乔克叔叔的床边故事
·
一文搞懂 Claude Code 的 Skills和Plugins：它们到底在解决什么问题？
💡
原文中文，约14700字，阅读约需35分钟。
📝
内容提要
本文探讨了AI开发中的上下文管理策略，包括多智能体、代理工作流、RAG和技能等，旨在解决上下文污染、流程僵化和工具过多的问题。通过分治和懒加载等方法，优化AI工具的使用效率，提高开发者的工作流。
🎯
关键要点
- 本文探讨AI开发中的上下文管理策略，包括多智能体、代理工作流、RAG和技能等。
- Context是昂贵的，模型需要消耗大量tokens来了解可用工具。
- Context污染导致每次对话消耗大量资源，并可能导致模型选择错误工具。
- Model Context Protocol (MCP)标准化了工具连接，但未解决上下文污染问题。
- Multi-Agent架构通过专业化解决上下文污染问题，允许多个智能体协同工作。
- Agentic Workflow通过智能编排来动态决策和执行任务。
- RAG（按需检索）方法解决了工具和代理数量过多的问题。
- Skills结合SOP和脚本，通过懒加载来管理上下文，解决流程知识无处安放的问题。
- Skills的三层架构实现了渐进式披露，优化了上下文使用。
- Plugins用于打包多个Skills和配置，方便分发和使用。
- Context管理是AI开发中的核心问题，所有策略旨在优化有限的Context Window。
❓
延伸问答
Claude Code中的Skills和Plugins有什么作用？
Skills和Plugins用于优化AI工具的使用效率，解决上下文污染和流程僵化的问题。
什么是上下文污染，为什么它是个问题？
上下文污染是指在对话中消耗过多的tokens来传递工具定义，导致资源浪费和模型选择错误工具。
Multi-Agent架构如何解决上下文污染问题？
Multi-Agent架构通过专业化将工具分散到多个智能体中，减少单个Agent的工具数量，从而降低上下文污染。
Agentic Workflow的核心理念是什么？
Agentic Workflow的核心理念是通过智能编排实现动态决策和执行任务，而不是依赖固定脚本。
RAG方法在AI开发中有什么作用？
RAG方法通过按需检索相关的Agent和工具定义，解决了工具和代理数量过多的问题，优化了上下文使用。
Skills的三层架构是如何工作的？
Skills的三层架构通过渐进式披露管理上下文，分为启动时加载、触发时加载和按需加载，优化了上下文的使用。
➡️
