agent 会的本事越多，全写进系统提示就越贵越乱。这课拆 Claude Code 的技能与命令机制——核心就一个词：按需加载（渐进式披露）。

先把术语翻成人话

渐进式披露 progressive disclosure ：先只摆出能力名片，用到才加载完整内容

Skill 技能 ：一组按需加载的领域知识或流程

斜杠命令 slash command ：用户主动触发的 prompt 模板或动作

能力名片 ：技能的名字 + 一句话用途，常驻上下文

一、面试现场

面试官提问

“Claude Code 的 Skills 越加越多，为什么不能全塞进上下文？”

百度 Agent 应用面，题就摆在上面。候选人想都没想：「全塞进去不就行了？把每个技能写清楚，模型自己会挑着用。」

面试官追一句：这 50 个里这次只用 1 个，另外 49 个不就白占地方？——这题看似问扩展，实考你能不能区分「知道有这个能力」和「加载这个能力的细节」：前者廉价、可以常驻；后者昂贵、用到才加载。全塞进上下文，既吃爆预算（第 4 课）又稀释注意力。

**直接回答：**能力名片常驻、细节按需加载，用到哪个才读进来。

二、大多数人怎么答的

典型翻车回答

“把所有技能、所有规则都写进系统提示/CLAUDE.md，写得越全 agent 越能干。”

这答法在能力少时其实没错——三五个技能写进 CLAUDE.md，写得越全确实越顺手。问题是它不扩展：上下文是有限预算（第 4 课），能力堆到几十个，没用上的那些每一轮都在白烧 token、还分散模型对当前任务的注意力。

更别说能力一多，规则之间还会互相打架（第 8 课讲过 advisory 的死穴）。我认为扩展只有一条路：按需加载，而不是全摊开。具体怎么做，下一节拆。

三、渐进式披露怎么让能力扩到几十个还不爆

Skills 的核心机制是渐进式披露。把它拆开，关键是「名片常驻、正文按需」这一层解耦，以及工具、Skill、命令三个概念别混。

① 解耦：知道有它 vs 加载它的细节

上下文里只常驻每个能力的名片（名字 + 一句话用途），体积极小。模型判断需要时，再通过一次加载把该能力的完整说明/脚本读进来。等于给 agent 一个可检索的能力库，而不是一本全摊开的大书。关键在于：常驻的是名片，按需取的才是正文。

**违反后果：**把每个能力的完整正文都常驻，每加一个能力上下文就胖一圈，50 个全摊开迟早把窗口挤爆。

② 工具、Skill、命令：三个概念别混

三者分工（截至 2026-06）：工具是 agent 的原子动作（第 3 课，schema 化、可被反复精确调用）；Skill 是一组按需加载的领域知识/流程（渐进式披露）；斜杠命令是用户主动触发的 prompt 模板/动作快捷入口。Skill 偏「模型按需取知识」，命令偏「用户主动触发流程」。

**违反后果：**把领域知识硬做成几十个工具挂上去，工具列表本身就把上下文撑爆了——大段流程知识该做成按需加载的 Skill，不是常驻工具。

③ 名片质量决定该触发的触发不触发

解耦解决了「装得下」，但能不能选得中，全看名片描述的质量——这是技能库的可发现性。模型只凭名片决定加载谁：名片写不清，它要么漏掉该用的、要么抓错不相关的。名片具体怎么写、几十个怎么治，是下面追问环节的重头。

**违反后果：**名片含糊，该用的技能没加载、模型硬着头皮瞎答；名片互相重叠，又会拉一堆不相关的进来，白烧一轮。

**我的优先顺序：**先把「名片常驻、正文按需」这层解耦立住（决定能不能扩展），再打磨名片的触发描述（决定该触发的能不能触发）。能力少（三五个）时，直接写进系统提示更简单——别为了渐进式披露而渐进式披露。

四、面试官追问链

追问 1

“技能的名片该写多细？太短选不中，太长又占地，怎么平衡？”

名片只写两样：名字 + 什么场景下该用我，正文留到加载时。判断标准是「模型读完这张名片，能不能准确判断这次任务归不归它管」。选不中，几乎都是触发场景没写清（写成了「这是个很强的工具」而不是「当用户要做 X 时用我」）。名片是路标，不是说明书。

追问 2

“Skill 和工具到底怎么分？什么时候做成工具、什么时候做成 Skill？”

看「原子动作」还是「一套流程/知识」。可被反复精确调用的原子动作（读文件、查数据库）做成工具，schema 紧、结果结构化；一整套领域流程或大段知识（怎么走发布流程、某框架的最佳实践）做成 Skill 按需加载。我认为一个信号是：如果你想把一大段说明塞进工具的 description，它其实该是个 Skill。

追问 3

“加了 30 个 Skill，模型老加载错，怎么治？”

治名片的可发现性：描述去重、触发条件互斥（别让两个技能的「该用我」场景重叠）、必要时分层分目录让范围更窄。这和第 3 课「工具职责重叠模型乱选」是同一个病——选错的根因几乎都是边界没划清。技能库越大，越要像整理目录一样维护这些名片。

五、给你的 agent 加按需加载的技能

把上面的机制落到自己的 agent 上，最小实现就四步。

STEP 1 · 把能力抽成带名片的包

每个能力 = 一张名片（名字 + 触发场景）+ 一份完整正文/脚本，分开存。

↳ 关键：名片小、正文全，两者解耦。

STEP 2 · 名片常驻上下文

只把所有能力的名片列表放进系统提示，正文不进。

↳ 关键：常驻的是目录，不是正文。

STEP 3 · 提供 load 动作

给模型一个加载动作（或工具），它判断需要时按名字把对应正文读进窗口。

↳ 关键：要用才取，取来就留在当前上下文里。

STEP 4 · 触发条件写清、互斥

每张名片写明什么时候用我、和别的技能怎么区分，防选错。

↳ 关键：选不中几乎都是触发描述没写清。

**↳ 一句话验收：**判断扩展机制对不对，问一句——**给 agent 加到第 50 个能力时，上下文有没有跟着涨 50 倍？**没有（只多 50 张名片），就对了；跟着涨，说明你在「全摊开」，迟早撑爆。

六、本课总结

一句话总结

agent 的能力不能全塞进上下文——那既吃爆预算又稀释注意力。正解是渐进式披露：能力名片常驻、完整正文按需加载；工具是原子动作、Skill 是按需知识、命令是用户触发，三者别混。

面试锦囊

**先说：**先立原则：上下文是有限预算，能力全摊开又贵又分散注意力。扩展靠按需加载，把「知道有它」和「加载它的细节」解耦。

**再说：**渐进式披露：名片（名字+触发场景）常驻、正文按需加载。工具=原子动作、Skill=按需知识/流程、命令=用户触发，三个概念分清。

**最后补：**关键在于：名片质量决定该触发的触发不触发；技能多了要像整理目录一样治理（描述去重、触发互斥）；能力很少时直接写进系统提示更简单。

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～

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】