企业官网建设流程全解析

phpcms建站流程,中国室内装饰设计网,sns营销是什么意思,广西建设工程造价信息网文章深入解析Agent Skills与MCP两种智能体核心技术的本质区别与互补关系。MCP解决智能体与外部工具连接问题#xff0c;Agent Skills则提供领域知识和工作流封装。Skills创新的渐进式披露机制将token消耗降低90%#xff0c;有效解决上下文爆炸问题。两者结合形成分层架构Agent Skills则提供领域知识和工作流封装。Skills创新的渐进式披露机制将token消耗降低90%有效解决上下文爆炸问题。两者结合形成分层架构是构建高效智能体的最佳实践对大模型应用开发具有重要价值。一、MCP 之后我们还需要什么MCPModel Context Protocol由 Anthropic 团队提出其核心设计理念是标准化智能体与外部工具/资源的通信方式。想象一下你的智能体需要访问文件系统、数据库、GitHub、Slack 等各种服务。传统做法是为每个服务编写专门的适配器这不仅工作量大而且难以维护。MCP 通过定义统一的协议规范让所有服务都能以相同的方式被访问。MCP 的设计哲学是上下文共享。它不仅仅是一个远程过程调用协议更重要的是它允许智能体和工具之间共享丰富的上下文信息。让我们回顾一个典型的 MCP 使用场景from hello_agentsimportReActAgent, HelloAgentsLLM from hello_agents.toolsimportMCPTool llmHelloAgentsLLM()agentReActAgent(name数据分析助手,llmllm)# 连接到数据库 MCP 服务器db_mcpMCPTool(server_command[python,database_mcp_server.py])agent.add_tool(db_mcp)# 智能体现在可以访问数据库了responseagent.run(查询员工表中薪资最高的前10名员工)这段代码工作得很好智能体成功连接到了数据库。但当你尝试处理更复杂的任务时会发现一些微妙的问题# 一个更复杂的需求responseagent.run( 分析公司内部谁的话语权最高 需要综合考虑1. 管理层级和下属数量2. 薪资水平和涨薪幅度3. 任职时长和稳定性4. 跨部门影响力)这个任务需要执行多次数据库查询每次查询的结果会影响下一次查询的策略。更关键的是它需要智能体具备领域知识知道如何衡量话语权知道应该从哪些维度分析数据知道如何组合多个查询结果得出结论。此时你会遇到两个根本性的问题第一个问题是上下文爆炸。为了让智能体能够灵活查询数据库MCP 服务器通常会暴露数十甚至上百个工具不同的表、不同的查询方法。这些工具的完整 JSON Schema 在连接建立时就会被加载到系统提示词中可能占用数万个 token。据社区开发者反馈仅加载一个 Playwright MCP 服务器就会占用 200k 上下文窗口的 8%这在多轮对话中会迅速累积导致成本飙升和推理能力下降。第二个问题是能力鸿沟。MCP 解决了能够连接的问题但没有解决知道如何使用的问题。拥有数据库连接能力不等于智能体知道如何编写高效且安全的 SQL能够访问文件系统不意味着它理解特定项目的代码结构和开发规范。这就像给一个新手程序员开通了所有系统的访问权限但没有提供操作手册和最佳实践。这正是Agent Skills要解决的核心问题。2025年初Anthropic 在推出 MCP 之后进一步提出了 Agent Skills 的概念引发了业界的广泛关注。有开发者评论说“Skill 和 MCP 是两种东西Skill 是领域知识告诉模型该如何做本质上是高级 Prompt而 MCP 对接外部工具和数据。” 也有人认为“从 Function Call 到 Tool Call 到 MCP 到 Skill核心大差不差就是工程实践和表现形式的优化演进。”那么Agent Skills 到底是什么它与 MCP 有何本质区别两者是竞争关系还是互补关系本章将深入探讨这些问题。二、什么是 Agent Skills1. 核心设计理念Agent Skills 是一种标准化的程序性知识封装格式。如果说 MCP 为智能体提供了手来操作工具那么 Skills 就提供了操作手册或SOP标准作业程序教导智能体如何正确使用这些工具。这种设计理念源于一个简单但深刻的洞察连接性Connectivity与能力Capability应该分离。MCP 专注于前者Skills 专注于后者。这种职责分离带来了清晰的架构优势MCP 的职责提供标准化的访问接口让智能体能够够得着外部世界的数据和工具Skills 的职责提供领域专业知识告诉智能体在特定场景下如何组合使用这些工具用一个类比来理解MCP 像是 USB 接口或驱动程序它定义了设备如何连接而 Skills 像是软件应用程序它定义了如何使用这些连接的设备来完成具体任务。你可以拥有一个功能完善的打印机驱动MCP但如果没有告诉你如何在 Word 里设置页边距和双面打印Skill你仍然无法高效地完成打印任务。2. 渐进式披露破解上下文困境Agent Skills 最核心的创新是渐进式披露Progressive Disclosure机制。这种机制将技能信息分为三个层次智能体按需逐步加载既确保必要时不遗漏细节又避免一次性将过多内容塞入上下文窗口。图 1 Agent Skills 渐进式披露三层架构第一层元数据Metadata在 Skills 的设计中每个技能都存放在一个独立的文件夹中核心是一个名为SKILL.md的 Markdown 文件。这个文件必须以 YAML 格式的 Frontmatter 开头定义技能的基本信息。当智能体启动时它会扫描所有已安装的技能文件夹仅读取每个SKILL.md的 Frontmatter 部分将这些元数据加载到系统提示词中。根据实测数据每个技能的元数据仅消耗约100 个 token。即使你安装了 50 个技能初始的上下文消耗也只有约 5,000 个 token。这与 MCP 的工作方式形成了鲜明对比。在典型的 MCP 实现中当客户端连接到一个服务器时通常会通过tools/list请求获取所有可用工具的完整 JSON Schema可能立即消耗数万个 token。第二层技能主体Instructions当智能体通过分析用户请求判断某个技能与当前任务高度相关时它会进入第二层加载。此时智能体会读取该技能的完整SKILL.md文件内容将详细的指令、注意事项、示例等加载到上下文中。此时智能体获得了完成任务所需的全部上下文数据库结构、查询模式、注意事项等。这部分内容的 token 消耗取决于指令的复杂度通常在 1,000 到 5,000 个 token 之间。第三层附加资源Scripts References对于更复杂的技能SKILL.md可以引用同一文件夹下的其他文件脚本、配置文件、参考文档等。智能体仅在需要时才加载这些资源。例如一个 PDF 处理技能的文件结构可能是skills/pdf-processing/ ├── SKILL.md# 主技能文件├── parse_pdf.py# PDF 解析脚本├── forms.md# 表单填写指南仅在填表任务时加载└── templates/# PDF 模板文件├── invoice.pdf └── report.pdf在SKILL.md中可以这样引用附加资源当需要执行 PDF 解析时智能体会运行parse_pdf.py脚本当遇到表单填写任务时才会加载forms.md了解详细步骤模板文件只在需要生成特定格式文档时访问这种设计有两个关键优势无限的知识容量通过脚本和外部文件技能可以携带远超上下文限制的知识。例如一个数据分析技能可以附带一个 1GB 的数据文件和一个查询脚本智能体通过执行脚本来访问数据而无需将整个数据集加载到上下文中。确定性执行复杂的计算、数据转换、格式解析等任务交给代码执行避免了 LLM 生成过程中的不确定性和幻觉问题。3. 渐进式披露的效果从 16k 到 500 Token社区开发者分享的实践案例充分证明了渐进式披露的威力。在一个真实场景中传统 MCP 方式直接连接一个包含大量工具定义的 MCP 服务器初始加载消耗16,000 个 tokenSkills 包装后创建一个简单的 Skill 作为网关仅在 Frontmatter 中描述功能初始消耗仅500 个 token当智能体确定需要使用该技能时才会加载详细指令并按需调用底层的 MCP 工具。这种架构不仅大幅降低了初始成本还使得对话过程中的上下文管理更加精准和高效。三、Agent Skills vs MCP本质区别与协作关系现在我们可以系统地比较这两种技术的本质区别了。图 2 MCP 与 Agent Skills 设计哲学对比从工程视角理解差异让我们通过一个具体的例子来理解这种差异。假设你要构建一个智能体来帮助团队进行代码审查MCP 的职责# MCP 提供对 GitHub 的标准化访问github_mcpMCPTool(server_command[npx,-y,modelcontextprotocol/server-github])# MCP 暴露的工具简化示例# - list_pull_requests(repo, state)# - get_pull_request_details(pr_number)# - list_pr_comments(pr_number)# - create_pr_comment(pr_number, body)# - get_file_content(repo, path, ref)# - list_pr_files(pr_number)MCP 让智能体能够访问 GitHub能够调用这些 API。但它不知道应该做什么。Skills 的职责--- name: code-review-workflow description: 执行标准的代码审查流程包括检查代码风格、安全问题、测试覆盖率等 ---# 代码审查工作流## 审查清单当执行代码审查时按以下步骤进行1. **获取 PR 信息**调用get_pull_request_details了解变更背景2. **分析变更文件**调用list_pr_files获取文件列表3. **逐文件审查** - 对于.py文件检查是否符合 PEP8是否有明显的性能问题 - 对于.js/.ts文件检查是否有未处理的 Promise是否使用了废弃的 API - 对于测试文件验证是否覆盖了新增的代码路径4. **安全检查** - 是否硬编码了敏感信息密钥、密码 - 是否有 SQL 注入或 XSS 风险5. **提供反馈** - 严重问题使用create_pr_comment直接评论 - 建议改进在总结中提出## 公司特定规范- 所有数据库查询必须使用参数化查询 - API 端点必须有权限验证装饰器 - 新功能必须附带单元测试覆盖率80%## 示例评论模板**严重问题** ⚠️ 安全风险第45行直接拼接 SQL 字符串存在注入风险。 建议改用参数化查询cursor.execute(SELECT * FROM users WHERE id ?,(user_id,))Skills 告诉智能体应该做什么、如何组织审查流程、需要关注哪些公司特定的规范。它是领域知识和最佳实践的容器。2. 上下文管理策略的本质差异图 3 MCP 急切加载 vs Skills 惰性加载对比3. 互补而非竞争Skills MCP 的混合架构理解了两者的差异后我们会发现Skills 和 MCP 不是竞争关系而是互补关系。最佳实践是将两者结合形成分层架构图 4 Skills MCP 混合架构设计典型工作流用户问“分析公司内部谁的话语权最高”Skills 层识别这是一个数据分析任务加载mysql-employees-analysis技能Skills 层根据技能指令将任务分解为子步骤查询管理关系、薪资对比、任职时长等MCP 层执行具体的 SQL 查询返回结果Skills 层根据技能中的领域知识解读数据并生成综合分析返回结构化的答案给用户这种架构的优势是关注点分离MCP 专注于能力Skills 专注于智慧成本优化渐进式加载大幅降低 token 消耗可维护性业务逻辑Skills与基础设施MCP解耦复用性同一个 MCP 服务器可以被多个 Skills 使用四、技术实现如何创建和使用 Skills1. SKILL.md 规范详解让我们深入了解SKILL.md文件的标准结构---# 必需字段 name: skill-name# 技能的唯一标识符使用 kebab-case 命名description:简洁但精确的描述说明1. 这个技能做什么2. 什么时候应该使用它3. 它的核心价值是什么# 注意description 是智能体选择技能的唯一依据必须写清楚# 可选字段 version:1.0.0# 语义化版本号allowed_tools:[tool1, tool2]# 此技能可以调用的工具列表白名单required_context:[context_item1]# 此技能需要的上下文信息license: MIT# 许可协议author: Your Nameemailexample.com# 作者信息tags:[database, analysis, sql]# 便于分类和搜索的标签---# 技能标题## 概述对技能的详细介绍包括使用场景、技术背景等## 前置条件使用此技能需要的环境配置、依赖项等## 工作流程详细的步骤说明告诉智能体如何执行任务## 最佳实践经验总结、注意事项、常见陷阱等## 示例具体的使用案例帮助智能体理解## 故障排查常见问题和解决方案2. 编写高质量 Skills 的原则根据 Anthropic 官方文档和社区最佳实践编写有效的 Skills 需要遵循以下原则1. 精准的 Descriptiondescription是智能体决策的关键。它应该精确定义适用范围避免模糊的描述如帮助处理数据包含触发关键词让智能体能够匹配用户意图说明独特价值与其他技能区分开来❌不好的 descriptiondescription:处理数据库查询✅好的 descriptiondescription:将中文业务问题转换为 SQL 查询并分析 MySQL employees 示例数据库。 适用于员工信息查询、薪资统计、部门分析、职位变动历史等场景。 当用户询问关于员工、薪资、部门的数据时使用此技能。2. 模块化与单一职责一个 Skill 应该专注于一个明确的领域或任务类型。如果一个 Skill 试图做太多事情会导致Description 过于宽泛匹配精度下降指令内容过长浪费上下文难以维护和更新建议与其创建一个通用数据分析技能不如创建多个专门的技能mysql-employees-analysis专门分析 employees 数据库sales-data-analysis专门分析销售数据user-behavior-analysis专门分析用户行为数据3. 确定性优先原则对于复杂的、需要精确执行的任务优先使用脚本而不是依赖 LLM 生成。例如在数据导出场景中与其让 LLM 生成 Excel 二进制内容容易出错不如编写一个专门的脚本来处理这个任务SKILL.md 中只需要指导智能体何时调用这个脚本即可。4. 渐进式披露策略合理利用三层结构将信息按重要性和使用频率分层SKILL.md 主体放置核心工作流、常用模式附加文档如advanced.md放置高级用法、边缘情况数据文件放置大型参考数据通过脚本按需查询五、行业动态与生态演进标准化进程与厂商支持Agent Skills 虽然由 Anthropic 提出但其设计理念正在影响整个行业。Anthropic ClaudeClaude Desktop 和 Claude Code 原生支持 Skills提供官方 SDK 和开发工具维护官方技能库OpenAI 的响应 虽然 OpenAI 尚未官方采用 “Skills” 这个术语但在 2025 年 3 月的更新中ChatGPT 引入了类似的概念Custom Instructions 增强支持更复杂的多步骤指令Memory 与 Context Profiles允许用户保存和复用特定领域的知识GPTs 的知识库功能可以附加文档和脚本按需加载这些功能本质上是 Skills 理念的不同实现形式。Google Vertex AI Google 在 Gemini 模型中引入了 “Grounding with Functions”允许开发者定义函数包Function Packages每个包包含函数定义类似 MCP 的 tools使用指南类似 Skills 的 instructions示例examples这种设计与 Skills MCP 的混合架构高度相似。2. 分层架构的必然性综合各方观点我们认为Skills 和 MCP 代表了智能体架构中两个必然分离的层级。随着智能体系统的复杂度增加这种分层是不可避免的应用层Application Layer ↓ Agent Skills ↓ 领域知识、工作流、最佳实践 传输层Transport Layer ↓ MCP ↓ 标准化接口、工具调用、资源访问 基础设施层Infrastructure Layer ↓ 数据库、API、文件系统、外部服务这与传统软件架构的演进路径完全一致从单体到分层到微服务只是在 AI 领域重新演绎了一遍。3. 标准化的趋势随着行业对智能体技术的重视我们预见以下趋势1. 协议融合未来可能出现统一的智能体能力描述协议融合 MCP 的连接性和 Skills 的知识表达# 未来的统一协议示例假想 apiVersion:agent.io/v1 kind:Capability metadata: name:enterprise-data-analysis spec: transport: protocol:mcp server:database-mcp-server tools:[query,schema] knowledge: type:skill workflow:data-analysis-workflow.md examples:examples/2. 市场化与生态系统类似于 NPM、PyPI未来可能出现智能体能力的包管理系统# 假想的未来命令 agent-cli install anthropic/frontend-design-skill agent-cli install google/data-analysis-suite agent-cli install openai/code-review-assistant开发者可以发布、分享、售卖自己的 Skills 和 MCP 服务器形成繁荣的生态系统。3. 自动化能力发现智能体可能发展出自动发现和学习新能力的机制# 未来的智能体可能具备自主学习能力 agent SelfEvolvingAgent() # 智能体在执行任务时发现缺少某种能力 response agent.run(生成 3D 建模文件) # 智能体自动搜索并安装相关 Skill # [内部日志] 检测到未知任务类型3D建模 # [内部日志] 搜索技能库...发现 blender-3d-modeling skill # [内部日志] 请求用户授权安装...已授权 # [内部日志] 技能安装完成重新执行任务六、挑战与风险与此同时我们也需要警惕潜在的风险安全性挑战Skills 包含可执行脚本存在代码注入风险MCP 服务器可能暴露敏感数据接口第三方技能的可信度难以验证上下文污染随着 Skills 数量增加即使是元数据也可能占用大量上下文需要更智能的技能索引和检索机制碎片化风险虽然 MCP 正在标准化但 Skills 格式尚未统一不同厂商可能推出不兼容的 Skills 规范七、Agent Skills 和 MCP 总结与选型Agent Skills 和 MCP 代表了智能体技术栈中两个关键的抽象层MCPModel Context Protocol解决连接性问题是智能体与外部世界交互的标准化接口相当于神经系统或双手Agent Skills解决能力问题是领域知识和工作流的封装相当于大脑皮层或操作手册两者不是竞争关系而是互补关系图 5 MCP 与 Agent Skills 全面对比总结关键洞察分层架构是必然趋势随着智能体系统复杂度增加连接层和知识层的分离是不可避免的上下文效率是核心矛盾Skills 的渐进式披露机制将 token 消耗降低 90% 以上这是其最大的技术优势领域知识的民主化Skills 让非开发者也能贡献智能体能力这将极大拓展 AI 应用的边界混合架构是最佳实践在企业级应用中MCP 提供基础设施连接Skills 提供业务逻辑两者结合才能构建高效、可维护的智能体系统实践建议对于外部服务连接数据库、API、云服务优先使用 MCP对于复杂工作流多步骤任务、领域专业知识优先使用 Skills在上下文受限的场景长对话、大量工具使用 Skills 进行渐进式管理构建企业级智能体时采用 MCP Skills 的分层架构智能体技术仍在快速演进中。MCP 已成为连接层的事实标准Skills 的理念也在影响整个行业。掌握这两种技术将帮助你在 AI 浪潮中构建更强大、更实用的智能体应用。普通人如何抓住AI大模型的风口为什么要学习大模型在DeepSeek大模型热潮带动下“人工智能”赋能各产业升级提速。随着人工智能技术加速渗透产业AI人才争夺战正进入白热化阶段。如今近**60%的高科技企业已将AI人才纳入核心招聘目标**其创新驱动发展的特性决定了对AI人才的刚性需求远超金融40.1%和专业服务业26.7%。餐饮/酒店/旅游业核心岗位以人工服务为主多数企业更倾向于维持现有服务模式对AI人才吸纳能力相对有限。这些数字背后是产业对AI能力的迫切渴求互联网企业用大模型优化推荐算法制造业靠AI提升生产效率医疗行业借助大模型辅助诊断……而餐饮、酒店等以人工服务为核心的领域因业务特性更依赖线下体验对AI人才的吸纳能力相对有限。显然AI技能已成为职场“加分项”乃至“必需品”越早掌握越能占据职业竞争的主动权随着AI大模型技术的迅速发展相关岗位的需求也日益增加。大模型产业链催生了一批高薪新职业人工智能大潮已来不加入就可能被淘汰。如果你是技术人尤其是互联网从业者现在就开始学习AI大模型技术真的是给你的人生一个重要建议如果你真的想学习大模型请不要去网上找那些零零碎碎的教程真的很难学懂你可以根据我这个学习路线和系统资料制定一套学习计划只要你肯花时间沉下心去学习它们一定能帮到你大模型全套学习资料领取这里我整理了一份AI大模型入门到进阶全套学习包包含学习路线实战案例视频书籍PDF面试题DeepSeek部署包和技巧需要的小伙伴文在下方免费领取哦真诚无偿分享vx扫描下方二维码即可部分资料展示一、 AI大模型学习路线图这份路线图以“阶段性目标重点突破方向”为核心从基础认知AI大模型核心概念到技能进阶模型应用开发再到实战落地行业解决方案每一步都标注了学习周期和核心资源帮你清晰规划成长路径。二、 全套AI大模型应用开发视频教程从入门到进阶这里都有跟着老师学习事半功倍。三、 大模型学习书籍文档收录《从零做大模型》《动手做AI Agent》等经典著作搭配阿里云、腾讯云官方技术白皮书帮你夯实理论基础。四、大模型大厂面试真题整理了百度、阿里、字节等企业近三年的AI大模型岗位面试题涵盖基础理论、技术实操、项目经验等维度每道题都配有详细解析和答题思路帮你针对性提升面试竞争力。适用人群第一阶段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…学习是一个过程只要学习就会有挑战。天道酬勤你越努力就会成为越优秀的自己。如果你能在15天内完成所有的任务那你堪称天才。然而如果你能完成 60-70% 的内容你就已经开始具备成为一名大模型 AI 的正确特征了。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】