本文探討了將知識(shí)喂給AI模型的四種方法Prompt、RAG、CLAUDE.md和Anthropic的Skills。從即時(shí)的Prompt到提前存儲(chǔ)的RAG再到常駐的CLAUDE.md每種方法都有其局限性。Skills則通過(guò)按需提供知識(shí)顛覆了傳統(tǒng)模式不僅減輕了模型的負(fù)擔(dān)還允許嵌入可執(zhí)行代碼實(shí)現(xiàn)能力的裝備而非僅僅是知識(shí)的傳遞。對(duì)于希望提高AI模型效率和效果的小白和程序員來(lái)說(shuō)Skills提供了一種全新的、更靈活、更高效的方式來(lái)與AI協(xié)作。你要讓一個(gè) AI 幫你干活繞不開一件事得把它不知道的東西喂給它。你們團(tuán)隊(duì)的代碼規(guī)范、你踩過(guò)的坑、那些只有老員工才懂的潛規(guī)則——模型出廠時(shí)一概不知道你不喂它就只能瞎猜。“怎么把知識(shí)喂給 AI”這個(gè)看起來(lái)很樸素的問(wèn)題過(guò)去兩年其實(shí)被重做了好幾遍。每一次重做都是因?yàn)樯弦环N喂法撞了墻。而 2025 年底 Anthropic 推出的 Skills被很多人輕飄飄地理解成不就是一個(gè)寫了說(shuō)明的 markdown 文件嘛——這個(gè)理解錯(cuò)過(guò)了它真正的顛覆之處。要講清楚 Skills 到底顛覆了什么得先把前面三種喂法捋一遍。你會(huì)看到一條清晰的進(jìn)化線而 Skills 站在這條線的拐點(diǎn)上把方向掰了個(gè)彎。喂法一Prompt——當(dāng)場(chǎng)說(shuō)說(shuō)完就忘最原始的喂法就是在對(duì)話框里直接說(shuō)。比如你想讓 AI 幫你做一份市場(chǎng)分析?！澳悻F(xiàn)在是一名資深行業(yè)分析師請(qǐng)按照麥肯錫結(jié)構(gòu)輸出報(bào)告。分析時(shí)必須包含市場(chǎng)規(guī)模、競(jìng)爭(zhēng)格局、用戶痛點(diǎn)并用金字塔原理組織內(nèi)容。語(yǔ)氣保持專業(yè)結(jié)論先行?！蹦Ｐ婉R上懂了也能給你一個(gè)不錯(cuò)的結(jié)果。這就是 Prompt 工程的本質(zhì)把知識(shí)當(dāng)場(chǎng)喂進(jìn)去。它的優(yōu)點(diǎn)很明顯靈活、即時(shí)、想到什么補(bǔ)什么。但它有一個(gè)致命短板一次性。這次對(duì)話結(jié)束你重新打開一個(gè)窗口。模型不會(huì)記得你的報(bào)告結(jié)構(gòu)、你的分析框架、你的行業(yè)判斷標(biāo)準(zhǔn)。你明天再讓它寫一份類似報(bào)告還得重新把整套規(guī)則塞進(jìn)去。偶爾用一次這沒(méi)問(wèn)題。但如果某種能力需要反復(fù)調(diào)用每次靠 Prompt 重新復(fù)制粘貼就會(huì)越來(lái)越低效。因?yàn)槟阏嬲枰牟皇敲看胃嬖V AI “應(yīng)該怎么做”。而是讓 AI 永久擁有一種“做事能力”。靠 prompt 每次重打就成了災(zāi)難。你需要一種能留下來(lái)的喂法。喂法二RAG——提前塞進(jìn)知識(shí)庫(kù)用時(shí)檢索于是有了第二種思路把知識(shí)提前存起來(lái)需要時(shí)再撈出來(lái)。這就是 RAG檢索增強(qiáng)生成。你把公司的文檔、手冊(cè)、歷史資料全部切成小塊、轉(zhuǎn)成向量存進(jìn)一個(gè)知識(shí)庫(kù)。模型每次回答前先去這個(gè)庫(kù)里搜出跟當(dāng)前問(wèn)題最相關(guān)的幾塊塞進(jìn)上下文再作答。Claude 的 Projects 就是這個(gè)路子的產(chǎn)品化你往項(xiàng)目知識(shí)庫(kù)里上傳一堆資料這個(gè)項(xiàng)目里的每一次對(duì)話都自動(dòng)能用上這些背景。資料多到快撐爆上下文時(shí)它甚至?xí)詣?dòng)切換到 RAG 模式把容量擴(kuò)大十倍。比起 prompt 當(dāng)場(chǎng)說(shuō)RAG 是個(gè)大進(jìn)步——知識(shí)終于能沉淀、能復(fù)用了。但你仔細(xì)看它的邏輯會(huì)發(fā)現(xiàn)一個(gè)隱患它得提前猜你要用什么。 你得在模型干活之前就把所有可能有用的資料準(zhǔn)備好、存進(jìn)庫(kù)里?？蓡?wèn)題是你真的能提前猜準(zhǔn)嗎存少了關(guān)鍵資料沒(méi)進(jìn)去存多了一堆無(wú)關(guān)的東西被檢索出來(lái)塞進(jìn)上下文反而干擾判斷。RAG 解決了留下來(lái)的問(wèn)題但留下了一個(gè)新問(wèn)題到底該提前準(zhǔn)備多少。喂法三CLAUDE.md——干脆每次都塞給它第三種喂法更直接既然有些知識(shí)每次都要用那我寫成一個(gè)文件每次對(duì)話都自動(dòng)注入省得檢索了。這就是 CLAUDE.md以及它的跨工具版本 AGENTS.md。你把項(xiàng)目的核心信息——技術(shù)棧、目錄結(jié)構(gòu)、約定俗成的規(guī)矩——寫進(jìn)這個(gè)文件Claude Code 每次啟動(dòng)都把它當(dāng)成背景知識(shí)塞進(jìn)去。模型于是永遠(yuǎn)記得你項(xiàng)目的那些基本規(guī)矩。聽起來(lái)很美常駐、穩(wěn)定、不用檢索。很多人于是走向一個(gè)極端——把所有能想到的規(guī)范、約定、最佳實(shí)踐全都往 CLAUDE.md 里堆想著寫得越全AI 越不會(huì)出錯(cuò)。結(jié)果呢翻車了。2026 年 2 月蘇黎世聯(lián)邦理工的研究者做了一個(gè)實(shí)證研究結(jié)論讓很多人意外機(jī)器生成的這類上下文文件反而讓任務(wù)成功率降低了約 3%人精心寫的也只提升了約 4%而且無(wú)論哪種都讓推理成本漲了 20% 以上。為什么寫得越全反而越糟因?yàn)檫@個(gè)文件被當(dāng)成背景每次都無(wú)差別地灌進(jìn)模型腦子里。當(dāng)它越堆越長(zhǎng)里面大量?jī)?nèi)容其實(shí)是模型本來(lái)就知道或者讀代碼就能看出來(lái)的——你把這些重復(fù)說(shuō)一遍等于往本就擁擠的上下文里灌噪音。模型看到的東西太多反而抓不住當(dāng)前任務(wù)真正需要的那一點(diǎn)。你看從 prompt 到 RAG 到 CLAUDE.md喂法在進(jìn)步但有一個(gè)共同的死穴始終沒(méi)解決它們?nèi)际翘崆敖o。Prompt 是當(dāng)場(chǎng)提前說(shuō)RAG 是提前存進(jìn)庫(kù)CLAUDE.md 是提前寫好每次灌。三者都預(yù)設(shè)了同一件事——你得在 AI 干活之前就準(zhǔn)備好它需要的知識(shí)?？商崆斑@件事本身就是原罪你猜不準(zhǔn)它到底需要什么、需要多少于是永遠(yuǎn)在給少了和給多了之間兩頭受氣。Skills 的顛覆正是從這里開始的。喂法四Skills——不提前給按需給Skills 把這件事徹底反了過(guò)來(lái)它不在 AI 干活前提前喂知識(shí)而是讓 AI 在干活中、需要時(shí)自己去取。這一字之差——從提前給到按需取——是整個(gè)范式的反轉(zhuǎn)。具體怎么做到的靠一個(gè)叫漸進(jìn)式披露Progressive Disclosure的機(jī)制它分三層一層一層地放用到哪層才打開哪層。第一層平時(shí)只給目錄。 每個(gè) skill 都有一行簡(jiǎn)介寫在文件開頭的元數(shù)據(jù)里告訴 Claude我是干嘛的、什么時(shí)候該用我。系統(tǒng)啟動(dòng)時(shí)Claude 只加載所有 skill 的這一行簡(jiǎn)介拼成一張目錄。注意是只有目錄沒(méi)有正文。這一層有多輕Anthropic 實(shí)測(cè)自家 17 個(gè)官方 skill每個(gè)掛在目錄里只占 80 個(gè) token 上下全部加起來(lái)才一千多 token——Claude 知道幾十個(gè)能力的存在花的內(nèi)存還不如真正用上其中一個(gè)多。第二層撞上了才給正文。 當(dāng)你給的任務(wù)跟某個(gè) skill 的簡(jiǎn)介對(duì)上了比如你說(shuō)幫我審查這個(gè)數(shù)據(jù)庫(kù)遷移正好匹配一個(gè)數(shù)據(jù)庫(kù)遷移 skill 的描述Claude 這才把那個(gè) skill 的完整正文加載進(jìn)來(lái)。其他幾十個(gè)沒(méi)匹配上的 skill正文一個(gè)字都不會(huì)進(jìn)入它的視野。第三層正文里要用的細(xì)節(jié)再單獨(dú)給。 一個(gè) skill 的正文里還可以引用更深的參考文件。這些文件只有當(dāng) Claude 讀著正文、發(fā)現(xiàn)真的需要某個(gè)細(xì)節(jié)時(shí)才會(huì)去把那一份讀進(jìn)來(lái)。三層疊起來(lái)效果就是平時(shí) Claude 眼前只有一張輕飄飄的目錄絕大部分知識(shí)都安靜地躺在文件夾里不占地方只有當(dāng)某個(gè)任務(wù)真的需要某塊知識(shí)時(shí)那塊知識(shí)才被精準(zhǔn)地、一層一層地取出來(lái)。這跟 CLAUDE.md把一切提前灌進(jìn)去是兩個(gè)完全相反的方向——一個(gè)是往腦子里硬塞一個(gè)是讓腦子保持清爽、用時(shí)再取。蘇黎世那個(gè)研究里寫越多越糟的困境到了 Skills 這里根本不成立因?yàn)闆](méi)用上的 skill壓根不占用上下文你裝一百個(gè)也不會(huì)互相干擾。Skills 憑什么不是一份 markdown到這兒按需取已經(jīng)把 Skills 和前三種喂法區(qū)分開了。但還有一個(gè)更硬的區(qū)別能徹底打掉它不就是個(gè) markdown 文件嘛這個(gè)誤解——一個(gè) skill 不是一份文檔是一個(gè)文件夾里面能裝可以真正執(zhí)行的代碼。這句話聽起來(lái)平平無(wú)奇但它捅破了喂知識(shí)這件事的一層天花板。舉個(gè) Anthropic 自己的例子。Claude 處理 Word 文檔靠的是一個(gè) docx skill。這個(gè) skill 里除了說(shuō)明還塞了現(xiàn)成的腳本。它里面寫著一些純靠講道理絕對(duì)喂不進(jìn)去的東西比如生成文檔時(shí)必須顯式設(shè)置紙張大小因?yàn)榈讓幽莻€(gè)庫(kù)默認(rèn)是 A4“絕對(duì)不要用 unicode 字符當(dāng)項(xiàng)目符號(hào)”。這些是什么是踩過(guò)無(wú)數(shù)次坑才攢下的、極其具體的工程經(jīng)驗(yàn)。你沒(méi)法靠一段優(yōu)雅的文字把它講給模型聽并指望它每次都記得——但你可以把它固化成一段腳本讓 Claude 直接調(diào)用執(zhí)行。更妙的是執(zhí)行的方式。假設(shè)一個(gè) skill 要做的事是給一堆數(shù)據(jù)排序。讓模型自己一個(gè)字一個(gè)字生成排序結(jié)果又慢又貴還容易錯(cuò)而 skill 里放一個(gè)排序腳本Claude 直接運(yùn)行它。關(guān)鍵在于腳本本身、還有它處理的那些數(shù)據(jù)全程都不進(jìn)入 Claude 的上下文只有最后那個(gè)結(jié)果進(jìn)。你品品這個(gè)設(shè)計(jì)的精妙一份純 markdown 文檔能給模型的只有文字描述的知識(shí)而且這些文字還得占著上下文。而一個(gè) skill能給模型可執(zhí)行的能力——它把復(fù)雜的、確定性的操作從模型用腦子硬想卸載成了運(yùn)行一段代碼既更可靠又幾乎不占腦容量。這已經(jīng)不是在“喂知識(shí)”了而是在“裝備能力”。把 Skill 理解成 markdown就像把一個(gè)會(huì)干活的員工理解成他桌上的工作說(shuō)明書——你看到的是文字但真正產(chǎn)生價(jià)值的是背后那套流程、工具和執(zhí)行方式。喂知識(shí)這件事SKILLS被重新定義在哪Prompt 當(dāng)場(chǎng)說(shuō)知識(shí)留不下RAG 提前存進(jìn)庫(kù)但得猜你要什么CLAUDE.md 每次都灌結(jié)果越灌越糊涂。它們吵了半天吵的其實(shí)是同一個(gè)問(wèn)題的不同答案——“該提前準(zhǔn)備多少知識(shí)”。而 Skills 直接跳出了這個(gè)問(wèn)題它不在提前給多少上糾結(jié)它把整件事改成了平時(shí)不給用時(shí)再取。有一句話能幫你一秒判斷該用哪個(gè)當(dāng)你糾結(jié)用哪種喂法時(shí)先問(wèn)自己——我是想給 Claude 一段背景知識(shí)還是想教它一套該怎么做的本事。背景知識(shí)這個(gè)項(xiàng)目是干嘛的、有哪些資料交給 Projects、CLAUDE.md而該怎么做某件事的本事團(tuán)隊(duì)的代碼審查流程、生成文檔的規(guī)范就該做成 Skill——因?yàn)檫@種本事是可復(fù)用、按需調(diào)用的今天這個(gè)項(xiàng)目用、明天那個(gè)項(xiàng)目也用不該每次重講也不該一直占著腦子。所以 Anthropic 用 Skills 重新定義的不是知識(shí)的格式是知識(shí)被調(diào)用的時(shí)機(jī)。從所有人都在做的提前喂反轉(zhuǎn)成了按需取從只能喂文字描述的知識(shí)升級(jí)成了能裝可執(zhí)行的能力。這事的意義會(huì)隨著你裝的 skill 越來(lái)越多、越來(lái)越復(fù)雜越發(fā)顯出來(lái)。在舊范式里知識(shí)越多模型越不堪重負(fù)而在 Skills 這個(gè)范式里知識(shí)可以無(wú)限地?cái)€在文件夾里卻始終只有當(dāng)下需要的那一點(diǎn)點(diǎn)會(huì)出現(xiàn)在模型眼前。能力可以無(wú)限多在場(chǎng)的永遠(yuǎn)剛剛好。這才是 Skills 真正重新定義的東西。如何學(xué)習(xí)大模型 AI 由于新崗位的生產(chǎn)效率要優(yōu)于被取代崗位的生產(chǎn)效率所以實(shí)際上整個(gè)社會(huì)的生產(chǎn)效率是提升的。但是具體到個(gè)人只能說(shuō)是“最先掌握AI的人將會(huì)比較晚掌握AI的人有競(jìng)爭(zhēng)優(yōu)勢(shì)”。這句話放在計(jì)算機(jī)、互聯(lián)網(wǎng)、移動(dòng)互聯(lián)網(wǎng)的開局時(shí)期都是一樣的道理。我在一線科技企業(yè)深耕十二載見證過(guò)太多因技術(shù)卡位而躍遷的案例。那些率先擁抱 AI 的同事早已在效率與薪資上形成代際優(yōu)勢(shì)我意識(shí)到有很多經(jīng)驗(yàn)和知識(shí)值得分享給大家也可以通過(guò)我們的能力和經(jīng)驗(yàn)解答大家在大模型的學(xué)習(xí)中的很多困惑。我們整理出這套AI 大模型突圍資料包? 從零到一的 AI 學(xué)習(xí)路徑圖? 大模型調(diào)優(yōu)實(shí)戰(zhàn)手冊(cè)附醫(yī)療/金融等大廠真實(shí)案例? 百度/阿里專家閉門錄播課? 大模型當(dāng)下最新行業(yè)報(bào)告? 真實(shí)大廠面試真題? 2026 最新崗位需求圖譜所有資料 ?? 朋友們?nèi)绻行枰禔I大模型入門進(jìn)階學(xué)習(xí)資源包》下方掃碼獲取~① 全套AI大模型應(yīng)用開發(fā)視頻教程包含提示工程、RAG、LangChain、Agent、模型微調(diào)與部署、DeepSeek等技術(shù)點(diǎn)② 大模型系統(tǒng)化學(xué)習(xí)路線作為學(xué)習(xí)AI大模型技術(shù)的新手方向至關(guān)重要。 正確的學(xué)習(xí)路線可以為你節(jié)省時(shí)間少走彎路方向不對(duì)努力白費(fèi)。這里我給大家準(zhǔn)備了一份最科學(xué)最系統(tǒng)的學(xué)習(xí)成長(zhǎng)路線圖和學(xué)習(xí)規(guī)劃帶你從零基礎(chǔ)入門到精通③ 大模型學(xué)習(xí)書籍文檔學(xué)習(xí)AI大模型離不開書籍文檔我精選了一系列大模型技術(shù)的書籍和學(xué)習(xí)文檔電子版它們由領(lǐng)域內(nèi)的頂尖專家撰寫內(nèi)容全面、深入、詳盡為你學(xué)習(xí)大模型提供堅(jiān)實(shí)的理論基礎(chǔ)。④ AI大模型最新行業(yè)報(bào)告2025最新行業(yè)報(bào)告針對(duì)不同行業(yè)的現(xiàn)狀、趨勢(shì)、問(wèn)題、機(jī)會(huì)等進(jìn)行系統(tǒng)地調(diào)研和評(píng)估以了解哪些行業(yè)更適合引入大模型的技術(shù)和應(yīng)用以及在哪些方面可以發(fā)揮大模型的優(yōu)勢(shì)。⑤ 大模型項(xiàng)目實(shí)戰(zhàn)配套源碼學(xué)以致用在項(xiàng)目實(shí)戰(zhàn)中檢驗(yàn)和鞏固你所學(xué)到的知識(shí)同時(shí)為你找工作就業(yè)和職業(yè)發(fā)展打下堅(jiān)實(shí)的基礎(chǔ)。⑥ 大模型大廠面試真題面試不僅是技術(shù)的較量更需要充分的準(zhǔn)備。在你已經(jīng)掌握了大模型技術(shù)之后就需要開始準(zhǔn)備面試我精心整理了一份大模型面試題庫(kù)涵蓋當(dāng)前面試中可能遇到的各種技術(shù)問(wèn)題讓你在面試中游刃有余。以上資料如何領(lǐng)取為什么大家都在學(xué)大模型最近科技巨頭英特爾宣布裁員2萬(wàn)人傳統(tǒng)崗位不斷縮減但AI相關(guān)技術(shù)崗瘋狂擴(kuò)招有3-5年經(jīng)驗(yàn)大廠薪資就能給到50K*20薪不出1年“有AI項(xiàng)目經(jīng)驗(yàn)”將成為投遞簡(jiǎn)歷的門檻。風(fēng)口之下與其像“溫水煮青蛙”一樣坐等被行業(yè)淘汰不如先人一步掌握AI大模型原理應(yīng)用技術(shù)項(xiàng)目實(shí)操經(jīng)驗(yàn)“順風(fēng)”翻盤這些資料真的有用嗎這份資料由我和魯為民博士(北京清華大學(xué)學(xué)士和美國(guó)加州理工學(xué)院博士)共同整理現(xiàn)任上海殷泊信息科技CEO其創(chuàng)立的MoPaaS云平臺(tái)獲Forrester全球’強(qiáng)勁表現(xiàn)者’認(rèn)證服務(wù)航天科工、國(guó)家電網(wǎng)等1000企業(yè)以第一作者在IEEE Transactions發(fā)表論文50篇獲NASA JPL火星探測(cè)系統(tǒng)強(qiáng)化學(xué)習(xí)專利等35項(xiàng)中美專利。本套AI大模型課程由清華大學(xué)-加州理工雙料博士、吳文俊人工智能獎(jiǎng)得主魯為民教授領(lǐng)銜研發(fā)。資料內(nèi)容涵蓋了從入門到進(jìn)階的各類視頻教程和實(shí)戰(zhàn)項(xiàng)目無(wú)論你是小白還是有些技術(shù)基礎(chǔ)的技術(shù)人員這份資料都絕對(duì)能幫助你提升薪資待遇轉(zhuǎn)行大模型崗位。以上全套大模型資料如何領(lǐng)取