MCP 让 Agent 能"连接"世界，Skills 让 Agent 能"复用"能力。两者结合，构成 Agent 基础设施的核心。

Skills 是什么？ 一个标准化描述和复用 Agent 能力的协议，定义了如何描述能力、声明依赖、定义执行流程。

和 MCP 什么关系？ Skills 在 MCP 之上。MCP 解决工具连接，Skills 解决能力复用。一个 Skill 可以调用多个 MCP 工具和其他 Skills。

解决什么问题？ 让 Agent 能力可以封装、分享、复用，避免重复造轮子，让最佳实践可以沉淀传播。

会成为标准吗？ 很可能。解决真实痛点，有大厂推动，正在形成生态效应。

本文从技术角度深度拆解 Skills 协议的设计理念、核心规范与实现细节。

一、为什么需要Skills？

从一个真实场景说起：假设你是一家公司的运营负责人，每周一早上需要给老板发一份上周的销售分析报告。这个任务看起来简单，但实际上涉及很多步骤。

首先，你要从公司的数据库里把上周的销售数据导出来。然后，你需要按产品线、按区域、按渠道等多个维度做分析，算出各种同比环比增长率。接着，你要把这些数据做成直观的图表。之后，你要把分析结论和图表整理成一份 Word 或 PDF 报告。最后，你要写一封邮件，把报告发给老板，还要抄送给相关同事。

现在，你有了一个 AI Agent 助手。你对它说：“帮我生成上周的销售报告发给老板。”

Agent 能完成这个任务吗？

如果这个 Agent 接入了各种工具——数据库查询工具、Excel 处理工具、图表生成工具、文档编辑工具、邮件发送工具——理论上是可以的。但实际执行时，Agent 需要自己想清楚很多事情。

应该先查哪个数据库的哪张表？SQL 怎么写？查出来的数据格式是什么？要做哪些维度的分析？图表用柱状图还是折线图？报告的结构是什么样的？邮件标题怎么写？正文怎么组织？附件还是正文内嵌？

每次执行这个任务，Agent 都要重新思考这些问题。今天它可能先做图表再写分析，明天可能先写分析再做图表。今天生成的报告是三页，明天可能是五页。质量参差不齐，老板体验很差。

更麻烦的是，隔壁部门的同事看到你的 Agent 能生成销售报告，也想要一个。但你没办法简单地把这个能力"复制"给他，因为这个能力并没有被清晰地定义和封装，它只是散落在 Agent 的各种 prompt 和工具调用里。

这就是 Agent 现在面临的 MCP 解决不了的问题：工具有了，但"怎么组合这些工具来完成一个完整任务"的知识，没有办法标准化地描述和复用。

Skills 如何解决这些问题？

Skills 协议就是为了解决这些问题而生的。

它的核心思想是：把"完成某类任务的完整能力"封装成一个标准化的单元，这个单元可以被描述、被发现、被复用、被分享。

回到销售报告的例子。有了 Skills 之后，可以把"销售报告生成"封装成一个 Skill。这个 Skill 里面清晰地定义了：

• 这个 Skill 能做什么（生成销售分析报告）
• 需要什么输入（时间范围、分析维度、收件人等）
• 会产生什么输出（报告文件、分析摘要、发送状态）
• 依赖哪些工具（数据库 MCP、图表 MCP、文档 MCP、邮件 MCP）
• 具体执行步骤是什么（先查数据、再分析、再做图、再生成报告、最后发邮件）
• 出错了怎么处理（重试几次、失败了怎么降级）

当用户说"帮我生成上周的销售报告发给老板"时，Agent 只需要：识别出应该使用"销售报告生成"这个 Skill，从用户的话里提取出参数（时间范围=上周，收件人=老板），然后调用这个 Skill。剩下的事情，Skill 会按照预定义的流程自动完成。

每次执行都是一样的流程，质量稳定可控。这个 Skill 可以分享给其他人，他们不需要重新摸索。公司可以统一维护和迭代这个 Skill，所有人都能受益。

如果说 MCP 是工具连接的"USB 标准"，那么 Skills 就是能力复用的"App Store"。

MCP 让你能够使用各种工具，Skills 让你能够获取别人封装好的能力。就像智能手机，有了统一的接口标准（USB-C）你能连接各种配件，有了应用商店你能下载别人开发的 App，两者结合才构成完整的生态。

二、Skills 协议是什么？

一个完整的 Skill 定义包含六个核心部分。可以把它想象成一份"能力说明书"，告诉别人这个能力是什么、怎么用、需要什么条件。

第一部分：元信息——“这个 Skill 是谁”

元信息就像一个人的身份证，包含名字、版本号、作者、分类标签等基本信息。

名称和命名空间用来唯一标识一个 Skill，避免不同开发者起了相同的名字。比如 enterprise.analytics.sales_report 这样的完整标识。

版本号用来管理 Skill 的迭代更新，让使用者知道自己用的是哪个版本。

分类标签方便搜索和发现，比如标记为 sales、analytics、report 等。

第二部分：能力描述——“这个 Skill 能做什么”

这部分是告诉 Agent 和用户这个 Skill 的用途，是 Skill 被正确选择的关键。

给模型看的描述帮助 Agent 判断什么时候应该使用这个 Skill。需要说清楚适用场景和不适用场景，比如"当用户需要分析销售数据时使用；不适用于非销售相关的分析"。

给人看的描述让用户了解这个 Skill 的功能，包括简短介绍和详细说明。

示例对话提供一些触发和不触发的例子，帮助 Agent 更准确地识别意图。

第三部分：接口定义——“怎么使用这个 Skill”

接口定义规定了输入什么、输出什么，就像一个函数的参数和返回值。

输入参数定义了使用这个 Skill 需要提供哪些信息。每个参数要说明名称、类型、是否必填、默认值等。

以销售报告 Skill 为例，输入可能包括：时间范围（必填）、分析维度（可选，默认按产品和区域）、输出格式（可选，默认 PDF）、收件人邮箱（可选，填了就发邮件）。

输出结果定义了 Skill 执行完会返回什么。比如报告文件的下载链接、分析摘要、发送状态等。

第四部分：依赖声明——“运行这个 Skill 需要什么”

依赖声明说明这个 Skill 需要哪些外部资源才能运行，主要包括两类：

MCP 工具依赖：需要哪些 MCP Server。比如销售报告 Skill 需要数据库 MCP（查数据）、存储 MCP（保存报告）、邮件 MCP（发送报告，可选）。

其他 Skill 依赖：需要调用哪些子 Skill。比如需要"数据可视化"Skill 来生成图表。

声明依赖的好处是运行前可以检查条件是否满足，缺什么可以提前知道。

第五部分：执行定义——“具体怎么完成任务”

这是 Skill 的核心，描述了具体的执行步骤。

最常见的是工作流类型，把任务拆成一系列步骤，每个步骤可以是调用 MCP 工具、调用其他 Skill、让 LLM 处理、或者执行代码。步骤之间可以传递数据，比如第一步查出的数据传给第二步分析。

执行定义还包括条件判断（比如只有填了收件人才发邮件）和错误处理（比如重试几次、失败了怎么办）。

第六部分：权限与安全——“有什么限制和保障”

这部分定义了 Skill 需要什么权限、如何保证安全。

权限声明说明需要哪些权限才能运行，比如读取数据库、写入文件、发送邮件等。

安全策略说明如何处理用户数据，比如是否存储、是否发送到外部、是否记录日志等。

# ================================================================
# Skills Protocol Specification v1.0
# 完整的 Skill 定义示例：销售数据分析报告生成
# ================================================================
skill_protocol_version: "1.0"
# ============================================================
# Part 1: 元信息 (Metadata)
# 描述 Skill 的基本信息，用于注册、发现、版本管理
# ============================================================
metadata:
# 唯一标识
name: "sales_report_generator"
namespace: "enterprise.analytics"  # 命名空间，避免冲突
version: "2.1.0"
# 作者与许可
author:
name: "DataTeam"
email: "data@example.com"
organization: "Example Corp"
license: "MIT"
# 分类标签（用于发现和搜索）
tags:
- "sales"
- "analytics"
- "report"
- "business-intelligence"
category: "data-analysis"
# 兼容性声明
compatibility:
skills_protocol: ">=1.0.0"
mcp_version: ">=2.0.0"
# 发布信息
repository: "https://github.com/example/sales-skill"
documentation: "https://docs.example.com/skills/sales-report"
changelog: "https://github.com/example/sales-skill/CHANGELOG.md"
# ============================================================
# Part 2: 能力描述 (Description)
# 告诉 Agent 和用户这个 Skill 能做什么
# ============================================================
description:
# 给 LLM 看的描述（用于 Skill 选择和调用）
for_model: |
销售数据分析与报告生成技能。
适用场景：
- 用户需要分析销售数据时
- 用户需要生成销售报告时
- 用户询问销售趋势、业绩对比时
- 用户要求将分析结果发送给他人时
不适用场景：
- 非销售相关的数据分析
- 实时交易处理
# 给人看的描述
for_human:
short: "销售数据分析与报告生成"
long: |
自动连接企业销售数据源，进行多维度分析（产品、区域、时间、渠道），
生成包含可视化图表的专业报告，支持多种格式导出和邮件发送。
# 能力标签（语义化，用于能力匹配）
capabilities:
- "data_extraction"      # 数据提取
- "data_analysis"        # 数据分析
- "visualization"        # 可视化
- "report_generation"    # 报告生成
- "email_delivery"       # 邮件发送
# 示例对话（帮助 LLM 理解何时使用）
examples:
- user: "帮我看看上个季度的销售情况"
should_trigger: true
- user: "生成一份销售报告发给老板"
should_trigger: true
- user: "分析一下用户行为数据"
should_trigger: false  # 不是销售数据
# ============================================================
# Part 3: 接口定义 (Interface)
# 定义输入输出的数据结构
# ============================================================
interface:
inputs:
- name: "time_range"
type: "object"
required: true
description: "分析的时间范围"
schema:
properties:
start_date:
type: "string"
format: "date"
description: "开始日期 (YYYY-MM-DD)"
end_date:
type: "string"
format: "date"
description: "结束日期 (YYYY-MM-DD)"
required: ["start_date", "end_date"]
examples:
- start_date: "2026-01-01"
end_date: "2026-03-31"
- name: "dimensions"
type: "array"
required: false
description: "分析维度"
items:
type: "string"
enum: ["product", "region", "channel", "salesperson", "customer_type"]
default: ["product", "region"]
- name: "metrics"
type: "array"
required: false
description: "分析指标"
items:
type: "string"
enum: ["revenue", "quantity", "profit", "growth_rate", "market_share"]
default: ["revenue", "quantity"]
- name: "output_format"
type: "string"
required: false
description: "报告输出格式"
enum: ["pdf", "excel", "html", "markdown", "pptx"]
default: "pdf"
- name: "recipients"
type: "array"
required: false
description: "报告接收人邮箱列表（为空则不发送）"
items:
type: "string"
format: "email"
default: []
- name: "language"
type: "string"
required: false
description: "报告语言"
enum: ["zh-CN", "en-US", "ja-JP"]
default: "zh-CN"
outputs:
- name: "report"
type: "object"
description: "生成的报告"
schema:
properties:
file_url:
type: "string"
description: "报告文件下载链接"
file_name:
type: "string"
description: "报告文件名"
format:
type: "string"
description: "文件格式"
size_bytes:
type: "integer"
description: "文件大小"
- name: "summary"
type: "object"
description: "分析摘要"
schema:
properties:
total_revenue:
type: "number"
total_quantity:
type: "integer"
growth_rate:
type: "number"
key_insights:
type: "array"
items:
type: "string"
top_products:
type: "array"
top_regions:
type: "array"
- name: "delivery_status"
type: "object"
description: "邮件发送状态"
schema:
properties:
sent:
type: "boolean"
recipients_count:
type: "integer"
sent_at:
type: "string"
format: "datetime"
# ============================================================
# Part 4: 依赖声明 (Dependencies)
# 声明需要的 MCP 服务和其他 Skills
# ============================================================
dependencies:
# MCP 服务依赖
mcp_servers:
- name: "postgresql-mcp"
version: ">=1.5.0"
purpose: "连接销售数据库，执行数据查询"
required: true
config_schema:
properties:
connection_string:
type: "string"
description: "数据库连接字符串"
- name: "google-sheets-mcp"
version: ">=1.0.0"
purpose: "备选数据源，当主数据库不可用时使用"
required: false
- name: "smtp-mcp"
version: ">=1.2.0"
purpose: "发送报告邮件"
required: false  # 仅当 recipients 非空时需要
- name: "s3-mcp"
version: ">=1.0.0"
purpose: "存储生成的报告文件"
required: true
# 其他 Skill 依赖
skills:
- name: "data_visualizer"
namespace: "common.visualization"
version: ">=2.0.0"
purpose: "生成图表"
- name: "document_formatter"
namespace: "common.document"
version: ">=1.5.0"
purpose: "格式化和排版报告"
# ============================================================
# Part 5: 执行定义 (Execution)
# 定义 Skill 如何执行
# ============================================================
execution:
# 执行类型: workflow | code | prompt | hybrid
type: "workflow"
# 运行时配置
runtime:
timeout: 300          # 最大执行时间（秒）
max_retries: 3        # 最大重试次数
memory_limit: "512MB" # 内存限制
# 工作流定义
workflow:
# 全局变量/上下文
context:
data_source: "postgresql"  # 默认数据源
# 执行步骤
steps:
# Step 1: 参数预处理
- id: "preprocess"
name: "参数预处理"
action: "code"
code: |
# 处理日期格式，设置默认值等
if not inputs.get('time_range'):
# 默认最近一个季度
inputs['time_range'] = get_last_quarter()
context['processed_inputs'] = inputs
output: "processed_inputs"
# Step 2: 获取数据
- id: "fetch_data"
name: "获取销售数据"
action: "mcp_call"
server: "postgresql-mcp"
method: "query"
params:
query: |
SELECT
date, product_id, product_name, region, channel,
salesperson, quantity, revenue, cost
FROM sales
WHERE date BETWEEN '{{time_range.start_date}}'
AND '{{time_range.end_date}}'
ORDER BY date
output: "raw_data"
# 错误处理：如果主数据库失败，尝试备选
on_error:
- condition: "error.type == 'ConnectionError'"
action: "fallback"
fallback_step: "fetch_data_backup"
# Step 2b: 备选数据获取
- id: "fetch_data_backup"
name: "从备选源获取数据"
action: "mcp_call"
server: "google-sheets-mcp"
method: "read_range"
params:
spreadsheet_id: "{{config.backup_sheet_id}}"
range: "Sales!A:I"
output: "raw_data"
skip_if: "raw_data != null"  # 如果主数据源成功则跳过
# Step 3: 数据分析（LLM 处理）
- id: "analyze"
name: "数据分析"
action: "llm_process"
model: "claude-3-opus"  # 可选，默认使用当前模型
prompt_template: |
你是一位专业的数据分析师。请分析以下销售数据：
## 数据概览
{{raw_data | summarize}}
## 分析要求
- 分析维度：{{dimensions | join(', ')}}
- 分析指标：{{metrics | join(', ')}}
- 时间范围：{{time_range.start_date}} 至 {{time_range.end_date}}
## 输出要求
请提供：
1. 整体趋势分析
2. 各维度对比分析
3. 关键洞察（至少3条）
4. 建议措施
以 JSON 格式输出分析结果。
output_format: "json"
output: "analysis_result"
# Step 4: 生成图表（调用子 Skill）
- id: "create_charts"
name: "生成可视化图表"
action: "skill_call"
skill: "data_visualizer"
params:
data: "{{raw_data}}"
chart_configs:
- type: "line"
title: "销售趋势"
x: "date"
y: "revenue"
- type: "bar"
title: "产品销售对比"
x: "product_name"
y: "revenue"
- type: "pie"
title: "区域销售占比"
dimension: "region"
metric: "revenue"
- type: "heatmap"
title: "产品-区域销售热力图"
x: "product_name"
y: "region"
value: "revenue"
output: "charts"
# Step 5: 生成报告（调用子 Skill）
- id: "generate_report"
name: "生成报告文档"
action: "skill_call"
skill: "document_formatter"
params:
template: "sales_report"
format: "{{output_format}}"
language: "{{language}}"
content:
title: "销售分析报告"
period: "{{time_range.start_date}} - {{time_range.end_date}}"
summary: "{{analysis_result.summary}}"
insights: "{{analysis_result.insights}}"
recommendations: "{{analysis_result.recommendations}}"
charts: "{{charts}}"
raw_data_sample: "{{raw_data | head(10)}}"
output: "report_content"
# Step 6: 上传报告
- id: "upload_report"
name: "上传报告文件"
action: "mcp_call"
server: "s3-mcp"
method: "upload"
params:
bucket: "reports"
key: "sales/{{time_range.start_date}}_{{time_range.end_date}}.{{output_format}}"
content: "{{report_content.file_data}}"
content_type: "{{report_content.mime_type}}"
output: "upload_result"
# Step 7: 发送邮件（条件执行）
- id: "send_email"
name: "发送报告邮件"
condition: "recipients != null && len(recipients) > 0"
action: "mcp_call"
server: "smtp-mcp"
method: "send"
params:
to: "{{recipients}}"
subject: "销售分析报告 ({{time_range.start_date}} - {{time_range.end_date}})"
body: |
您好，
附件是最新的销售分析报告，主要发现如下：
{{analysis_result.insights | join('\n')}}
详细内容请查看附件。
此邮件由系统自动发送。
attachments:
- url: "{{upload_result.url}}"
filename: "销售报告.{{output_format}}"
output: "email_result"
# Step 8: 组装最终输出
- id: "finalize"
name: "组装输出结果"
action: "code"
code: |
return {
"report": {
"file_url": upload_result.url,
"file_name": upload_result.key,
"format": output_format,
"size_bytes": upload_result.size
},
"summary": {
"total_revenue": analysis_result.metrics.total_revenue,
"total_quantity": analysis_result.metrics.total_quantity,
"growth_rate": analysis_result.metrics.growth_rate,
"key_insights": analysis_result.insights,
"top_products": analysis_result.rankings.products[:5],
"top_regions": analysis_result.rankings.regions[:5]
},
"delivery_status": {
"sent": email_result is not None,
"recipients_count": len(recipients) if recipients else 0,
"sent_at": email_result.sent_at if email_result else None
}
}
output: "final_result"
# 全局错误处理
error_handling:
# 重试策略
retry:
max_attempts: 3
backoff: "exponential"  # exponential | linear | fixed
initial_delay: 1000     # 毫秒
max_delay: 30000
# 错误回调
on_error:
- error_type: "DataNotFoundError"
action: "return_error"
message: "未找到指定时间范围的销售数据"
- error_type: "PermissionDeniedError"
action: "return_error"
message: "没有访问销售数据的权限"
- error_type: "*"  # 其他所有错误
action: "return_error"
message: "报告生成失败：{{error.message}}"
# ============================================================
# Part 6: 权限与安全 (Permissions & Security)
# ============================================================
permissions:
# 必需权限
required:
- "database:sales:read"     # 读取销售数据库
- "storage:reports:write"   # 写入报告存储
# 可选权限
optional:

三、Skills 会成为第二个 MCP 吗？

Skills 生态现状怎么样？

Anthropic 是 Skills 协议的主要推动者，Claude 原生支持，并在建设官方 Skills Hub。

OpenAI 已宣布支持，原来的 GPTs 正在向 Skills 标准迁移。

Google、Microsoft 等大厂也在跟进集成。

字节 Coze 有国内最完善的类 Skills 生态，正在逐步兼容国际标准。

阿里、百度等也在跟进。

开源社区有社区维护的 Skills Registry，收集开源 Skills。

截至现在，官方认证和社区贡献 Skills 数百个，主要集中在数据分析、内容创作、开发工具、办公自动化、垂直行业等领域。

相比 MCP 超过 2000 个 Server 的成熟生态，Skills 还比较年轻，但增长很快。

那Skills 会成为第二个 MCP 吗？

它们有相似的发展路径

• MCP 的成功路径是：Anthropic 提出 → Claude 率先支持 → OpenAI 跟进 → 成为事实标准。
• Skills 正在走同样的路：Anthropic 提出 → Claude 支持 → OpenAI 跟进 → 其他厂商跟进中。

Skills 解决的是能力复用这个真实痛点。随着 Agent 应用增多，重复造轮子的问题越来越突出，标准化的能力复用方案是刚需。

一旦Skills生态建立，会形成正向循环：更多 Skills → 开发 Agent 更容易 → 更多人开发 Agent → 更多人贡献 Skills。

大概率，Skills 很可能会成为继 MCP 之后的第二个重要标准。

MCP 解决了"连接"问题，Skills 解决了"复用"问题，两者互补，共同构成 Agent 基础设施。

如果说 MCP 是 Agent 时代的"TCP/IP"，Skills 就是"HTTP"——在底层协议之上，更贴近应用层的标准。

想入门 AI 大模型却找不到清晰方向？备考大厂 AI 岗还在四处搜集零散资料？别再浪费时间啦！2026 年 AI 大模型全套学习资料已整理完毕，从学习路线到面试真题，从工具教程到行业报告，一站式覆盖你的所有需求，现在全部免费分享！

👇👇扫码免费领取全部内容👇👇

​

一、学习必备：100+本大模型电子书+26 份行业报告 + 600+ 套技术PPT，帮你看透 AI 趋势

想了解大模型的行业动态、商业落地案例？大模型电子书？这份资料帮你站在 “行业高度” 学 AI：

1. 100+本大模型方向电子书

2. 26 份行业研究报告：覆盖多领域实践与趋势

报告包含阿里、DeepSeek 等权威机构发布的核心内容，涵盖：

• 职业趋势：《AI + 职业趋势报告》《中国 AI 人才粮仓模型解析》；
• 商业落地：《生成式 AI 商业落地白皮书》《AI Agent 应用落地技术白皮书》；
• 领域细分：《AGI 在金融领域的应用报告》《AI GC 实践案例集》；
• 行业监测：《2024 年中国大模型季度监测报告》《2025 年中国技术市场发展趋势》。

3. 600+套技术大会 PPT：听行业大咖讲实战

PPT 整理自 2024-2025 年热门技术大会，包含百度、腾讯、字节等企业的一线实践：

• 安全方向：《端侧大模型的安全建设》《大模型驱动安全升级（腾讯代码安全实践）》；
• 产品与创新：《大模型产品如何创新与创收》《AI 时代的新范式：构建 AI 产品》；
• 多模态与 Agent：《Step-Video 开源模型（视频生成进展）》《Agentic RAG 的现在与未来》；
• 工程落地：《从原型到生产：AgentOps 加速字节 AI 应用落地》《智能代码助手 CodeFuse 的架构设计》。

二、求职必看：大厂 AI 岗面试 “弹药库”，300 + 真题 + 107 道面经直接抱走

想冲字节、腾讯、阿里、蔚来等大厂 AI 岗？这份面试资料帮你提前 “押题”，拒绝临场慌！

1. 107 道大厂面经：覆盖 Prompt、RAG、大模型应用工程师等热门岗位

面经整理自 2021-2025 年真实面试场景，包含 TPlink、字节、腾讯、蔚来、虾皮、中兴、科大讯飞、京东等企业的高频考题，每道题都附带思路解析：

2. 102 道 AI 大模型真题：直击大模型核心考点

针对大模型专属考题，从概念到实践全面覆盖，帮你理清底层逻辑：

3. 97 道 LLMs 真题：聚焦大型语言模型高频问题

专门拆解 LLMs 的核心痛点与解决方案，比如让很多人头疼的 “复读机问题”：

三、路线必明： AI 大模型学习路线图，1 张图理清核心内容

刚接触 AI 大模型，不知道该从哪学起？这份「AI大模型 学习路线图」直接帮你划重点，不用再盲目摸索！

路线图涵盖 5 大核心板块，从基础到进阶层层递进：一步步带你从入门到进阶，从理论到实战。

L1阶段:启航篇丨极速破界AI新时代

L1阶段：了解大模型的基础知识，以及大模型在各个行业的应用和分析，学习理解大模型的核心原理、关键技术以及大模型应用场景。

L2阶段：攻坚篇丨RAG开发实战工坊

L2阶段：AI大模型RAG应用开发工程，主要学习RAG检索增强生成：包括Naive RAG、Advanced-RAG以及RAG性能评估，还有GraphRAG在内的多个RAG热门项目的分析。

L3阶段：跃迁篇丨Agent智能体架构设计

L3阶段：大模型Agent应用架构进阶实现，主要学习LangChain、 LIamaIndex框架，也会学习到AutoGPT、 MetaGPT等多Agent系统，打造Agent智能体。

L4阶段：精进篇丨模型微调与私有化部署

L4阶段：大模型的微调和私有化部署，更加深入的探讨Transformer架构，学习大模型的微调技术，利用DeepSpeed、Lamam Factory等工具快速进行模型微调，并通过Ollama、vLLM等推理部署框架，实现模型的快速部署。

L5阶段：专题集丨特训篇 【录播课】

四、资料领取：全套内容免费抱走，学 AI 不用再找第二份

不管你是 0 基础想入门 AI 大模型，还是有基础想冲刺大厂、了解行业趋势，这份资料都能满足你！
现在只需按照提示操作，就能免费领取：

👇👇扫码免费领取全部内容👇👇

​

2026 年想抓住 AI 大模型的风口？别犹豫，这份免费资料就是你的 “起跑线”！