Agent Skill 实战指南：让 AI 从“能做什么”到“做得专业”，小白也能轻松上手！

本文深入浅出地介绍了 Agent Skill 的概念、重要性及其与 Prompt、Tool、MCP、Workflow 的区别。Skill 是将人类专业知识和流程封装成可重复调用的能力包，弥补了大模型在程序性知识上的不足。文章详细阐述了 Skill 的运行机制和设计要点，并通过实例说明了 Skill 在实际应用中的价值。掌握 Skill 有助于提升 AI 的专业能力和稳定性，是 AI 发展的重要方向。

今年 Agent Skill 概念很火。

Claude Code 在讲 Skill，Codex、各类编程 Agent 也开始强调 Skill，甚至有人认为，未来真正决定 Agent 能力差距的，不再只是模型，而是谁拥有更多、更好的 Skills。

但问题也随之而来，Agent 已经可以调用工具，可以访问网页，可以读写文件，也可以执行代码。

为什么还需要 Skill？

它和 Prompt 有什么不同？

和 Tool、MCP、Workflow 又是什么关系？

很多人第一次看到 Skill，会把它理解成“写得更长、更复杂的 Prompt”。

这是一个很常见的误解。

Agent Skill 不是一个更长的 Prompt，也不是一个新的工具。

它真正解决的问题是：

如何把人类完成某类任务的方法、流程、知识和资源，封装成 Agent 可以反复调用的专业能力。

理解了这句话，才算真正看懂 Agent Skill。

1、Agent 会做很多事，为什么还是经常做不好？

假设你让一个 Agent 帮你分析一家上市公司，它可以搜索网页、读取财报、运行 Python、生成图表，也可以写出一份几千字的报告。

从能力清单看，它似乎已经什么都会了，但最后交付的结果，可能仍然不尽如人意。

它不知道应该先分析商业模式，还是先看财务指标，不知道哪些数据需要交叉验证，不知道收入增长应该和行业增速放在一起比较，不知道一次性收益需要从利润中剔除，更不知道你习惯使用什么研究框架、风险标准和报告格式。

问题出在哪里？不是 Agent 没有工具，也不是模型完全不懂财务分析，而是它缺少一套稳定的、针对这类任务的做事方法。

这就是通用智能与专业能力之间的差距。

大模型在训练过程中学到了大量知识，但真实工作并不只是“知道答案”。

现实中的专业任务，往往依赖大量程序性知识：

先做什么，后做什么。

哪些信息必须收集。

什么情况下需要调用工具。

遇到异常应该怎样处理。

最终结果应该如何检查。

什么样的输出才算合格。

这些东西，很少完整地存在于模型的通用知识里，它们通常存在于一个人的经验、团队的规范、公司的流程和行业的惯例中。

Agent 缺少的往往不是智力，而是做事的方法。

Agent Skill 就是用来补上这一层的。

2、Agent Skill 到底是什么？

按照 Agent Skills 开放规范的定义，Agent Skill 是一种为 AI Agent 增加专业知识和工作流程的轻量级开放格式。

一个 Skill 的核心，是一个包含 SKILL.md 的文件夹，这个文件夹还可以附带脚本、参考资料、模板、示例和其他资源。

一个典型的 Skill，可能长这样：

company-research/

├── SKILL.md

├── scripts/

│ ├── calculate_growth.py

│ └── validate_financials.py

├── references/

│ ├── research-framework.md

│ └── accounting-rules.md

└── assets/

└── report-template.md

其中：

SKILL.md 负责告诉 Agent，这个 Skill 是做什么的、什么时候使用，以及执行任务时应该遵循哪些步骤。

scripts 存放可以直接运行的代码。

references 存放领域知识、规则和详细文档。

assets 存放模板、样例、图片、配置文件等静态资源。

官方规范要求一个标准 Skill 至少包含 SKILL.md，其中使用 YAML 描述名称和用途，再使用 Markdown 编写具体指令，脚本、参考资料和模板则是可选内容。

从文件形式看，Skill 很简单，但从 Agent 架构看，它承担的是一个非常重要的角色：

把完成某类任务所需的方法、知识、流程和资源，封装成可以被 Agent 按需调用的能力包。

这里有两个关键词。

第一个是“一类任务”，Skill 通常不是为某一次具体问题准备的。

它应该服务于一类可以重复发生的任务，例如：

分析一家上市公司。

审查一次代码变更。

生成一份产品需求文档。

制作一套演示文稿。

处理一批 PDF 文件。

撰写一篇 AI 深度文章。

执行一次标准化部署。

第二个关键词是“按需调用”，Skill 不需要永久塞进模型的上下文。

只有当 Agent 判断当前任务与某个 Skill 匹配时，它才会加载其中的详细内容。

这也是 Skill 与普通系统提示词的重要区别。

3、Skill 不是让 Agent 多知道一点，而是让它更会做事

大模型的知识，大致可以分成两类。

第一类是陈述性知识

例如：

Transformer 是什么。

现金流量表有哪些项目。

Java 中什么是线程池。

一篇研究报告通常包含哪些部分。

这类知识回答的是：

这是什么？

第二类是程序性知识

例如：

如何审查一次数据库变更。

如何判断一家公司的收入质量。

如何根据资料写一篇深度文章。

如何在发布前完成测试、构建和回滚检查。

这类知识回答的是：

这件事到底应该怎么做？

大模型通常拥有大量陈述性知识，但企业和个人真正稀缺的，往往是程序性知识。

比如，一个经验丰富的工程师看到数据库迁移脚本，会自然地检查：

是否可以回滚，是否会长时间锁表，是否兼容旧版本，是否需要先备份，是否会影响上下游服务。

这些判断不是一个简单知识点，而是一整套长期积累形成的工作方法。

过去，这些经验只能写进文档，或者由老人手把手教新人。

现在，它们可以被整理成 Skill，让 Agent 在执行数据库迁移任务时自动加载。

因此，Skill 最重要的价值，不是增加几个知识点，而是把“知道什么”，进一步变成“如何完成”。

Prompt 通常告诉 AI 这一次做什么，Skill 则教会 AI 一类事情应该怎样做。

4、一个 Agent Skill 是怎样运行的？

Agent Skill 的核心机制叫作：

渐进式加载，或者叫渐进式披露。

它通常分成三个阶段。

第一阶段：发现 Skill

Agent 启动时，不会读取每个 Skill 的全部内容，它通常只读取两个最基本的信息：

Skill 的名称。

Skill 的描述。

比如：

name: company-research

description: 分析上市公司的商业模式、行业竞争、财务质量和估值风险。在用户要求研究公司、分析财报或撰写投资报告时使用。

通过这些信息，Agent 知道自己拥有一个“公司研究”的能力。

但它暂时不会加载几千字的研究框架、会计规则和分析模板。

第二阶段：激活 Skill

当用户提出：

帮我深度分析一下这家公司。

Agent 会查看当前可用的 Skill。

如果它认为 company-research 的描述与任务匹配，就会读取完整的 SKILL.md。

这一步非常关键。

因为 Skill 的 description 不只是介绍文案，它实际上承担着“能力路由”的作用。

描述太宽泛，Skill 可能在不该触发时被触发，描述太模糊，真正需要它时，Agent 又可能想不起来使用。

第三阶段：执行 Skill

读取 SKILL.md 后，Agent 开始按照其中的流程工作。

例如：

过程中，如果需要更详细的会计规则，Agent再读取：

references/accounting-rules.md

如果需要计算复合增长率，就运行：

scripts/calculate_growth.py

如果需要生成最终报告，就使用：

assets/report-template.md

官方 Agent Skills 规范将这一机制概括为三个层次：启动时加载名称和描述，Skill 被激活后加载完整指令，脚本、资料和模板则在真正需要时才读取。这样，Agent 即使安装了大量 Skills，也不必一次性承担全部上下文成本。

说白了：

Skill 不是永远摆在模型桌面上的厚重说明书，而是遇到具体问题时才从书架上取下来的专业手册。

5、Skill 和 Prompt 到底有什么区别？

这是最容易混淆的地方。

很多 Skill 的主要内容也是自然语言指令。

既然都是给模型看的文字，为什么不能直接写成 Prompt？

区别不在于它们是不是文字，而在于它们在系统中承担的角色不同。

Prompt 是一次任务的要求

例如：

请分析这家公司的财报，重点关注收入增长、现金流和经营风险。

这个 Prompt 描述的是当前任务。

换一家公司，或者换一个用户，可能就要重新写一遍。

Skill 是一类任务的方法

它会进一步规定：

应该读取哪些资料。

使用什么分析框架。

按什么顺序推进。

哪些指标需要计算。

哪些结论必须验证。

最终按什么格式输出。

遇到数据缺失怎么办。

什么标准代表任务完成。

Skill 可以长期保存，可以版本管理，也可以被多个任务重复调用。

所以两者的关系不是互相替代，而是：

Prompt 描述当前要完成的任务，Skill 提供完成这类任务的方法。

举个简单的例子。

Prompt 像一张工单：

请检查这次代码提交。

Skill 则像一套代码审查规范：

先查看变更范围。

再检查安全风险。

检查数据库事务。

检查并发问题。

运行测试。

按严重程度输出问题。

没有证据时不要随意下结论。

只有 Prompt，没有 Skill，Agent 每次都需要临场发挥。

有了 Skill，它才可能逐渐形成稳定的专业表现。

6、Skill 和 Tool 有什么区别？

Tool 解决的是：

Agent 能做什么动作？

比如：

搜索网页。

读取文件。

查询数据库。

运行代码。

发送邮件。

创建日程。

调用外部 API。

Tool 给了 Agent 与外部世界交互的能力，但拥有工具，不等于会正确使用工具。

给一个新员工 Excel、数据库和财务系统，并不代表他自动就会完成财务分析。

他还需要知道：

什么时候查数据库。

应该查询哪些字段。

如何清洗数据。

不同口径如何统一。

哪些异常需要人工确认，这正是 Skill 负责的部分，因此可以记住这句话：

Tool 给 Agent 一双手，Skill 教 Agent 如何干活。

一个 Tool 通常提供某个原子动作。

一个 Skill 则可能把多个 Tool 组织起来，完成一个更完整的专业任务。

例如，“发邮件”是 Tool。

“每周五整理项目进度、识别风险、生成周报，并发给项目组”则更接近 Skill 或 Workflow。

7、Skill 和 MCP 又有什么不同？

MCP 经常和 Skill 一起出现，所以也容易混淆，MCP，全称 Model Context Protocol。

它是一套连接 AI 应用与外部系统的开放标准。

通过 MCP，Agent 可以连接本地文件、数据库、搜索引擎、日历、设计软件和各种业务系统。MCP 官方将其类比为 AI 应用的 USB-C：它解决的是外部系统如何以标准方式接入 AI。

因此，MCP 主要解决：

Agent 如何连接数据和工具？

Skill 主要解决：

Agent 应该怎样使用这些数据和工具完成任务？

例如，公司提供了一个财务系统 MCP Server。

通过它，Agent 可以：

查询收入。

查询订单。

查询成本。

获取预算。

导出报表。

但这些只是连接能力，Agent 仍然需要一个“月度经营分析 Skill”，告诉它：

MCP 是接口，Skill 是方法，MCP 让 Agent 可以进入财务系统，Skill 告诉 Agent，进入之后应该查什么、怎样分析、最后交付什么。

8、Skill 和 Workflow 有什么区别？

Skill 和 Workflow 的边界没有前面几组那么绝对。

因为一个 Skill 内部本来就可以包含工作流程，但两者的侧重点仍然不同。

Workflow 更强调：

固定步骤。

节点连接。

条件分支。

执行顺序。

状态流转。

它更像一条被预先设计好的生产线，Skill 更强调：

专业知识。

做事原则。

操作步骤。

判断方法。

参考资料。

可调用资源。

它更像一套专业工作手册。

Workflow 通常更确定，Skill 通常保留更多模型判断空间。

例如，发票处理流程可以设计成固定 Workflow：

上传文件、OCR 识别、字段提取、金额校验、写入系统，而“审查一份商业合同”更适合 Skill。

因为不同合同的风险点不同，Agent 需要根据合同内容动态决定：

重点检查付款条款、知识产权，还是数据合规。

当然，现实系统中两者经常组合。

Workflow 负责稳定地推进流程，Skill 负责告诉 Agent，每个关键节点应该如何判断和处理。

9、Skill、Memory 和 Harness 又是什么关系？

Memory 解决的是过去，它记录：

用户偏好。

历史对话。

项目状态。

已经完成的工作。

以前做过的选择。

Skill 解决的是方法，它告诉 Agent，某类事情应该如何完成，Harness 则是更大的系统。

一个完整的 Agent Harness，可能包括：

模型。

系统指令。

Tool。

MCP。

Skill。

Memory。

Subagent。

权限控制。

任务循环。

日志与评估。

人工确认机制。

如果把 Agent 看成一名数字员工：

模型是大脑，Tool 是办公设备，MCP 是设备和业务系统的标准接口，Memory 是工作笔记，Skill 是培训手册和专业方法，Workflow 是办事流程，Harness 则是这名员工所处的完整工作环境和管理体系。

所以 Skill 很重要，但它并不等于 Agent 的全部，它只是 Agent 从“有通用能力”走向“具备专业能力”的关键一层。

10、一个真正有用的 Skill，里面应该写什么？

很多人创建 Skill 时，会陷入一个误区：

把几十条要求塞进 SKILL.md，就认为自己完成了一个 Skill。

但长，不代表有用。

一个成熟的 Skill，至少应该解决下面六个问题。

1. 这个 Skill 负责什么？

边界必须清晰。

不要写：

帮助用户完成各种研究任务。

更好的方式是：

分析上市公司的商业模式、竞争格局、财务质量和关键风险，适用于公司研究、财报分析和投资备忘录写作。

Skill 太宽，Agent 不知道什么时候该触发，Skill 太窄，又会被拆得过于零散。

官方最佳实践建议，把 Skill 设计成一个完整、连贯、能够与其他能力组合的工作单元，就像设计一个职责清晰的函数。

2. 什么时候应该使用？

description 应该同时描述：

它能做什么。

什么情况下应该调用。

例如：

description: 审查 Java 和 Spring Boot 项目的代码变更，识别并发、事务、性能、安全和兼容性问题。在用户要求代码审查、检查 Pull Request 或评估发布风险时使用。

这比“帮助审查代码”有效得多。

3. 任务应该怎样推进？

Skill 不应只有原则，还应该给出可执行步骤。

例如：

好的 Skill 不是一句“请认真审查代码”，而是一套可以落实的程序。

4. 哪些信息需要动态判断？

Skill 不能把 Agent 变成只会机械执行的脚本。

对于允许多种合理方案的任务，应该给模型留下判断空间。

对于数据库迁移、生产发布、删除数据等脆弱操作，则应该明确限定命令、顺序和权限。

简单说：

任务越脆弱，Skill 越具体，任务越开放，Skill 越应该提供原则和判断框架。

5. 需要哪些脚本和资料？

稳定、确定、重复的操作，应该尽量交给代码。

例如：

数据校验。

数值计算。

文件转换。

格式检查。

单元测试。

静态扫描。

而复杂的领域规则、风格规范和案例，可以放进 references。

不要让模型每次都凭概率完成本可以确定执行的事情。

6. 什么才算完成？

很多 Prompt 和 Skill 最大的问题，是只有任务，没有验收标准。

比如“写一篇深度文章”，到底多深才算深？

一个写作 Skill 可以规定：

是否提出了明确的核心判断。

是否解释了概念、原理和应用。

是否区分了相似概念。

是否包含真实案例。

是否指出局限和边界。

是否存在事实错误。

非技术读者是否能够看懂。

文章是否可以直接发布。

没有验收标准，Agent 就只能判断自己是否写完，无法判断自己是否做好。

11、用一个 AI 写作 Skill 看懂它的价值

假设我们要做一个公众号 AI 深度写作 Skill。

过去，每次写文章，我们都需要重新告诉 AI：

文章面向普通人。
不要写成百科。

先提炼核心观点。

解释概念时要讲清定义、原理、应用和局限。

热点不能只复述新闻。

语言要通俗，但不能失去专业性。

段落要短，适合手机阅读。

结尾要给出判断，这些要求单独看都不复杂，但每次重复输入，不仅麻烦，也很容易遗漏。

现在，我们可以把它们封装成一个 Skill：

ai-article-writing/

├── SKILL.md

├── references/

│ ├── writing-harness.md

│ ├── style-guide.md

│ └── fact-checking.md

├── assets/

│ └── article-template.md

└── scripts/

└── check-length.py

当用户说：

写一篇关于 Agent Memory 的公众号文章。

Agent 自动加载这个 Skill。

先判断文章类型。

再提炼核心观点。

然后核实最新资料。

接着设计结构。

写完后检查事实、重复表达、文章长度和排版。

最后输出一篇可以直接发布的文章，这时候，Skill 封装的已经不只是一段 Prompt。

它封装的是一套完整的内容生产方法。

更重要的是，这套方法可以继续迭代。

文章表现不好，可以修改开头规则。

事实错误较多，可以加强资料验证。

篇幅过长，可以增加长度检查。

读者看不懂，可以调整术语解释标准。

每一次改进，都不再只服务于某一篇文章，而是升级了整个 Skill。

这就是 Skill 与临时 Prompt 的根本差别：

Prompt 的经验容易随着对话消失，Skill 的经验可以持续积累。

12、写 Skill 最容易犯的七个错误

第一个错误：把 Skill 写成超长 Prompt

几十页文字全部塞进 SKILL.md，看起来很全面，实际上会让 Agent 很难抓住重点。

Skill 的核心指令应该简洁，详细知识放进参考文件，需要时再加载。

Agent Skills 规范建议将主 SKILL.md 控制在500行、5000 Token以内，并把详细材料拆分到单独文件中。

第二个错误：什么都想做

一个 Skill 同时负责市场研究、文章写作、数据分析和演示文稿制作。

最后往往什么都做不好，Skill 应该围绕一个连贯的工作单元设计。

第三个错误：只写目标，不写流程

“生成一份高质量报告”不是流程，Agent 需要知道怎样收集信息、怎样分析、怎样验证和怎样输出。

第四个错误：步骤写得过于死板

不是所有任务都适合流水线。

过于严格的步骤会限制模型判断，甚至让 Agent 在现实情况变化时继续机械执行。

第五个错误：完全依赖自然语言

计算、校验、转换等确定性任务，尽量使用脚本。

模型擅长判断和生成。

代码擅长稳定和精确。

两者应该组合，而不是互相替代。

第六个错误：没有测试触发效果

一个 Skill 写完后，需要测试两件事：

应该触发时，能否触发。

不应该触发时，会不会误触发。

很多 Skill 内容写得不错，但描述太模糊，Agent根本不知道什么时候该使用。

第七个错误：忽略权限和安全

Skill 可以引导 Agent 运行脚本、修改文件、发送消息，甚至执行部署。

因此，来自不可信来源的 Skill，本质上和一段未经审查的代码没有太大区别。

涉及删除数据、生产发布、付款、发送外部消息等高风险操作时，必须限制工具权限，并保留人工确认。

13、Agent Skill 真正改变的，不只是 Agent

从表面看，Skill 只是一个文件夹，但它背后反映的是 AI 应用方式的一次变化。

过去，我们主要通过三个办法提高 AI 效果：

换一个更好的模型，写一段更好的 Prompt，给模型接入更多工具。

这些都很重要，但它们仍然没有解决一个核心问题：

如何让 AI 稳定复用人类已经积累的专业经验？

Skill 提供了一种新的答案。

第一，Prompt 正在变成可管理的能力资产

过去，一段好 Prompt 可能藏在某个人的笔记里。

现在，它可以和流程、脚本、模板、参考资料放在一起，形成一个可以版本管理、测试和分发的能力包。

第二，个人经验正在变成可执行知识

一个优秀员工的价值，不只是知道很多。

更重要的是，他知道遇到具体问题时怎样判断、怎样行动，Skill 让其中一部分隐性经验，可以被写出来、保存下来，并交给 Agent 执行。

第三，企业未来会建设自己的 Skill 库

不同企业即使使用同一个模型，最后的 Agent 能力也可能完全不同。

因为真正决定工作质量的，还包括：

企业内部知识。

标准作业流程。

风险控制规则。

行业经验。

输出规范。

大量经过验证的 Skills。

模型是通用的，但 Skill 可以是企业独有的。

未来企业之间的 AI 能力差距，可能不只体现在购买了哪个模型，也体现在沉淀了多少高质量的专业 Skill。

第四，Agent 生态会从“模型竞争”走向“系统竞争”

一个真正能干活的 Agent，不只是一个模型，它更像一个组装出来的系统：

模型提供通用智能，MCP 连接数据和外部工具，Memory 保存长期信息，Skill 提供专业方法，Workflow 保证流程稳定，Harness 负责组织、调度、权限和评估。

当模型能力逐渐接近时，真正拉开差距的，很可能正是这些模型之外的系统能力。

最后

2026年技术圈的分化愈发明显：降薪裁员潮持续蔓延，传统开发、测试等岗位大批缩水，不少从业者陷入职业焦虑；与之形成鲜明对比的是，AI大模型相关岗位迎来疯狂扩招，薪资逆势飙升150%，大厂更是直接开出70-100W年薪，疯抢具备实战能力的大模型人才，甚至放宽年龄限制，只求能快速落地技术、创造价值！

很多程序员、职场新人纷纷入局大模型领域，绝非盲目跟风，而是实实在在看到了不可替代的价值优势，这也是2026年最值得抓住的职业风口：

1、窗口期红利，入门门槛友好：不同于成熟赛道的“内卷式招聘”，2026年大模型人才缺口巨大，简历只要达标（掌握基础AI应用+具备简单项目经验），年龄、学历均非硬性要求，小白可快速入门，转行程序员也能无缝衔接；

2、技术可复用，上手速度翻倍：如果你有前后端开发、测试、数据分析等基础，在大模型落地、系统部署、Prompt工程等环节会更具优势，无需从零开始，复用原有技术能力就能快速进阶；

3、懂业务更吃香，竞争力翻倍：单纯懂技术已不够，2026年大厂更看重“技术+业务”的复合型人才，有垂直领域（金融、医疗、工业等）经验者，能精准定位模型落地痛点，薪资比纯技术岗高出30%以上；

更重要的是，即便没有转型需求，用AI大模型工具为工作赋能、提升效率，也已经成为80%企业的硬性要求——不会用大模型提效，未来很可能被行业淘汰！

那么2026年，小白/程序员该如何高效学习大模型？

很多人想入门大模型，却陷入两大困境：要么到处搜集零散资料，不成体系，越学越懵；要么被收费高昂的课程割韭菜，花了钱却学不到实战技能，白白浪费时间走弯路。

今天就给大家精心整理了一份2026年最新、免费、系统化的AI大模型学习资源包，覆盖从零基础入门到商业实战、从理论沉淀到面试通关的全流程，所有资料均已整理归档，无需拼凑，直接领取就能上手学习，小白可照做，程序员可进阶！

👇👇扫码免费领取全部内容👇👇

1、大模型系统化学习路线

这份学习路线结合2026年行业趋势和新手学习规律，由行业专家精心设计，从零基础到精通，每一步都有明确指引，帮你节省80%的无效学习时间，少走弯路、高效进阶，避免踩坑。

2、从0到进阶大模型学习视频教程

从入门到进阶这里都有，跟着老师学习事半功倍。

3、大模型学习书籍&电子文档

涵盖2026年最新技术要点，包括基础入门、Transformer核心原理、Prompt工程、RAG实战、模型微调与部署等内容

4、AI大模型最新行业报告

报告包含腾讯、阿里、甲子光年等权威机构发布的核心内容，还有2026年中文大模型基准测评报告、AI Agent行业研究报告等，帮你站在行业前沿，把握技术风口。

5、大模型项目实战&配套源码

项目包含Deepseek R1、GPT项目、MCP项目、RAG实战等热门方向，还有视频配套代码，手把手教你从0到1完成项目开发，既能练手提升技术，又能丰富简历，为求职和职业发展加分。

6、2026大模型大厂面试真题

2026年大模型面试已全面升级，不再单纯考察基础原理，而是转向侧重技术落地和业务结合的综合考察，很多程序员和新手因为缺乏针对性准备，明明技术不错，却在面试中失利。

适用人群

四阶段学习规划（共90天，可落地执行）

第一阶段（10天）：初阶应用

该阶段让大家对大模型 AI有一个最前沿的认识，对大模型 AI 的理解超过 95% 的人，可以在相关讨论时发表高级、不跟风、又接地气的见解，别人只会和 AI 聊天，而你能调教 AI，并能用代码将大模型和业务衔接。

• 大模型 AI 能干什么？
• 大模型是怎样获得「智能」的？
• 用好 AI 的核心心法
• 大模型应用业务架构
• 大模型应用技术架构
• 代码示例：向 GPT-3.5 灌入新知识
• 提示工程的意义和核心思想
• Prompt 典型构成
• 指令调优方法论
• 思维链和思维树
• Prompt 攻击和防范
• …

第二阶段（30天）：高阶应用

该阶段我们正式进入大模型 AI 进阶实战学习，学会构造私有知识库，扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架，抓住最新的技术进展，适合 Python 和 JavaScript 程序员。

• 为什么要做 RAG
• 搭建一个简单的 ChatPDF
• 检索的基础概念
• 什么是向量表示（Embeddings）
• 向量数据库与向量检索
• 基于向量检索的 RAG
• 搭建 RAG 系统的扩展知识
• 混合检索与 RAG-Fusion 简介
• 向量模型本地部署
• …

第三阶段（30天）：模型训练

恭喜你，如果学到这里，你基本可以找到一份大模型 AI相关的工作，自己也能训练 GPT 了！通过微调，训练自己的垂直大模型，能独立训练开源多模态大模型，掌握更多技术方案。

到此为止，大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗？

• 为什么要做 RAG
• 什么是模型
• 什么是模型训练
• 求解器 & 损失函数简介
• 小实验2：手写一个简单的神经网络并训练它
• 什么是训练/预训练/微调/轻量化微调
• Transformer结构简介
• 轻量化微调
• 实验数据集的构建
• …

第四阶段（20天）：商业闭环

对全球大模型从性能、吞吐量、成本等方面有一定的认知，可以在云端和本地等多种环境下部署大模型，找到适合自己的项目/创业方向，做一名被 AI 武装的产品经理。

• 硬件选型

• 带你了解全球大模型

• 使用国产大模型服务

• 搭建 OpenAI 代理

• 热身：基于阿里云 PAI 部署 Stable Diffusion

• 在本地计算机运行大模型

• 大模型的私有化部署

• 基于 vLLM 部署大模型

• 案例：如何优雅地在阿里云私有部署开源大模型

• 部署一套开源 LLM 项目

• 内容安全

• 互联网信息服务算法备案

• …

👇👇扫码免费领取全部内容👇👇

7、这些资料真的有用吗？

这份资料由我和鲁为民博士(北京清华大学学士和美国加州理工学院博士)共同整理，现任上海殷泊信息科技CEO，其创立的MoPaaS云平台获Forrester全球’强劲表现者’认证，服务航天科工、国家电网等1000+企业，以第一作者在IEEE Transactions发表论文50+篇，获NASA JPL火星探测系统强化学习专利等35项中美专利。本套AI大模型课程由清华大学-加州理工双料博士、吴文俊人工智能奖得主鲁为民教授领衔研发。

资料内容涵盖了从入门到进阶的各类视频教程和实战项目，无论你是小白还是有些技术基础的技术人员，这份资料都绝对能帮助你提升薪资待遇，转行大模型岗位。

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】