原帖 ｜ Jason ｜ 2026-03-19 17:59 ｜ 👍0 ｜ 阅读约1
在前面讲的 agent + MCP + skills + RAG 的 AI 应用开发架构中，skills 的撰写是具有技巧的。
除了前面我们讲的撰写 skills 的几种方法外，还需要注意一个点，就是模型的差异。
我们这个架构后台的 LLM 大语言模型，不同的模型运行 skills 的效果不同。我们都知道 Claude 运行 skills 效果好，但是这个太贵了。deepseek 运行 skills 的效果差，但是 token 便宜。那我们如何既能省钱又能让 skills 在 deepseek 环境下产生好的效果呢？
这就要求我们撰写 skills 注意几点：
-
skills 写的不要太复杂，不要太大，如果真的很大就拆到不同的 .md 中。
-
能够抽象出 python 脚本的，就不要写到 skills 里让 agent 做。
-
skills 既然是垂直领域的工作流，那不同领域不一定真的要遵循上面的框架，有的模块可以没有 RAG 向量化检索的知识库，只需要手动清洗数据保证数据的精准，然后将知识放到固定目录下，让 agent 去手动匹配，也可以达到目的，还省 token。
-
skills 中可以描述工作场景和问题背景，会更容易让 LLM 理解你的环境，理解你的上下文，更容易产生好的效果。
-
在 skills 中强制要求 LLM 回复的格式，比如 JSON，避免 LLM 大语言模型乱给你回复。
-
在 skills 中多给出示例，大模型很容易看得懂你给的例子，然后按照模板工作。
相关笔记
- 📁 返回本主题 MOC
- AI 核心概念扫盲
- Matt Pocock Skills零基础入门教程
- 之前我们完整梳理过 AI 应用商业级落地的核心技术栈
- 企业级 AI 落地方案，不管是昨天分享的 agent + MCP + skills
- 搞嵌入式的同学，有没有想过让 AI 帮你写驱动、读内核代码、找 Segfault
- 前面的 agent + MCP + skills + RAG 知识库的 AI