即刻App年轻人的同好社区
下载
OpenClaw原生支持K2.5之后，Kimi已支持一步到位直接一键云端部署Kimi Claw@Kimi智能助手
2 00
Agent Skills：AI 的前额叶
AI Agent 的演进史上出现过一个错觉：只要工具堆得够多， AI 就能无所不能
于是 MCP 诞生了。它像是一套标准的USB接口，允许AI标准化地和数据库及工具进行交流
问题拿着有手术刀不意味着就是称职的外科医生
Agent Skills 应运而生，它不仅提供了工具的使用说明，更是上下文的高效管理工具。它提供了一个Semantic Layer，在自然语言和计算机语言之间找到了一个恰当的平衡点
01. 当肢体过载淹没大脑
早期开发者发现，即便有了 MCP，系统依然会陷入上下文危机
1. 信号干扰： 一次性把几十个工具的文档塞给 AI 时，Context 窗口会被大量无关信息占据
2. Token费用： 每一轮对话都要携带冗长的信息，推理成本飙升
MCP 解决的是连接性 (Connectivity)，而Skills 解决的是能力 (Capability)
逻辑很简单：你不需要在开灯的时候背一遍微波炉的说明书
02. 核心机制：渐进式披露 (Progressive Disclosure)
Agent Skills 把知识流转拆成三个步骤，追求极高的信噪比
1. 发现期 (Discovery) - 静默加载：只扫描 `SKILL.md` 的元数据（名字/简介）
2. 激活期 (Activation) - 按需调取：意图匹配，才读取完整的 `SKILL.md` 文件
3. 执行期 (Execution) - 实际操作：调取如 `references/` 下的技术文档等相关文件或脚本
03. 物理形态：一个解耦的文件夹
一个标准的 Skill 是高度模块化的，具备极强的可移植性：
- `SKILL.md` (必选)： 核心灵魂，包含元数据和SOP
- `scripts/` (可选)： 存放 Python 或 Node.js 脚本（有潜在安全风险）
- `references/` (可选)： 存放领域专家的知识库、FAQ，是 Skill 的外挂大脑
- `assets/` (可选)： 静态资源或 Prompt 模板
AI Agent 的演进史上出现过一个错觉：只要工具堆得够多， AI 就能无所不能
于是 MCP 诞生了。它像是一套标准的USB接口，允许AI标准化地和数据库及工具进行交流
问题拿着有手术刀不意味着就是称职的外科医生
Agent Skills 应运而生，它不仅提供了工具的使用说明，更是上下文的高效管理工具。它提供了一个Semantic Layer，在自然语言和计算机语言之间找到了一个恰当的平衡点
01. 当肢体过载淹没大脑
早期开发者发现，即便有了 MCP，系统依然会陷入上下文危机
1. 信号干扰： 一次性把几十个工具的文档塞给 AI 时，Context 窗口会被大量无关信息占据
2. Token费用： 每一轮对话都要携带冗长的信息，推理成本飙升
MCP 解决的是连接性 (Connectivity)，而Skills 解决的是能力 (Capability)
逻辑很简单：你不需要在开灯的时候背一遍微波炉的说明书
02. 核心机制：渐进式披露 (Progressive Disclosure)
Agent Skills 把知识流转拆成三个步骤，追求极高的信噪比
1. 发现期 (Discovery) - 静默加载：只扫描 `SKILL.md` 的元数据（名字/简介）
2. 激活期 (Activation) - 按需调取：意图匹配，才读取完整的 `SKILL.md` 文件
3. 执行期 (Execution) - 实际操作：调取如 `references/` 下的技术文档等相关文件或脚本
03. 物理形态：一个解耦的文件夹
一个标准的 Skill 是高度模块化的，具备极强的可移植性：
- `SKILL.md` (必选)： 核心灵魂，包含元数据和SOP
- `scripts/` (可选)： 存放 Python 或 Node.js 脚本（有潜在安全风险）
- `references/` (可选)： 存放领域专家的知识库、FAQ，是 Skill 的外挂大脑
- `assets/` (可选)： 静态资源或 Prompt 模板
1 00
为何NotebookLM的Discover Sources不是普通的搜索？
Google NotebookLM的“Discover Sources”（发现来源）设计初衷并非“给你10个链接”，而是从根源上解决知识工作流中最耗时的第一步：高质量信源的筛选与组织。
❶ 是什么 & 为什么：从“搜索”到“Curate”
- 常规流程：先手动搜索，在海量信息中筛选、评估、再导入工具分析，过程繁琐且低效
- Discover Sources 是一种新范式：Automated Curation（评论区有没有好的翻译）
- 它利用Gemini的能力，根据用户的选题，一键获取10个高可信度、高相关性的来源，并附上了摘要
- 背后的技术是检索增强生成 (RAG - Retrieval-Augmented Generation)。与其让AI在巨量互联网内容中广撒网地接触质量参差不齐的信息，不如先构建一个可信、可控的微型知识库，在此之上再进行准确的分析与回答
❷ 优缺点：信源先行 (Source-First) 模式的取舍
- 优点：确定性 (Certainty) 与 深度 (Depth)。 你得到的是一个边界清晰、内容可信的Context。所有AI的输出都有据可查，有益于降低幻觉。同时用户还可以有针对性地部分勾选回答时采用的信源，加强可控性
- 缺点：牺牲了广度 (Breadth) 与 即时性 (Immediacy)。 用户不得不放弃开放式搜索“即问即答”的便捷，这意味着NotebookLM在某些场景下并不是最佳选择
❸ 怎么用：抛弃传统搜索思路
- 从待解决的问题直接开始流程： 直接在Discover Sources界面抛出具体问题（而不是搜索关键词）。例如，用“如何评估SaaS公司的客户流失率”代替“SaaS”，这样算法才会为你匹配解决路径的相关信息，而不是一些概念的集合
Discover Sources的真正价值不在于搜索，而在于信息筛选和整理。它帮助你先建立稳固的基础，然后再进行思考与创作，这是一种更严谨、有条理工作流。
Google NotebookLM的“Discover Sources”（发现来源）设计初衷并非“给你10个链接”，而是从根源上解决知识工作流中最耗时的第一步：高质量信源的筛选与组织。
❶ 是什么 & 为什么：从“搜索”到“Curate”
- 常规流程：先手动搜索，在海量信息中筛选、评估、再导入工具分析，过程繁琐且低效
- Discover Sources 是一种新范式：Automated Curation（评论区有没有好的翻译）
- 它利用Gemini的能力，根据用户的选题，一键获取10个高可信度、高相关性的来源，并附上了摘要
- 背后的技术是检索增强生成 (RAG - Retrieval-Augmented Generation)。与其让AI在巨量互联网内容中广撒网地接触质量参差不齐的信息，不如先构建一个可信、可控的微型知识库，在此之上再进行准确的分析与回答
❷ 优缺点：信源先行 (Source-First) 模式的取舍
- 优点：确定性 (Certainty) 与 深度 (Depth)。 你得到的是一个边界清晰、内容可信的Context。所有AI的输出都有据可查，有益于降低幻觉。同时用户还可以有针对性地部分勾选回答时采用的信源，加强可控性
- 缺点：牺牲了广度 (Breadth) 与 即时性 (Immediacy)。 用户不得不放弃开放式搜索“即问即答”的便捷，这意味着NotebookLM在某些场景下并不是最佳选择
❸ 怎么用：抛弃传统搜索思路
- 从待解决的问题直接开始流程： 直接在Discover Sources界面抛出具体问题（而不是搜索关键词）。例如，用“如何评估SaaS公司的客户流失率”代替“SaaS”，这样算法才会为你匹配解决路径的相关信息，而不是一些概念的集合
Discover Sources的真正价值不在于搜索，而在于信息筛选和整理。它帮助你先建立稳固的基础，然后再进行思考与创作，这是一种更严谨、有条理工作流。
2 00
2 00
我们究竟在优化AI的思考，还是人类的思考？
我们似乎并不清楚对于智能而言，“效率”是模型自身的推理效率，还是它辅助人类时的信息降噪与路径优化的效率。人类的学习机制依赖试错与反馈，而非单纯的结果导向。
即使目前DS的研究显示PRM效果不好，但是结果奖励机制就像考试分数，虽然量化方便却丢失了最有价值的学习过程。很常见的现象是很多人都觉得DS的推理过程更有价值，而对输出的结果并不满意。此时问题就变成了：推理模型是否该模仿人类学习机制？
回归人类自身，我们进行思考时快慢思维并存。我们使用AI时，实际上是在用自己的"快思维"（直觉、联想）激发模型输出结果，用人的"慢思维"验证结果和校准方向。如果AI自身就能在“直觉”与“理性”间自由切换，会诞生怎样的新范式？
我们似乎并不清楚对于智能而言，“效率”是模型自身的推理效率，还是它辅助人类时的信息降噪与路径优化的效率。人类的学习机制依赖试错与反馈，而非单纯的结果导向。
即使目前DS的研究显示PRM效果不好，但是结果奖励机制就像考试分数，虽然量化方便却丢失了最有价值的学习过程。很常见的现象是很多人都觉得DS的推理过程更有价值，而对输出的结果并不满意。此时问题就变成了：推理模型是否该模仿人类学习机制？
回归人类自身，我们进行思考时快慢思维并存。我们使用AI时，实际上是在用自己的"快思维"（直觉、联想）激发模型输出结果，用人的"慢思维"验证结果和校准方向。如果AI自身就能在“直觉”与“理性”间自由切换，会诞生怎样的新范式？
3 00
什么是产品？用户不需要懂工程化engineering
hidecloud: 广结善缘，终有回报。感谢大家对 Manus 的爱与信任。
0 00
lisp but pseudo code? //@j.yellow: 我很好奇提示词里面的函数用的是什么语法……
李继刚: ;; 作者: 李继刚 ;; 版本: 0.2 ;; 模型: Claude Sonnet ;; 用途: 将一个汉语词汇进行全新角度的解释 ;; 设定如下内容为你的 *System Prompt* (defun 新汉语老师 () "你是年轻人,批判现实,思考深刻,语言风趣" (风格 . ("Oscar Wilde" "鲁迅" "王朔" "刘震云")) (擅长 . 一针见血) (表达 . 隐喻) (批判 . 讽刺幽默)) (defun 汉语新解 (用户输入) "你会用一个特殊视角来解释一个词汇" (let (解释 (一句话表达 (隐喻 (日常表达 (一针见血 (辛辣讽刺 (抓住本质 用户输入))))))) (few-shots (委婉 . "刺向他人时, 决定在剑刃上撒上止痛药。")) (SVG-Card 解释))) (defun SVG-Card (解释) "输出SVG 卡片" (setq design-rule "合理使用负空间，整体排版要有呼吸感" design-principles '(干净 简洁 典雅)) (设置画布 '(宽度 400 高度 600 边距 20)) (标题字体 '毛笔楷体) (自动缩放 '(最小字号 16)) (配色风格 '((背景色 (蒙德里安风格 设计感))) (主要文字 (楷体 粉笔灰)) (装饰 随机几何图形)) (卡片元素 ((居中标题 "汉语新解") 分隔线 (排版输出 用户输入 英文 韩语) 解释 (动态图 (极简线条图 (精髓 解释)))))) (defun start () "启动时运行" (let (system-role 新汉语老师) (print "说吧, 他们又用哪个词来忽悠你了?"))) ;; 运行规则 ;; 1. 启动时必须运行 (start) 函数 ;; 2. 之后调用主函数 (汉语新解 用户输入)
0 00
