企业官网建设流程全解析

专业的单位网站开发,怎么改版一个网站,把网站传到服务器上怎么做,什么网站时候做伪静态一文读懂Skills、Prompts、Projects、Subagents、MCP区别与落地实战 尤其遇到有大量中间工具的情况#xff0c;这个情况会更明显#xff1a;比如#xff0c;把一个会议记录下载然后转存到另一个软件中#xff0c;那么整个会议记录会被计算两次#xff0c;token消耗会直接…一文读懂Skills、Prompts、Projects、Subagents、MCP区别与落地实战尤其遇到有大量中间工具的情况这个情况会更明显比如把一个会议记录下载然后转存到另一个软件中那么整个会议记录会被计算两次token消耗会直接爆炸。为了解决这个问题Anthropic 推出了个新工具—— Claude Skills 。简单来说 Claude Skills 是一个Markdown 文件里面有预先编写好的脚本、指令文档、资源作用是告诉模型什么情况下调用以及怎么执行某项任务。如此一来模型在决定如何调用工具之前会先读取所有工具 Markdown 文件的YAML只有几十token然后决定是否对其进行调取。那么问题来了Skills会取代 MCP****吗很显然答案是否定的。接下来本文将对skills在内claude生态工具做一个详细解读并附带Milvus体系内skillsMCP实操。01Skills是什么解决了什么问题传统 AI Agent 的核心痛点在于指令会被遗忘。即使你在 System Prompt 里写得再详细随着对话轮次增加Claude 也会逐渐忘记你的要求。根源在于传统 System Prompt 是一次性注入的静态指令会和对话历史、文件内容一起竞争上下文窗口。当任务变复杂、对话变长时这些指令的权重就会被稀释。Skills****通过将专业技能封装为可复用、可管理、持久化的指令模板在需要时自动激活不用时不占用上下文且始终保持一致性。另外Anthropic 很聪明的一点是在做Skills 的时候会让模型在先读取所有工具 Markdown 文件的YAML只有几十token然后决定是否对其进行调取。如此一来简单的目录读取替代完整且繁琐的上下文能够让单个技能在启动时仅消耗 30-50 个 tokens实现了极高的上下文效率。02快速理解Skills、Prompts、Projects、Subagents、MCP之间关系理解了 Skills 的本质提示词模板和工作机制纯 LLM 推理一个关键问题随之而来Skills 和 MCP 在内其他工具是什么关系它们会互相取代吗不难发现现如今模型上下文、调用工具标准多的让人眼花缭乱仅仅是Anthropic 生态就能分出Skills、Prompts、Projects、Subagents、MCP五大类型。不久前Anthropic官方出了一个文档Skills explained: How Skills compares to prompts, Projects, MCP, and subagents很好的解释了互相之间的关系与适用场景核心内容总结如下**1Skills**包含指令、脚本和资源的文件夹会根据任务动态匹配加载采用渐进式披露机制先加载元数据再按需加载完整内容和资源。适合场景组织工作流品牌指南、合规流程专业领域技能Excel 公式、数据分析个人常用流程笔记方法、编码模式需跨对话重复使用的专业操作如按 OWASP 标准做代码安全审查。**2Prompts**对话中向 Claude 提供的自然语言指令临时且仅在当前对话有效无持久性。适合场景一次性请求总结文章、格式化列表对话式调整优化语气、补充细节即时上下文需求分析特定数据、解读内容临时指令无需重复使用的单次操作。**3Projects**独立工作区含专属聊天记录和知识库支持 200K 上下文窗口超出限制时自动启用 RAG 模式扩展 10 倍容量。适合场景需持久上下文的项目如产品 launch 相关的所有对话工作区分类不同 initiatives 分开管理团队协作共享知识库和对话历史仅团队 / 企业版支持项目专属规则统一语气、分析视角。4Subagents具备独立上下文窗口、自定义系统提示和工具权限的专门 AI 助手可独立执行任务并反馈结果。适合场景专业任务分工代码审查、测试生成、安全审计上下文隔离避免主对话杂乱并行处理多个子代理同时推进不同任务工具权限控制如仅授予只读权限。5MCP模型上下文协议Model Context Protocol是连接 AI 应用与外部工具、数据源的开放式标准。适合场景访问外部数据Google Drive、Slack、GitHub、数据库使用业务工具CRM 系统、项目管理平台连接开发环境本地文件、IDE、版本控制集成自定义系统企业专有工具和数据源。基于以上背景可以发现Skills与MCP它们解决完全不同的问题且互为补充。以代码搜索为例MCP如 claude-context提供访问 Milvus 向量数据库的能力Skills规定优先展示最近修改的代码按相关性排序用 Markdown 表格呈现一个提供能力一个定义流程——两者缺一不可。03自定义 Skills 实操以 claude-context 为例claude-context 是一个 MCP 插件为 Claude Code 添加语义代码搜索功能让整个代码库成为 Claude 的上下文。环境准备系统要求Node.js 20.0.0 且 24.0.0OpenAI API Key用于嵌入模型Zilliz Cloud API Key免费向量数据库https://zilliz.com.cn/3.1第一步配置 MCP 服务claude-context在终端中运行以下命令claude mcp add claude-context \ -e OPENAI_API_KEYsk-your-openai-api-key \ -e MILVUS_ADDRESShttps://xxxxxxxxx-cn-hangzhou.cloud.zilliz.com.cn \ -e MILVUS_TOKENyour-zilliz-cloud-api-key \ -e COLLECTION_NAMEmedium_articles \ -- npx zilliz/claude-context-mcplatest检查结果claude mcp list此时MCP 已经配置完成。Claude 现在可以访问 Milvus 向量数据库了。3.2第二步创建 Skills创建Skills 目录mkdir -p ~/.claude/skills/milvus-code-search cd ~/.claude/skills/milvus-code-search创建 SKILL.md--- name: milvus-code-search description: 专为 Milvus 代码库设计的语义代码搜索与架构分析技能 --- ## Instructions 当用户询问Milvus代码库相关问题时我将 1. **代码搜索**使用语义搜索在Milvus代码库中查找相关代码片段 2. **架构分析**分析Milvus的模块结构、组件关系和设计模式 3. **功能解释**解释特定功能的实现原理和代码逻辑 4. **开发指导**提供代码修改建议和最佳实践 ## Target Repository - **核心模块**: - internal/ - 核心内部组件 - pkg/ - 公共包和工具 - client/ - Go客户端 - cmd/ - 命令行工具 ## Usage Examples ### 架构查询 用户Milvus的查询协调器是如何工作的 助手[搜索querycoordv2相关代码] 让我为你分析Milvus查询协调器的工作原理... ### 功能实现 用户Milvus是如何实现向量索引的 助手[搜索index相关代码] Milvus的向量索引实现主要在以下几个模块... ### 代码理解 用户这个函数的作用是什么[指向具体代码] 助手[分析代码上下文] 根据Milvus代码库的上下文这个函数主要负责... ### 开发指导 用户如何为Milvus添加新的向量距离计算方法 助手[搜索distance相关代码] 基于现有的实现模式你可以按以下步骤添加... ## Best Practices 1. **精确搜索**使用具体的技术术语和模块名称 2. **上下文理解**结合Milvus的整体架构理解代码片段 3. **实用建议**提供可操作的代码修改和优化建议 4. **性能考虑**关注Milvus作为高性能向量数据库的特殊需求 --- *专为Milvus开源向量数据库项目定制的代码搜索技能*3.3第三步重启 claude 生效 skills 并演示效果claude说明配置完成后我们可以直接使用 Skills 查询 Milvus 代码库Milvus 的 QueryCoord 是如何工作的04结尾Skills 本质上是一种专业知识的封装与传递机制。通过 SkillsAI 可以继承团队的隐性经验、遵循行业的最佳实践。比如代码审查的检查清单可能是文档的撰写规范。把这些隐性知识显性化为 Markdown 文件模型的输出质量会有质的提升。长期来看Skills积累能力或许会成为每个人、每个团队是否能用好AI的核心差距来源。如何学习大模型 AI 由于新岗位的生产效率要优于被取代岗位的生产效率所以实际上整个社会的生产效率是提升的。但是具体到个人只能说是“最先掌握AI的人将会比较晚掌握AI的人有竞争优势”。这句话放在计算机、互联网、移动互联网的开局时期都是一样的道理。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。我意识到有很多经验和知识值得分享给大家也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限很多互联网行业朋友无法获得正确的资料得到学习提升故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。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】