Claude技能设计模式大揭秘，助新手程序员提升开发效率

本文就发现跟选择, 还有上下文经济, 并且指令校准, 以及工作流控制还有可执行代码这下五方位途径, 归纳出了14个能够被复用的Claude技能设计样式。凭借激活元数据, 还有排除条款, 以及上下文预算, 加上渐进式披露这好些样式, 助力于开发者更强之构筑技能, 使之得以被有效运用。与此同时, 文章还讲述了控制调优, 以及解释缘由, 还有模板脚手架这段时间那些样式, 去均衡指令的严格性跟灵活性。除此之外, 如果执行清单, 还有自纠正循环, 还有计划 - 考核 - 实施这些步骤样式, 就针对多步骤流程给出了富有成效的控制办法。最后, 实用工具包, 以及自主校准模式, 帮助开发者去提升技能的确定性, 以及安全性。这些模式已覆盖技能设计里的关键点, 是新手程序员提升技能开发效率所必备的知识。

于Agent Skills的生态环境里, 技能大体上能够划分成两个类别。

有一种是任务型技能, 普遍设置了 disable-model-invocation: true, 它对应着一整套步骤序列化的流程, 像部署、提交以及安全审查等, 用户通常借助 /skill-name 直接进行触发。

另一类属于参考型技能, 此类技能用户无法直接进行调用, 它更类似于背景方面的知识, 像风格指南或者领域术语这类, Claude会在与之相关的场景情形下自动将其加以应用。

本文依据Anthropic官方的技能来编写最佳实践, 从中总结出了14个能够复用的设计模式, 这些设计模式被划分成了五类, 即: 发现与选择、上下文经济、指令校准、工作流控制以及可执行代码。

发现与选择

没人用写出来的技能, 写得好又有啥意义? 前两个模式要解决的问题, 正是这「怎么被用到」的问题。

1. 使元数据模式处于被激活的状态（一种特定的模式, 被称作激活元数据模式）。

要是你的技能库之中存在着几十个技能, Claude究竟怎样才能够知晓该去运用哪一个呢?

答案处于description的范围之内, 然而, 有许多的人将其视作「摘要」, 进而撰写成诸如“用于处理文档该类的含糊描述状况, 最终产生的结果是, 要么做出了错误的选择, 要么干脆就不去使用它。”。

Claude做选择时, 最关键的信号并非摘要, 而是description。

在会话刚刚起始的时候, Claude仅可不只看到每一个技能的name以及description。要是这一步是没有挑选正确的选项, 那么哪怕是后面书写得再怎么出色, 也是根本运用不上的。

一个好的 description，通常要包含三点：

Anthropic的技能创建者, 甚至给出建议, 要把描述写得更为主动些, 只因Claude本身存在着某种程度的触发不够的倾向, 比如说, 即便用户并未清清楚楚明确地提及仪表盘, 然而只要提到了数据可视化或者内部指标, 那么就应该促使这个技能被触发。

适用的场景是, 所有的技能原本想来应该都得运用这个模式, 然而入口要是没有做好的话, 那么哪怕在此之后全都不再具有任何意义了。

存在这样一个问题关键考量点, 即在处于开放状态的那种 Agent Skills 规范当中, 其 description 的上限是 1024 字符；而在 Claude Code 的范畴内, 其中的 description 以及可选的 when_to_use 合起来最多是 1536 字符。鉴于空间是有限的, 所以每一句话都必须处在「触发词、排除条件和领域关键词」之间去进行选择取舍。

2. 排除, 条款, 模式, （排除条款模式）, （这种模式被称为）, （ExclusionClausepattern）。

只说「什么时候用」还不够，还要说明「什么时候不用」。

比如说, 你同时具备一项名为「文档处理」的技能, 以及一项名为「代码生成」的技能, 倘若这两项技能, 全都被表述成「处理所有文本相关任务」, 那么Claude将会很难去判断, 究竟该选择其中哪项。

正向触发是把它拉进来，排除条款是把它推出去。

Ruben Hassid, 称呼排除条款为「description 之中最为关键的一行」, 甚至而言, 其重要程度要超过正向触发, 这没错。

一个好的排除条款开云app在线入口,开云真人官方下载，通常会说清楚：

比如：“不要用于博客文章、通讯邮件、推文或长篇内容。”

存在一个极易被忽视的要点, 即排除条款并非兀自独立存在, 它是需要与整个技能库一并统筹考量的, 不然的话极有可能出现这样的情况, 即呈现出两个技能均表述为「我能够做」, 又或者是两个技能均表述为「我没做, 不去施为」。

适用场景：几乎所有技能，尤其是和其他技能有重叠的那些。

一个需要权衡的要点是, 在维护成本方面, 一旦技能增加了许多, 那么排除条款也得随着进行调整, 不然的话, 极为容易出现冲突或者空白区。

上下文经济

共享资源是上下文窗口, 每个 token 都在抢空间, 是和其他技能抢, 是和对话历史抢, 是和当前请求抢。

3. 存在着一种被命名为上下文预算模式的模式, 它被称为Context Budget pattern。

许许多多的技能有着一种癖好, 喜欢从起始之处开始, 重新讲解一通: 诸如什么是PDF档案工具, 什么是程序库, JSON这种数据格式是怎样运作生效的——然而这些内容Claude原本就已然知晓明白。如此这般的冗余情况一旦在几十项技能当中反复不断地出现, 那么在用户尚未开口讲话以前, 上下文窗口就已然惨遭占据，被占去了一多半的空间。

默认前提：Claude 是聪明的。

这个模式的关键所在: 每说或者写一段话, 都得和它所占用的token搭得上, 配契合。假定删舍的去除其中某一句话不会让一位「足够聪慧明智的读者」感到困惑迷乱, 那么它十之八九大概率便是多余不必要没有价值没用处的。

另外还有两个容易忽略的点：

适用场景：所有技能的基础要求，可以当作默认纪律。

衡量要点在于: 倘若你的技艺旨在去兼容多个模式, 那么此时便需要依据最弱的那个模式进而决定具体细枝末节的程度, 对于Sonnet而言恰好合适的简洁, 在Haiku那里或许就显得较为简略了。

4. 一种被称之为渐进式披露模式的模式, 它有着特定的含义, 其中“Progressive Disclosure pattern”是其英文表达形式。

不少人会将全部内容不加区分地一股脑儿塞入SKILL.md, 无论用户所问的是什么, 几百行乃至上千行的内容会一次性全部进行加载, 包含表格、API 文档以及示例代码这一些, 不管到底用不用得上, 都会占据着上下文。

核心思路是：把 SKILL.md 当成目录，而不是仓库。

具体做法一般是：

还有两个实用技巧：

所用场合是, 当SKILL.md超出大概300行之际, 基本上就应当去思索进行拆分了。

权衡之处在于, 拆分所引发的复杂状况, 当文件数量增多以后, 不但作者更难以掌控整体局面, Claude同样需要去做关于“接下来该加载哪一个文件”的判定, 一旦做出了错误选择, 便会再多经历几个过程。

指令校准

指令究竟要写得多么细致呢, 写得过于死板, 就会对发挥起到限制作用, 写得过于宽松, 又极易出现偏离正轨的情况。下面所提及的这几个模式, 主要便是在这两者之间寻觅平衡。

5. 用以控制的调优劣化样式, （Control Tuning pattern）

有一些技能, 将每一步都规定得极为死板, 从而一旦碰到需要灵活应对处置的状况, Claude反倒是身陷困境之中, 动弹不得。与之相反, 要是指令过于模糊不清的话, 于那类情形, 也就是说, 只要走错一步都会导致全盘皆输的场景里面, 又轻而易举地引发问题。

这个模式的核心是：根据任务的脆弱程度来决定指令该有多严格。

可以一直问自己一个问题：这里能接受多大的偏差？

也是用来调节的手段之一是语气, 比如说在开头对角色进行设定, 设定为“你是一个资深代码审查员, 与风格相比更关注正确性。”像以此种方式进行的设定, 进而直接影响后续的判断准则情况实属常见于参考型技能之中。

适用场景：对每个步骤都问一句——这里允许多少偏差？

衡量的关键点在于, 许多人往往会有一种倾向, 那就是觉得把情况设定得更固定不变会显得更为安全, 然而实际上这仅仅是将失败的方式进行了一种转换, 原来是从出现错误的状态, 转变成为已经无法开展相关操作的这种状态。

6. 以阐释缘由样式, （Explain-the-Why pattern）

写成一串 ALWAYS / NEVER / MUST 的规则, 看似清晰, 实则缺乏上下文。Claude 可能按字面执行它, 但在边界情况中会用错, 或者在本不该严格执行时机械套用。

Anthropic的skill - creator, 居然将这种全大写指令, 视作需要重构的信号。

这个模式的核心是：先说规则，再说明原因。

如此一来这般 Claude 并非仅仅是「依令行事」, 而是能够领会其背后所蕴含的逻辑, 于规则未曾涉及的情形之中也能够自行作出判断。

比如说, 采用构造器注入, 而字段注入会致使可测试性遭到破坏, 原因在于模拟字段时仰仗 Spring 上下文 这一情况。这样的表述 相较于 明确规定必须运用构造器注入, 绝对禁止使用字段注入 而言 , 显然 要更平和, 不那般强硬。前者给出了思索判断的根据, 后者仅仅限定了行为 一种做法选择。

适用场景为, 当你着手去写 MUST 这类，或者 ALWAYS 这类, 又或者 NEVER 这类强制性规则之际, 就应当去考虑把它换成这种结构。

需权衡之处在于, 解释会消耗token, 对于那些真正绝对「不能出错」的步骤, 亦如之前提到的低自由度场景, 直接采命令式反倒更适宜, 带有原因的写法, 于需要Claude自行做判断的地方则更为契合。

7. 模板, 脚手架, 模式, （其英文为Template Scaffold pattern）。

像报告, 提交信息, API 请求和发布说明这类输出, 只要结构很重要, Claude 每次生成的「形状」常常都并不太一样, 是这样的情况。

具体的问题是, 存在这样一种情况, 结构实际上是隐匿于示例当中的, 然而技能自身并未清晰地表述出来, 所以每一次都会处于重新“猜测”的状态。

就是这样一种模式的做法, 它非常直接, 是给予一个带有占位符的模板, 而后让其依据结构进行填空。

模板一般分两种：

可以简单理解为：模板定结构，示例定风格。

适用场景: 只要输出存在固定样式, 或者而后还会遭受到剖析（不论剖析之人还是程序主体）, 就理应采用模板。

衡量的要点在于, 模板越死板, 就越发容易对表达形成限制。处于某些不太常规的情形当中, 反倒有可能无法满足需求。以此而言, 要是并非供机器使用, 那么优先选用灵活的模板。

8. 技能之内包含的示例模式, 也就是该模式中存在示例, 此模式被称作In-Skill Examples pattern。

仅凭描述, 要将语气、格式与细节全然说清晰是极具难度的。常见的情形为, 结构无误, 然而风格却不符——比方说提交资讯时采用了正确的conventional commit前缀, 但其语气却与团队风格不相契合。

该模式的施行方式为: 于技能当中放置若干输入以及输出示例, 使其依据此进行对齐操作。

Input: [用户输入示例]  Output: [期望输出示例]

与few-shot相类似, 给出两到三个示例, 一般而言比一长段的说明更具效用。Claude会优先依照示例对齐, 而不是从文字当中自行揣测并认定。

能够这样去理解: 模板, 也就是上一个模式, 所处理的是结构方面的问题；示例所处理的是风格方面的问题。当两者协同运用的时候效果是最为理想的: 模板确定结构, 示例确定风格。

适用场景为, 存在结构方面要求的情况, 同时还存在表达风格方面要求的情形, 像是提交信息、发布说明、changelog、审查简介, 等等。

关键点在于: Claude特别易于进行「学习示例」这一行为。一旦在所给出的示例当中融入了某类习惯属性, 那么它将会在全部呈现内容里予以重复性展现。因而, 所提供的示例务必在最大程度上去涵盖各种各样不同的情形状况, 而绝不是仅仅给予那么一种单一的写法呈现形式。

9. 晓得, 那种, 名为可知陷阱模式的样式, 也就是Known Gotchas pattern。

好些技能仅仅涵盖「正常流程」, 告知Claude要怎样去做, 然而却未讲出哪些地方极易出现差错。

要是碰到真实环境中的边缘状况, 也就是字段不存在, 还有命令在macOS行得通, 可在Linux却失败了, 以及库偷偷返回空结果这种情况, Claude没有参考依据, 那就很容易自行“编造一个修复”了。

这个模式的做法是：专门列出已知的陷阱。

在SKILL.md里头, 单独增添一节内容, 将常见的失败情形清晰地写明白, 就像:

于实战当中, 这一部分常常属于一个技能极具价值的内容, 缘由在于它直接源自踩过的坑。

场景可以适用: 已经经历了在真实环境进行了一阵子的运行历练的技能, 能够依据实际出现的问题持续不断进行补充完善。

存在这样一个权衡点: 这些「陷阱」并非固定不变化, 而是会发生改变的。当库进行升级以及 API 出现改动之后, 以往所存在的问题很可能已然不再存在，要是不进行更新, 那么反倒会误导 Claude 去对一个实际上已经不存在的错误展开排查。

工作流控制

该如何去把控多步骤流程? 开始是简单的线性步骤, 接着是带有校验的执行步骤阶段开始, 然后是基于计划的流程控制阶段开启, 其复杂度是一步一步逐渐在进行着递加生长的。

10. 要去执行，清单模式, 也就是执行清单模式, 即Execution Checklist pattern（执行清单模式）。

于多步骤流程当中, 常见的问题并非是做错, 而是没有做完, 具体表现为跳过验证, 忘记了当前所处的进度, 甚至还提前宣布完成, 声称「应该已经好了」, 然而实际上仅仅做到了一半而已。

这个模式的做法是：把流程变成一份可勾选的清单。

让 Claude 在对话中直接使用，比如：

- [ ] 步骤1：...- [ ] 步骤2：...- [ ] 步骤3：...

每完成一步就勾掉，没完成的会一直留在那。

关键点在于：未完成的项是「可见的」。

清单会始终在对话之中呈现, 并非仅是Claude自身知晓, 还能使用户一眼便瞧出进展情况。每一回都得直面“还有哪些尚未完成” , 如此一来自然就愈发难以提前结束工作。

应用场景是, 超过三步的流程状况, 特别是那些, 少一步便极有可能出现问题的场景情况。

权衡考量的关键点在于, 那份清单在每一轮的时候都会完整地呈现出来, 在较长的对话当中, token会显著地增多, 是这样的情况。而对于那些非常短的流程而言, 采用这种模式反而算是略显冗余了。

11. 自我校正循环样式, （自我 - 校正循环模式）

在进行代码生成之际, 于 XML 编辑工作当中, 又或者是依照规范去撰写文档之时, 单次输出极易遗留下问题来——而这些问题啊, 原本是凭借技能能够被发现的。

问题不在于「怎么写对」，而在于：没有人检查它写得对不对。

这个模式的做法是：引入一个显式的循环。

流程很简单：生成 → 验证 → 失败则修复 → 再验证

验证可以是：

只有通过验证，流程才结束。

适用场景有这些, 对质量有着较高要求, 并且是能够进行验证的任务, 像是代码生成, 还有配置文件, 以及结构化输出等等。

一个需要考虑的权衡点是, 存在可能不收敛的情况。要是验证过于宽松, 或者Claude老是在同一个位置犯下错误, 那就会出现反复循环的状况。在实际投入使用时, 得设定重试的上限, 并且在遭遇失败之际, 退还给用户去进行处理。

12. 一种模式, 它是计划、验证、执行模式, 也就是Plan - Validate - Execute pattern。

在面对批量或者高风险的操作, 像是批量更改表格结构, 进行数据迁移, 以及重写整篇文档的情况之下, 若是上来就直接开展操作，一旦出现错误, 便极易在错误这条道上一路延续下去, 直至最后酿成大错。

等你发现问题时开云手机入口app下载开云app官方入口网站，修改可能已经应用完了，回滚成本很高。

这一模式的做法呈现为, 于「理解任务」以及「执行操作」二者之间, 增设一层具备可验证特性的中间产物。

一般而言, 存在着一个呈现为结构化形态的计划, 举例来说像是 JSON 这种, 其流程演变成, 先是计划阶段, 接着进入验证阶段, 在通过验证之后继而执行。

关键点是：所有验证都发生在副作用之前。

这跟之前的自纠正循环存在差异, 那是于结果呈现之后不断进行修正, 而此处是在切实着手开展之前, 将问题预先予以阻挡, Claude能够在「计划」这个阶段反复施行调整, 唯有在计划通过验证以后, 才准许执行实际操作。

适用的场景是, 存在批量进行操作的情况, 还有那种属于不可逆操作的状况, 或者是一旦出现错误, 将会导致代价非常高昂的任务。

权衡要点在于流程更为繁琐, 针对简单任务, 像是修改两个字段这种情况, 此套流程自身花费可能超过任务花费, 故而更适宜应用于那些一旦做错便极难做补救措施的场景。

可执行代码

将一部分工作, 从Claude的推理范畴之中, 抽取出来, 转交给具备确定性的脚本去予以执行, 使其运行, 进而返回相应结果, 此结果存在两种情况, 要么是成功, 要么是失败。

13. 实用工具包样式（Utility Bundle样式）所成的模式（Utility Bundle样态组成的样式呈现形式）

要是每一回都叫Claude去临时编写验证脚本, 还有PDF解析器, 抑或是数据处理逻辑, 不但速度慢, 并且不太稳定, 同时这些“临时代码”也在无端消耗token。

很多时候开云app官方最新下载地址，其实是在反复写同一套逻辑，只是细节有点不一样。

这个模式有着这样的做法, 即要将那些具备确定性的能力, 预先制作成脚本, 而后放置到 scripts/ 的里面。

往后让 Claude 借着 bash 予以调用, 并非每个次数都去当场撰写一回, 益处在于: 进入上下文的仅仅是脚本所输出的内容了, 而并非其实现的完整过程。

这些脚本本身也有几个基本要求：

要是没办法确定哪些逻辑是值得抽取出来的, 那么能够简单去看一下, 进行几次技能的操作, 翻阅翻阅日志, 看一看哪些辅助逻辑是反复被进行「重新写」这种操作的, 那便应当提到 scripts/ 当中去。

适用场景：确定性强、经常重复、值得单独测试的操作。

存在一个权衡点, 它是环境依赖, 脚本是在用户所处的环境之中运行的, 不同的机器以及不同的系统呈现出来的情况或许会有所不同, 因此要在SKILL.md里将依赖清晰地写出来, 并且尽可能地去规避与平台相关的问题, 此类像路径书写方式之类的问题。

14. 自行校准样式, （这种样式）被称作自主校准模式, 英文是Autonomy Calibration pattern。

要是一项技能在初始状态就配备了一整套工具, 从理论上来说, 它存在着能够完成任何事情的可能性, 诸如撰写文件、运行 shell、调用外部服务, 就算它所承担的任务实际上仅仅是读取一些数据而已 ；标点是否正确可继续沟通调整其规范。

打个比方, 存在这样一种安全审计技能, 它带有Write权限以及Bash权限, 哪怕SKILL.md文档制定得极为严谨, 然而其自身终究是一种隐患。

这般模式的做法呈现为: 于 YAML 之中将 allowed - tools 清晰写明, 于其中仅仅赋予其切实所需要的那些能力。

比如：

然存在一个易于被忽视的要点, allowed - tools 更近似于「预先批准」, 而非「硬性限制」。

它能够将审批予以减少, 然而却并不等同于沙箱, 于Claude Code之中, 真正具备约束作用的依旧得凭借权限策略, 并非仅仅依靠此处的声明。

适用场景为, 只需具备颇为有限能力的技能项目。特别是如同安全领域这般的任务, 还有审计工作之类的情况, 以及进行相关分析的任务场景。

很容易出现误用的权衡点, 要是 allowed - tools 写得过于宽泛, 实际上便是对权限进行了放大, 并且好多人会将「预批准」当作「已经限制」, 在需要进行严格控制时必须和权限策略一同使用呢。

总结

这14个模式, 基本上对技能设计之中, 最容易出现问题的那几个关键点, 都已经进行了覆盖。

描述, 决定技能是否会被运用；渐进式披露, 决定其会占据多少上下文空间；解释缘由以及已知陷阱, 决定Claude在边界情形下能否做出正确判断；计划 - 验证 - 执行以及自主校准, 是在出现问题时, 将风险控制在可接受范围内。

每一个模式，背后其实都对应着一种常见的失败方式。

如何学习大模型 AI ？

之所以实际上整个社会的生产效率是提升的, 是因为新岗位所要达成的生产效率, 比被取代岗位所能达到的生产效率, 更为优越。

但是具体到个人，只能说是：

“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。

这话, 置于计算机的起始阶段, 是相同的道理, 放在互联网的开端时期, 也是同样的道理, 处于移动互联网的起始之时, 还是一样的道理。

我深耕于一线科技企业长达十二载, 目睹过数量众多因技术卡位从而实现跃迁的实例, 见证过不少很多因技术卡位就产生飞跃的情形。那些最早先行拥抱 AI 的同事们, 早就早早在效率与薪资这样两个方面形成极大的代际优势, 我由此察觉到有诸多经验以及知识是值得分享给大家的, 还能够凭借我们的能力及其过往经验去为大家解答在大模型学习过程中的诸多困惑, 我们精心整理出了这一套 AI 大模型突围资料包:

要是朋友们有需要《AI大模型入门+进阶学习资源包》, 那么, 所有资料, 在下方扫码获取~

① 全套AI大模型应用开发视频教程

涉及提示工程技术点, 还关乎RAG技术点, 包含LangChain技术点, 有Agent技术点、模型微调与部署技术点, 也涵盖DeepSeek技术点。

② 大模型系统化学习路线

成为学习人工智能大模型技术这般的新手之际, 方向起着极为关键的作用, 恰当的学习路径能够给你充裕的时间支配, 尽力减少走那些错误的路；要是方向出现偏差, 付出再多努力也都全无益处。在此处我为大家精心筹备了一份极具科学性且极为系统的学习壮大路线图以及学习规划方案, 引领你从毫无基础的起点开启, 直至达到精通的程度！

③ 大模型学习书籍&文档

对于学习AI大模型而言, 书籍文档是不可或缺的, 我精心挑选了一系列有关大模型技术的书籍以及学习文档（电子版哦）, 这些书籍和文档是由领域当中顶尖专家创作的, 其所涵盖的内容既全面又深入, 还十分详尽, 能够给你在学习大模型的时候提供坚实的理论基础。

④ AI大模型最新行业报告

于2025年间所产生的最新行业报告, 针对不同行业的当前状况、未来发展趋势、显露的问题、潜藏的机会等事项, 展开精心且系统的调研工作, 并且进行全面评估, 目的在于弄清楚哪些行业相对地更加适宜去引入针对大量数据训练而成的大模型的相关技术以及具体应用情况, 进而明确在哪些层面或者领域能够恰到好处地让大模型的显著优势得以充分发挥。

⑤ 大模型项目实战&配套源码

学到即用, 于项目实践当中查验并稳固你所习得的学问, 与此同时为你寻觅工作岗位以及职业发展铺陈夯实的根基。

⑥ 大模型大厂面试真题

参与面试, 这可不单单是技术方面的比拼较量, 更得要有十足充分的准备才行。当你已然掌握了大模型技术之后, 紧接着就该着手去准备面试环节, 我这儿精心细致地整理出了一份大模型面试题库, 它覆盖包含了当前面试期间当中有可能会遭遇碰见的各类种种技术问题, 如此便能让你在即将面临的面试里面应对自如, 轻松游刃有余哟。

以上资料如何领取？

为什么大家都在学大模型？

科技巨头英特尔最近宣布进行裁员, 裁撤人数达2万人, 传统岗位持续不断缩减, 然而AI相关技术岗位却在疯狂扩招, 只要有三到五年的经验, 大厂薪资就能给到50K, 同时薪资发放方式为20薪！

不出1年，“有AI项目经验”将成为投递简历的门槛。

在风口这种形势之下, 别如同那种类似“温水煮青蛙”这般的状况去坐等被行业淘汰, 而是要比别人先迈出一步, 去掌握AI大模型的原理, 再掌握应用技术, 接着掌握项目实操经验, 从而实现“顺风”翻盘！

这些资料真的有用吗？

这份资料是由我, 还有那位作为北京清华大学学士以及美国加州理工学院博士的鲁为民博士, 一同进行整理的, 此人现任上海殷泊信息科技CEO, 其创立的MoPaaS云平台取得了Forrester全球‘强劲表现者’认证且服务于航天科工、国家电网等1000多家企业, 另外他以第一作者身份在IEEE Transactions上发表论文50多篇, 还拥有包括NASA JPL火星探测系统强化学习专利等在内的35项中美专利。这套AI大模型课程是由鲁为民教授领衔研发的, 鲁为民教授是清华大学 - 加州理工双料博士, 还是吴文俊人工智能奖得主。

资料里的内容, 包含了从刚开始入门一直到更高级水平的各种各样视频教程, 还有实战方面的项目, 不管你是完全没有经验, 处于新手阶段的人, 还是已经有了一些技术方面基础的技术人员, 这一份资料绝对都是能对你起到助力作用, 帮你提高薪资待遇, 实现转到从事大模型岗位这个转变的。

以上全套大模型资料如何领取？

标签： Claude技能设计模式 新手程序员 开发效率 AgentSkills 大模型AI