目录
Agent Skills 是继 MCP 后 Anthropic 推出的又一个 Agent 领域的行业标准。它的成长路线和 MCP 也非常像，25 年 10 月份发布时只有 Anthropic 自家产品支持，后来 Cursor、Codex、Opencode、Gemini CLI 等产品看到了 Skills 的优势于是纷纷开始支持。再后来社区开始涌现大量的开源 Skills 以及 Skills 开放市场，当下大家已经默认 Skills 成为了又一个扩展 Agent 能力的标准实践。
简单来说，Skills 的作用就是将那些重复性的、专业的流程进行打包封装。当你需要使用某种能力时，不再需要像过去那样每次都去查阅手册或重新输入冗长的提示词，而是像调用工具一样直接使用。
1. 环境准备：从零开始的硬件与软件栈 如果你和我一样，对在本地运行大模型充满好奇，但又不想被复杂的框架和庞大的资源消耗吓退，那 llama.cpp 绝对是你该试试的第一个项目。简单来说，它是一个用 C/C++ 编写的轻量级推理引擎，能把 Hugging Face 上那些动辄几十GB的模型，“瘦身”成几GB的 GGUF 格式文件，然后在你的电脑上——无论是 Mac 的 Apple Silicon 芯片，还是 Windows/Linux 的 CPU 或 NVIDIA GPU——流畅地跑起来。我最初接触它，就是想在不升级显卡的老电脑上体验一下 7B 参数模型的对话能力，结果发现它不仅能在 CPU 上跑，还能充分利用 GPU 加速，效果远超预期。
这里写自定义目录标题 * Step1：让AI给你配置MCP * Step2：替换成自己的Figma密钥 * Step3：如何使用 Cursor+Figma MCP的教程已经很多了，由于我所在的公司采购的是GitHub Copilot，我研究了一下直接在vscode里利用GitHub Copilot接入Figma MCP进行设计稿还原代码，大获成功，这里分享我的步骤，希望能帮到你。 Step1：让AI给你配置MCP 在vscode中打开你的项目（我的例子是一个微信小程序），呼出github copilot对话框，模式选择Agent，模型建议Claude 3.7 Sonnet，提问： https://github.com/GLips/Figma-Context-MCP 如何配置能让你在vscode里使用这个mcp 之后跟着提示狂点下一步即可完成配置，如果有什么需要装的vscode插件它会自动帮你装，甚至自动生成了配置说明文档。 由于不能保证AI每次生成的答案都一致，这里附上我的运行结果作为参考，可以看到它在项目文件夹最外层建了一个.vscode文件夹，在sett
一切从python调用本地DocsGPT完成python开发开始。 遗留问题：如何验证AI开发提交的结果？ * 提问 1： 使用python+Tkinter进行GUI程序编码 1. 界面分为左右两部分 - 左侧为python代码编辑区： 左上部为代码多行输入框，嵌入python idle，浅灰色底色； 左下部为 Run 按钮 - 右侧为GPT调用区： 右上部为tab，名称 Question，嵌入多行文本，输入提问问题； 中部为Show Answer按钮，海蓝色； 下部为2个tab：tab1，名称 Answer，嵌入多行文本，显示GPT处理结果； tab2，名称History，显示提问历史，answer + question，数据来自名为pyai的sqlite的数据库 2. 优化界面 3. 优化代码 * DeepSeek 回复 1： - 1 次调用界面
文章目录 * 前言 * 一、我的使用场景与测试环境 * 二、GitHub Copilot：全球生态标杆 * 核心优势实测 * 性能数据记录 * 鸿蒙开发适配度 * 三、Cursor：专家级重构利器 * 重构能力深度测试 * 多文件分析能力 * 四、Codeium：极致免费的性价比之选 * 免费策略的深度体验 * 响应速度实测 * 中文支持的优势 * 五、鸿蒙开发场景专项测试 * 测试1：ArkTS组件生成 * 测试2：分布式能力集成 * 测试3：性能优化建议 * 六、2026年价格策略对比 * 七、我的实际使用组合 * 工作日使用方案 * 具体工作流 * 效率提升数据 * 八、选择建议：根据你的场景决策 * 场景1：学生/初学者/零预算 * 场景2：前端/鸿蒙开发者 * 场景3：全栈/团队协作