文章详细解析了大模型三大核心技术：上下文工程、提示工程和微调的区别与应用。澄清了上下文工程与RAG的本质差异，介绍了上下文学习(In-Context Learning)原理、One-Shot/Few-Shot学习技术，并强调提示工程是临时挖掘模型潜力而不修改参数，而微调则是通过修改参数永久提升模型能力。掌握这些概念对高效使用大模型至关重要。

2023年，让整个人类最为振奋的AI技术就是ChatGPT。“大语言模型（Large Language Model）”这个词也随之映入人们的眼帘。ChatGPT让人觉得惊艳之处，能够结合上下文，像人一样有逻辑性地回答问题，就算生成超长的文本也不会跑偏。）是一种机器学习算法，它可以根据给定文本来预测下一个词语或字符的出现的概率，通过大量的文本数据来学习语言的统计特征，进而生成具有相似统计特征的新文本

RAG（检索增强生成）是结合检索与生成的重要技术，适用于时效性强、算力有限的场景。文章详细介绍了其架构演进从简单RAG到Agentic RAG，涵盖索引构建、多路召回策略、Rerank模型和Embedding训练等技术。针对不同数据模态（语音、文本、图片）提出了处理方案，并讨论了效果评估方法和未来优化方向。RAG已成为连接LLM与知识库的基础设施，在Agent框架中发挥重要作用。

如何学习AI大模型？这段时间，随着 DeepSeek 影响力的持续破圈，各大算力平台和第三方都在积极支持并上线 DeepSeek。那除此之外，很多小伙伴也在自己的机器上尝试了 DeepSeek 的本地部署。那关于本地部署，之前我们曾分享过一篇文章，是有关 DeepSeek-R1 在本地部署的教程。当时评论区包括私信就有不少小伙伴咨询了有关 DeepSeek-R1 不同版本在部署时所对应的电脑配置要

Google Antigrgravity支持Agent Skills功能，通过简单的SKILL.md文件指导AI完成任务。测试显示，Claude Code、Codex和Antigravity等平台在基础功能上表现一致。Skills具有三大价值：一次编写全平台通用、降低创作门槛、启动生态效应。随着模型能力增强和协议对齐，Skills可能开启大模型应用开发的新时代，就像早期App Store一样。

Claude的Skills机制是一种按需加载的专业知识模块，具有"用完即回收"特点，与传统工具调用和Multi-Agent架构有本质区别。Skills通过临时增强System Prompt实现Token效率的量级提升，同时保持单体架构的简单性。文章探讨了Skills与Sub-Agent的区别，提出了根据任务复杂度选择架构的原则，强调模块化是应对复杂性的根本策略，建议从简单开始渐进演进。

AI Agent是具备自主决策、规划和执行能力的数字实体，是2026年AI生态核心。主流架构包括感知、规划/推理、行动、记忆和反思/评估等组件。A2A协议促进Agent间协作，MCP标准化工具调用，Agent Skills实现能力模块化，使开发者能像搭乐高一样构建专业AI助手。

Anthropic推出的Agent Skills是一套可复用指令集，让AI Agent按需挂载能力，解决提示词痛点。Skills具有可组合、可移植、高效特点，已被OpenAI等主流工具兼容。国内特赞团队的skill0平台已聚合423个Skills，支持多款工具直接装配。Skills让AI从"能做事"走向"能按标准稳定做事"，2026年或将成为规模化落地元年，国内团队在这场技术变革中并未缺席。

Ollama。

现在的大语言模型发展得非常快，从几亿参数到千亿参数，不仅模型越来越大，能力也越来越强。但是在实际工作中，我们很少会从零开始训练一个这样的巨无霸模型，因为那样的成本和资源需求实在太高了。更多的时候，我们会先用一个现成的强大模型，然后根据自己的需求对它做一些“微调”，让它更懂我们的领域、更符合我们的业务和价值观。