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。
人工智能：自然语言处理在教育领域的应用与实战 学习目标 💡 理解自然语言处理（NLP）在教育领域的应用场景和重要性 💡 掌握教育领域NLP应用的核心技术（如智能问答、作业批改、个性化学习） 💡 学会使用前沿模型（如BERT、GPT-3）进行教育文本分析 💡 理解教育领域的特殊挑战（如多学科知识、学生认知差异、数据隐私） 💡 通过实战项目，开发一个智能问答系统应用 重点内容 * 教育领域NLP应用的主要场景 * 核心技术（智能问答、作业批改、个性化学习） * 前沿模型（BERT、GPT-3）在教育领域的使用 * 教育领域的特殊挑战 * 实战项目：智能问答系统应用开发 一、教育领域NLP应用的主要场景 1.1 智能问答 1.1.1 智能问答的基本概念 智能问答是通过自然语言与用户进行交互，回答用户问题的程序。在教育领域，智能问答的主要应用场景包括： * 课程问答：回答课程相关的问题（如“什么是机器学习”
OpenClaw + 本地 Ollama：未来的个人 AI 助手实战教程 （参考 MacStories、Starry Hope、OpenClaw 社区 shoutouts） OpenClaw 不只是“一个模型工具”，它是一个让你的电脑真正“懂你、为你做事”的本地 AI 引擎。 一、什么是 OpenClaw？未来 AI 助手的入口 最近最火的个人 AI 助手就是 OpenClaw（前身是 Clawdbot / Moltbot）。它火爆的原因来自几类用户的体验： * 每天自动发送定制日程总结、结合日历/Notion/Todoist 等服务创建智能报告。([MacStories][1]) * 能结合已有工具（例如 RSS / cron）自动完成复杂自动化任务，无云、不订阅。
AI提示词：零基础入门与核心概念 📝 本章学习目标：理解什么是提示词，掌握提示词的核心概念，建立正确的AI对话思维，为后续学习打下坚实基础。 一、什么是提示词？ 1.1 提示词的定义 提示词（Prompt），简单来说，就是你发给AI的指令或问题。它是人类与人工智能沟通的桥梁，是你告诉AI"我想要什么"的方式。 想象一下，你雇佣了一位超级聪明但对你的需求一无所知的助手。这位助手知识渊博、能力强大，但它需要你清晰地告诉它要做什么。提示词就是你给这位助手的工作指令。 💡 核心认知：提示词不是简单的"提问"，而是一种结构化的指令设计。好的提示词能让AI精准理解你的意图，输出高质量的结果；糟糕的提示词则会让AI"答非所问"，浪费你的时间。 1.2 提示词的重要性 为什么提示词如此重要？让我们通过一个对比来说明： ❌ 糟糕的提示词： 帮我写点东西 ✅ 好的提示词： 请帮我写一篇关于&
9.3 向量索引构建示例 文档进入向量库前，应先清洗、切分、打标签、嵌入，再写入索引。以下示例展示一种最简流程，真实环境中可替换为Milvus或Qdrant SDK。 代码清单 9-2 文档切分与索引写入 from dataclasses import dataclass from typing import Iterable import hashlib @dataclass class Chunk: chunk_id: str text: str metadata: dict def chunk_document(doc_id: str, title: str, text: str, source_type: str) ->