——本文将带大家系统梳理其技术原理解析关键设计模式并通过实战代码为大家完整解读Agent Skills的核心内容。这里同样宣传一下笔者正在编写的合集《大模型训练指南》该合集预计会有50期内容将系统拆解从数据处理、模型训练到强化学习与智能体开发的全流程并带大家从零实现模型帮助大家掌握大模型训练的全技能真正掌握塑造智能的能力PS:鉴于后台私信越来越多我建了一些大模型交流群大家在日常学习生活工作中遇到的大模型知识和问题都可以在群中分享出来大家一起解决如果大家想交流大模型知识可以关注我并回复加群。一、 Agent Skills 介绍如果用一句话概括Agent Skills 就像一份“带目录的说明书”。更专业地说它是一种渐进式披露的提示词管理机制。该规范将提示词分为三个层次元数据Metadata指令Instruction资源Resource其中只有元数据层默认被加载到大模型的上下文中其余两层均为按需加载。大家可以这样理解元数据如同书的目录告诉模型有哪些可用的能力指令如同书的正文详细说明在某一能力下如何执行某项任务资源如同书的附录提供对某一能力的必要的补充材料如代码示例、数据模板等。智能体在执行时首先仅载入“目录”元数据随后根据实际需求再决定是否查阅该目录下的“正文”指令与“附录”资源。与传统的完整 Prompt 或 MCP 方式相比Agent Skills 最显著的优势在于大幅降低了 Token 消耗与提示词的复杂度使智能体的能力扩展更加轻量与高效。当然仅理论描述仍显抽象。接下来笔者将通过一个 Claude Skills 的实际案例带大家直观理解 Agent Skills 是如何运作的。二、Claude Code使用Skills基本流程既然 Skills 规范由 Anthropic 公司提出笔者就以 Claude Code 为例首先介绍其基本用法。2.1 claude code安装教程1. 环境准备首先大家需要安装Node.js 18或更新的版本环境。还需要安装Git流程笔者就不再赘述大家可以参考笔者以前文章 不写一行代码! VsCodeCline高德地图MCP Server 帮你搞定和女友的出行规划附原理解析2. 安装 Claude Code在命令行中执行以下命令进行全局安装claudenpm install -g anthropic-ai/claude-code命令, 安装完成后可通过claude --version验证是否安装成功。3. 配置大模型国内开发者由于 Claude 模型访问限制国内开发者通常可将其它模型接入 Claude Code。此处以****智谱大模型为例在C:\Users{你的用户名}.claude目录下若无则新建创建settings.json文件并填入以下配置{ env: { ANTHROPIC_AUTH_TOKEN: 你注册的智谱api key(大家可以买套餐注册), ANTHROPIC_BASE_URL: https://open.bigmodel.cn/api/anthropic, API_TIMEOUT_MS: 3000000, CLAUDE_CODE_DISABLE_NONESSENTIAL_TRAFFIC: 1 } }4. 完成基础配置在C:\Users{你的用户名}目录下创建.claude.json文件并写入以下内容配置完成后请重新启动命令行窗口以使环境变量生效{ hasCompletedOnboarding: true }5. 启动与使用新建一个项目目录通过命令行进入该目录后执行claude命令即可启动。首次在某个目录使用时系统可能会询问是否信任该目录选择YES即可。2.2 Claude Code中使用skills下面笔者将通过一个实战案例思路参考自 技术爬爬虾来演示如何创建并使用一个 Skill。1. Skill 的目录结构在 Claude Code 项目中Skills 存放在项目目录/.claude/skills/路径下。每个 Skill 都是一个独立的文件夹其中必须包含一个名为SKILL.md的定义文件注意大写。此文件包含了该 Skill 的元数据层和指令层。此外文件夹内还可存放其他辅助文件它们构成了 Skill 的资源层。2. 创建 Skill 文件夹与文件在项目根目录例如笔者这里是skill-project下依次创建.claude\skills\字幕转markdown文件夹并在其中创建SKILL.md文件(注意名称必须为SKILL.md大小写都要一致)。3. 编写 Skill 元数据在SKILL.md文件中首先写入元数据元数据用于描述 Skill 的基本信息需用---包裹。它会被优先加载到大模型上下文中相当于“能力目录”。--- name: srt字幕转markdown笔记 description: 把srt字幕文件转换为markdown笔记 ---4. 编写 Skill 指令在SKILL.md文件中元数据后面紧接着编写指令部分指令部分定义了 Skill 的具体操作逻辑和详细要求采用 Markdown 格式编写。你是专业的字幕文本处理助手任务是将sRT 字幕完整转换为 Markdown 笔记并添加标点、段落格式和必要的截图占位符。要求 如下: 1.**内容完整保留**:禁止任何删减、总结或省略必须逐字保留 SRT 所有文字。 2.**语言规则**:使用中文书写保留必要的英文专有名词。 3.**段落结构**: -仅使用一个层级的段落 -每个段落标题使用## 标题 -第一段为引言不使用标题 -只需要划分2-3个段落 4. **标点与排版**: -为每句话添加合适标点 -适当划分自然段 5.**截图占位符规则(按需插入)** -当某句符合以下任一条件时在句末添加截图标记: -代码讲解 -UI 交互操作 -包含这么、这里、这儿等视觉指代词 -提及网址/链接/地址(包括 GitHub、API endpoint等) -任何借助视觉材料更易理解的内容 -形式必须严格为:Screenshot-[hh:mm:ss]-仅在真正有助理解时插入不可滥用 比如:原始SRT00:02:08,600–00:02:09,800安装这个工具6. **输出文件格式**: - 生成内容保存为单个Markdown 文件命名为:项目根目录/xxx.md5. 查看与测试 Skill在项目目录下打开命令行并输入/skills即可看到已定义好的 Skill。6. 运行 Skill 将需要转换的.srt字幕文件拖入 Claude Code 命令行。此时大模型仅加载了SKILL.md中的元数据“目录”识别出这是一个字幕文件并询问是否使用对应的 Skill。当大家确认使用后Claude Code 才会将SKILL.md中详细的指令部分“正文”加载到上下文中并开始执行转换任务。这就是“渐进式披露提示词”机制的核心体现按需加载显著节省 Token这样大家是不是就理解了Skills设计的核心概念啦2.3 Claude Code skills进阶用法一个 Skill 的强大之处在于可以集成各种资源文件脚本、文档、图片等以实现更复杂的自动化工作流。下面笔者就继续优化字幕转markdown skills让其功能变得更强大1.资源层的组织可以在 Skill 文件夹内创建子目录如scripts,references,assets来分类存放资源文件使结构更清晰。资源文件可以是 可执行脚本、补充说明文档也可以是图片等其它资源标准做法是将可执行Python文件放到scripts子文件夹中把文档放到references这个子文件夹里面把图片等其它资源放到assets子文件夹里面。2.添加可执行脚本在字幕转markdown这个 Skill 的目录下创建一个scripts子文件夹并放入一个 Python 脚本screenshot.py。该脚本的功能是根据 Markdown 中生成的截图标记如Screenshot-[00:03:12]调用ffmpeg从对应的视频文件中截取相应时间点的画面并将标记替换为实际的图片链接。import argparse import json import logging import os import re import subprocess from pathlib import Path from typing import Iterable, List, Optional, Tuple def write_note(filename: str, markdown: str) - Path: path Path(foutput/{filename}.md) path.parent.mkdir(parentsTrue, exist_okTrue) path.write_text(markdown, encodingutf-8) logging.info(Saved note backup: %s, path) return path # ---------- 截图 ---------- def extract_screenshot_markers(markdown: str) - List[Tuple[str, int]]: 找到 Screenshot-00:03:12 或 Screenshot-[00:03:12] 形式的标记。 pattern r(?:\*?)Screenshot-(?:\[(\d{2}):(\d{2}):(\d{2})\]|(\d{2}):(\d{2}):(\d{2})) results: List[Tuple[str, int]] [] for match in re.finditer(pattern, markdown): hh match.group(1) or match.group(4) mm match.group(2) or match.group(5) ss match.group(3) or match.group(6) total_seconds int(mm) * 60 int(ss) results.append((match.group(0), total_seconds)) return results def generate_screenshot(video_path: Path, output_dir: Path, timestamp: int) - Path: 调用 ffmpeg 截图返回图片路径。 output_dir.mkdir(parentsTrue, exist_okTrue) mm timestamp // 60 ss timestamp % 60 filename fscreenshot_{mm:02d}_{ss:02d}.jpg output_path output_dir / filename cmd [ ffmpeg, -ss, str(timestamp), -i, str(video_path), -frames:v, 1, -q:v, 2, str(output_path), -y, ] logging.info(生成截图time%s, file%s, timestamp, output_path) subprocess.run(cmd, checkFalse, capture_outputTrue) return output_path def replace_screenshots( markdown: str, video_path: Optional[Path], output_dir: Path, image_base_url: str, ) - str: 将 Screenshot 标记替换为实际图片链接没有视频时保持原样。 返回修改后的 markdown。 if not video_path: logging.info(未提供视频文件保留 Screenshot 标记不变。) return markdown matches extract_screenshot_markers(markdown) for idx, (marker, ts) in enumerate(matches): try: img_path generate_screenshot(video_path, output_dir, ts) url f{image_base_url.rstrip(/)}/{img_path.name} markdown markdown.replace(marker, f, 1) except Exception as exc: # pylint: disablebroad-except logging.warning(生成截图失败%s%s, marker, exc) return markdown def main(): logging.basicConfig( levellogging.INFO, format%(asctime)s [%(levelname)s] %(message)s, ) parser argparse.ArgumentParser(description将 SRT/视频转换为 Markdown 笔记) args parser.parse_args() logging.info(环境变量加载完成。) #从当前工作目录自动查找对应的 SRT 和 MP4 文件 cwd Path.cwd() md_path: Path video_path: Path # 附件文件夹 image_base_url assets screenshots_path Path(foutput/{image_base_url}) md_candidates sorted(cwd.glob(*.md)) if not md_candidates: raise RuntimeError(当前目录没有找到任何 .md 文件请把字幕文件夹导出并且放到根目录下。) if len(md_candidates) 1: logging.warning(当前目录中发现多个 .srt将使用第一个%s, md_candidates[0]) md_path md_candidates[0] mp4_candidates sorted(cwd.glob(*.mp4)) if mp4_candidates: preferred: Optional[Path] None video_path preferred or mp4_candidates[0] if len(mp4_candidates) 1 and preferred is None: logging.warning(当前目录中发现多个 .mp4将使用第一个%s, video_path) else: logging.info(当前目录未发现 .mp4将保留 Markdown 中的 Screenshot 标记不变。) video_path None # 读取 markdown 文件内容 markdown md_path.read_text(encodingutf-8) logging.info(读取 Markdown 文件%s, md_path) processed_md replace_screenshots(markdown, video_pathvideo_path, output_dirscreenshots_path, image_base_urlimage_base_url) logging.info(截图处理完成) # 备份替换后的 Markdown 内容 output write_note(note_processed, processed_md) info { output: str(output), screenshots_dir: str(screenshots_path), video_used_for_screenshot: str(video_path) } print(json.dumps(info, ensure_asciiFalse, indent2)) if __name__ __main__: main()3. 更新指令以调用资源在SKILL.md的指令部分末尾添加调用该脚本的步骤7.**后续处理**: markdown生成完毕以后调用 python scripts/screenshot.py 对视频进行截图执行python脚本时不需要传递任何参数运行完整的 Skill 工作流将待处理的视频文件.mp4也放入项目根目录。在 Claude Code 中再次拖入.srt字幕文件。Claude Code 将首先执行“字幕转Markdown”任务生成一份带有Screenshot-[hh:mm:ss]标记的笔记。接着它会自动执行python scripts/screenshot.py命令。关键点在于脚本代码本身不会作为提示词上下文传递给大模型Claude Code 只是作为执行环境去运行它。这再次体现了 Skills 机制在降低上下文消耗上的优势。脚本运行后最终生成一份包含实际截图链接的、图文并茂的 Markdown 笔记。三、 Skills和MCP的区别许多读者询问笔者同样出自 AnthropicSkills 与 MCPModel Context Protocol究竟有何不同实际上Skills 与 MCP 是两个目标不同、互为补充的规范。它们虽有部分功能重叠但设计侧重点和使用场景有显著差异Skills核心在于提示词的管理与组织通过“渐进式披露”机制以轻量、结构化方式扩展模型能力。MCP核心在于工具与服务的标准化接入旨在为模型提供统一、安全的外部工具调用能力。简单类比Skills 如同“带目录的说明书”——逐步展开按需提供详细操作指引。MCP 如同“标准化工具箱”——提供一系列即插即用的工具模型可直接调用。若大家对 MCP 的具体实现与原理感兴趣可进一步阅读笔者之前的文章《理论代码一文带你深入浅出MCP人工智能大模型与外部世界交互的革命性突破》。为更直观对比以下从几个维度总结二者的主要区别维度Agent SkillsMCP侧重点提示词的结构化组织与渐进式加载外部工具与服务的标准化调用类比带目录的说明书标准化工具箱Token 消耗低仅按需加载指令与资源较高需携带工具描述与调用逻辑核心主体Markdown 文件SKILL.md软件包/服务含协议与实现编写与部署难度低文件级配置易于本地管理较高需遵循协议常涉及服务端开发总的来说Skills 更适合轻量化、提示词驱动的能力扩展而MCP 更适合复杂、需频繁调用外部工具或服务的场景。在实际项目中二者亦可结合使用例如通过 MCP 提供工具再通过 Skills 组织调用这些工具的提示词流程从而实现更高效、可维护的智能体架构。四、总结本篇分享了Agent Skills核心概念。它通过元数据、指令和资源三层结构实现渐进式披露显著降低Token消耗。以Claude Code为例详细演示了Skills的创建、使用及进阶集成方法帮助大家快速掌握Skills的核心概念和开发技巧助力大家构建更强大的智能体AI大模型从0到精通全套学习大礼包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。只要你是真心想学AI大模型我这份资料就可以无偿共享给你学习。大模型行业确实也需要更多的有志之士加入进来我也真心希望帮助大家学好这门技术如果日后有什么学习上的问题欢迎找我交流有技术上面的问题我是很愿意去帮助大家的如果你也想通过学大模型技术去帮助就业和转行可以扫描下方链接大模型重磅福利入门进阶全套104G学习资源包免费分享01.从入门到精通的全套视频教程包含提示词工程、RAG、Agent等技术点​02.AI大模型学习路线图还有视频解说全过程AI大模型学习路线​03.学习电子书籍和技术文档市面上的大模型书籍确实太多了这些是我精选出来的04.大模型面试题目详解05.这些资料真的有用吗?这份资料由我和鲁为民博士共同整理鲁为民博士先后获得了北京清华大学学士和美国加州理工学院博士学位在包括IEEE Transactions等学术期刊和诸多国际会议上发表了超过50篇学术论文、取得了多项美国和中国发明专利同时还斩获了吴文俊人工智能科学技术奖。目前我正在和鲁博士共同进行人工智能的研究。所有的视频由智泊AI老师录制且资料与智泊AI共享相互补充。这份学习大礼包应该算是现在最全面的大模型学习资料了。资料内容涵盖了从入门到进阶的各类视频教程和实战项目无论你是小白还是有些技术基础的这份资料都绝对能帮助你提升薪资待遇转行大模型岗位。智泊AI始终秉持着“让每个人平等享受到优质教育资源”的育人理念‌通过动态追踪大模型开发、数据标注伦理等前沿技术趋势‌构建起前沿课程智能实训精准就业的高效培养体系。课堂上不光教理论还带着学员做了十多个真实项目。学员要亲自上手搞数据清洗、模型调优这些硬核操作把课本知识变成真本事‌如果说你是以下人群中的其中一类都可以来智泊AI学习人工智能找到高薪工作一次小小的“投资”换来的是终身受益应届毕业生‌无工作经验但想要系统学习AI大模型技术期待通过实战项目掌握核心技术。零基础转型‌非技术背景但关注AI应用场景计划通过低代码工具实现“AI行业”跨界‌。业务赋能 ‌突破瓶颈传统开发者Java/前端等学习Transformer架构与LangChain框架向AI全栈工程师转型‌。获取方式有需要的小伙伴可以保存图片到wx扫描二v码免费领取【保证100%免费】