Skills是结构化的Prompt管理系统本质为Markdown文件便于版本化、维护和复用。它由anthropic提出与MCP协议共同构成agent领域的重要标准。Skills通过本地透明提供“行为准则和工作流”支持“渐进式”加载避免上下文爆炸。文章详细介绍了Skills的用途、使用方法、示例及最佳实践强调Skills适用于高频、稳定、复用的场景而非所有情况。通过SkillsAI能更高效地执行任务。Skills是什么Skills本质上是md文件即文件化的提示词显然把越来越长的提示词文件化之后更利于进行版本化、维护、分享、复用这是Skills的特点和优势也是Skills的不断火热的原因之前聊过[MCP大模型上下文协议快速入门]Skills和MCP有一个共同点都由anthropic提出和贡献成为了agent领域重要的通用标准而不同的地方则是MCP作为一种协议为Agent远程地提供了接口/工具/服务Skills作为提示词是在本地透明地进行提供使用可以看到甚至修改其中的内容另外Skill允许渐进式加载就是先加载一部分思考一下再决定要不要继续加载或者加载哪一部分就避免了内容太多时上下文爆炸和选择困难症写到这里我让分别让Deepseek、Qwen、ChatGPT、Gemini生成二者的对比我比较认可Gemini的结果贴在下面大家也看看 Skills vs MCP 核心对比表对比维度Skills (智能体技能)MCP (模型上下文协议)核心定义传授给 AI 的行为准则和工作流菜谱提供给 AI 的执行工具和数据接口厨房/厨具主要功能提供上下文、业务领域知识、代码规范、工作流引导提供实时数据访问、系统操作、工具调用能力架构与格式静态文件通常是带有 YAML frontmatter 的 Markdown 文件存储在本地或代码库中客户端-服务端架构Client-Server通过 JSON-RPC 通信的实时在线服务执行性质非确定性依赖 LLM 对自然语言指令的理解和推理高度确定性基于严格的 API Schema 输入和输出进行系统级调用基础设施要求零部署成本无需服务器、无需网络通信直接加载进上下文需要部署和维护需配置服务器、处理身份认证、连接池、API 路由等响应延迟与网络零延迟完全离线可用因为仅作为 Prompt 上下文传递给模型有网络延迟依赖外部服务和 API 响应速度实时性与状态静态无状态受限于文件编写时的内容无实时数据能力动态有状态可随时连接数据库、SaaS API 获取最新数据典型应用场景团队代码规范、文档编写指南、特定业务的标准操作流程SOP、静态参考文档查询生产数据库、读写 Jira/Notion、控制云服务器、执行 Web 爬虫任务一句话比喻教 AI “应该做什么、怎么做”提供思想给 AI “执行任务的能力”提供行动Skills 本质上是结构化的 Prompt 管理系统负责调度大脑MCP 本质上是标准化的 API 协议 负责充当手脚Skills怎么用网页/APP的deepseek、qwen是用不了Skills 的或者说Chatbot用不了Skills Agent 才可以目前如果你想使用支持自定义skills的Agent 有以下选择 Gemini-cli、codex、Claude Code模型厂家的官方cli需搞定决网络和付费门槛OpenClaw、OpenCode 开源agent接入自定义比如国产模型Cherry Stido、Cursor使用支持agent模型的客户端coze云服务云服务的优势是免部署免维护有多种模型和skill可以选用但是文件读写、内网服务等常场景有局限性对于技术人员吸引力不是很大如果是纯互联网环境、大部分在手机上使用、主要用于生成文字、图片、视频、Excel文件那么云服务的优势就体现出来了比如用来打磨小说大纲生成小红书配图搬运抖音视频我之前用Gemini但是Gemini从下周开始不让免费用户使用了而Claude又丧心病狂地封号准备切换OpenCode Qwen-Plus的国内友好方案了放心就算选择不同用法也相同一般来说各家都会兼容Claude anthropic用法的具体来说:在制定位置创建md文件比如.claude/skills/pytest-yaml/SKILL.md在md文件中写入 frontmatter技能信息 和 技能内容正常使用agent 会在合适的时候自动加载SKILL.md,并执行其中的内容Skills示例.claude/skills/pytest-yaml/├── SKILL.md # 技能内容├── responses-validator.md # 断言格式完整文档├── responses-validator-quick-reference-zh.md # 断言格式中文摘要├── assets/│ ├── conftest.py # 预制fixture和hook ├── pytest.ini # 预制配置文件 └── schema.json # 用例格式schema└── scripts/ ├── generate_tests.py # 测试用例生成的脚本 └── validate_tests.py # 验证测试用例格式的脚本SKILL.md的内容---name: pytest-yamldescription: 从 OpenAPI 规范生成 pytest-yaml 格式的 API 测试用例license: MITmetadata: audience: qa-engineers workflow: api-testing---## 我能做什么- 解析 OpenAPI 3.0 JSON 规范理解 API 接口- 设计全面的测试用例包括正常场景、边界场景和错误场景- 生成符合 pytest-yaml 格式的 YAML 测试用例文件- 支持数据驱动测试DDT包含参数化功能- 包含响应验证、状态码验证和变量提取步骤## 何时使用我当您需要以下功能时可以使用我- 从现有的 OpenAPI 文档创建 API 测试套件- 为基于 pytest-yaml 的测试框架生成测试用例- 将 OpenAPI 端点定义转换为可执行的测试场景- 为 RESTful API 构建自动化回归测试## Agent 使用指南本 skill 旨在帮助 agent 从 OpenAPI 规范自动生成 pytest-yaml 格式的 API 测试用例### 完整工作流程建议 agent 按照以下步骤使用本 skill#### 步骤 1使用脚本生成基础测试用例具体用法可见后文脚本使用方法#### 步骤 2分析接口关联在使用脚本生成测试用例之后agent 分析 OpenAPI 文档内容理解接口之间的依赖关系1. **阅读 OpenAPI 文件**理解 API 的整体结构2. **识别登录接口**找到返回 access_token 的接口如 /login/access_token3. **识别资源接口**找到创建资源的接口如 POST /todo4. **识别依赖关系** - 创建资源返回的 ID 被哪些接口使用 - 需要认证的接口有哪些 - 接口之间的调用顺序**Agent 应生成的分析文档文件名readme.md**,例如markdown# API 接口分析报告## 登录接口- POST /login/access_token - 返回access_token, token_type - 依赖无## 宠物接口- POST /pets创建宠物 - 返回id, title, is_done, create_datetime, done_datetime - 依赖需要 access_token- GET /pets/{petId}获取宠物详情 - 参数petId来自创建宠物的返回 - 依赖需要 access_token- PUT /pets/{petId}更新宠物 - 参数petId - 依赖需要 access_token- DELETE /pets/{petId}删除宠物 - 参数petId - 依赖需要 access_token## 测试顺序建议1. 先执行登录获取 access_token2. 创建宠物获取 id3. 使用 id 进行查询、更新、删除操作#### 步骤 3调整测试用例根据生成的分析报告和基础测试用例按顺序进行内容审查并进行必要的调整1. **接口依赖**在需要token、id等依赖场景中前置接口创建了合适的extract步骤来创建变量后接口正确的使用了变量变量名合理、正确2. **测试顺序**调整用例之间的依赖关系、执行顺序合理、正确主要文件名控制顺序3. **额外断言**根据业务逻辑添加**必要的**更详细的断言4. **格式校验**使用 schema.json 验证所有的用例文件均符合格式要求见下方验证命令5. **注册函数**创建 yaml_funcs.py实现用例需要使用的变量和函数可参考文档https://pytest-yaml-doc.pages.dev/guide/7_functions6. **复制文件** 将 assets/conftest.py 和 assets/pytest.ini复制到用例所在目录作为运行时文件### 脚本使用方法运行测试生成器脚本bashpython scripts/generate_tests.py openapi.json -o tests/参数说明- openapi_file: OpenAPI JSON 规范文件的路径必填- -o, --output-dir: 测试用例输出目录默认为 tests使用验证脚本检查生成的测试用例是否符合 schema 规范bash# 验证单个文件python scripts/validate_tests.py tests/test_example.yaml# 验证整个目录python scripts/validate_tests.py tests/# 指定文件匹配模式python scripts/validate_tests.py tests/ -p test_*.yaml**参数说明**- target: 要验证的 YAML 文件或目录路径必填- -p, --pattern: 文件匹配模式仅对目录有效默认为 *.yaml(后面还有一些示例、参考、能力边界的内容篇幅原因没有完整粘贴)使用效果使用skill的过程用例内容yaml用例文件1yaml用例文件2注本节所示Skill由Agent创建提示词内容我想创建一个skill给agent使用1. 读取openapi或其他文件)来了解接口并设计接口测试用例2. 创建yaml格式的测试用例 - 整体思路参考这个示例https://pytest-yaml-doc.pages.dev/example/3_api_test - 其中核心框架使用pytest接口请求使用requests - 用例加载使用pytest-yaml-sanmu文档地址https://pytest-yaml-doc.pages.dev/ - 断言使用responses-validator文档地址https://pypi.org/project/responses-validator/3. example目录有一个openapi.json和我手动创建的一个用例示例是理想情况下此skill的最终输出尽管提供了 schema.json 和一个完整示例但skill并非一次就创建好也反复沟通了几次Skills规则和技巧基本规则官方文档写得很清楚这里不再重复了如果不愿意看官方文档也可以直接问AI这里分享我的一些体会多看别人写的skills就像文学工作者一样看到越多不同的作品越能激发自己的灵感比如把技能内容拆分成不同的小文件按需加载以及使用预制代码完成一些固定性工作做好版本化就像提示词一样skills也是持续优化无止尽的 建议使用git将skills管理起来跟踪变化自动更新坚持单一职责skills之间是可以相互配合的不需要要追求一个技能大而全比如生成接口测试用例的skill是输入openapi文件来如果某项目没有openapi文档只有md文档的怎么办不要让这个skill增加一个md转openapi的能力而是额外创建一个其他格式转openapi的skill来进行辅助优化描述描述SKILL.md中的description是Agent进行技能选择的依据首先说清楚这个技能做什么尽量多加相关的关键字还可以举一些场景和例子可以多看看LLM推理的内容找灵感以便在skills很多的时候也能被Agent准确选中不要盲从Skill比如临时的、低频的、简短的、变动的、有复杂依赖、强制执行的内容大可不必做成skill可以写在某个文件里告诉agent去读取作为后续指令就就行了不必为了skill而skill总结写完了让AI检查有没有错误字它却说公众号文章最好有收尾那就写点什么吧skill是一种新的范式并不会取代 prompt 或者 mcpskill 适合高频、稳定、复用的场景不是这些场景用 prompt 就挺好当你真的需要skill时可以让AI来创建skill不论是使用skill还是创建skill首先得有Agent参见第二小节最近两年大模型发展很迅速在理论研究方面得到很大的拓展基础模型的能力也取得重大突破大模型现在正在积极探索落地的方向如果与各行各业结合起来是未来落地的一个重大研究方向大模型应用工程师年包50w属于中等水平如果想要入门大模型那现在正是最佳时机2025年Agent的元年2026年将会百花齐放相应的应用将覆盖文本视频语音图像等全模态如果你对AI大模型入门感兴趣那么你需要的话可以点击这里大模型重磅福利入门进阶全套104G学习资源包免费分享扫描下方csdn官方合作二维码获取哦给大家推荐一个大模型应用学习路线这个学习路线的具体内容如下第一节提示词工程提示词是用于与AI模型沟通交流的这一部分主要介绍基本概念和相应的实践高级的提示词工程来实现模型最佳效果以现实案例为基础进行案例讲解在企业中除了微调之外最喜欢的就是用提示词工程技术来实现模型性能的提升第二节检索增强生成RAG可能大家经常会看见RAG这个名词这个就是将向量数据库与大模型结合的技术通过外部知识来增强改进提升大模型的回答结果这一部分主要介绍RAG架构与组件从零开始搭建RAG系统生成部署RAG性能优化等第三节微调预训练之后的模型想要在具体任务上进行适配那就需要通过微调来提升模型的性能能满足定制化的需求这一部分主要介绍微调的基础模型适配技术最佳实践的案例以及资源优化等内容第四节模型部署想要把预训练或者微调之后的模型应用于生产实践那就需要部署模型部署分为云端部署和本地部署部署的过程中需要考虑硬件支持服务器性能以及对性能进行优化使用过程中的监控维护等第五节人工智能系统和项目这一部分主要介绍自主人工智能系统包括代理框架决策框架多智能体系统以及实际应用然后通过实践项目应用前面学习到的知识包括端到端的实现行业相关情景等学完上面的大模型应用技术就可以去做一些开源的项目大模型领域现在非常注重项目的落地后续可以学习一些Agent框架等内容上面的资料做了一些整理有需要的同学可以下方添加二维码获取仅供学习使用
Skills大揭秘：AI高效执行的“秘籍”与“工具箱”！
发布时间：2026/5/25 6:11:08
Skills是结构化的Prompt管理系统本质为Markdown文件便于版本化、维护和复用。它由anthropic提出与MCP协议共同构成agent领域的重要标准。Skills通过本地透明提供“行为准则和工作流”支持“渐进式”加载避免上下文爆炸。文章详细介绍了Skills的用途、使用方法、示例及最佳实践强调Skills适用于高频、稳定、复用的场景而非所有情况。通过SkillsAI能更高效地执行任务。Skills是什么Skills本质上是md文件即文件化的提示词显然把越来越长的提示词文件化之后更利于进行版本化、维护、分享、复用这是Skills的特点和优势也是Skills的不断火热的原因之前聊过[MCP大模型上下文协议快速入门]Skills和MCP有一个共同点都由anthropic提出和贡献成为了agent领域重要的通用标准而不同的地方则是MCP作为一种协议为Agent远程地提供了接口/工具/服务Skills作为提示词是在本地透明地进行提供使用可以看到甚至修改其中的内容另外Skill允许渐进式加载就是先加载一部分思考一下再决定要不要继续加载或者加载哪一部分就避免了内容太多时上下文爆炸和选择困难症写到这里我让分别让Deepseek、Qwen、ChatGPT、Gemini生成二者的对比我比较认可Gemini的结果贴在下面大家也看看 Skills vs MCP 核心对比表对比维度Skills (智能体技能)MCP (模型上下文协议)核心定义传授给 AI 的行为准则和工作流菜谱提供给 AI 的执行工具和数据接口厨房/厨具主要功能提供上下文、业务领域知识、代码规范、工作流引导提供实时数据访问、系统操作、工具调用能力架构与格式静态文件通常是带有 YAML frontmatter 的 Markdown 文件存储在本地或代码库中客户端-服务端架构Client-Server通过 JSON-RPC 通信的实时在线服务执行性质非确定性依赖 LLM 对自然语言指令的理解和推理高度确定性基于严格的 API Schema 输入和输出进行系统级调用基础设施要求零部署成本无需服务器、无需网络通信直接加载进上下文需要部署和维护需配置服务器、处理身份认证、连接池、API 路由等响应延迟与网络零延迟完全离线可用因为仅作为 Prompt 上下文传递给模型有网络延迟依赖外部服务和 API 响应速度实时性与状态静态无状态受限于文件编写时的内容无实时数据能力动态有状态可随时连接数据库、SaaS API 获取最新数据典型应用场景团队代码规范、文档编写指南、特定业务的标准操作流程SOP、静态参考文档查询生产数据库、读写 Jira/Notion、控制云服务器、执行 Web 爬虫任务一句话比喻教 AI “应该做什么、怎么做”提供思想给 AI “执行任务的能力”提供行动Skills 本质上是结构化的 Prompt 管理系统负责调度大脑MCP 本质上是标准化的 API 协议 负责充当手脚Skills怎么用网页/APP的deepseek、qwen是用不了Skills 的或者说Chatbot用不了Skills Agent 才可以目前如果你想使用支持自定义skills的Agent 有以下选择 Gemini-cli、codex、Claude Code模型厂家的官方cli需搞定决网络和付费门槛OpenClaw、OpenCode 开源agent接入自定义比如国产模型Cherry Stido、Cursor使用支持agent模型的客户端coze云服务云服务的优势是免部署免维护有多种模型和skill可以选用但是文件读写、内网服务等常场景有局限性对于技术人员吸引力不是很大如果是纯互联网环境、大部分在手机上使用、主要用于生成文字、图片、视频、Excel文件那么云服务的优势就体现出来了比如用来打磨小说大纲生成小红书配图搬运抖音视频我之前用Gemini但是Gemini从下周开始不让免费用户使用了而Claude又丧心病狂地封号准备切换OpenCode Qwen-Plus的国内友好方案了放心就算选择不同用法也相同一般来说各家都会兼容Claude anthropic用法的具体来说:在制定位置创建md文件比如.claude/skills/pytest-yaml/SKILL.md在md文件中写入 frontmatter技能信息 和 技能内容正常使用agent 会在合适的时候自动加载SKILL.md,并执行其中的内容Skills示例.claude/skills/pytest-yaml/├── SKILL.md # 技能内容├── responses-validator.md # 断言格式完整文档├── responses-validator-quick-reference-zh.md # 断言格式中文摘要├── assets/│ ├── conftest.py # 预制fixture和hook ├── pytest.ini # 预制配置文件 └── schema.json # 用例格式schema└── scripts/ ├── generate_tests.py # 测试用例生成的脚本 └── validate_tests.py # 验证测试用例格式的脚本SKILL.md的内容---name: pytest-yamldescription: 从 OpenAPI 规范生成 pytest-yaml 格式的 API 测试用例license: MITmetadata: audience: qa-engineers workflow: api-testing---## 我能做什么- 解析 OpenAPI 3.0 JSON 规范理解 API 接口- 设计全面的测试用例包括正常场景、边界场景和错误场景- 生成符合 pytest-yaml 格式的 YAML 测试用例文件- 支持数据驱动测试DDT包含参数化功能- 包含响应验证、状态码验证和变量提取步骤## 何时使用我当您需要以下功能时可以使用我- 从现有的 OpenAPI 文档创建 API 测试套件- 为基于 pytest-yaml 的测试框架生成测试用例- 将 OpenAPI 端点定义转换为可执行的测试场景- 为 RESTful API 构建自动化回归测试## Agent 使用指南本 skill 旨在帮助 agent 从 OpenAPI 规范自动生成 pytest-yaml 格式的 API 测试用例### 完整工作流程建议 agent 按照以下步骤使用本 skill#### 步骤 1使用脚本生成基础测试用例具体用法可见后文脚本使用方法#### 步骤 2分析接口关联在使用脚本生成测试用例之后agent 分析 OpenAPI 文档内容理解接口之间的依赖关系1. **阅读 OpenAPI 文件**理解 API 的整体结构2. **识别登录接口**找到返回 access_token 的接口如 /login/access_token3. **识别资源接口**找到创建资源的接口如 POST /todo4. **识别依赖关系** - 创建资源返回的 ID 被哪些接口使用 - 需要认证的接口有哪些 - 接口之间的调用顺序**Agent 应生成的分析文档文件名readme.md**,例如markdown# API 接口分析报告## 登录接口- POST /login/access_token - 返回access_token, token_type - 依赖无## 宠物接口- POST /pets创建宠物 - 返回id, title, is_done, create_datetime, done_datetime - 依赖需要 access_token- GET /pets/{petId}获取宠物详情 - 参数petId来自创建宠物的返回 - 依赖需要 access_token- PUT /pets/{petId}更新宠物 - 参数petId - 依赖需要 access_token- DELETE /pets/{petId}删除宠物 - 参数petId - 依赖需要 access_token## 测试顺序建议1. 先执行登录获取 access_token2. 创建宠物获取 id3. 使用 id 进行查询、更新、删除操作#### 步骤 3调整测试用例根据生成的分析报告和基础测试用例按顺序进行内容审查并进行必要的调整1. **接口依赖**在需要token、id等依赖场景中前置接口创建了合适的extract步骤来创建变量后接口正确的使用了变量变量名合理、正确2. **测试顺序**调整用例之间的依赖关系、执行顺序合理、正确主要文件名控制顺序3. **额外断言**根据业务逻辑添加**必要的**更详细的断言4. **格式校验**使用 schema.json 验证所有的用例文件均符合格式要求见下方验证命令5. **注册函数**创建 yaml_funcs.py实现用例需要使用的变量和函数可参考文档https://pytest-yaml-doc.pages.dev/guide/7_functions6. **复制文件** 将 assets/conftest.py 和 assets/pytest.ini复制到用例所在目录作为运行时文件### 脚本使用方法运行测试生成器脚本bashpython scripts/generate_tests.py openapi.json -o tests/参数说明- openapi_file: OpenAPI JSON 规范文件的路径必填- -o, --output-dir: 测试用例输出目录默认为 tests使用验证脚本检查生成的测试用例是否符合 schema 规范bash# 验证单个文件python scripts/validate_tests.py tests/test_example.yaml# 验证整个目录python scripts/validate_tests.py tests/# 指定文件匹配模式python scripts/validate_tests.py tests/ -p test_*.yaml**参数说明**- target: 要验证的 YAML 文件或目录路径必填- -p, --pattern: 文件匹配模式仅对目录有效默认为 *.yaml(后面还有一些示例、参考、能力边界的内容篇幅原因没有完整粘贴)使用效果使用skill的过程用例内容yaml用例文件1yaml用例文件2注本节所示Skill由Agent创建提示词内容我想创建一个skill给agent使用1. 读取openapi或其他文件)来了解接口并设计接口测试用例2. 创建yaml格式的测试用例 - 整体思路参考这个示例https://pytest-yaml-doc.pages.dev/example/3_api_test - 其中核心框架使用pytest接口请求使用requests - 用例加载使用pytest-yaml-sanmu文档地址https://pytest-yaml-doc.pages.dev/ - 断言使用responses-validator文档地址https://pypi.org/project/responses-validator/3. example目录有一个openapi.json和我手动创建的一个用例示例是理想情况下此skill的最终输出尽管提供了 schema.json 和一个完整示例但skill并非一次就创建好也反复沟通了几次Skills规则和技巧基本规则官方文档写得很清楚这里不再重复了如果不愿意看官方文档也可以直接问AI这里分享我的一些体会多看别人写的skills就像文学工作者一样看到越多不同的作品越能激发自己的灵感比如把技能内容拆分成不同的小文件按需加载以及使用预制代码完成一些固定性工作做好版本化就像提示词一样skills也是持续优化无止尽的 建议使用git将skills管理起来跟踪变化自动更新坚持单一职责skills之间是可以相互配合的不需要要追求一个技能大而全比如生成接口测试用例的skill是输入openapi文件来如果某项目没有openapi文档只有md文档的怎么办不要让这个skill增加一个md转openapi的能力而是额外创建一个其他格式转openapi的skill来进行辅助优化描述描述SKILL.md中的description是Agent进行技能选择的依据首先说清楚这个技能做什么尽量多加相关的关键字还可以举一些场景和例子可以多看看LLM推理的内容找灵感以便在skills很多的时候也能被Agent准确选中不要盲从Skill比如临时的、低频的、简短的、变动的、有复杂依赖、强制执行的内容大可不必做成skill可以写在某个文件里告诉agent去读取作为后续指令就就行了不必为了skill而skill总结写完了让AI检查有没有错误字它却说公众号文章最好有收尾那就写点什么吧skill是一种新的范式并不会取代 prompt 或者 mcpskill 适合高频、稳定、复用的场景不是这些场景用 prompt 就挺好当你真的需要skill时可以让AI来创建skill不论是使用skill还是创建skill首先得有Agent参见第二小节最近两年大模型发展很迅速在理论研究方面得到很大的拓展基础模型的能力也取得重大突破大模型现在正在积极探索落地的方向如果与各行各业结合起来是未来落地的一个重大研究方向大模型应用工程师年包50w属于中等水平如果想要入门大模型那现在正是最佳时机2025年Agent的元年2026年将会百花齐放相应的应用将覆盖文本视频语音图像等全模态如果你对AI大模型入门感兴趣那么你需要的话可以点击这里大模型重磅福利入门进阶全套104G学习资源包免费分享扫描下方csdn官方合作二维码获取哦给大家推荐一个大模型应用学习路线这个学习路线的具体内容如下第一节提示词工程提示词是用于与AI模型沟通交流的这一部分主要介绍基本概念和相应的实践高级的提示词工程来实现模型最佳效果以现实案例为基础进行案例讲解在企业中除了微调之外最喜欢的就是用提示词工程技术来实现模型性能的提升第二节检索增强生成RAG可能大家经常会看见RAG这个名词这个就是将向量数据库与大模型结合的技术通过外部知识来增强改进提升大模型的回答结果这一部分主要介绍RAG架构与组件从零开始搭建RAG系统生成部署RAG性能优化等第三节微调预训练之后的模型想要在具体任务上进行适配那就需要通过微调来提升模型的性能能满足定制化的需求这一部分主要介绍微调的基础模型适配技术最佳实践的案例以及资源优化等内容第四节模型部署想要把预训练或者微调之后的模型应用于生产实践那就需要部署模型部署分为云端部署和本地部署部署的过程中需要考虑硬件支持服务器性能以及对性能进行优化使用过程中的监控维护等第五节人工智能系统和项目这一部分主要介绍自主人工智能系统包括代理框架决策框架多智能体系统以及实际应用然后通过实践项目应用前面学习到的知识包括端到端的实现行业相关情景等学完上面的大模型应用技术就可以去做一些开源的项目大模型领域现在非常注重项目的落地后续可以学习一些Agent框架等内容上面的资料做了一些整理有需要的同学可以下方添加二维码获取仅供学习使用
