本文深入探讨了Agent Skills的生命周期从表示、获取、检索到进化与治理详细阐述了如何将团队经验转化为可信的过程资产。文章强调了Skill在Agent系统中的重要性并提出了防止技术债产生的策略为想要学习大模型的读者提供了宝贵的指导。昨晚读到一篇新综述《A Comprehensive Survey on Agent Skills: Taxonomy, Techniques, and Applications》。论文是 2026 年 5 月 8 日刚提交到 arXiv 的沿着 Agent Skills 这条线把 100 多篇论文和一批生态资源串到了一起。PDF、HTML、TeX Source 官方都放出来了文末有链接。如果只按论文综述来写最顺手的拆法就是四个词表示、获取、检索、进化。但读完之后我停在了另一个更工程化的问题上一个团队开始大规模沉淀 Skills 之后它会不会像旧 Wiki、旧脚本、旧模板一样慢慢变成另一种技术债这个问题比“四阶段分类”更贴近工程现场。过去几个月我们一直在聊怎么把 Skill 写好怎么把团队经验放进去怎么让 Agent 从失败里改进。这篇综述把这些事接成了一条生命周期也把后半段的麻烦摆到了台面上Skill 会变多会过期会互相冲突也可能被污染。当 Skill 开始写文件、跑脚本、调工具、影响长期行为它就不再是一段温和的说明文档了。它更像代码、配置、Runbook、测试和权限策略揉在一起。这篇就沿着它问一件更实际的事如何让一个 Skill 库长期可信。先说结论这篇综述最有价值的地方是把 Skill 放进了完整生命周期怎么写、怎么来、怎么选、怎么改、怎么退场。工具解决“能不能做”Skill 解决“这类事该怎么做”。再往后还得有人管准入、测试、版本、权限和回滚。Skill 可以来自专家手写、执行经验、即时生成也可以从文档和代码库里提炼。来源越多越要有准入门槛。Skill 库变大以后麻烦会从“有没有”变成“找得到但现在该不该用”。新增 Skill 不难难的是验证、降权、合并、下线以及防止第三方 Skill 把坏逻辑带进来。放回前面几篇 Goal、Memory、Harness、Claude Code 实践里看Skill 大概就是“这类事下次怎么做”的那一层。前半场和后半场只把它当论文综述读最容易带走的就是那四个词表示、获取、检索、进化。这当然有用但还不够。今年在《架构师》里一路拆 Agent很多时候都在问同一个工程问题模型能做更大的动作之后系统要怎样把它装进一个可观察、可验证、可回滚的工作现场里。最早聊 MCP 和 Skills 时重点还在边界MCP 解决“能连什么”Skills 解决“连上之后怎么把事办成”。后来拆 Anthropic 33 页指南和 Claude Agent Skills看得更多是容器SKILL.md、description、references/、assets/、scripts/。这些东西解决的是一类重复任务怎么从聊天框挪到文件系统里。《Skills 详解拆开一个真实技能看 Anthropic 和 OpenAI 的路线差异》也是顺着这个角度往下走的。再往后聊《Anthropic 如何使用 Skills团队经验如何才能被 Agent 稳定复用》和《Memento-Skills如何让 Agents 自己设计 Agents》话题开始偏团队侧经验怎么沉淀失败怎么写回改完之后凭什么相信它更好。到 Hermes、《自总结 Skills》和“过程资产”这条线问题又往前挪了一步Agent 不只是记住过去也开始尝试维护自己以后做事的方式。《从 Anthropic 到 GoogleAgent Skills 正在进入设计模式阶段》算是给那一阶段做了个小结。最近这几篇又把视角拉大了《Agent Memory 架构解析过去的信息凭什么影响未来》《Codex、Claude Code、Hermes 都在做 /goal长任务 Agent 的目标控制面来了》《Claude Code 大型代码库实践把代码库变成 Agent 能工作的现场》。Memory 管过去怎么影响现在Goal 管这次要完成什么Harness 管工具、反馈、权限和回滚。那 Skill 放哪里我会把它放在中间这一层团队经验进入 Agent 运行时之后最接近“过程资产”的那一层。它没有再给一个新名词而是把这些局部经验串成了一条完整生命周期。等 Skill 从一个、两个长到几十个、几百个问题就不再是“会不会写”而是“还敢不敢信”。后面就围绕这个问题展开Skill 要怎样从可复用提示变成长期可信的过程资产。图 1Skill 生命周期里的债务入口图 1Skill 生命周期里的债务入口先把 Skill 放回它该在的位置不少人第一次接触 Skill会顺手把它理解成“高级提示词”。这个理解能入门但走两步就不够用了。论文里更准确的说法是Skill 是一种可复用的过程性资产。它不只告诉 Agent “做什么”还告诉它什么时候该用应该按什么步骤做需要哪些参考资料、模板或脚本哪些失败模式要避开怎么判断任务已经完成。论文把一个 Skill 抽象成三元组S (M, R, C)这里的M是主指令文档通常就是类似SKILL.md的入口文件R是辅助资源比如参考文档、模板、脚本、领域材料C是触发条件也就是 Agent 什么时候应该检索和加载这个 Skill。这个抽象不复杂胜在能落到工程里。一个真实的 Skill更像一个小工作区有入口有资源有触发边界有可执行动作有完成标准。落到现在的 Agent Skills 开放规范上形态也很朴素一个目录里面至少有一个SKILL.md可选地带scripts/、references/、assets/。SKILL.md里的description也不是普通简介。规范明确要求它说清楚这个 Skill 做什么、什么时候用。Anthropic 文档里也把它放在第一层加载模型启动时先看到元数据触发后再读主说明需要时才去读参考文件或跑脚本。这就是渐进式披露。它当然能省 token但更重要的是把过程知识拆开了路由信息常驻主流程按需进上下文大块参考和确定性脚本留在文件系统里。这也能解释为什么 Skill 和工具不能混着看。MCP、API、CLI、浏览器操作、代码解释器解决的是“能力接入”问题。它们让 Agent 能搜索、能写文件、能跑命令、能访问外部系统。但工具本身并不会告诉 Agent什么时候该搜什么时候该读本地文件API schema 变了怎么处理命令输出太长时保留哪些线索改完代码以后跑哪条测试某个危险命令是不是应该拦住。这些是 Skill 要补的那一层。放到工程里说工具给 Agent 动作空间Skill 给 Agent 操作规程。没有工具Agent 很难进入真实世界没有 SkillAgent 进入真实世界之后也只能每次现场推理一遍靠运气把流程拼出来。图 2工具、Skill、治理分别解决什么图 2工具、Skill、治理分别解决什么分类之外债务也被看见了这篇论文没有停在“整理出一份论文列表”它把 Agent Skills 按生命周期拆成了四段。生命周期回答的问题工程里的对应物表示Skill 长什么样文档、脚本、模板、元数据获取Skill 从哪里来专家经验、执行轨迹、任务生成、外部资料检索与选择什么时候用哪个 Skill路由、前置条件、成本、状态、组合进化与治理Skill 怎么更新和下线测试、版本、回滚、准入、审计这张表有用是因为它让分散的经验有了生命周期。之前拆 Skill 格式时看到的是“它长什么样”聊《Anthropic 如何使用 Skills》时关心的是“它从哪里来”写《Memento-Skills》时落到的是“它怎么被改写”到了《从 Anthropic 到 GoogleAgent Skills 正在进入设计模式阶段》看的是“它内部可以长成哪些稳定的工作流”。回头看这几篇其实是在不同时间切开了同一件事的不同剖面。这篇综述补上的是生命周期视角。它提醒我Skill 不是写完就完事。它会被创建、检索、调用、改写、共享也会过期、冲突、污染系统。这一点和写软件很像。一段代码的质量不只看第一版写得漂不漂亮还看后面有没有测试、review、版本管理、运行监控和退场机制。Skill 也一样。所以读这篇综述时我会拿它问一个长期问题如果 Skill 变成团队默认流程的一部分它的技术债在哪里产生又该在哪里被拦住。第一笔债Skill 来得太快验证追不上论文把 Skill 获取分成四类专家手写、经验提炼、任务即时生成、外部语料挖掘。放到团队里看这四类就是知识资产的四个来源。专家手写适合那些高价值、高风险、边界清楚的流程。像安全审查、发布流程、数据库迁移、事故排查、支付链路变更这类东西很难完全靠模型从历史里猜出来里面有不少隐性判断、组织约束和安全红线。人写得慢但精度高适合做种子层。经验提炼适合从真实执行轨迹里抽出反复出现的模式。Voyager、Reflexion、ExpeL、Memento-Skills 都在回答同一个问题Agent 做过的事情怎样从一次性日志变成可以复用的经验。这部分在前面那篇《Memento-Skills如何让 Agents 自己设计 Agents》里聊过更多细节。任务即时生成适合冷启动阶段。遇到一个新任务Agent 先生成一个候选 Skill用完之后再决定保留、修改还是丢弃。这条路灵活也最容易制造垃圾资产。没有验证门很快就会长出一堆“看起来合理、下次不敢用”的临时 Skill。外部语料挖掘适合把已有的文档、代码库、API 文档、竞赛方案、Runbook 转成 Agent 能用的过程。这条路在企业里特别实际。很多团队并不缺知识难的是知识散在文档、脚本、Wiki、值班手册和老员工脑子里。Skill 在这里像一次重新打包。这里有个容易被忽略的点Skill 获取不是越快越好。论文在开放问题里专门提到了 admission quality也就是“准入质量”。生成 Skill 的速度一旦超过验证和治理的速度Skill 库就会开始背技术债低质量 Skill 越积越多检索噪声越来越大好用的反而更难被找到。这件事工程团队都不陌生。文档没人删脚本没人维护模板没人知道是不是最新版。两三年下来最大的成本就变成了资料很多但不知道哪份还能信。Skill 库如果没有准入、版本和退场也会走到同一个地方。这是很多团队落地 Skills 时最容易踩的坑。第一批 Skill 别急着铺覆盖面先把可信度做出来。越是高频、边界清楚、有验证手段的流程越适合先入库。比如 PR Review、单元测试修复、发布前检查、事故复盘、数据库迁移检查、内部 SDK 使用规范。“帮我做完整架构设计”这种任务当然诱人但边界太宽验证太弱。第一批就拿它做 Skill最后很容易长出一份看起来很懂、实际谁也不敢依赖的长文档。第二笔债找得到但不该执行Skill 库还小的时候检索很容易。几十个 Skill靠名字、描述、人脑记忆就够用。但论文里提到的生态已经不是这个量级了SkillNet、ClawHub、SkillHub、SkillsMP、Skills.sh 这些平台都在往大规模 Skill 库走配套仓库里也按表示、获取、检索、进化整理了一大批论文。库一大问题会跟着变。它会从“有没有这个 Skill”转向“现在这个状态下到底该不该用它”。论文这里把 retrieval 和 selection 拆开这个区分挺重要。Retrieval 是从大库里召回候选 Skill常见做法有几类向量检索按语义相似度找关键词检索按名称、字段、触发词精确匹配生成式检索让模型直接生成 Skill ID结构化检索利用层级、依赖图、前置条件缩小范围。Selection 则更接近策略判断。候选 Skill 语义上相关不代表它现在能用。它可能依赖某个工具当前环境里没有可能要先登录当前会话没有权限可能很耗 token当前预算不够也可能在过去类似任务里反复失败。所以选择阶段要看的东西更多当前状态前置条件工具权限成本和延迟历史成功率能不能和其他 Skill 组合失败以后有没有替代路径。读到这里会发现Skill Router 迟早会超出语义匹配变成 Agent 的过程控制面。这和昨天那篇《Claude Code 大型代码库实践把代码库变成 Agent 能工作的现场》里讲的 Agentic Search 是一条线。搜索代码不是 grep 一下就完事。Agent 要根据任务找入口、读文件、追引用、跑测试再根据反馈调整路径。Skill 也一样。成熟系统不能只找“最相似的 Skill”。它还要在当前工作现场里挑出一个能执行、能验证、风险可接受的过程。听着有点绕放到发布场景里就很直观。想一个生产发布 Skill。用户说“帮我发一下服务”语义上当然匹配。但如果当前分支没过 CI、没人审批、窗口期不对、目标环境是 production 而不是 staging这个 Skill 就不该被执行。语义相关只是第一关。能不能跑要看当前的状态和约束。图 3Skill Router 不能只做语义匹配图 3Skill Router 不能只做语义匹配这和之前写description时的看法能接上。那时我们说description是路由契约。现在看还要再补半句路由契约不能只写“什么时候用”也要尽量写清楚“什么时候别用”。比如一个发布 Skill如果只写“用于发布服务”它很容易被过度触发。更稳的写法应该把前置条件也写进去仅在目标环境明确、CI 通过、变更窗口确认、审批状态清楚时使用。否则它最多能做发布前检查不能直接进入发布流程。第三笔债只会新增不会下线Skill 很吸引人的一点是它能进化。Agent 做错了反思一下把经验写回去。下次再遇到类似任务少走一步弯路。听起来挺自然但也挺危险。论文把 Skill Evolution 拆成了几层修订、验证、策略耦合、仓库级进化、运行时治理。读下来我最在意的是改完之后凭什么能留下Memento-Skills在这里给了一个不错的样本。它没有停在“保存一段反思”而是先读 Skill、执行任务、拿到反馈做失败归因再有针对性地重写提示词或程序最后通过单元测试和回滚门控来决定要不要接受。这个顺序很工程化。没有验证所谓进化多半只是污染。SkillWeaver、PSN、Audited Skill-Graph 这些工作也在朝类似方向走候选修改要过测试、成熟度门槛、回放证据或审计报告才有资格进入更可信的 Skill 库。论文还专门提到 PoisonedSkills 这类风险第三方 Skill 文档可能藏着恶意逻辑被 Agent 当成可信操作指南去执行。这一点并不夸张。Skill 的风险来自它的双重身份看起来像文档但会影响行为看起来像知识但可能带脚本看起来只是建议但 Agent 可能照着它去改文件、跑命令、访问外部系统。所以 Skill 进化至少要守住几条底线来源要可追溯改动要能 review有副作用的动作要隔离测试没过不能入库旧版本要能回滚长期不用或反复失败的 Skill 要能下线。新增反而容易。让模型生成一个新 Skill或者从一段成功轨迹里抽一段流程技术上不算难。难的是删、合并、降级和下线。一个 Skill 写错了大家还会有警惕但一个 Skill 曾经很好用后来依赖变了、API 变了、组织流程也变了这种风险更隐蔽。这就是论文里说的 non-stationarity环境一直在变。代码会变工具会变权限会变团队流程也会变。Skill 库只会增长不会清理最后就会和很多团队的 Wiki 长成一个样什么都有但什么都不敢信。所以现在看 Skill 进化我会更关心删、合并和降级。一个 Skill 连续几次触发后没有被采用要不要降权一个 Skill 依赖的 API 变了要不要自动进入隔离区两个 Skill 处理同一类任务但输出口径不同要不要合并一个第三方 Skill 带脚本要不要先跑在沙箱里这些动作没有“生成一个新 Skill”那么好传播但它们决定 Skill 库能不能长期用。把这条线放回 Goal、Memory 和 Harness单看这篇综述它是一篇 Agent Skills 论文综述。放回这几个月的线索里它的位置会清楚很多。前阵子写《Agent Memory 架构解析过去的信息凭什么影响未来》里面反复说的是Memory 要解决过去怎样影响现在单纯记更多东西没有意义。今天看 Skill问题也差不多经验怎样变成 Agent 的默认做法。Goal、Memory、Skill、Harness 这几层回答的是不同的问题。层回答的问题Goal这次要完成什么Memory过去发生过什么哪些应该影响现在Skill这类事以后应该怎么做Harness这些东西怎么被装进可观察、可回滚、可接管的系统目前我没看到 Tobi、Karpathy、Simon、Addy 或 Martin Fowler 直接评论过这篇 2605.07358 论文。不过他们过去一年关于 Agent 工程化的几条公开讨论可以帮我们把 Skill 放回更大的语境里。Tobi Lütke 去年在 X 上推 context engineering 这个说法意思是别只盯着某一句 prompt要把任务所需的上下文组织好让模型真的有条件把问题解出来。Karpathy 后来跟了一句 “1”把这个问题说得更工程化了一点工业级 LLM 应用要把合适的信息装进上下文窗口不能只靠一条短提示。Simon Willison 写 Agentic Engineering Patterns把 coding agents 的关键放在能生成并执行代码、能测试、能迭代这条反馈链上。Addy Osmani 讲 Agentic Engineering 时也把重点放在计划、review、测试和工程责任上。Martin Fowler 那篇 Harness Engineering 更直接要让 coding agents 在更少监督下工作就需要 guides、sensors 和 feedback loop。这些说法用词不同但指向接近。模型越来越强之后外围工程会越来越吃重上下文怎么进来目标怎么稳定工具怎么受控反馈怎么闭环经验怎么沉淀坏经验怎么清掉。Skill 在这条线的中段。它把上下文变成过程把经验变成资产也把一次成功变成下一次可以调用的路径。也正因为这样它不能只按提示词模板来管得按工程资产来管。真要落地我会先防这几类债不太建议一上来就铺一个宏大的 Skill 平台。很多团队更缺的是第一批可信的 Skill。如果是我会从很窄的地方开始先把“债务入口”写清楚。图 4Skill 库的最小治理闭环图 4Skill 库的最小治理闭环第一只让高频、边界清楚、有验证手段的流程先入库。不是所有经验都值得做成 Skill。临时技巧、个人偏好、一次性项目经验更适合留在普通文档或任务记录里。Skill 应该留给那些反复发生、能被验证、出错有代价的流程。第二把description当成路由契约来写。它决定 Agent 什么时候加载这个 Skill。描述越模糊误触发越多描述越像营销文案越不适合做路由。适用场景、输入前提、禁用边界和产出物最好一开始就写清楚。第三入口文件要短。SKILL.md里只放触发边界、主流程、硬规则和需要下钻的资源路径。大块资料放references/模板放assets/确定性动作放scripts/。主链路轻系统才愿意用。第四从一开始就给验证留位置。能跑测试就写测试命令能静态检查就配上 lint/type check能截图验收就写清截图标准。没有验证的 Skill很容易变成“看起来像经验”的软提示。第五给 Skill 加上版本和退场机制。起码要知道它从哪里来、谁改过、依赖什么、上一次有效是什么时候、什么时候该归档。这个动作不显眼长期很值钱。我会额外加一个小规则每个 Skill 都要有一个“失败记录”。不用复杂能记录三件事就够最近一次失败是什么失败是触发错了、执行错了还是环境变了这个失败导致 Skill 被修改、降权、合并还是下线。这张小表往往比“我们有 100 个 Skill”更有用。Skill 库的质量不看数量看团队有没有能力承认有些经验已经过期了有些流程不该默认执行有些自动生成的东西不配进入长期资产。写在最后读到最后我的体感是Agent Skills 不是让 Agent 多会几个技巧。团队里的过程知识开始进入 Agent 的运行时这才是值得关注的变化。过去很多经验活在人脑里或者散落在文档、脚本、CI、Runbook、PR 评论和事故复盘里。Agent 也只能靠临场推理去拼。Skill 给了一个新容器把这些经验打包成可触发、可检索、可执行、可验证、可演进的过程资产。不过容器只是个开头。没有准入、检索、验证、版本、权限和回滚Skill 库很快也会变成另一种上下文垃圾场。这篇论文给我的提醒是Agent 系统下一段比的不只是谁的模型更强还有谁的过程资产更可信。能把团队经验变成可靠的 Skill让它们在该用的时候被选中又能持续更新而不污染系统这样的 Agent 工程才更接近可用。这件事不算热闹但很像软件工程本身。最后2026年技术圈的分化愈发明显降薪裁员潮持续蔓延传统开发、测试等岗位大批缩水不少从业者陷入职业焦虑与之形成鲜明对比的是AI大模型相关岗位迎来疯狂扩招薪资逆势飙升150%大厂更是直接开出70-100W年薪疯抢具备实战能力的大模型人才甚至放宽年龄限制只求能快速落地技术、创造价值很多程序员、职场新人纷纷入局大模型领域绝非盲目跟风而是实实在在看到了不可替代的价值优势这也是2026年最值得抓住的职业风口1、窗口期红利入门门槛友好不同于成熟赛道的“内卷式招聘”2026年大模型人才缺口巨大简历只要达标掌握基础AI应用具备简单项目经验年龄、学历均非硬性要求小白可快速入门转行程序员也能无缝衔接2、技术可复用上手速度翻倍如果你有前后端开发、测试、数据分析等基础在大模型落地、系统部署、Prompt工程等环节会更具优势无需从零开始复用原有技术能力就能快速进阶3、懂业务更吃香竞争力翻倍单纯懂技术已不够2026年大厂更看重“技术业务”的复合型人才有垂直领域金融、医疗、工业等经验者能精准定位模型落地痛点薪资比纯技术岗高出30%以上更重要的是即便没有转型需求用AI大模型工具为工作赋能、提升效率也已经成为80%企业的硬性要求——不会用大模型提效未来很可能被行业淘汰那么2026年小白/程序员该如何高效学习大模型很多人想入门大模型却陷入两大困境要么到处搜集零散资料不成体系越学越懵要么被收费高昂的课程割韭菜花了钱却学不到实战技能白白浪费时间走弯路。今天就给大家精心整理了一份2026年最新、免费、系统化的AI大模型学习资源包覆盖从零基础入门到商业实战、从理论沉淀到面试通关的全流程所有资料均已整理归档无需拼凑直接领取就能上手学习小白可照做程序员可进阶扫码免费领取全部内容1、大模型系统化学习路线这份学习路线结合2026年行业趋势和新手学习规律由行业专家精心设计从零基础到精通每一步都有明确指引帮你节省80%的无效学习时间少走弯路、高效进阶避免踩坑。2、从0到进阶大模型学习视频教程从入门到进阶这里都有跟着老师学习事半功倍。3、大模型学习书籍电子文档涵盖2026年最新技术要点包括基础入门、Transformer核心原理、Prompt工程、RAG实战、模型微调与部署等内容4、AI大模型最新行业报告报告包含腾讯、阿里、甲子光年等权威机构发布的核心内容还有2026年中文大模型基准测评报告、AI Agent行业研究报告等帮你站在行业前沿把握技术风口。5、大模型项目实战配套源码项目包含Deepseek R1、GPT项目、MCP项目、RAG实战等热门方向还有视频配套代码手把手教你从0到1完成项目开发既能练手提升技术又能丰富简历为求职和职业发展加分。6、2026大模型大厂面试真题2026年大模型面试已全面升级不再单纯考察基础原理而是转向侧重技术落地和业务结合的综合考察很多程序员和新手因为缺乏针对性准备明明技术不错却在面试中失利。适用人群四阶段学习规划共90天可落地执行第一阶段10天初阶应用该阶段让大家对大模型 AI有一个最前沿的认识对大模型 AI 的理解超过 95% 的人可以在相关讨论时发表高级、不跟风、又接地气的见解别人只会和 AI 聊天而你能调教 AI并能用代码将大模型和业务衔接。大模型 AI 能干什么大模型是怎样获得「智能」的用好 AI 的核心心法大模型应用业务架构大模型应用技术架构代码示例向 GPT-3.5 灌入新知识提示工程的意义和核心思想Prompt 典型构成指令调优方法论思维链和思维树Prompt 攻击和防范…第二阶段30天高阶应用该阶段我们正式进入大模型 AI 进阶实战学习学会构造私有知识库扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架抓住最新的技术进展适合 Python 和 JavaScript 程序员。为什么要做 RAG搭建一个简单的 ChatPDF检索的基础概念什么是向量表示Embeddings向量数据库与向量检索基于向量检索的 RAG搭建 RAG 系统的扩展知识混合检索与 RAG-Fusion 简介向量模型本地部署…第三阶段30天模型训练恭喜你如果学到这里你基本可以找到一份大模型 AI相关的工作自己也能训练 GPT 了通过微调训练自己的垂直大模型能独立训练开源多模态大模型掌握更多技术方案。到此为止大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗为什么要做 RAG什么是模型什么是模型训练求解器 损失函数简介小实验2手写一个简单的神经网络并训练它什么是训练/预训练/微调/轻量化微调Transformer结构简介轻量化微调实验数据集的构建…第四阶段20天商业闭环对全球大模型从性能、吞吐量、成本等方面有一定的认知可以在云端和本地等多种环境下部署大模型找到适合自己的项目/创业方向做一名被 AI 武装的产品经理。硬件选型带你了解全球大模型使用国产大模型服务搭建 OpenAI 代理热身基于阿里云 PAI 部署 Stable Diffusion在本地计算机运行大模型大模型的私有化部署基于 vLLM 部署大模型案例如何优雅地在阿里云私有部署开源大模型部署一套开源 LLM 项目内容安全互联网信息服务算法备案…扫码免费领取全部内容7、这些资料真的有用吗这份资料由我和鲁为民博士(北京清华大学学士和美国加州理工学院博士)共同整理现任上海殷泊信息科技CEO其创立的MoPaaS云平台获Forrester全球’强劲表现者’认证服务航天科工、国家电网等1000企业以第一作者在IEEE Transactions发表论文50篇获NASA JPL火星探测系统强化学习专利等35项中美专利。本套AI大模型课程由清华大学-加州理工双料博士、吴文俊人工智能奖得主鲁为民教授领衔研发。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技术人员这份资料都绝对能帮助你提升薪资待遇转行大模型岗位。这份完整版的大模型 AI 学习资料已经上传CSDN朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】
小白程序员必备：收藏这份大模型技能学习指南，架构未来等你来！
发布时间：2026/5/21 5:13:43
本文深入探讨了Agent Skills的生命周期从表示、获取、检索到进化与治理详细阐述了如何将团队经验转化为可信的过程资产。文章强调了Skill在Agent系统中的重要性并提出了防止技术债产生的策略为想要学习大模型的读者提供了宝贵的指导。昨晚读到一篇新综述《A Comprehensive Survey on Agent Skills: Taxonomy, Techniques, and Applications》。论文是 2026 年 5 月 8 日刚提交到 arXiv 的沿着 Agent Skills 这条线把 100 多篇论文和一批生态资源串到了一起。PDF、HTML、TeX Source 官方都放出来了文末有链接。如果只按论文综述来写最顺手的拆法就是四个词表示、获取、检索、进化。但读完之后我停在了另一个更工程化的问题上一个团队开始大规模沉淀 Skills 之后它会不会像旧 Wiki、旧脚本、旧模板一样慢慢变成另一种技术债这个问题比“四阶段分类”更贴近工程现场。过去几个月我们一直在聊怎么把 Skill 写好怎么把团队经验放进去怎么让 Agent 从失败里改进。这篇综述把这些事接成了一条生命周期也把后半段的麻烦摆到了台面上Skill 会变多会过期会互相冲突也可能被污染。当 Skill 开始写文件、跑脚本、调工具、影响长期行为它就不再是一段温和的说明文档了。它更像代码、配置、Runbook、测试和权限策略揉在一起。这篇就沿着它问一件更实际的事如何让一个 Skill 库长期可信。先说结论这篇综述最有价值的地方是把 Skill 放进了完整生命周期怎么写、怎么来、怎么选、怎么改、怎么退场。工具解决“能不能做”Skill 解决“这类事该怎么做”。再往后还得有人管准入、测试、版本、权限和回滚。Skill 可以来自专家手写、执行经验、即时生成也可以从文档和代码库里提炼。来源越多越要有准入门槛。Skill 库变大以后麻烦会从“有没有”变成“找得到但现在该不该用”。新增 Skill 不难难的是验证、降权、合并、下线以及防止第三方 Skill 把坏逻辑带进来。放回前面几篇 Goal、Memory、Harness、Claude Code 实践里看Skill 大概就是“这类事下次怎么做”的那一层。前半场和后半场只把它当论文综述读最容易带走的就是那四个词表示、获取、检索、进化。这当然有用但还不够。今年在《架构师》里一路拆 Agent很多时候都在问同一个工程问题模型能做更大的动作之后系统要怎样把它装进一个可观察、可验证、可回滚的工作现场里。最早聊 MCP 和 Skills 时重点还在边界MCP 解决“能连什么”Skills 解决“连上之后怎么把事办成”。后来拆 Anthropic 33 页指南和 Claude Agent Skills看得更多是容器SKILL.md、description、references/、assets/、scripts/。这些东西解决的是一类重复任务怎么从聊天框挪到文件系统里。《Skills 详解拆开一个真实技能看 Anthropic 和 OpenAI 的路线差异》也是顺着这个角度往下走的。再往后聊《Anthropic 如何使用 Skills团队经验如何才能被 Agent 稳定复用》和《Memento-Skills如何让 Agents 自己设计 Agents》话题开始偏团队侧经验怎么沉淀失败怎么写回改完之后凭什么相信它更好。到 Hermes、《自总结 Skills》和“过程资产”这条线问题又往前挪了一步Agent 不只是记住过去也开始尝试维护自己以后做事的方式。《从 Anthropic 到 GoogleAgent Skills 正在进入设计模式阶段》算是给那一阶段做了个小结。最近这几篇又把视角拉大了《Agent Memory 架构解析过去的信息凭什么影响未来》《Codex、Claude Code、Hermes 都在做 /goal长任务 Agent 的目标控制面来了》《Claude Code 大型代码库实践把代码库变成 Agent 能工作的现场》。Memory 管过去怎么影响现在Goal 管这次要完成什么Harness 管工具、反馈、权限和回滚。那 Skill 放哪里我会把它放在中间这一层团队经验进入 Agent 运行时之后最接近“过程资产”的那一层。它没有再给一个新名词而是把这些局部经验串成了一条完整生命周期。等 Skill 从一个、两个长到几十个、几百个问题就不再是“会不会写”而是“还敢不敢信”。后面就围绕这个问题展开Skill 要怎样从可复用提示变成长期可信的过程资产。图 1Skill 生命周期里的债务入口图 1Skill 生命周期里的债务入口先把 Skill 放回它该在的位置不少人第一次接触 Skill会顺手把它理解成“高级提示词”。这个理解能入门但走两步就不够用了。论文里更准确的说法是Skill 是一种可复用的过程性资产。它不只告诉 Agent “做什么”还告诉它什么时候该用应该按什么步骤做需要哪些参考资料、模板或脚本哪些失败模式要避开怎么判断任务已经完成。论文把一个 Skill 抽象成三元组S (M, R, C)这里的M是主指令文档通常就是类似SKILL.md的入口文件R是辅助资源比如参考文档、模板、脚本、领域材料C是触发条件也就是 Agent 什么时候应该检索和加载这个 Skill。这个抽象不复杂胜在能落到工程里。一个真实的 Skill更像一个小工作区有入口有资源有触发边界有可执行动作有完成标准。落到现在的 Agent Skills 开放规范上形态也很朴素一个目录里面至少有一个SKILL.md可选地带scripts/、references/、assets/。SKILL.md里的description也不是普通简介。规范明确要求它说清楚这个 Skill 做什么、什么时候用。Anthropic 文档里也把它放在第一层加载模型启动时先看到元数据触发后再读主说明需要时才去读参考文件或跑脚本。这就是渐进式披露。它当然能省 token但更重要的是把过程知识拆开了路由信息常驻主流程按需进上下文大块参考和确定性脚本留在文件系统里。这也能解释为什么 Skill 和工具不能混着看。MCP、API、CLI、浏览器操作、代码解释器解决的是“能力接入”问题。它们让 Agent 能搜索、能写文件、能跑命令、能访问外部系统。但工具本身并不会告诉 Agent什么时候该搜什么时候该读本地文件API schema 变了怎么处理命令输出太长时保留哪些线索改完代码以后跑哪条测试某个危险命令是不是应该拦住。这些是 Skill 要补的那一层。放到工程里说工具给 Agent 动作空间Skill 给 Agent 操作规程。没有工具Agent 很难进入真实世界没有 SkillAgent 进入真实世界之后也只能每次现场推理一遍靠运气把流程拼出来。图 2工具、Skill、治理分别解决什么图 2工具、Skill、治理分别解决什么分类之外债务也被看见了这篇论文没有停在“整理出一份论文列表”它把 Agent Skills 按生命周期拆成了四段。生命周期回答的问题工程里的对应物表示Skill 长什么样文档、脚本、模板、元数据获取Skill 从哪里来专家经验、执行轨迹、任务生成、外部资料检索与选择什么时候用哪个 Skill路由、前置条件、成本、状态、组合进化与治理Skill 怎么更新和下线测试、版本、回滚、准入、审计这张表有用是因为它让分散的经验有了生命周期。之前拆 Skill 格式时看到的是“它长什么样”聊《Anthropic 如何使用 Skills》时关心的是“它从哪里来”写《Memento-Skills》时落到的是“它怎么被改写”到了《从 Anthropic 到 GoogleAgent Skills 正在进入设计模式阶段》看的是“它内部可以长成哪些稳定的工作流”。回头看这几篇其实是在不同时间切开了同一件事的不同剖面。这篇综述补上的是生命周期视角。它提醒我Skill 不是写完就完事。它会被创建、检索、调用、改写、共享也会过期、冲突、污染系统。这一点和写软件很像。一段代码的质量不只看第一版写得漂不漂亮还看后面有没有测试、review、版本管理、运行监控和退场机制。Skill 也一样。所以读这篇综述时我会拿它问一个长期问题如果 Skill 变成团队默认流程的一部分它的技术债在哪里产生又该在哪里被拦住。第一笔债Skill 来得太快验证追不上论文把 Skill 获取分成四类专家手写、经验提炼、任务即时生成、外部语料挖掘。放到团队里看这四类就是知识资产的四个来源。专家手写适合那些高价值、高风险、边界清楚的流程。像安全审查、发布流程、数据库迁移、事故排查、支付链路变更这类东西很难完全靠模型从历史里猜出来里面有不少隐性判断、组织约束和安全红线。人写得慢但精度高适合做种子层。经验提炼适合从真实执行轨迹里抽出反复出现的模式。Voyager、Reflexion、ExpeL、Memento-Skills 都在回答同一个问题Agent 做过的事情怎样从一次性日志变成可以复用的经验。这部分在前面那篇《Memento-Skills如何让 Agents 自己设计 Agents》里聊过更多细节。任务即时生成适合冷启动阶段。遇到一个新任务Agent 先生成一个候选 Skill用完之后再决定保留、修改还是丢弃。这条路灵活也最容易制造垃圾资产。没有验证门很快就会长出一堆“看起来合理、下次不敢用”的临时 Skill。外部语料挖掘适合把已有的文档、代码库、API 文档、竞赛方案、Runbook 转成 Agent 能用的过程。这条路在企业里特别实际。很多团队并不缺知识难的是知识散在文档、脚本、Wiki、值班手册和老员工脑子里。Skill 在这里像一次重新打包。这里有个容易被忽略的点Skill 获取不是越快越好。论文在开放问题里专门提到了 admission quality也就是“准入质量”。生成 Skill 的速度一旦超过验证和治理的速度Skill 库就会开始背技术债低质量 Skill 越积越多检索噪声越来越大好用的反而更难被找到。这件事工程团队都不陌生。文档没人删脚本没人维护模板没人知道是不是最新版。两三年下来最大的成本就变成了资料很多但不知道哪份还能信。Skill 库如果没有准入、版本和退场也会走到同一个地方。这是很多团队落地 Skills 时最容易踩的坑。第一批 Skill 别急着铺覆盖面先把可信度做出来。越是高频、边界清楚、有验证手段的流程越适合先入库。比如 PR Review、单元测试修复、发布前检查、事故复盘、数据库迁移检查、内部 SDK 使用规范。“帮我做完整架构设计”这种任务当然诱人但边界太宽验证太弱。第一批就拿它做 Skill最后很容易长出一份看起来很懂、实际谁也不敢依赖的长文档。第二笔债找得到但不该执行Skill 库还小的时候检索很容易。几十个 Skill靠名字、描述、人脑记忆就够用。但论文里提到的生态已经不是这个量级了SkillNet、ClawHub、SkillHub、SkillsMP、Skills.sh 这些平台都在往大规模 Skill 库走配套仓库里也按表示、获取、检索、进化整理了一大批论文。库一大问题会跟着变。它会从“有没有这个 Skill”转向“现在这个状态下到底该不该用它”。论文这里把 retrieval 和 selection 拆开这个区分挺重要。Retrieval 是从大库里召回候选 Skill常见做法有几类向量检索按语义相似度找关键词检索按名称、字段、触发词精确匹配生成式检索让模型直接生成 Skill ID结构化检索利用层级、依赖图、前置条件缩小范围。Selection 则更接近策略判断。候选 Skill 语义上相关不代表它现在能用。它可能依赖某个工具当前环境里没有可能要先登录当前会话没有权限可能很耗 token当前预算不够也可能在过去类似任务里反复失败。所以选择阶段要看的东西更多当前状态前置条件工具权限成本和延迟历史成功率能不能和其他 Skill 组合失败以后有没有替代路径。读到这里会发现Skill Router 迟早会超出语义匹配变成 Agent 的过程控制面。这和昨天那篇《Claude Code 大型代码库实践把代码库变成 Agent 能工作的现场》里讲的 Agentic Search 是一条线。搜索代码不是 grep 一下就完事。Agent 要根据任务找入口、读文件、追引用、跑测试再根据反馈调整路径。Skill 也一样。成熟系统不能只找“最相似的 Skill”。它还要在当前工作现场里挑出一个能执行、能验证、风险可接受的过程。听着有点绕放到发布场景里就很直观。想一个生产发布 Skill。用户说“帮我发一下服务”语义上当然匹配。但如果当前分支没过 CI、没人审批、窗口期不对、目标环境是 production 而不是 staging这个 Skill 就不该被执行。语义相关只是第一关。能不能跑要看当前的状态和约束。图 3Skill Router 不能只做语义匹配图 3Skill Router 不能只做语义匹配这和之前写description时的看法能接上。那时我们说description是路由契约。现在看还要再补半句路由契约不能只写“什么时候用”也要尽量写清楚“什么时候别用”。比如一个发布 Skill如果只写“用于发布服务”它很容易被过度触发。更稳的写法应该把前置条件也写进去仅在目标环境明确、CI 通过、变更窗口确认、审批状态清楚时使用。否则它最多能做发布前检查不能直接进入发布流程。第三笔债只会新增不会下线Skill 很吸引人的一点是它能进化。Agent 做错了反思一下把经验写回去。下次再遇到类似任务少走一步弯路。听起来挺自然但也挺危险。论文把 Skill Evolution 拆成了几层修订、验证、策略耦合、仓库级进化、运行时治理。读下来我最在意的是改完之后凭什么能留下Memento-Skills在这里给了一个不错的样本。它没有停在“保存一段反思”而是先读 Skill、执行任务、拿到反馈做失败归因再有针对性地重写提示词或程序最后通过单元测试和回滚门控来决定要不要接受。这个顺序很工程化。没有验证所谓进化多半只是污染。SkillWeaver、PSN、Audited Skill-Graph 这些工作也在朝类似方向走候选修改要过测试、成熟度门槛、回放证据或审计报告才有资格进入更可信的 Skill 库。论文还专门提到 PoisonedSkills 这类风险第三方 Skill 文档可能藏着恶意逻辑被 Agent 当成可信操作指南去执行。这一点并不夸张。Skill 的风险来自它的双重身份看起来像文档但会影响行为看起来像知识但可能带脚本看起来只是建议但 Agent 可能照着它去改文件、跑命令、访问外部系统。所以 Skill 进化至少要守住几条底线来源要可追溯改动要能 review有副作用的动作要隔离测试没过不能入库旧版本要能回滚长期不用或反复失败的 Skill 要能下线。新增反而容易。让模型生成一个新 Skill或者从一段成功轨迹里抽一段流程技术上不算难。难的是删、合并、降级和下线。一个 Skill 写错了大家还会有警惕但一个 Skill 曾经很好用后来依赖变了、API 变了、组织流程也变了这种风险更隐蔽。这就是论文里说的 non-stationarity环境一直在变。代码会变工具会变权限会变团队流程也会变。Skill 库只会增长不会清理最后就会和很多团队的 Wiki 长成一个样什么都有但什么都不敢信。所以现在看 Skill 进化我会更关心删、合并和降级。一个 Skill 连续几次触发后没有被采用要不要降权一个 Skill 依赖的 API 变了要不要自动进入隔离区两个 Skill 处理同一类任务但输出口径不同要不要合并一个第三方 Skill 带脚本要不要先跑在沙箱里这些动作没有“生成一个新 Skill”那么好传播但它们决定 Skill 库能不能长期用。把这条线放回 Goal、Memory 和 Harness单看这篇综述它是一篇 Agent Skills 论文综述。放回这几个月的线索里它的位置会清楚很多。前阵子写《Agent Memory 架构解析过去的信息凭什么影响未来》里面反复说的是Memory 要解决过去怎样影响现在单纯记更多东西没有意义。今天看 Skill问题也差不多经验怎样变成 Agent 的默认做法。Goal、Memory、Skill、Harness 这几层回答的是不同的问题。层回答的问题Goal这次要完成什么Memory过去发生过什么哪些应该影响现在Skill这类事以后应该怎么做Harness这些东西怎么被装进可观察、可回滚、可接管的系统目前我没看到 Tobi、Karpathy、Simon、Addy 或 Martin Fowler 直接评论过这篇 2605.07358 论文。不过他们过去一年关于 Agent 工程化的几条公开讨论可以帮我们把 Skill 放回更大的语境里。Tobi Lütke 去年在 X 上推 context engineering 这个说法意思是别只盯着某一句 prompt要把任务所需的上下文组织好让模型真的有条件把问题解出来。Karpathy 后来跟了一句 “1”把这个问题说得更工程化了一点工业级 LLM 应用要把合适的信息装进上下文窗口不能只靠一条短提示。Simon Willison 写 Agentic Engineering Patterns把 coding agents 的关键放在能生成并执行代码、能测试、能迭代这条反馈链上。Addy Osmani 讲 Agentic Engineering 时也把重点放在计划、review、测试和工程责任上。Martin Fowler 那篇 Harness Engineering 更直接要让 coding agents 在更少监督下工作就需要 guides、sensors 和 feedback loop。这些说法用词不同但指向接近。模型越来越强之后外围工程会越来越吃重上下文怎么进来目标怎么稳定工具怎么受控反馈怎么闭环经验怎么沉淀坏经验怎么清掉。Skill 在这条线的中段。它把上下文变成过程把经验变成资产也把一次成功变成下一次可以调用的路径。也正因为这样它不能只按提示词模板来管得按工程资产来管。真要落地我会先防这几类债不太建议一上来就铺一个宏大的 Skill 平台。很多团队更缺的是第一批可信的 Skill。如果是我会从很窄的地方开始先把“债务入口”写清楚。图 4Skill 库的最小治理闭环图 4Skill 库的最小治理闭环第一只让高频、边界清楚、有验证手段的流程先入库。不是所有经验都值得做成 Skill。临时技巧、个人偏好、一次性项目经验更适合留在普通文档或任务记录里。Skill 应该留给那些反复发生、能被验证、出错有代价的流程。第二把description当成路由契约来写。它决定 Agent 什么时候加载这个 Skill。描述越模糊误触发越多描述越像营销文案越不适合做路由。适用场景、输入前提、禁用边界和产出物最好一开始就写清楚。第三入口文件要短。SKILL.md里只放触发边界、主流程、硬规则和需要下钻的资源路径。大块资料放references/模板放assets/确定性动作放scripts/。主链路轻系统才愿意用。第四从一开始就给验证留位置。能跑测试就写测试命令能静态检查就配上 lint/type check能截图验收就写清截图标准。没有验证的 Skill很容易变成“看起来像经验”的软提示。第五给 Skill 加上版本和退场机制。起码要知道它从哪里来、谁改过、依赖什么、上一次有效是什么时候、什么时候该归档。这个动作不显眼长期很值钱。我会额外加一个小规则每个 Skill 都要有一个“失败记录”。不用复杂能记录三件事就够最近一次失败是什么失败是触发错了、执行错了还是环境变了这个失败导致 Skill 被修改、降权、合并还是下线。这张小表往往比“我们有 100 个 Skill”更有用。Skill 库的质量不看数量看团队有没有能力承认有些经验已经过期了有些流程不该默认执行有些自动生成的东西不配进入长期资产。写在最后读到最后我的体感是Agent Skills 不是让 Agent 多会几个技巧。团队里的过程知识开始进入 Agent 的运行时这才是值得关注的变化。过去很多经验活在人脑里或者散落在文档、脚本、CI、Runbook、PR 评论和事故复盘里。Agent 也只能靠临场推理去拼。Skill 给了一个新容器把这些经验打包成可触发、可检索、可执行、可验证、可演进的过程资产。不过容器只是个开头。没有准入、检索、验证、版本、权限和回滚Skill 库很快也会变成另一种上下文垃圾场。这篇论文给我的提醒是Agent 系统下一段比的不只是谁的模型更强还有谁的过程资产更可信。能把团队经验变成可靠的 Skill让它们在该用的时候被选中又能持续更新而不污染系统这样的 Agent 工程才更接近可用。这件事不算热闹但很像软件工程本身。最后2026年技术圈的分化愈发明显降薪裁员潮持续蔓延传统开发、测试等岗位大批缩水不少从业者陷入职业焦虑与之形成鲜明对比的是AI大模型相关岗位迎来疯狂扩招薪资逆势飙升150%大厂更是直接开出70-100W年薪疯抢具备实战能力的大模型人才甚至放宽年龄限制只求能快速落地技术、创造价值很多程序员、职场新人纷纷入局大模型领域绝非盲目跟风而是实实在在看到了不可替代的价值优势这也是2026年最值得抓住的职业风口1、窗口期红利入门门槛友好不同于成熟赛道的“内卷式招聘”2026年大模型人才缺口巨大简历只要达标掌握基础AI应用具备简单项目经验年龄、学历均非硬性要求小白可快速入门转行程序员也能无缝衔接2、技术可复用上手速度翻倍如果你有前后端开发、测试、数据分析等基础在大模型落地、系统部署、Prompt工程等环节会更具优势无需从零开始复用原有技术能力就能快速进阶3、懂业务更吃香竞争力翻倍单纯懂技术已不够2026年大厂更看重“技术业务”的复合型人才有垂直领域金融、医疗、工业等经验者能精准定位模型落地痛点薪资比纯技术岗高出30%以上更重要的是即便没有转型需求用AI大模型工具为工作赋能、提升效率也已经成为80%企业的硬性要求——不会用大模型提效未来很可能被行业淘汰那么2026年小白/程序员该如何高效学习大模型很多人想入门大模型却陷入两大困境要么到处搜集零散资料不成体系越学越懵要么被收费高昂的课程割韭菜花了钱却学不到实战技能白白浪费时间走弯路。今天就给大家精心整理了一份2026年最新、免费、系统化的AI大模型学习资源包覆盖从零基础入门到商业实战、从理论沉淀到面试通关的全流程所有资料均已整理归档无需拼凑直接领取就能上手学习小白可照做程序员可进阶扫码免费领取全部内容1、大模型系统化学习路线这份学习路线结合2026年行业趋势和新手学习规律由行业专家精心设计从零基础到精通每一步都有明确指引帮你节省80%的无效学习时间少走弯路、高效进阶避免踩坑。2、从0到进阶大模型学习视频教程从入门到进阶这里都有跟着老师学习事半功倍。3、大模型学习书籍电子文档涵盖2026年最新技术要点包括基础入门、Transformer核心原理、Prompt工程、RAG实战、模型微调与部署等内容4、AI大模型最新行业报告报告包含腾讯、阿里、甲子光年等权威机构发布的核心内容还有2026年中文大模型基准测评报告、AI Agent行业研究报告等帮你站在行业前沿把握技术风口。5、大模型项目实战配套源码项目包含Deepseek R1、GPT项目、MCP项目、RAG实战等热门方向还有视频配套代码手把手教你从0到1完成项目开发既能练手提升技术又能丰富简历为求职和职业发展加分。6、2026大模型大厂面试真题2026年大模型面试已全面升级不再单纯考察基础原理而是转向侧重技术落地和业务结合的综合考察很多程序员和新手因为缺乏针对性准备明明技术不错却在面试中失利。适用人群四阶段学习规划共90天可落地执行第一阶段10天初阶应用该阶段让大家对大模型 AI有一个最前沿的认识对大模型 AI 的理解超过 95% 的人可以在相关讨论时发表高级、不跟风、又接地气的见解别人只会和 AI 聊天而你能调教 AI并能用代码将大模型和业务衔接。大模型 AI 能干什么大模型是怎样获得「智能」的用好 AI 的核心心法大模型应用业务架构大模型应用技术架构代码示例向 GPT-3.5 灌入新知识提示工程的意义和核心思想Prompt 典型构成指令调优方法论思维链和思维树Prompt 攻击和防范…第二阶段30天高阶应用该阶段我们正式进入大模型 AI 进阶实战学习学会构造私有知识库扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架抓住最新的技术进展适合 Python 和 JavaScript 程序员。为什么要做 RAG搭建一个简单的 ChatPDF检索的基础概念什么是向量表示Embeddings向量数据库与向量检索基于向量检索的 RAG搭建 RAG 系统的扩展知识混合检索与 RAG-Fusion 简介向量模型本地部署…第三阶段30天模型训练恭喜你如果学到这里你基本可以找到一份大模型 AI相关的工作自己也能训练 GPT 了通过微调训练自己的垂直大模型能独立训练开源多模态大模型掌握更多技术方案。到此为止大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗为什么要做 RAG什么是模型什么是模型训练求解器 损失函数简介小实验2手写一个简单的神经网络并训练它什么是训练/预训练/微调/轻量化微调Transformer结构简介轻量化微调实验数据集的构建…第四阶段20天商业闭环对全球大模型从性能、吞吐量、成本等方面有一定的认知可以在云端和本地等多种环境下部署大模型找到适合自己的项目/创业方向做一名被 AI 武装的产品经理。硬件选型带你了解全球大模型使用国产大模型服务搭建 OpenAI 代理热身基于阿里云 PAI 部署 Stable Diffusion在本地计算机运行大模型大模型的私有化部署基于 vLLM 部署大模型案例如何优雅地在阿里云私有部署开源大模型部署一套开源 LLM 项目内容安全互联网信息服务算法备案…扫码免费领取全部内容7、这些资料真的有用吗这份资料由我和鲁为民博士(北京清华大学学士和美国加州理工学院博士)共同整理现任上海殷泊信息科技CEO其创立的MoPaaS云平台获Forrester全球’强劲表现者’认证服务航天科工、国家电网等1000企业以第一作者在IEEE Transactions发表论文50篇获NASA JPL火星探测系统强化学习专利等35项中美专利。本套AI大模型课程由清华大学-加州理工双料博士、吴文俊人工智能奖得主鲁为民教授领衔研发。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技术人员这份资料都绝对能帮助你提升薪资待遇转行大模型岗位。这份完整版的大模型 AI 学习资料已经上传CSDN朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】
