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。

LLM 训练时间和的成本太过庞大，况且个人卷训练经验极为困难，不妨从微调开始搞起。本文对正经的微调方法进行了总结，继续打怪，继续升级～提示：本文对当前常见的微调技术都进行了罗列，由于结合了论文和网络资料导致文章很长，可以先看总结部分先对概念有些印象，如果需要用到对应的微调技术再进行原理探究。

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。

本文讨论为AI大模型编写高质量需求的关键要素，强调可测试性（小粒度、可观察性、可控性）、可追溯性和可行性。与人类不同，AI需要更明确、详细和结构化的需求文档，因为缺乏常识和经验。良好需求能减少AI生成代码的"幻觉"现象，提高代码质量。精心编写的需求不仅有助于AI生成好代码，也能让人更好地理解系统，是一举两得的实践。

LLM 训练时间和的成本太过庞大，况且个人卷训练经验极为困难，不妨从微调开始搞起。本文对正经的微调方法进行了总结，继续打怪，继续升级～提示：本文对当前常见的微调技术都进行了罗列，由于结合了论文和网络资料导致文章很长，可以先看总结部分先对概念有些印象，如果需要用到对应的微调技术再进行原理探究。

PEFT（Parameter-Efficient Fine-Tuning）是一种在保持预训练模型大部分参数不变的情况下，通过仅调整少量额外参数来适应新任务的技术。这些额外参数可以是新添加的嵌入层、低秩矩阵或其他类型的参数，它们被用来“引导”或“调整”预训练模型的输出，以使其更适合新任务。

文章探讨了大模型在垂直领域的应用挑战，包括幻觉和时效性问题，提出了检索增强生成(RAG)和微调(Fine-tuning)两种解决方案。详细介绍了微调的种类、工具框架及费用估算方法，以及实际操作流程。通过这些技术手段，可以增强大模型在特定领域的专业知识掌握能力，减少幻觉现象，提供更准确且最新的内容。