随着Agent AI的出现，软件行业的价值重心从编程能力转向领域知识。真正稀缺的人才是既懂业务规则又具备技术能力的人。软件开发的核心在于理解现实规则，代码只是记录。领域专家的竞争力上升，而通用工程师面临挑战。未来，双重验证能力将成为新护城河，深入真实领域的理解将是长期优势。

本文讲述了一位产品经理如何在缺乏开发经验的情况下，利用AI工具Claude Code构建开源CLI工具MM-Ready，该工具用于检查PostgreSQL数据库的多主复制准备情况，提供56项检查和详细报告。尽管初期设计未能满足客户需求，但经过调整后成功适应实际使用场景。作者强调了领域知识的重要性，并反思了产品开发中的常见陷阱。

Skills 是一种可移植包，为 AI 代理提供专用功能和领域知识，通过渐进式披露模式高效利用上下文，增强代理能力。开发者可利用 Skills 扩展代理功能，实现更智能的 AI 应用。

Microsoft Agent Framework（MAF）1.0.0-rc2 版本发布，新增 Agent Skills 功能，支持为 Agent 注入领域知识。文章详细介绍了 Agent Skills 的实现细节、规范及渐进式披露设计，强调模块化和可维护性，适合企业级 AI 助手开发。

Agent Skills 是一种轻量级格式，用于扩展 AI Agent 的能力，通过封装领域知识和可执行能力，提升操作效率。与 MCP 不同，Agent Skills 在本地提供操作手册，解决了节省 token、理解业务流程和降低开发门槛的问题，设计理念为渐进式披露，以确保信息高效加载。

提示工程不仅是提出问题，更需像数据审计员一样构建问题。通过大型语言模型（LLM），数据验证从严格规则转向逻辑推理，能够识别数据集中的不一致和错误。有效的提示设计需清晰且具上下文，鼓励模型解释判断。将领域知识与结构化元数据结合，可提升验证准确性。最终，提示工程将成为现代数据治理的重要支柱。

本文介绍了七种利用大型语言模型（LLMs）进行时间序列分析和预测的有效提示工程策略，包括构建时间结构、特征提取、结合统计模型、使用结构化数据、设计预测模式、异常检测和融入领域知识，以提升模型的实用性和可靠性。

麻省理工学院的研究发现，大型语言模型（LLMs）有时会错误依赖语法模式而非领域知识，导致在新任务中表现不佳，甚至可能被恶意利用生成有害内容。研究人员开发了一种基准测试程序，以评估模型对错误关联的依赖，从而帮助开发者在部署前减轻这一问题。

作者在一年多的投资研究中意识到需要大量数据来配置投资组合，最终决定开发一个自用的投顾AI工具，结合数据和聊天输入提供建议。通过学习领域知识和使用不同的编码助手，逐步建立了系统，并计划进一步完善功能。

许多工程师因缺乏领域知识而在错误的问题上浪费职业生涯，导致代码无用。掌握领域知识有助于识别问题、优化需求和与团队沟通。通过提问、观察用户和了解工作流程，可以提升领域知识，从而增强工程影响力。真正的影响源于对业务的理解，而不仅仅是编写完美的代码。

机器学习在人工智能中至关重要，数据和领域知识同样不可或缺。领域专家在数据收集、特征识别和模型验证中提供关键见解，确保模型的相关性和有效性。忽视领域知识可能导致模型偏见和错误决策。将领域知识与机器学习结合，可以提升模型的准确性和可靠性。

本文探讨了通过少量示例、元提示和进化优化等方法优化提示，以提升大型语言模型（LLM）的性能，尤其在缺乏领域知识时。实验表明，Claude-sonnet模型在提示优化中表现最佳，优化过程可视为长期记忆，帮助模型学习和适应。

在AI工程的过程中，我经历了许多挫折，尤其是在医院数据项目中，模型表现仅略高于随机猜测。尽管如此，我从中获得了重要经验：实践提升技能，社区资源如Kaggle和GitHub非常有价值，领域知识至关重要，且从失败中学习同样重要。这让我认识到AI工程是一个不断迭代和谦逊的过程。