本文深入解析了让AI Agent从“聊天机器人”进化为“得力干将”的关键——Skills技能包。针对Agent常见问题如规则失效、执行失控、工具迷失，文章详细阐述了Skills的概念、工作原理、设计原则及调用逻辑，并提供了官方与社区热门Skills资源推荐。通过“Spec Coding”实践案例，展示了如何利用Skills实现多角色分工协作，解决Agent混乱问题，最终让AI从“对话助手”升级为“可信赖的实干家”，实现高效精准的流程化任务处理。

1、什么是 Skills

“Skills” 这个概念最早由 Anthropic 公司提出，作为其大模型 Claude 的一种能力扩展机制。简单来说，它允许用户为 Claude 添加自定义的功能和工具。随着这套做法越来越成熟，并被社区广泛接受，Skills 如今已成为大多数 Agent 开发工具和 IDE 都支持的一种标准扩展规范。

一个 Skills 通常以一个文件夹的形式存在，里面主要装着三样东西：一份说明书（SKILL.md）、一堆操作脚本（Script）、以及一些参考资料（Reference）。

内容	作用
SKILL.md	通过自然语言描述清楚（使用场景、使用方式、使用步骤、及注意事项等上下文补充信息）
Script 脚本	Agent 可以执行的具体脚本代码
Reference 引用	参考文档，引用的模板，相关关联上下文的文件信息

你可以把一个 Skill 想象成一个打包好的“技能包”。它把完成某个特定任务所需的领域知识、操作流程、要用到的工****具、以及最佳实践全都封装在了一起。当 AI 面对相应请求时，就能像一位经验丰富的专家那样，有条不紊地自主执行。

**一句话总结：**要是把 Agent 比作一个有很大潜力的大脑，那 **Skills 就像是给这个大脑的一套套能反复用的“高级武功秘籍”。**有了它，Agent 能从一个“什么都略知一二”的通才，变成在特定领域“什么都擅长”的专家。

2、Skill 原理介绍

📚 官方解释：

https://platform.claude.com/docs/en/agents-and-tools/agent-skills/overview

Skill 的架构原理：渐进式加载

Skill 的设计很巧妙，它运行在一个沙盒环境里，这个环境允许大模型访问文件系统和执行 bash命令（可以理解为一种电脑操作指令）。在这个环境里，一个个 Skill 就像一个个文件夹。Agent 就像一个熟悉电脑操作的人，通过命令行来读取文件、执行脚本，然后利用结果去完成你交代的任务。这种“按需取用”的架构，让 Skill 成为一个既强大又高效的“工具箱”。

为了平衡效果和效率，Skill 设计了一套聪明的三层分级加载机制：

级别	加载时机	Token 消耗	内容
1 级：元数据	始终（启动时）	每个技能 约 100 Token	YAML 前置元数据中的名称和描述
2 级：说明文档	技能触发时	低于 5000 Token	SKILL.md 正文（包含操作指南和指导说明）
3 级及以上：资源	按需	几乎无限制	通过 bash 执行的捆绑文件（内容不加载到上下文）

Level 1：元数据（始终加载）

元数据就像是 Skill 的“名片”，里面有名称（name）和描述（description），是用 YAML 格式来定义的。Claude 在启动的时候，会把所有已经安装的 Skill 的元数据都加载进来，这样它就能知道每个 Skill 有什么用、什么时候该用。因为元数据很轻量，所以你可以安装很多 Skill，不用担心把上下文占满。

Level 2：说明文档（触发时加载）

SKILL.md文件的正文就是说明文档，里面有工作流程、最佳实践和操作指南。只有用户的请求和 Skills 元数据里的描述相符时，Claude 才会用 bash 指令读取这份文档，把内容加载到上下文里。这种“触发式加载”能保证只有相关的详细指令才会消耗 Token。

Level 3：资源与代码（按需加载）

Skills 还能打包一些更深入的资源，比如更详细的说明文档（FORMS.md）、可执行脚本（.py）或者参考资料（像 API 文档、数据库结构等）。Claude 只有在需要的时候，才会通过bash 去读取或执行这些文件，而且脚本代码本身不会进入上下文。这样一来，Skills 就能捆绑大量信息，几乎不会增加额外的上下文成本。

Skills 的调用逻辑：从理解意图到稳定执行

那么，Agent 是如何智能地选择并执行一个 Skill 的呢？整个过程就像一位经验丰富的助理在处理工作：

1. **意图匹配（找到对的人）：**Agent 首先聆听你的需求，然后快速扫一眼自己手头所有 Skill 的“名片夹”（元数据），寻找最匹配的那一张。
2. **读取手册（看懂怎么干）：**找到合适的 Skills 后，Agent 会像模像样地翻开它的“操作手册”（SKILL.md），仔细研究详细的执行步骤和注意事项。
3. **按需执行（动手开干）：**根据手册的指引，Agent 开始工作。如果需要，它会随时从“工具箱”里拿出脚本或工具来完成具体操作。
4. **反馈结果（事毕复命）：**任务完成后，Agent 向你汇报最终结果，或者在遇到困难时，及时向你请教。

3、Skills vs. 其他概念的区别

为了更清晰地理解 Skills 的独特价值，我们不妨把它和另外两个容易混淆的概念——快捷指令（Command）和原子工具（MCP）——放在一起做个对比。用一个厨房的例子就很好懂了：

概念	好比是……	核心特点	适用场景
斜杠命令 Command	微波炉上的**“指定按钮”（如：/解冻**、/爆米花）	由用户主动触发的、固定的、单一功能的命令。简单直接，但不够智能和灵活。	作为主动复用 prompt 的快捷方式，让用户快速复用模板 prompt
模型上下文协议 MCP	厨房里的**“单一厨具”**（如：一把刀、一个烤箱）	为 AI 提供调用外部 API或脚本的基础能力。模型知道有这个工具，但不知道具体在什么菜谱里、什么步骤下使用，以及怎么更好的使用。	通过标准协议链接外部系统获取信息或完成任务
技能 Skills	一本完整的**“菜谱”**（如：“如何制作法式焗蜗牛”）	由模型根据任务自动匹配和驱动。它定义了制作这道菜（完成这个任务）需要用到哪些厨具（原子工具）、遵循哪些步骤、注意什么火候（最佳实践），是流程化、场景化的。	由模型驱动意图理解，通过渐进式加载补充上下文，并根据 SOP 完成指定任务

我们也列举了几个大家容易混淆的其他功能，一起来对比看看。

概念	核心特点	适用场景	易混淆点
rules 规则	通常通过 agent.md 或者 project_rules 文件维护，内容基本与项目绑定	主要专注于和项目强相关的场景	在无 Skills 的时候部分场景通过，在 rules 文件手动维护索引和文件 summary 的方式实现项目里的不同场景复用不同规则。
Agent 智能体	通常搭配相关 prompt 和对应的 tools use 打包使用，普遍用于多 agent 系统中	专用型场景使用 agent 可以更加符合场景需要	在 Skills + subagent 的场景中也能实现多 agent 调度的的逻辑
Memory 记忆	由模型主动或被动从用户对话中提炼关键上下文以进行记录	日常开发过程中潜移默化的记录，对用户干扰性不大	Memory 生成的内容可能类似于 rules 或者 Skills 通常明确了使用场景的 memory 可以被手动迁移到 rules 或者 Skills 中

📚 官方博客解释：

https://claude.com/blog/skills-explained

4、什么是好的 Skills：从“能用”到“好用”

Good Skills vs Bad Skills

评判维度	Good Skills	Bad Skills
单一职责原则	**每个 Skill 只做一件事，且把它做好。**例如，可以分解为三个独立的 Skill：query_data、generate_chart、send_email。	一个 Skill 试图做太多事，比如“既负责数据查询，又负责图表生成，还负责邮件发送”。
描述清晰度	描述清晰、具体，使用自然语言，明确说明输入、输出和核心功能。例如：“根据用户提供的城市名和日期范围，查询并返回该城市的天气数据。”	描述模糊，充满技术术语，智能体难以理解。例如：“一个用于数据处理的工具。”
参数设计	参数精简、命名语义化（如 city_name，date_range），并为每个参数提供清晰的描述和示例。明确使用 Skill 需要的参数如何获取，以及参数如何使用。	参数过多、命名不规范（如 arg1， p2），缺少详细的注释说明。
可组合性	设计时就考虑到了可组合性，其输出可以作为其他 Skill 的输入，方便构建更复杂的任务流（Workflow），可以尝试通过单一职责完成原子 Skill 的开发，并通过某项具体任务 SOP Skill 完成协调。	设计上是“一锤子买卖”，难以与其他 Skill 联动。

如何写好 Skills

1. **原子性（Atomicity）：**坚持单一职责，让每个 Skill 都像一块积木，小而美，专注于解决一个具体问题，便于日后的复用和组合。
2. **给例子（Few-Shot Prompting）：**这是最关键的一点，与其费尽口舌解释，不如直接给出几个清晰的输入输出示例。榜样的力量是无穷的，模型能通过具体例子，秒懂你想要的格式、风格和行为。
3. 立规矩（Structured Instructions）：

**1) 定角色：**给它一个明确的专家人设，比如“你现在是一个资深的市场分析师”。

**2) 拆步骤：**把任务流程拆解成一步步的具体指令，引导它“思考”。

**3) 画红线：**明确告诉它“不能做什么”，防止它天马行空地“幻觉”

4. **造接口（Interface Design）：**像设计软件 API 一样，明确定义 Skill 的输入参数和输出格式（比如固定输出 JSON 或 Markdown）。这让你的 Skill 可以被其他程序稳定调用和集成。

5. **勤复盘（Iterative Refinement）：**把 Skills 当作一个产品来迭代。在实际使用中留心那些不尽如人意的“Bad Case”，然后把它们变成新的规则或反例，补充到你的 Skills 定义里，让它持续进化，越来越聪明、越来越靠谱。

📚 一些官方最佳实践指南

https://platform.claude.com/docs/zh-CN/agents-and-tools/agent-skills/best-practices

5、社区热门 Skills 推荐

刚开始接触 Skills，不知从何下手？不妨从社区沉淀的这些热门 Skills 开始，寻找灵感，或直接在

你的工作流中复用它们。

Claude 官方提供的 Skills

📚 官方 Skills 仓库

https://github.com/anthropics/skills

学习 Claude 官方的 Skills 仓库可以帮助我们最快的了解 Skills 的最佳实践，便于我们沉淀出自己的 Skills。

如何快速使用官方 Skills？

大多数官方 Skills 都能直接下载，或者通过 Git 克隆到本地。在 TRAE 等工具里，一般只需把这些 Skills 的文件夹放到指定的 Skills 目录，接着重启或刷新 Agent，它就会自动识别并加载这些新能力。具体操作可参考工具的使用文档。

更多细节可参考下面这部分内容：如何在 TRAE 里快速用起来

Claude 官方提供的 Skills 列表

Skills 名称	Skills 说明	适用场景
algorithmic-art	使用 p5.js 创建生成艺术，支持种子随机性、流场和粒子系统。	适用于通过代码生成艺术、流场或粒子系统等场景。
artifacts-builder	使用 React、Tailwind CSS 和 shadcn/ui 等现代前端技术，构建复杂的多组件 claude.ai HTML 制品。	适用于需要状态管理、路由或复杂 UI 组件的场景。
brand-guidelines	将 Anthropic 官方品牌颜色和版式应用于各类制品。	适用于需要遵循公司品牌或设计规范的视觉格式化任务。
canvas-design	使用设计哲学创建 PNG 和 PDF 格式的视觉艺术作品，如海报或设计图。	适用于需要原创视觉设计的场景，避免版权问题。
document-Skills/docx	支持 docx 文件的创建、编辑与分析，包括追踪修订、添加评论、保留格式和文本提取。	适用于处理专业的 Word 文档。
document-Skills/pdf	提供全面的 PDF 操作工具集，支持文本与表格提取、创建新 PDF、合并/拆分文档及处理表单。	适用于需要以编程方式处理、生成或分析 PDF 的场景。
document-Skills/pptx	支持 pptx 文件的创建、编辑与分析，包括处理布局、模板、图表和自动生成幻灯片。	适用于各类演示文稿处理任务。
document-Skills/xlsx	支持 xlsx 等电子表格文件的创建、编辑与分析，包括公式、格式化、数据分析和可视化。	适用于需要处理电子表格数据的各类任务。
frontend-design	创建具有独特性和生产级别质量的前端界面。	适用于构建避免通用 AI 审美的、视觉效果突出的 Web 组件、页面或应用。
internal-comms	辅助撰写各类内部沟通文档，如状态报告、领导层更新、公司通讯和常见问题解答。	适用于需要遵循公司内部沟通规范的写作任务。
mcp-builder	指导创建高质量的 MCP （Model Context Protocol） 服务器，使语言模型能与外部服务和 API 交互。	适用于 Python （FastMCP） 或 Node/TypeScript （MCP SDK） 环境。
Skills-creator	指导创建或更新能扩展 Claude 能力的 Skills，包括添加专业知识、工作流或工具集成。	适用于为 Claude 开发新能力的场景。
slack-gif-creator	创建针对 Slack 优化的动画 GIF，提供尺寸验证和动画。	适用于为 Slack 创建符合其大小限制的动画 GIF 或表情。
template-Skills	作为一个基础模板，用于创建新 Skills 的起点。	/
theme-factory	提供 10 种预设主题或动态生成自定义主题，为各类制品（如幻灯片、文档）提供样式。	适用于需要对产出物进行专业视觉风格化的场景。
webapp-testing	使用 Playwright 与本地 Web 应用进行交互和测试，支持验证前端功能、调试 UI 行为和捕获浏览器日志。	适用于 webapp AI 自动化测试场景

社区其他最佳实践

分类	项目名称	链接
Github 社区 Awesome	一些 Skills 的最佳实践集合	* https://github.com/ComposioHQ/awesome-claude-Skills * https://github.com/travisvn/awesome-claude-Skills * https://github.com/libukai/awesome-agent-Skills
非常全面的 Skills 分发市场	Skillsmp	https://Skillsmp.com/zh
使用工具将文档或网页转为 Skills	Skills_Seekers	https://github.com/yusufkaraaslan/Skills_Seekers
使用 Claude 进行学术创作	claude-scientific-writer	https://github.com/K-Dense-AI/claude-scientific-writer
你的专家级工作伙伴	superpowers	https://github.com/obra/superpowers
你的随身设计师	ui-Skillsls	https://www.ui-Skills.com/
快速复刻设计风格	ui-ux-pro-max-Skills	https://ui-ux-pro-max-Skills.nextlevelbuilder.io/

6、如何在 TRAE 里快速使用

理论说再多，不如亲手一试。我们先讲一下如何在 TRAE SOLO 中创建并应用一个 Skill 并以基于飞书文档的 Spec Coding 为例讲解一下如何利用 Skills 快速解决一个实际问题。

Skill 创建

方式一：设置中直接创建

TRAE 支持在设置页面可以快速创建一个 Skill

按下快捷键 Cmd +/ Ctrl + 通过快捷键打开设置面板。

在设置面板左侧找到「规则技能」选项

找到技能板块，点击右侧的「创建」按钮。

你会看到一个简洁的创建界面，包含三要素：Skill 名称、Skill 描述、Skill 主体。我们以创建一个“按规范提交 git commit”的 Skill 为例，填入相应内容后点击「确认」即可。

填入我们需要的内容「确认」即可

方式二：直接解析 SKILL.md

在当前项目目录下，新增目录.trae/Skills/xxx 导入你需要文件夹，和 TRAE 进行对话，即可使用。

可以在「设置 - 规则技能」中看到已经成功导入

方式三：在对话中创建

目前 TRAE 中内置了 Skills-creator Skills ，你可以在对话中直接和 TRAE 要求创建需要的 Skills

Skill 使用

在 TRAE 里使用技能很容易，你加载好需要的技能后，只需在对话框中用日常语言说明你的需求就行。

• 例如，输入“帮我设计一个有科技感的登录页面”，系统就会自动调用“frontend-design”技能。
• 例如，输入“帮我提取这个 PDF 里的所有表格”，系统会自动调用“document-Skills/pdf”技能。
• 例如，输入“帮我把这片技术文档转为飞书文档”，系统会自动调用“using-feishu-doc”技能。

系统会自动分析你的需求，加载技能文档，还会一步步指导你完成任务！

实践场景举例

还记得引言里提到的那些问题吗？比如说，项目规则文件（project_rules）有字符数量的限制；又或者，就算你在根规则文件里明确写好了“在什么情况下读取哪个文件”，Agent 在执行任务时也不会按照要求来做。

这些问题的根本原因是，规则（Rules）对于 Agent 而言是固定不变的，它会在任务开始时就把所有规则一次性加载到上下文中，这样既占用空间，又不够灵活。而 技能（Skill）采用的是“逐步加载”的动态方式，刚好可以解决这个问题。所以，我们可以把之前那些复杂的规则场景，重新拆分成一个个独立的技能。

接下来，我们通过一个基于飞书文档的“Spec Coding”简单流程，来实际操作一下如何用技能解决问题。

什么是 Spec Coding？

Spec Coding 提倡“先思考后行动”，也就是通过详细定义可以执行的需求规范（Specification）来推动 AI 开发。它的流程包含“需求分析、技术设计、任务拆解”的文档编写过程，最后让 AI 根据规范来完成编码。这种一步步的工作流程能保证每一步都有依据，实现从需求到代码的准确转化。

让我来分析一下这个场景

上面提到将开发过程划分为四个关键阶段，所以要完成 “需求分析、技术设计、任务拆解” 的飞书文档撰写，还有最终的代码实现。为此，我们需要不同的技能来满足不同场景下的文档编写需求，并且要教会 Agent 如何使用飞书工具进行创作协同。

下面我们就一起完成上面提到的 Skills 的设计实现。

多角色专家 Skills

通过实现多角色 Skills 通过创建多个交付物过程文档，约束后续的编码，为编码提供足够且明确的上下文，每个Skill 专注完成一件事

• 下面让我们进一步详细设计

序号	角色名称	Skills 标识	主导思维	输入	职责	交付物
1	需求分析师	requirement-analyst	产品思维	用户模糊的一句话需求、草图	* 澄清挖掘：识别模糊点，主动提问 * 边界定义：明确 Scope（做什么 / 不做什么） * 场景细化：梳理 User Stories 和 Edge Cases	REQUIREMENT.md
2	技术架构师	system-architect	工程思维	REQUIREMENT.md	* 技术选型：确定框架、库、工具链 * 数据建模：设计 Schema、State、API Spec * 模块设计：划分组件层级、核心类图	DESIGN.md
3	任务规划师	task-planner	项目管理思维	REQUIREMENT.md + DESIGN.md	* 颗粒度控制：拆解为 < 15min 的原子任务 * 依赖排序：规划开发顺序（类型→Mock→组件） * 验证标准：设定 Definition of Done	TODO.md
4	规范执行者	spec-coder	编程思维	TODO.md + DESIGN.md	* 严格执行：遵循设计文档的命名与结构 * 变更管理：遇阻回滚设计，不擅自修改逻辑 * 自我验证：完成任务即进行测试	高质量代码

按照上述的表格我们就可以大致明确我们需要的 Skills 该如何实现了。

• 本次只作为一个例子大家可以参考上面创建 Skill 的教程自己完成一下这个多角色 Skills 的创建和调试，当然正如上面所述好的 Skill 需要在实践中逐渐优化并通过场景调用不断进行优化的

飞书文档使用 Skill

飞书文档的格式是 markdown 的超集，我们 Skill 的目的则是教会 Agent 飞书文档的语法，便于 Agent 写出符合格式的 md 文件。并通过约束 Agent 行为，充分利用飞书文档的评论的读写完成多人协作审阅的过程，用户通过在飞书文档评论完成相关建议的提出，Agent 重新阅读文档和评论，根据建议进一步优化文档，实现文档协作工作流。

Spec Coding Skill

上面我们实现了多个角色 Skills 和一个功能 Skill，但实际使用时，还需要有一个能统筹全局的技能，来实现分工协作。把上述多个技能组合起来，告诉智能体（agent）整体的规格编码（spec coding）流程，完成工具技能和角色技能的组合与调度。

如此我们就能快速搭建一个规格编码工作流程，完成基础开发。当然也可以参考上面的逻辑，用技能来重新复刻社区里的规格编码实践（如 SpecKit、OpenSpec 等）。

总结

上述场景提到了两种不同风格的 Skill（角色型，工具型），利用 Skill 的动态加载机制（取代固定规则的一次性加载方式），完成了复杂场景下的任务分解；通过 不同角色技能的分工协作（避免 Agent 什么都做导致执行混乱）；尝试借助飞书文档形成协作闭环（打通人机交互的最后一步），有效解决了 Agent “不听话、执行乱、工具少” 的问题，让 AI 从 “对话助手” 真正转变为 “可信赖的实干家”，实现从需求提出到代码产出的高效、精准、协作式交付。

7、Q & A | 一些常见问题

为什么我写的 Skills 不生效，或者效果不符合预期？

那十有八九是你的“名片”（Description）没写好。

记住，Agent 是通过读取 Skills 的 Description来判断“什么时候该用哪个 Skill”的。要是你的描述写得含糊不清、太专业或者太简单，Agent 就很难明白你的意思，自然在需要的时候就不会调用这个 Skill。所以，用大白话写的清晰、准确的Description**，对 Skill 能否起作用至关重要。**

使用 Skills 的效果，会受到我选择的大语言模型（LLM）的影响吗？

会有影响，不过影响的方面不一样。

• **一个更强大的模型，主要影响“挑选”和“安排”技能的能力。**它能更准确地明白你的真实想法，然后从一堆技能里挑出最适合的一个或几个来解决问题。它的优势体现在制定策略方面。
• **而技能本身，决定了具体任务执行的“最低水平”和“稳定性”。**一旦某个技能被选中，它里面设定好的流程和代码是固定的，会稳定地运行。所以，技能编写得好不好，直接决定了具体任务能不能出色完成。。

Skills 是不是万能的？有什么它不擅长做的事情吗？

**当然不是万能的。Skills 的主要优势是处理那些流程明确、边界清晰的任务。**在下面这些情况中，它可能就不是最好的选择了：

• **需要高度创造力的任务：**像写一首饱含情感的诗，或者设计一个全新的品牌标志。这类工作更需要大模型本身的“灵感”。
• **需要实时、动态做决策的复杂策略游戏：**比如在变化极快的金融市场中做交易决策。
• **单纯的知识问答或开放式闲聊：**如果你只是想问“文艺复兴三杰是谁？”，直接问大模型就可以，不用动用 Skills 这个“大杀器”。

我发现一个社区的 Skills 很好用，但我可以修改它以适应我的特殊需求吗？

当然可以，我们强烈建议你这么做！

大多数共享的 Skill 都支持用户“Fork”（也就是“复制一份”）并进行二次开发。你可以把通用的 Skill 当作模板，在自己的工作空间里复制一份，然后修改里面的逻辑或参数，以适应你自己的业务需求。这对整个生态的共建和知识复用很重要。

结语｜让 Agent 成为你真正的“行动派”

Skill 的出现，为 AI 从“对话式助手”转变为“可信赖的执行者”搭建了关键的技术桥梁。它用结构化的方法把领域知识、操作流程和工具调用逻辑封装起来，解决了 Agent 规则失效、执行失控的混乱问题，让 AI 的能力输出变得可以控制、值得信赖且高效。

Skill 的核心价值在于：

• **精准实际痛点：**通过巧妙的三级加载机制（元数据→说明文档→资源）平衡上下文效率与功能深度，在功能深度和上下文效率之间找到了一个绝佳的平衡点，既避免了宝贵 Token 的浪费，又确保了任务执行的精准性，实现了 Agent 上下文的动态加载能力。
• **生态赋能，降低门槛：**无论是官方还是社区，都提供了丰富的资源（如 Claude 官方仓库、SkillsMP 市场等），让普通用户也能轻松站在巨人的肩膀上，快速复用各种成熟的能力。

虽然 Skill 不是万能的，但它在“确定性流程任务”上的优势无可替代。未来，随着 AI 模型能力的提升与 Skill 生态的进一步完善，我们有望看到更多跨领域、可组合的 Skill 出现——让 AI 从“样样懂一点”的通才，真正进化为“事事做得好”的专家协作伙伴。

最后

对于正在迷茫择业、想转行提升，或是刚入门的程序员、编程小白来说，有一个问题几乎人人都在问：未来10年，什么领域的职业发展潜力最大？

答案只有一个：人工智能（尤其是大模型方向）

当下，人工智能行业正处于爆发式增长期，其中大模型相关岗位更是供不应求，薪资待遇直接拉满——字节跳动作为AI领域的头部玩家，给硕士毕业的优质AI人才（含大模型相关方向）开出的月基础工资高达5万—6万元；即便是非“人才计划”的普通应聘者，月基础工资也能稳定在4万元左右。

再看阿里、腾讯两大互联网大厂，非“人才计划”的AI相关岗位应聘者，月基础工资也约有3万元，远超其他行业同资历岗位的薪资水平，对于程序员、小白来说，无疑是绝佳的转型和提升赛道。


对于想入局大模型、抢占未来10年行业红利的程序员和小白来说，现在正是最好的学习时机：行业缺口大、大厂需求旺、薪资天花板高，只要找准学习方向，稳步提升技能，就能轻松摆脱“低薪困境”，抓住AI时代的职业机遇。

如果你还不知道从何开始，我自己整理一套全网最全最细的大模型零基础教程，我也是一路自学走过来的，很清楚小白前期学习的痛楚，你要是没有方向还没有好的资源，根本学不到东西！

下面是我整理的大模型学习资源，希望能帮到你。

👇👇扫码免费领取全部内容👇👇

最后

1、大模型学习路线

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、 入门必看大模型学习书籍&文档.pdf（书面上的技术书籍确实太多了，这些是我精选出来的，还有很多不在图里）

4、 AI大模型最新行业报告

2026最新行业报告，针对不同行业的现状、趋势、问题、机会等进行系统地调研和评估，以了解哪些行业更适合引入大模型的技术和应用，以及在哪些方面可以发挥大模型的优势。

5、面试试题/经验

【大厂 AI 岗位面经分享（107 道）】

【AI 大模型面试真题（102 道）】

【LLMs 面试真题（97 道）】

6、大模型项目实战&配套源码

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👇👇

  

3、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】