新闻详情

新闻详情

首页 / 资讯中心 / 详情

AI Agent 中的 Skills 到底是什么?从 Cursor、Claude 看 Skills 的使用方式

发布时间:2026/11/15 14:46:07来源:尧图网络
AI Agent 中的 Skills 到底是什么?从 Cursor、Claude 看 Skills 的使用方式
Prompt 是你这一次怎么要求 AI 做事次抛Skill 是把某一类任务的专业知识、执行流程、规范和资源封装成可重复调用的能力包可复用Skills的核心确实仍然包含自然语言指令但今天的 Agent Skill 不只是一个.md提示词文件还可以包含references/、assets/等参考资源并由 Agent 在任务相关时按需加载。Cursor 官方目前也把Skill 定义为“可复用的指令集合”并明确说明Skills是由指令、脚本和资源组成的目录用来给通用 Agent 增加特定领域能力处理特定任务。一、结论Skills 本质上解决什么问题如果快速理解 Skills可以先记住一句话Skills 是给 AI Agent 准备的一套可复用的“专业任务说明书 执行规范 参考资料”。以前我们使用大模型时通常需要自己写 Prompt。例如以下这个提示词请帮我设计一个后台管理系统页面。 要求 1. 使用 1440px 桌面端布局 2. 使用 8px spacing system 3. 标题、正文、辅助文字需要有明确字号层级 4. 卡片圆角统一 5. 注意信息密度不要出现大面积留白……每次做 UI我们都可能重新写一遍。但问题在于对于一个没有 UI 设计经验的人来说他甚至不知道应该使用什么页面尺寸字号应该怎么分层组件间距应该是多少什么叫响应式布局。诸如此类的专业性的知识。很多时候不是用户不会写 Prompt而是用户根本不知道一个专业任务描述到底应该包含哪些要求。Skills 就是为了解决这个问题。专业人员可以把某个领域长期积累下来的专业知识 设计规范 执行步骤 判断标准 参考资料提前整理成一个 Skill。以后 Agent 遇到对应任务时就可以直接加载这些内容而不需要用户每次重新描述。二、现有 AI 产品是怎么使用 Skills 的2.1 Cursor 中的 Skills目前 Cursor 已经把 Skills 做成了正式的 Agent 能力。在 Cursor 的设置中可以看到单独的Skills模块用来查看和创建 Skills。创建Skills让 Agent 帮你生成 SkillCursor 已经内置了/create-skill。点击Skills字段下的New 按钮右侧对话框中就会默认绑定该/create-skill 技能。你可以直接告诉 Agent/create-skill 帮我创建一个用于后台管理系统 UI 设计的 Skill 要求统一页面尺寸、字体层级、间距、表格、卡片和表单规范。Agent 会帮助你生成对应的 Skill 目录和SKILL.md不一定需要自己手写完整的 Skill。这个流程就可以理解为描述需求 ↓ Agent 帮你整理专业规范 ↓ 生成 SKILL.md ↓ 以后重复调用 使用自然语言指定使用该skills即可。 :chatgpt-content-reference{index3}之后 Agent 可以根据任务自动判断是否需要使用这个 Skill也可以通过/skill-name或skill-name手动调用。三、Claude 中的 SkillsClaude 对 Skills 的设计思路和 Cursor 十分类似。3.1 Skills结构定义Anthropic 对 Agent Skills 的定义是把指令、脚本和资源组织成文件夹让 Agent 在需要时动态加载从而完成特定领域任务。最简单的 Skill 可以只有my-skill/ └── SKILL.md复杂一点则可能是my-skill/ ├── SKILL.md ├── references/ ├── scripts/ └── assets/其中SKILL.md 负责告诉 Agent这个 Skill 是干什么的什么时候应该使用应该按照什么步骤完成任务。而references/ 可以保存专业资料assets/ 可以保存模板、图片或其他资源。创建Skills 三种方式Claude CLI中创建Skill的方式有3种。可通过与AI 对话的形式创建Skill与cursor中相似还可以通过直接撰写结构化Skill文本形成Skill还可以直接上传Skill文件AI解析之后作为Skill。对于上传Skill 文件来说我们可以直接去GitHub上找到官方提供的Skill选择我们所需的Skill 下载其文件并上传即可。就能在与AI对话中通过按钮选择或者 / 反向斜杠的形式选择所需的技能。【备注】GitHub上Skills 有大量Skills并且有专业人员进行更新维护对于我们而言可以直接选择所需的拿来使用即可。不同平台都有各自的Skills可结合自己使用的平台和技能Cursor 公开的Skills 仓库Cursor-SkillsAnthropic 目前也已经公开了一套 Skills 仓库GitHub四、为什么 Skills 对普通用户特别有价值我认为 Skills 最大的价值并仅仅是 少写几个 Prompt 。而是说让一个领域外的人也能够调用这个领域已经沉淀好的专业方法。例如 UI 设计。对于一个没有设计经验的开发者或者产品经理来说让他说使用 8pt grid 建立 type scale 统一 design token 控制 content density 保持 visual hierarchy本身就很困难。因为他首先得知道这些概念。但如果一个专业 UI 设计师已经把这些经验整理成 Skill那么普通用户只需要说帮我设计这个页面 使用 UI Design Skill。Agent 就可以直接按照其中的专业规范进行设计。这其实发生了一个很有意思的变化过去用户需要先学习专业知识--总结专业规则 --写 Prompt --AI 执行那么现在进程加快变成了现在 专业人士 ↓ 沉淀 Skill ↓ 普通用户直接调用 ↓ Agent 按专业规范执行欢迎大家在评论区中补充、指出文中的不足之处如果觉得本文对你有所帮助的话非常感谢你收藏、关注
网站建设高端定制企业官网
RELATED

相关资讯

更多精彩内容,欢迎继续阅读

较早相关资讯

最新相关资讯

【外设】之大彩串口显示屏 2026/11/15 4:54:16

【外设】之大彩串口显示屏

大彩串口屏初步使用 1 .官网下载 STM32 屏幕 GUI 设计资料 http://www.gz-dc.com/category/typeid/4112 找到 STM32 Keil 工程,移植相关代码因项目而异进行移植,由于项目简单,本人只对用到的指令接口进行修改。 比如:注意事项&…

阅读更多 →
无法下载Windows系统iso文件 2026/11/15 2:04:12

无法下载Windows系统iso文件

当我遇到这个问题的时候,我打开了一个网站: 登录 然后我打算下载的时候: 突然那个官方的连接就可以下载了:

阅读更多 →
【清华代码熊】DeepSeek V4.1 Flash 后训练详解 2026/11/14 10:11:15

【清华代码熊】DeepSeek V4.1 Flash 后训练详解

📌 上期解析了 DeepSeek V4.1 Flash 模型架构改进,本期解析 DeepSeek V4.1 Flash 预训练/后训练技术: 🌟 预训练:45T 文本 多模态混合语料、直接训练 sparse attention(取消 DeepSeek V4 的 dense 冷启动&…

阅读更多 →
Shuffle-R1: Efficient RL framework for Multimodal Large Language Models via Data-centric Dynamic ... 2026/11/14 17:14:38

Shuffle-R1: Efficient RL framework for Multimodal Large Language Models via Data-centric Dynamic ...

文章主要内容和创新点 主要内容 本文聚焦于多模态大语言模型(MLLM)强化学习(RL)训练中的效率问题,提出了一个名为Shuffle-R1的框架。研究发现,当前RL训练存在两个关键缺陷: 优势值坍缩(Advantage Collapsing):批次中大多数优势值集中在零附近,导致有效梯度信号被淹…

阅读更多 →
PRvL: Quantifying the Capabilities and Risks of Large Language Models for PII Redaction 2026/11/14 16:35:50

PRvL: Quantifying the Capabilities and Risks of Large Language Models for PII Redaction

一、文章主要内容总结 本文聚焦于利用大型语言模型(LLMs)实现个人身份信息(PII)脱敏的研究,旨在解决传统脱敏方法(如基于规则的系统、领域特定命名实体识别(NER)模型)泛化能力差、跨格式/跨语境适应性弱的问题。 研究通过全面评估多种LLM架构(包括密集型LLM(D-LLM…

阅读更多 →
LLaVA-RE: Binary Image-Text Relevancy Evaluation with Multimodal Large Language Model 2026/11/15 4:06:36

LLaVA-RE: Binary Image-Text Relevancy Evaluation with Multimodal Large Language Model

文章主要内容和创新点 主要内容 本文聚焦于二进制图像-文本相关性评估任务(判断图像与文本“相关”或“不相关”),针对该任务中文本格式多样、相关性定义随场景变化等挑战,提出了基于多模态大语言模型(MLLM)的解决方案LLaVA-RE。 模型设计:LLaVA-RE基于LLaVA 1.5架构,…

阅读更多 →

今日资讯

本周资讯

本月资讯

看完文章仍有疑问?

联系尧图顾问,获取一对一建站咨询

立即免费咨询 📞 400-888-8888
📞 ✉