本文深入剖析了Claude Agent Skills的核心机制，从本质到工程实践，为程序员提供了一份可落地的工程清单。文章详细解释了Skills如何通过提示词扩展实现功能，以及元工具、对话上下文注入、执行上下文修改等关键概念。此外，还探讨了Skills的常见设计模式、工程化难点和落地清单，帮助读者更好地理解和应用Claude大模型技能。

我们都是架构师！
架构未来，你来不来？

大年初一，先给大家拜年了 🧨

假期这几天终于有整块时间，把一直想读的几篇 Skill 底层分析啃完了。年前团队里就有人问过：“Claude 的 Skill 我们能不能也搞一套？” 当时没来得及细看，趁这个假期把它彻底拆开。

Skill 的热度这几周明显上来了。之前我也聊过几次，但基本都停在"怎么用"这个层面。大多数讨论也是如此。

我更关心第二个问题：它到底靠什么工作？

真要判断这东西能不能在自己业务里用起来，光看功能列表是不够的。你得知道它底层是怎么运作的，动态加载机制长什么样，有哪些限制条件。把机制想清楚了，很多工程问题会自己浮出水面：description 怎么写才不乱触发？allowed-tools 怎么收口才安全？技能多了之后怎么避免互相打架？

这篇文章我按第一性原理，把 Claude Agent Skills 的核心机制拆开，再给一份可落地的工程清单。

主要参考了 Han Lee 那篇 Claude Agent Skills: A First Principles Deep Dive——质量非常高，深入到了源码层面。结合实际的 Agent 调用日志做验证，基本能把 Skill 的里外看透。

本篇不重复基础概念，直接进机制。如果你还不熟悉 Skill 的基本用法，建议先看之前的 Anthropic 官方 33 页指南拆解: 构建Skills的最佳实践

---

太长不看版

• Skill 的本质是提示词扩展，不是函数调用，不是插件。系统把 SKILL.md 的内容按需注入对话上下文，让模型"临时学会一套做法"。
• 管理所有技能的是一个名为 Skill 的元工具（Meta-Tool）。模型先看到"通讯录"（名称 + 简介），选中后才加载完整"操作手册"。
• 选择哪个技能，完全依赖 LLM 自身的语言理解——没有路由器、没有正则、没有分类器，决策发生在 Transformer 的前向传播中。
• 一次调用同时改写两件事：对话上下文（注入指令与工作流）+ 执行上下文（临时放行工具权限、可选切换模型）。
• 代价也很现实：每次注入可能额外消耗 1500+ tokens；技能越多，歧义与误触发越难避免。
• 工程启示：把 Skill 当成"可版本化的配置资产"来运营，而不是写完扔在那里。

---

先把 Skill 放回正确的分类

很多人把 Skill 直觉类比成"函数调用"或"插件"。

这个类比会带偏。

Skill 不运行 Python，不运行 JavaScript，背后也没有 HTTP 服务器或函数调用。你写在 SKILL.md 里的不是可执行代码。系统做的事情是：把文档内容注入模型的短期记忆，并临时给它配一套可用工具，让它照着文档里的步骤自己完成任务。

Han Lee 在原文里说得很精确：Skills are specialized prompt templates that inject domain-specific instructions into the conversation context. Skills 不直接解决问题，它让模型准备好去解决问题。

用一个比喻来说：

传统的 System Prompt 像是让全科医生在上岗前背熟一本厚厚的通识手册。手册越厚，记忆负担越大，没写到的病就看不了。

Skill 更像是给这个医生配了一本通讯录。平时只知道"有心外科专家、有骨科专家"，遇到特定手术时再呼叫专家到场。专家自带全套设备和手术指南，做完之后退出，医生恢复常态。

这个比喻里藏着 Skill 最核心的设计思想：渐进式披露（Progressive Disclosure）——只在需要时才加载详细信息。

下面这张图是整个 Skill 系统的工作流概览，先有个全局印象，后面再逐段拆：

所以 Skill 的能力边界，最终由两部分决定：

1. 1. 模型的指令遵循与推理能力——能不能读懂手册、照着步骤做

2. 2. 你提供的工具是否足够可用、可控——手册里写了"用 pdftotext 提取"，但如果这个工具没有暴露给模型，或者返回值不结构化，手册写得再好也执行不了

---

Tools 和 Skills，到底差在哪

这个问题值得用一张表说清楚。

维度	Tools	Skills
执行方式	调用后同步执行，返回即时结果	先注入指令（提示词扩展），再由模型按指令执行
核心价值	做一个动作	指导一类工作流
返回值	操作结果	对话上下文 + 执行上下文变更
典型例子	Read 、Write、Bash	skill-creator 、internal-comms
并发安全	通常安全	不保证并发安全
Token 开销	很小（约 100 tokens）	显著（约 1500+ tokens/次）
类型	多种	始终为 "prompt"

一句话总结：Tools 直接解决问题，Skills 让模型准备好去解决问题。

这个区分很重要。如果你把 Skill 当 Tool 来设计——期望它"调用一下就返回结果"——你会困惑于它为什么"什么也没做"。它确实什么也没"执行"，它做的是改写模型的认知和权限环境。

---

元工具设计：为什么不把所有技能都塞进 prompt

这是我觉得整个 Skill 系统最聪明的地方。

如果一开始就把所有技能的完整说明都塞进系统提示词，你会立刻撞上两堵墙。

第一堵是成本。假设你有 20 个技能，每个 SKILL.md 平均 2000 tokens，全部预加载就是 40000 tokens。大部分情况下用户一次对话只会用到其中一两个，剩下的全是浪费。

第二堵更隐蔽：过长的提示词会让模型"抓不住重点"。该触发的技能触发不了，不该触发的反而乱跳出来。指令遵循能力反而下降了。

Claude Code 的思路是做一个"通讯录 + 叫号系统"：

• 启动时只汇总每个技能的名称与一句话简介（足够让模型做选择）
• 真正要用某个技能时，再把它的 SKILL.md 正文动态加载进来

从 Han Lee 拆出的源码来看，这个"通讯录"的实现方式非常具体：它不在 system prompt 里，而是嵌入在 Skill 元工具的 description 字段中，作为 API 请求 tools 数组的一部分。

具体的 API 请求结构长这样：

{
  "model": "claude-sonnet-4-5-20250929",
  "system": "You are Claude Code...",
  "messages": [...],
  "tools": [
    {
      "name": "Skill",
      "description": "Execute a skill.../n/n<available_skills>/n/"pdf/": Extract text from PDF.../n/"skill-creator/": Create new skills.../n</available_skills>",
      "input_schema": {
        "type": "object",
        "properties": {
          "command": { "type": "string" }
        }
      }
    },
    { "name": "Bash", ... },
    { "name": "Read", ... }
  ]
}

注意 <available_skills> 那一段——所有可用技能的名称和描述都格式化在这里面。Claude 读到这个列表，用自己的语言理解能力去匹配用户意图。

这里面没有正则匹配，没有嵌入向量，没有分类器。决策完全发生在模型的推理过程中。用 Han Lee 的原话说：This is pure LLM reasoning. The decision happens inside Claude’s forward pass through the transformer, not in the application code.

还有一个容易忽略的细节：这个通讯录有大小预算。<available_skills> 列表受默认约 15,000 字符的预算约束。技能越多、description 越长，越容易互相挤掉。这就像一本通讯录只有这么多页，你的名字写得太长，就把别人挤出去了。

---

一次调用到底发生了什么：双重上下文注入

这是理解 Skill 机制最关键的部分。

传统的提示词只能改变模型"看到什么文字"。Skill 多做了一件事：它还能临时改变模型的权限环境。这就是所谓的"双重上下文注入"。

对话上下文注入（你说什么，模型就照着做什么）

系统把 SKILL.md 的正文作为消息注入到对话历史里。但这里有一个设计上的矛盾：

模型需要看到几千字的详细指令才能正确执行。但用户不需要看到这些——几千字的内部指令刷屏，聊天界面直接没法用了。

解决办法是把注入拆成两条消息：

第一条：给人看的（isMeta: false，在 UI 中可见）

<command-message>The "pdf" skill is loading</command-message>
<command-name>pdf</command-name>

50 到 200 个字符，告诉用户"系统正在加载哪个技能"。

第二条：给模型看的（isMeta: true，UI 隐藏，但随请求发给 API）

You are a PDF processing specialist.

Your task is to extract text from PDF documents using the pdftotext tool.

## Process
1. **Validate the PDF file exists**

2. **Run pdftotext command to extract text**

3. **Read the output file**

4. **Present the extracted text to the user**

## Tools Available
- Bash(pdftotext:*) - For running pdftotext command
- Read - For reading extracted text
- Write - For saving results if needed
...

可能 500 到 5000 字，是真正指导模型工作的核心。

为什么非要拆成两条？Han Lee 在原文里分析得很透彻：如果合并成一条消息，你就被迫在"刷屏"和"黑箱"之间二选一。拆开之后，两条消息各司其职——一条负责透明度，一条负责指令传递。用他的话说，这是在做 meta-prompting for meta-tools。

对比一下普通 Tool 调用和 Skill 调用的消息结构差异，就很清楚了：

左边两步就结束，右边要注入五六条消息才真正开始干活。这也是为什么 Skill 的 token 开销比普通工具高一个数量级（约 1500+ tokens/次）。

从实际调用日志来看，消息序列是这样的：

1. 1. tool_use：Agent 调用 Skill Tool，传入 skill 名称

2. 2. tool_result：返回 “Launching skill: xxx”，只做确认

3. 3. user message：SKILL.md 的完整内容作为一条新的 user message 注入

注意第三步——skill 内容不是通过 tool_result 塞回去的，而是作为 user message 注入的。从语义上讲，tool_result 意味着"工具执行的返回结果"，但 skill 内容并不是执行结果——它是一份操作指南。作为 user message 注入，语义上更像"用户补充了一些背景资料"，模型在后续推理中会把它当作上下文参考。

执行上下文修改（不只改文字，还改权限）

Skill 还能临时修改运行环境。这是它比传统提示词真正"多出来"的能力。

具体来说，它通过一个 contextModifier 函数来实现：

• 放行工具权限（allowed-tools）：比如 pdf 技能可以临时授予 Bash(pdftotext:*) 权限，后续调用无需用户逐次确认
• 切换模型：复杂任务可以从 Sonnet 切换到 Opus 做深度推理

从安全视角看，这一步非常关键。它改变的是权限边界，不只是模型看到的文字。 一个普通对话可能不允许 Claude 随意跑 Bash 命令，但当 pdf Skill 被加载时，系统会临时把特定命令写进 alwaysAllowRules——后续模型调用这些工具就不再弹窗确认。

这既是便利，也是风险点。这也是为什么 allowed-tools 的设计需要像生产权限一样认真对待。之前在 代码就是一切：Anthropic 为什么从 Agent 转向 Skills[1] 里聊过，Anthropic 选择 Skills 而非更激进的 Agent 自主模式，核心考量之一就是可控性——权限可声明、行为可审计、范围可限定。

---

从一次完整调用看清全链路

我建议你用"事件链"去理解 Skill，而不是用"功能列表"。

以一个读取飞书文档的 Skill 为例，用户说"帮我看一下这个飞书文档"，整个过程用序列图表示：

用文字展开来看：

① 用户请求："帮我看一下这个飞书文档"

② Agent 读到 Skill 工具描述里的 <available_skills> 列表
   → 看到 "feishu-docx": Export Feishu/Lark cloud documents to Markdown...
   → 推理判断：这个任务需要 feishu-docx 技能

③ Agent 调用 Skill 工具：command: "feishu-docx"

④ 系统验证：
   - skill 是否存在 ✓
   - 类型是否为 prompt ✓
   - 是否禁止模型调用 ✓
   - 权限检查 → 询问用户"执行 feishu-docx skill？" → 用户批准

⑤ 系统加载 SKILL.md 正文，注入两条消息：
   - 元数据（可见）："正在加载 feishu-docx skill"
   - 完整指令（隐藏）：怎么安装工具、怎么调用命令、输出格式是什么

⑥ 系统修改执行上下文：
   - 放行 allowed-tools 里声明的工具权限
   - 如果指定了 model，切换模型

⑦ 完整消息数组发送到 API

⑧ Agent 带着新指令和新权限开始执行：
   → 调用 Bash: feishu-docx export "https://..." --stdout
   → 获取结果，格式化呈现给用户

把这个链路记住，很多"线上怪问题"就能更快定位：

没触发？ 先检查 frontmatter——description 字段有没有？有没有被标记 disable-model-invocation: true？技能有没有出现在 <available_skills> 列表里？从 Han Lee 拆出的过滤代码来看，技能至少要满足：有 description 或 when_to_use、类型为 prompt、未禁用模型调用、来源非 builtin 或为 mode command。任何一项不满足，技能就不会出现在通讯录里。

触发错了？ description 语义撞车，模型选了相邻技能。解法是在 description 里不光说"我做什么"，还要说"我不做什么"。

触发了但没跑对？SKILL.md 的步骤不够确定性，或者工具输出不结构化，模型读不懂返回值，在重试里烧 token。

---

写 Skill 时容易被忽略的工程细节

description 是你的"产品入口"

这个字段直接决定模型能不能在对的时候找到你的技能。
系统的处理逻辑是这样的：如果你同时提供了 when_to_use，系统会把它拼接到 description 后面——"${description} - ${whenToUse}"。这个拼接后的字符串就是模型在 <available_skills> 列表里看到的全部信息。

但 Han Lee 特别提醒了：when_to_use 在代码库里大量出现，却没有出现在任何 Anthropic 官方文档中。它可能是废弃功能、可能是实验性功能、也可能是尚未发布的规划功能。安全的做法是把使用指南直接写进 description，不要把生产行为绑死在一个未文档化的字段上。

写 description 有一个原则：用清晰的、面向动作的语言。比如 skill-creator 的 description 是这么写的：

Guide for creating effective skills. This skill should be used when users want to create a new skill (or update an existing skill) that extends Claude’s capabilities with specialized knowledge, workflows, or tool integrations.

明确说了"什么时候该用"。这种写法比"一个很有用的技能创建工具"好十倍。

allowed-tools 是权限边界，不是便利清单

一个常见的错误是把所有能想到的工具都列上去。这会扩大攻击面，破坏安全模型。

# ✅ 只做文件操作
allowed-tools: "Read,Write,Edit,Glob,Grep"

# ✅ 限制到具体 git 命令
allowed-tools: "Bash(git status:*),Bash(git diff:*),Bash(git log:*),Read,Grep"

# ✅ 脚本自动化，限制到特定脚本
allowed-tools: "Bash(python {baseDir}/scripts/*:*), Read, Write"

# ❌ 不必要的攻击面
allowed-tools: "Bash,Read,Write,Edit,Glob,Grep,WebSearch,Task,Agent"

原则很简单：只包含技能实际需要的工具。如果只是读写文件，"Read,Write" 就够了。能限制到命令模式就不要放开整个 Bash。

SKILL.md 要写成"可执行的操作手册"

我见过最多的失败案例是技能文档写得像产品说明书——步骤全是大词，模型读完之后"大致明白但不确定该怎么做"。

Han Lee 给出了一个推荐的内容结构：

# 简要用途说明（1-2句话）

## Overview
## Prerequisites
## Instructions
### Step 1: [第一个动作]
### Step 2: [下一个动作]
## Output Format
## Error Handling
## Examples
## Resources

还有四条最佳实践值得记住：

• 正文控制在 5000 词（约 800 行）以内，避免上下文过载
• 用祈使句（“分析代码中的…”）而不是第二人称（“你应该分析…”）
• 详细内容引用外部文件，用 {baseDir} 占位，不要硬编码绝对路径
• 确定性步骤该用脚本就用脚本——scripts/ 目录放可执行代码，比自然语言可靠得多

模型不怕长，它怕"不确定"。

目录结构的设计决定了 token 效率

一个标准的技能包长这样：

my-skill/
├── SKILL.md              # 核心提示词与指令
├── scripts/              # 可执行脚本
├── references/           # 参考文档（会被 Read 进上下文，占 tokens）
└── assets/               # 模板与静态资源（只按路径引用，不占上下文）

这里有一个容易忽视的区别：references/ 和 assets/ 的 token 开销完全不同。

references/ 里的文件会被 Claude 通过 Read 工具读进上下文——一个 10KB 的 markdown 文件会消耗对应的 token。assets/ 里的文件只按路径引用，Claude 知道文件在哪，但不会把内容读进来——一个 10KB 的 HTML 模板不消耗 token。

这个区分直接影响你的 context window 管理。大型参考文档放 references/，模板和二进制文件放 assets/。

还有几个不太常见但很有用的字段

• disable-model-invocation：设为 true，技能从自动列表里消失，只能通过 /skill-name 手动调用。适合危险操作、配置命令、需要用户明确控制的交互式工作流。
• mode：设为 true，技能归类为"模式命令"，出现在技能列表顶部的特殊区域。适合 debug-mode、expert-mode、review-mode 这类设定工作上下文的场景。
• model：指定技能执行时使用的模型。默认继承会话模型，复杂任务可以强制切到 Claude Opus。

---

几种常见的 Skill 设计模式

Han Lee 在原文里总结了几种在实践中验证过的技能设计模式，非常实用。

模式一：脚本自动化
复杂操作交给 scripts/ 目录里的 Python 或 Bash 脚本。SKILL.md 只负责告诉模型"运行这个脚本，解析它的输出"。适合数据处理、API 交互、多步计算。

模式二：读取-处理-写入
最简单的模式——读输入、按指令转换、写输出。适合格式转换、数据清洗、报告生成。工具权限只需要 "Read, Write"。

模式三：搜索-分析-报告
先用 Grep 搜索代码库中的模式，再读取匹配文件，分析后生成结构化报告。适合代码审查、安全审计、质量分析。

模式四：向导式多步工作流
把复杂任务拆成多个阶段，每个阶段之间等待用户确认。适合配置向导、部署流程、需要人工把关的操作。

模式五：迭代深化
第一遍做广度扫描，第二遍对发现的问题做深度分析，第三遍给出具体建议。适合代码审查、安全审计。

选择哪种模式，取决于你的任务是偏确定性（用脚本）还是偏探索性（用迭代），是一步到位（读-处理-写）还是需要人在环（向导式）。大多数场景下，单 Agent + 多 Skill 已经够用。真到了需要多 Agent 编排的时候，可以翻翻之前写的 Claude Agent Teams 架构与实战拆解。

---

真正的工程化难点：技能多了以后怎么管

当技能从 5 个增长到 50 个，问题会从"能不能用"变成"怎么运营"。

我认为有四件事要前置。

可观测性

至少把这些埋点做出来：

• 触发了哪个 skill（以及触发前的用户意图原文）
• 注入了多少 token
• 工具调用次数、失败原因、重试次数
• 每一步的中间产物（结构化日志或可回放轨迹）

Skill 的执行过程涉及多个环节——description 匹配、内容注入、指令解析、工具调用——任何一个环节出问题，最终表现都是"没跑对或者没触发"。但你想定位到具体是哪个环节，就得看完整的对话日志。如果系统没有把这些中间状态都记录下来，排查问题会非常痛苦。

你不把这些变成数据，就只能靠"感觉"调 prompt——而"凭感觉调 prompt"是最贵的调试方式。

歧义与冲突治理

技能撞车是常态，不是例外。

当两个 description 语义相近，模型就面临选择困难。解法是把 description 写成"任务边界"，不只说"我做什么"，还要说"我不做什么"。

给技能做分层也很有效：

• L0：只做信息读取与整理（低风险）
• L1：能写文件、改配置（中风险）
• L2：能跑命令、能发请求（高风险，默认需要显式确认）

并发安全问题

这个问题原文里专门提到了：Skills are not concurrency-safe。

当你把多个技能当作"可随意叠加的插件"来设计，很容易出现互相覆盖指令、权限边界混乱、顺序依赖不清晰的问题。技能越"重"——越是那种改变模型整体行为模式的——越要谨慎组合。

版本化与回滚

把 Skill 当成配置资产来管理：SKILL.md 加版本号、变更日志、回滚策略、灰度与 A/B 实验。怎么用 git 管理这些配置文件，之前在 团队落地：把 Claude Code 配置当代码管理 里聊过，同样的思路完全适用于 Skill。

这会让你从"写 prompt"升级成"运营能力资产"。

---

落地清单：12 件事

1. 1. 先把技能分层（L0 到 L2），默认只自动触发低风险技能。

2. 2. 每个技能的 description 用一句话写清"边界"，并明确"它不做什么"。

3. 3. allowed-tools 最小化，能限制到命令模式就不放开整个 Bash。

4. 4. 高风险技能默认 disable-model-invocation: true，只允许手动调用。

5. 5. 要求工具输出结构化（JSON/YAML/表格），并把 schema 写进 SKILL.md。

6. 6. 明确每一步的失败处理：何时重试，何时换工具，何时停止请求用户补信息。

7. 7. 观测做成默认能力：记录触发 skill、注入开销、tool_calls、关键上下文。

8. 8. "写文件、改配置、发请求、执行命令"类动作做二次确认或沙箱化。

9. 9. 给常见输入做校验与纠错策略（路径不存在、权限不足、参数缺失）。

10. 10. 技能多了做"目录化"：按业务域/角色/风险等级组织。

11. 11. 建最小评测集：10 到 30 条真实任务，定期回归。

12. 12. 把技能当成团队资产：有人 review，有人维护，有人对线上效果负责。

---

收个尾

Skill 这套机制，从设计上看相当优雅。它用一个元工具实现了"按需加载领域知识"的完整闭环，同时保持了上下文窗口的高效利用。

Han Lee 在原文结尾的总结我很认同：

By treating specialized knowledge as prompts that modify conversation context and permissions that modify execution context rather than code that executes, Claude Code achieves flexibility, safety, and composability that would be difficult with traditional function calling.

但优雅归优雅，拿到生产环境里用还需要补很多地基。

还有一点很实在：那些想用小尺寸模型来验证Skill 功能的想法，建议直接放弃。光是意图识别就够呛，更别说后面那些复杂的多步骤执行了。

Skill 对模型的推理能力、指令遵循能力和多步规划能力都有相当高的要求。这不是你换个便宜模型就能省下来的。

如果你打算在团队里试，我的建议是：从一个低风险技能起步，先把"可观测性 + 权限最小化 + 结构化输出"三件事打稳，再谈规模化。团队怎么落地 Claude Code 的工作流，可以看 AI 编程实践：从 Claude Code 到团队协作的 6 个落地抓手 和 把 Claude Code 用成工程工具：8 条黄金法则与一套可复用工作流。

别急着"搞一套"。先把一个跑通。

---

最后

如果说程序员已经是高薪职业，那么干AI的程序员，就是高薪中的高薪。

现在的市场，已经用数据给程序员指明了方向：学****AI大模型，就是冲刺高薪的最优解！

看着身边越来越多的同行转型大模型、拿到高薪offer，很多人心里都动了心，但真正的难题来了：零基础小白不知道从哪入门？有基础的程序员找不到系统学习路径？实战项目练手无门？面试不知道考什么？

别慌！今天就给大家整理了一份【2026年最新版】AI大模型免费学习资源包，覆盖从入门到实战、从理论到面试、从基础到进阶的全流程，所有资料均已整理归档，无冗余、无套路，免费分享给每一位想抓住AI风口的程序员和小白！

👇👇扫码免费领取全部内容👇👇

1、大模型系统化学习路线

2、大模型学习书籍&文档

3、AI大模型最新行业报告

4、大模型项目实战&配套源码

5、大模型大厂面试真题

四阶段精细化学习规划（附时间节点，可直接照做）

结合上述资源，给大家整理了一份可直接落地的四阶段学习规划，总时长约2个月，小白可循序渐进，程序员可根据自身基础调整节奏，高效掌握大模型核心能力，快速实现从“入门”到“能落地、能面试”的跨越。

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👇👇

6、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】

https://mp.weixin.qq.com/s/mt8kU-8roiiqwrcWSUjolA