五种MOS管开关电路详解：低边、高边、半桥、双向、自举
2026/9/29 3:52:03
如果你经常使用 Claude、Codex 或各种 Agent 产品，可能会遇到一个很现实的问题：
同一件事，明明已经教过一次，下一次还得重新解释。
比如你每周都要让 AI 整理周报。你希望它先读取项目进展，再提取风险，最后按照固定格式输出。第一次你可以写一大段 Prompt，但如果每周都重复粘贴，不仅麻烦，输出也容易漂。
这就是 Skill 想解决的问题。
简单来说：
Skill，就是把一套可重复使用的工作方法，打包成 Agent 可以按需调用的能力。
它不是单纯保存一句提示词，而是把“什么时候使用、具体怎么做、输出什么格式、需要哪些脚本和资料”一起整理起来。
Skill 到底是什么？
可以先把 Agent 想象成一个能力很强的新员工。
模型本身拥有通用知识，但它并不知道你公司的周报怎么写、代码检查要遵守哪些规则，也不知道某项固定工作应该先做什么、后做什么。
Skill 就像给这个员工准备的一份 标准工作流程。
它会告诉 Agent：
- • 这个能力是干什么的
- • 什么情况下应该使用
- • 需要哪些输入
- • 应该按照什么步骤处理
- • 最终输出什么
- • 有哪些规则必须遵守
现在主流的 Agent Skill 通常以一个目录存在，最核心的是一个 SKILL.md 文件。
一个典型结构可能是：
my-skill/├── SKILL.md├── scripts/│ └── process.py├── references/│ └── guide.md└── assets/ └── template.md ``` 其中： * • `SKILL.md`：核心说明，告诉 Agent 这个 Skill 是什么、什么时候用、怎么执行 * • `scripts/`：可选，放 Python、Shell 等可执行脚本 * • `references/`：可选，放规则、接口说明、业务文档 * • `assets/`：可选，放模板、示例文件等资源 最简单的 Skill 甚至只需要一个 SKILL.md。 --- 为什么有了 Prompt，还需要 Skill？ ----------------------- 因为 Prompt 更适合“这一次怎么做”，而 Skill 更适合“以后遇到这种任务都怎么做”。 比如你每次都写： 帮我把下面的会议记录整理成摘要，提取决定事项、负责人、截止时间，最后列出待跟进问题。 这当然可以。 但如果这是一个长期重复任务，你就会不断重复同样的说明。 把它做成 Skill 后，规则只需要定义一次。  以后你只要说： 帮我整理一下今天的会议记录。 Agent 就可以根据任务自动找到对应 Skill，并按照固定流程执行。 它带来的几个明显好处是： ### 1. 少重复写 Prompt 固定流程不用每次重新解释。 ### 2. 输出更稳定 格式、步骤、检查规则都写进 Skill，结果不容易忽左忽右。 ### 3. 可以沉淀经验 一个人的工作方法可以变成团队共同使用的标准流程。 ### 4. 更容易组合复杂任务 一个 Agent 可以同时拥有多个 Skill。 例如： ```plaintext 会议纪要 Skill周报生成 Skill代码审查 Skill数据分析 Skill遇到什么任务，就加载什么能力。
Agent 是怎么找到 Skill 的？
这是理解 Skill 最关键的一点。
很多人会误以为：
Agent 会不会一开始把所有 Skill 全部读一遍？
通常不会。
如果几十个、几百个 Skill 的完整内容都直接塞进上下文，不仅浪费 Token，还会干扰模型判断。
现在常见的做法是渐进式加载。
可以把整个过程理解成：
用户提出任务 ↓Agent 查看可用 Skill 的名称和描述 ↓判断哪些 Skill 与当前任务相关 ↓加载对应 SKILL.md ↓必要时继续读取 references / scripts / assets ↓按照 Skill 执行任务 ↓输出结果 ``` 也就是说，Agent 一开始往往只需要知道类似这样的信息： ```plaintext name: meeting-summarydescription: 将会议记录整理成摘要、决定事项、负责人和待办。用户要求整理会议纪要时使用。当用户说：
帮我整理一下这份会议记录。
模型发现任务和 meeting-summary 的描述高度相关，才继续读取完整的 SKILL.md。
所以，一个 Skill 能不能被正确找到，description 写得好不好非常重要。
它不应该只写：
description: 会议 Skill而应该尽量说明两件事：
- 它能做什么
- 什么情况下应该使用
例如：
description: 将会议记录整理为结构化纪要，提取决定事项、负责人、截止时间和待跟进问题。用户要求总结会议、生成会议纪要或整理行动项时使用。这样 Agent 才更容易判断什么时候该调用它。
怎么写一个最简单的 Skill？
先从一个只有 SKILL.md 的版本开始。
假设我们要做一个“文本总结 Skill”。
目录结构：
text-summary/└── SKILL.mdSKILL.md 可以这样写：
---name: text-summarydescription: 将较长文本整理成简洁的中文摘要。用户要求总结文章、文档、会议记录或长文本时使用。---# Text Summary## 输入用户提供的一段或多段文本。## 执行步骤1. 阅读完整文本。2. 找出核心主题。3. 提取最重要的信息。4. 删除重复、无关和过度细节。5. 用简洁中文重新组织内容。## 输出格式请按照以下格式输出：### 核心摘要用 3～5 句话概括主要内容。### 关键要点- 要点 1- 要点 2- 要点 3## 检查要求- 不添加原文不存在的事实。- 不改变原文主要观点。- 避免机械复述。- 保持语言简洁。这已经是一个完整的最小 Skill。
这里最重要的不是 Markdown 写得多复杂，而是把四件事说清楚：
什么时候用、输入是什么、怎么处理、最后输出什么。
写 Skill 时最重要的几个原则
真正开始写之后，最值得注意的是下面几点。
description 要写清楚触发条件
不要只描述“是什么”，还要说明“什么时候用”。
一个 Skill 尽量只解决一类问题
Skill 太大，Agent 反而难以判断什么时候应该调用。
先写最小版本
不要一开始就塞几十个文件。
先从：
skill/└── SKILL.md跑通以后，再根据需要增加脚本、资料和模板。
不要把所有资料都塞进 SKILL.md
核心流程放在 SKILL.md。
大量参考资料可以放进 references/，让 Agent 真正需要时再读取。
这样上下文更干净，也更节省 Token。
写在最后
过去，我们使用大模型时，经常把全部要求塞进一个越来越长的 Prompt。
Agent 出现之后，事情开始发生变化。
通用能力由模型提供，外部操作由 Tool 提供，而那些反复出现的工作方法、业务规则和执行流程，开始越来越适合交给 Skill。
所以理解 Skill，不需要把它想得太复杂。
Skill 的本质，就是把“这件事应该怎么做”整理成一套 Agent 可以发现、加载并重复执行的标准工作方法。
当你发现自己正在第三次、第五次、第十次给 AI 解释同一套流程时，也许就该把它做成一个 Skill 了。
学AI大模型的正确顺序，千万不要搞错了
🤔2026年AI风口已来！各行各业的AI渗透肉眼可见，超多公司要么转型做AI相关产品，要么高薪挖AI技术人才，机遇直接摆在眼前！
有往AI方向发展，或者本身有后端编程基础的朋友，直接冲AI大模型应用开发转岗超合适！
就算暂时不打算转岗，了解大模型、RAG、Prompt、Agent这些热门概念，能上手做简单项目，也绝对是求职加分王🔋
📝给大家整理了超全最新的AI大模型应用开发学习清单和资料，手把手帮你快速入门！👇👇
学习路线:
✅大模型基础认知—大模型核心原理、发展历程、主流模型（GPT、文心一言等）特点解析
✅核心技术模块—RAG检索增强生成、Prompt工程实战、Agent智能体开发逻辑
✅开发基础能力—Python进阶、API接口调用、大模型开发框架（LangChain等）实操
✅应用场景开发—智能问答系统、企业知识库、AIGC内容生成工具、行业定制化大模型应用
✅项目落地流程—需求拆解、技术选型、模型调优、测试上线、运维迭代
✅面试求职冲刺—岗位JD解析、简历AI项目包装、高频面试题汇总、模拟面经
以上6大模块，看似清晰好上手，实则每个部分都有扎实的核心内容需要吃透！
我把大模型的学习全流程已经整理📚好了！抓住AI时代风口，轻松解锁职业新可能，希望大家都能把握机遇，实现薪资/职业跃迁～