Select a result to preview

ANTHROPC - Claude Code - Plugins & Agent Skills & Agent SDK

参考 ANTHROP\C - Claude > ANTHROPC - Claude Opus/Sonnet 5 & Fable 5 & Mythos 5 & ANTHROPC - Claude Code & Agent SDK
参考 Model Context Protocol

Plugins - Extend Claude Code with custom commands, agents, hooks, and MCP servers through the plugin system. > Plugin marketplaces - Create and manage plugin marketplaces to distribute Claude Code extensions across teams and communities.

Agent Skills & Agent Skills - Create, manage, and share Skills to extend Claude's capabilities in Claude Code. > 1016 Equipping agents for the real world with Agent Skills > Agent SKills - A simple, open format for giving agents new capabilities and expertise.

任何可以用文字描述清楚的专业流程与行为都可以制作成技能（如同 Linux 万物皆文件，Agent 万事皆文本），而 Agent 时代本不应该仅靠流程图来定义与交流业务流程与行为节点。因此，较本质仍是 Tool-Use 模式的 Model Context Protocol 更高效稳定，其颗粒度层次不只是协议（如同 JSON Schema 抽象于数据，OpenAPI 抽象于 Service），而是叠加在模型能力上 Progressive Disclosure & Composability（渐进式披露与组合）的 Skill。所谓 We're "loading in" specialized knowledge to our general agents at runtime.，针对当下 AI 的控制流和数据流混在一起的死穴，可能是一个解决方案。近期 Agentic 的谱系讨论愈加清晰，在自动的预设可控的 Workflow 和自主的灵活泛化的 Agent 的频谱之间，最后总要有个平衡点，让人机协同过程中消耗掉的脑力和 Token，可以固化传递给其他智能体（或人），这也许就是 Agent 时代源代码的编程语言（后续 PTC 更夯实了这一点）。> CC 团队是真正在大模型能力基础上不断思考人（的思考表达）机（的遵循行动）协同的边界，从 MCP 到这次以 Skill 来彰显 Plugins，都是以 AI-Coding 作为第一性。也就是说，对自家大模型能力有信心，所以针对上下文工程等形式化，在高阶层面回到软工本身的编程逻辑，比如本地操作系统能力复用、充分文本/文件（含程序代码、伪代码、半结构化等广义代码）、声明/实现解耦等等。

Agent SDK overview - Build custom AI agents with the Claude Agent SDK > 支撑 GitHub Actions & GitLab CI/CD；> 20260220 如何构建 Agent 及其上下文工程（简洁入门）

1016 Equipping agents for the real world with Agent Skills & 1017 Introducing Agent Skills

1112 Improving frontend design through Skills - Best practices for building richer, more customized frontend design with Claude and Skills.

1104 Code execution with MCP: Building more efficient agents - Direct tool calls consume context for each definition and result. Agents scale better by writing code to call tools instead. Here's how it works with MCP. > Anthropic 从 MCP 回归到 Code execution 范式，即 AI-Coding (Code-Use) 的第一性。> 1124 Introducing advanced tool use on the Claude Developer Platform - Programmatic tool calling

被 Claude 吞噬的应用层：从 MCP、Skills 到 PTC 的跨维度打击 - 程序化工具调用 - Compute over Context & Coding as Reasoning（LLM“概率”与 Code“逻辑”的正交），类似于 OS 的 Shell Scripting / Kernel Execution，模型直接编写完整脚本在安全隔离的沙箱中批量执行。另参考 Pydantic AI & DSPy & AiPy - Function Calling -> MCP -> PTC 使用 JSON 去实现 Calling，而 CodeAct 及 Python-Use 则 LLM 直接生成调用对应函数的代码，本质即权衡“可靠性”vs“灵活性”。
参考 Control Theory in AI Agents: Two Theorems You're Already Using > Principle 1: build tools that cover the environment's variety & Principle 2: the LLM needs a model of the environment

SkillOpt - Executive Strategy for Self-Evolving Agent Skills. SkillOpt treats a compact natural-language skill document as the trainable state of a frozen language agent, then learns that document through rollouts, reflection, bounded edits, and held-out validation gates.

302.AI - 302 AI Studio - Your AI Productivity Accelerator - Your cross-platform desktop AI application. Offering powerful general AI capabilities like code generation, document summarization, and intelligent Q&A to boost your productivity. > 20260112 Skills Are Just Apps for AI

Vercel - v0 & Next.js > SKILLS - THE OPEN AGENT SKILLS ECOSYSTEM

OpenCLI & CLI-Anything - 传统软件端（包括页端）的 CLI 化，是在 Agentic Agent 与 Skills 联合蚕食下，对已有固化的业务最快的变现反应：Agent Tool Call 的天花板基本被锁死了，Tool 太多了不如走 Skill+CLI，Tool 太少了又是典型的“覆盖主力工况”。

202606 期间 AI-Coding & Work Agents 进化路径（“AI 时代的源代码”）：SuperClaude Framework & SuperPowers & OpenCode - Zen / OMO(LazyCodex) & Crush > Matt Pocock - AIHero - grill-with-docs & Garry Tan - gstack/gbrain > EVERY - Compound Engineering

Agents & SubAgents

垂类 Skills

歸藏(guizang.ai)@op7418: 压进我十年设计经验的 PPT Skills，迎来大波更新 & 万字长文：做了些爆款 Skills 以后，我对 Skills 的看法：好 Skill 的架构：中心短，辐射厚；Skill 质量要像代码质量一样维护；设计 Skill 的本质：把品味变成约束；Skill 生态不能做成仓库列表（本质上需要强运营）；内容 Skill：文章、产品和案例互相喂养；Skill 的边界会继续扩大；Skill 与 Gene：手写经验和自动进化的边界（Gene / Capsule：这里指从 Agent 反复执行中的成功路径里沉淀出的可复用经验单元，强调自动演化而不是人工手写）；盗用不是靠藏，防御方式是持续分发；一个完整 Skill 生命周期；> Agent 时代最稀缺的是可复用的能力组织方式。Skill 之所以重要，是因为它第一次让人的经验、工作流和品味，有机会变成一种可以分发、调用、评价和持续迭代的商品。

0）Skills 管理方案：Skills 只装在项目里，不装全局；用软链接来安装 Skills：把开源 Skills 项目下载到统一的目录 > 在自己的项目中创建软链接 > 给 Agent 建一个入口；帮我把 ~/GitHub/baoyu-skills/skills/baoyu-comic 软链接到 .agents/skills/baoyu-comic 或直接 帮我把 baoyu-skills 项目里的 baoyu-comic 这个 skill（或所有 Skills）软链接到当前项目；之前使用 SKILLS 便捷方式多 Agent 安装也采用软链接；> 20260626 逐步迁移至该 Skills 管理方案（权限原因采用 Junction 模式），Agent 根仅少量常用 Skill；注意与 Claude Code 的 Plugins - Marketplace 模式 & Codex App - Plugins 及其内置 Skill 的区分；

1）content-skills - Content generation and publishing: xhs-images, infographic, cover-image, slide-deck, comic, article-illustrator, post-to-x, post-to-wechat ; > article-illustrator 参考我写了个 Skill，让 Agent 自动给文章配图，需调用 Gemini 图像生成 Skill（如下 danger-gemini-web）；comic & slide-deck 使用脚本合成 PDF/PPT；post-to-x & post-to-wechat 使用脚本通过带有 CDP 的 Chrome 绕过反自动化机制，后在 Codex 中使用 @Chrome 插件直接发送；
2）ai-generation-skills - AI-powered generation backends: image-gen, danger-gemini-web; > danger-gemini-web: 检查/创建/确认同意书 consent.json > 执行脚本 Text generation & Image generation & Vision input (reference images)，运行时会打开 Chrome 并进行 Google 身份验证（另需 Proxy 设置）；
3）utility-skills - Utility tools for content processing: url-to-markdown, danger-x-to-markdown, compress-image;

20260424 Skill 是天生带自杀基因的产品 - 价值创造和价值捕获被分开了 & 自杀的不只是盈利，还有数据飞轮 & 答案藏在「AI 让什么变得过剩」里 - 稀缺是关系、此刻、物理世界、以及判断与品味；

0726 plusxiaxia@plusxiaxia: 当我看到一个垂直业务智能体是一堆 Markdown 文件+一堆 Skill，我就知道，这事黄了一半。> 我们的智能体是：1 数据源；2 连接器，从数据源中提取 json string；3 本体，将 json string 反序列化为 Object；4 策略，对 Object 形成的 Graph 进行静态分析，产生 Diagnostic；5 数据绑定，将 Object 嵌入 Parametric Block 中的 Slot；6 生成，调用 Agent 补全 Generated Block，如果可追溯性非常高，我们甚至要限制 Agent 在写入特定 Generated Block 时 Scope 包含的 Block，依据哪些表达，哪些数据，做出特定判断的；7 样式绑定，将 Content Graph 中的各个 Block，根据 Target Channel，选择 Style，渲染得到 Artifact。

20251022 Claude Skills: The Functionalization of Language

1124 Claude Agent Skills：第一性原理深度解析

1229 马东锡 NLP@dongxi_nlp: Skill 是个好名字，但只是一种 trick。你可以创造自己的类似 Skill 的框架，重要的是遵循 SWE Agent 的 ACI 设计原则：1. Actions should be Simple 2. Actions should be Compact and Efficient 3. Environment Feedback should be Informative but Concise 4. Guardrails Mitigate Error Propagation > Skills 信息折叠更狠，已经几乎没有怎么启发性了。所谓自动选用，其实也是美好的愿望。最后遇到的问题会和 MCP 很像，你得明确告诉 AI，它才会过去找。一个高级工程师现查手册，肯定不如一个熟练的流水线工人效率高。> 参考 Apache ECharts vs Ant Design & AntV，后续的 SDK/API 都会自带 Skills 取代原先的手册文档，而且这种 AI 自反性会逐渐模糊 SDK/API Solidification 固化性 与 Agentic 能动性 的边界。隐约看到 SWE 3.0 的雏形，通过符号抽象升阶，让 AI 参与进来的，类似开源社区又超越了的一种涌现。> 同理，当下所有的软工开发类教材都应该以 Agent Skills 的范式编写与呈现；

20260110 当下的共识：你可能不再需要 workflow，大部分场景 skills 足矣——五步框架把 Workflow 变成可进化的 Skill

“凡是能够说清楚的，AI 早晚能够运行；凡是不能说清楚的，请保持沉默（这是人类最后的主体性）”—— 一方面是经典编程语言以及 DSL 所承载的软工终结理想的实现曙光，一方面是

1）Anthropic 专注 AI-Coding，其实深谙“代码第一性原理”，Claude Code 不仅是在快速旋转着“上下文工程（自然语言）- 软件工程（代码）”的数据/模型飞轮，在 Opus 4.5 这类推理能力到位的模型加持下，Skills 及其前后的基础设施，更是在收集迭代，从而进化为基于“大语言模型”而又超越“语言”局限的框架，这不仅仅是 MCP 阶段就呈现出的“反馈操作真实/物理世界”。我认为，是将之前“自然语言描述 vs 编程语言表达”两端间分层转化翻译职责，真正意义上模糊而频谱化，也就是真正实现软工的终极理想 ——“人类思考抽象 - 机器自主执行”的可塑性（Malleable）。回想一下之前从“写清楚需求文档”到“稳定运行代码系统”的转译过程中“文档”与“代码”本质上是两张皮的，以及针对 Vibe Coding 的 Spec-Coding 应用场景的局限性（谁不是 Specification-Driven Development？）。> 参考 Malleable Systems - Malleable Software & End-user Programming & SaaS；

成功现在取决于那些更难被自动化的因素

2.1）有人问，为何 Skills 写的都很清晰而规整（虽不如代码的精确）？因为这也是面向机器（AI）的，写不清晰跑不出效果（当然 AI 的自反性会方便澄清与迭代），而一旦 AI 掌握的这个技能，自主组合后的收益是巨大的，尤其是相较之前需要人工编程转译所投入的成本而言，构建与迭代成本是极大下降的。这是一个人机协作的可塑界面，对一个面向 AI 的写作者/编程者而言，他当然可以继续指望后面其他人来澄清

20251019 部署调试 Agent Skills，网页版/桌面版 Claude 需 Pro 账号，故直接调试等效开源的 anthropics / skills（安装 Marketplace 时 Git 至用户目录）：
0）marketplace.json 配置了两个 Plugin：document-skills 对应 document-skills；example-skills 对应其他子目录的技能；> 1220 新版本结构调整，更新 marketplaces & plugins：skills 目录下 pdf、pptx & docx & xlsx、frontend-design；

1）调试 document-skills，创建一个两页的介绍 Claude Code Skill 的 PPT：在目录 document-skills-demo 中，构建 slide1.html & slide2.html > 构建 create-gradient.js 生成背景 gradient-bg.png > 构建 create-presentation.js，运行时需拷贝脚本 html2pptx.js > 就近安装 Node 依赖库（需关注运行环境及沙箱，见下文）> 构建 PPT 过程中，反复修改 .html 文件（GLM-4.6 能力问题）> 构建成功，生成内容 HTML 以及 Layout 等进而 NodeJS 脚本构建 PPT 的技能固化，而由 CC 具体执行并调整；

2.1）调试 skill-creator，引导我创建一个 Skill，实现对 csv 文件中的数据进行各种分类的机器学习分析，采用 scikit-learn 库，参考 Hands-On Machine Learning with Scikit-Learn and TensorFlow - 机器学习实战 & Machine Learning Bookcamp - Python 机器学习项目实战：载入 skill-creater 技能，分析并设计核心功能模块任务，在目录 skill-creater-demo/csv-classification-ml 中开始创建技能：SKILL.md & requirements.txt & README.md 等；scripts/ 各步骤 Python 脚本 & assets/ 数据资料 & references/ 算法文档 > test_skill.py & simple_test.py 仅检查技能目录文件结构 > 可直接执行如 python scripts/csv_classifier.py assets/example_datasets/iris_classification.csv species；

2.2） 在 skill-creater-demo 目录中配置 marketplace.json（参考上文）为 ml-agent-skills，而 csv-classification-ml 等目录即为 data-science-skills 技能组之一；CC 中安装 Marketplace & Plugins 后调试该技能：IDE 插件中采用 /csv-classification-ml 而没有 /plugins（显式 Plugins）；

1221 部署使用 thedotmack / claude-mem & obra / superpowers & muratcankoylan / Agent-Skills-for-Context-Engineering：注意 plugins 目录中 marketplaces 更新源码而 cache 中动态载入；
1）/plugins 安装 claude-mem 后重启 Claude Code 报错：SessionStart:startup says: Plugin hook error:📝 Claude-Mem Context Loaded ℹ️ Note: This appears as stderr but is informational only > Web 端 http://localhost:37777/ 正常；过程内容参考 ~/.claude-mem；> 后运行时弹 Node 命令框且阻塞（后确认为正常），故暂关闭；> 0113 更新后正常；
2）部署调试 Agent-Skills-for-Context-Engineering & obra / superpowers（202605 Codex 调试，详见 SuperClaude Framework & SuperPowers）；

20260121 调试 JimLiu / baoyu-skills ：针对 danger-gemini-web，使用头部模型可以很好遵循 Skill 意图执行脚本，Google 用户认证需系统 PIN 码，并确保 Gemini Pro 可连接；> 后 Skills 在 Claude Code 中安装，而在 OpenCode - Zen / OMO(LazyCodex) & Crush 中调试（充分利用各类模型配额）；

file-20260115000841523.png
file-20251030215704955.png