要論寫(xiě)代碼最能打的模型，非claude家的莫屬。但論其他的，可能就一般了。

10月16日，Anthropic 又開(kāi)始講故事了。這次的名字叫 Claude Skills，宣傳語(yǔ)是"可定制的專(zhuān)業(yè)能力"，聽(tīng)起來(lái)挺唬人。發(fā)布會(huì)搞得很隆重，PPT 做得精美，演示流暢，案例動(dòng)人，仿佛 AI 要上天了。這明顯是嘗到了MCP當(dāng)年推出的甜頭，想要再?gòu)?fù)制一波流量。

結(jié)果呢？

作為一個(gè)寫(xiě)了十幾年代碼的老油條，我看完之后笑了：Cursor 的 cursorrules 早在一年前就這么玩了，RAG的 Retrieval 早就做了無(wú)數(shù)實(shí)踐，你現(xiàn)在告訴我這是創(chuàng)新和顛覆？

說(shuō)穿了，這就是 RAG（檢索增強(qiáng)生成）的一種增強(qiáng)版本。Anthropic 給它包裝了個(gè)"漸進(jìn)式披露"的名字，聽(tīng)起來(lái)很高級(jí)，實(shí)際上還是在做檢索、匹配、加載這套流程。

本質(zhì)上，不管是 Tools、MCP、cursorrules 還是 Skills，干的都是同一件事：給模型補(bǔ)充必要的上下文信息。只不過(guò)形式不同、名字不同罷了。

大模型優(yōu)化的三板斧

在揭穿 Claude Skills 之前，咱們先聊聊大模型優(yōu)化這件事?，F(xiàn)在市面上，無(wú)非就三招。

第一招是砸錢(qián)練模型。說(shuō)人話就是：燒錢(qián)、燒數(shù)據(jù)、燒算力，讓模型天生聰明。好處是一次訓(xùn)練到處能用，推理快。但問(wèn)題是貴到離譜啊，GPT-4 訓(xùn)練成本超過(guò) 1 億美元，你以為在開(kāi)玩笑？而且迭代慢，3-6 個(gè)月才能更新一次，等得花兒都謝了。知識(shí)烙進(jìn)模型里了，想更新？重新訓(xùn)練吧。這是 GPT-4、Claude 3.5 這些家里有礦的主兒才玩得起的。

第二招是硬塞長(zhǎng)上下文。管它三七二十一，把所有信息都塞進(jìn)去，讓模型自己找。這招簡(jiǎn)單粗暴，工程師喜歡，信息也不會(huì)漏掉。這次還是燒錢(qián)，不過(guò)這次是燒客戶的錢(qián)了。

第三招是管理上下文。說(shuō)白了，就是給模型補(bǔ)充必要的上下文信息。不管你叫它 RAG、Tools、MCP、cursorrules 還是 Skills，本質(zhì)都一樣。區(qū)別只是管理方式：是全量加載？還是檢索匹配？還是智能篩選？

處理這些額外規(guī)則和上下文的方式，無(wú)外乎兩種：元數(shù)據(jù)管理（打標(biāo)簽、分類(lèi)，然后匹配）和檢索（語(yǔ)義搜索或數(shù)據(jù)庫(kù)查詢）。你把 Skills 存在 Markdown 文件里，還是存在數(shù)據(jù)庫(kù)里，還是存在向量庫(kù)里，只不過(guò)是換了個(gè)形式而已。

說(shuō)到這你就明白了，第三招的各種變體（RAG、Skills 等），本質(zhì)上都在做同一件事，只是包裝不同。每種方案都有坑，都有問(wèn)題。

本質(zhì)上都是在管理上下文

好，現(xiàn)在我們來(lái)扒一扒 Claude Skills 到底干了什么，以及它和其他方案的區(qū)別在哪。

先說(shuō)結(jié)論：不管是 Tools、MCP、cursorrules 還是 Skills，本質(zhì)上都是在給模型補(bǔ)充上下文信息。區(qū)別只是形式和管理方式不同。

當(dāng)這些額外的規(guī)則和上下文信息太多時(shí)，能夠處理它的技術(shù)其實(shí)只有一種：先語(yǔ)義化處理前置信息，然后有選擇地使用。

具體怎么做？處理方式無(wú)外乎兩種：

第一種：元數(shù)據(jù)管理。給每個(gè) Skill、Rule、Tool 打上標(biāo)簽、分類(lèi)、描述，然后根據(jù)任務(wù)特征去匹配。這就是 Claude Skills 宣稱(chēng)的"漸進(jìn)式披露"——掃描技能庫(kù)、自動(dòng)匹配相關(guān)技能、按需加載。聽(tīng)起來(lái)高級(jí)，但本質(zhì)就是元數(shù)據(jù)匹配。當(dāng)然你也可以分層，把描述越來(lái)越細(xì)（注意，你的工作量也會(huì)越來(lái)越多）。

第二種：檢索?？梢允钦Z(yǔ)義搜索（向量相似度匹配），也可以是精確的數(shù)據(jù)庫(kù)搜索（關(guān)鍵詞、標(biāo)簽查詢）。不管你的 Skills 是存在 Markdown 文件里，還是存在數(shù)據(jù)庫(kù)里，還是存在向量庫(kù)里，只不過(guò)是換了個(gè)形式而已。底層邏輯都是檢索。

所以你看：

• 傳統(tǒng) RAG：檢索（語(yǔ)義搜索或關(guān)鍵詞匹配）→ 注入 Context → 調(diào)用模型
• Cursor Rules：元數(shù)據(jù)管理（全量加載所有規(guī)則）→ 塞進(jìn) System Prompt → 調(diào)用模型
• Claude Skills：元數(shù)據(jù)管理（智能匹配）+ 檢索（按需加載）→ 注入 Context → 調(diào)用模型

看出來(lái)了嗎？Claude Skills 只是把元數(shù)據(jù)管理和檢索結(jié)合了一下，給它起了個(gè)新名字叫"漸進(jìn)式披露"。技術(shù)上有優(yōu)化嗎？有一點(diǎn)，比如可以包含可執(zhí)行代碼，減少了一些 token 浪費(fèi)。算顛覆性創(chuàng)新嗎？對(duì)不起，談不上。

那問(wèn)題來(lái)了：既然只是把現(xiàn)有技術(shù)組合了一下，為啥要包裝成 "Skills"？

答案很簡(jiǎn)單：為了好賣(mài)！

"Custom Instructions" 聽(tīng)起來(lái)就是個(gè)配置項(xiàng)，沒(méi)意思。"Rules" 聽(tīng)起來(lái)像是在約束我，不爽。但 "Skills"？哇，聽(tīng)起來(lái)像我變強(qiáng)了！

你看，技術(shù)組合包裝成革命性功能，換個(gè)名字感覺(jué)立馬不一樣。這是產(chǎn)品經(jīng)理的勝利，是營(yíng)銷(xiāo)的勝利。

換湯不換藥，該踩的坑一個(gè)都沒(méi)少

別以為換了個(gè)管理方式就能逃脫，不管你用元數(shù)據(jù)管理還是檢索，核心問(wèn)題一個(gè)都沒(méi)解決。

先說(shuō)召回率和精準(zhǔn)度的問(wèn)題。這是所有上下文管理方案的死穴：

• 全量加載（Cursor Rules）：信息完整，但稀釋效應(yīng)嚴(yán)重，模型容易懵
• 檢索匹配（傳統(tǒng) RAG）：檢索太少漏關(guān)鍵信息，檢索太多噪音一堆
• 智能匹配（Claude Skills）：聽(tīng)起來(lái)美好，但匹配不準(zhǔn)怎么辦？該匹配的沒(méi)匹配上，不該匹配的塞進(jìn)來(lái)了

而且"稀釋效應(yīng)"無(wú)論如何都存在。不管你是全量加載，還是智能篩選，只要上下文信息多了，模型表現(xiàn)就會(huì)下降。多個(gè) Skills 互相沖突？模型就像精神分裂一樣，行為不一致。

這不叫"解決問(wèn)題"，這叫"換個(gè)方式踩坑"。

Claude Skills 的按需加載不算創(chuàng)新。而且，這個(gè)"按需"到底有多準(zhǔn)？如果匹配算法不夠聰明，該加載的沒(méi)加載，不該加載的加載了一堆，那成本優(yōu)勢(shì)就沒(méi)了。而且"掃描技能庫(kù) + 自動(dòng)匹配"本身也要消耗計(jì)算資源。

你說(shuō) Anthropic 不是有 Prompt Caching 嗎，緩存命中便宜 10 倍？首先，其他模型也有。其次，本質(zhì)上是把 Token 成本轉(zhuǎn)嫁給了計(jì)算成本（緩存要錢(qián)的，只是你看不見(jiàn)），把成本轉(zhuǎn)嫁給了用戶（訂閱制你看不到單次賬單，但 Anthropic 心里門(mén)兒清）。而且緩存策略還得精心設(shè)計(jì)，不然命中率上不去，錢(qián)照樣燒。

天下沒(méi)有免費(fèi)的午餐，該付的錢(qián)一分都少不了。

人家要賺錢(qián)，你別當(dāng)傻子

說(shuō)實(shí)話，從商業(yè)角度看，Anthropic 這波操作沒(méi)毛病。競(jìng)爭(zhēng)這么激烈，不搞點(diǎn)新名詞怎么活？"Skills" 聽(tīng)著就比 "Custom Instructions" 好懂，讓用戶覺(jué)得"只有 Claude 有 Skills"，這就成了。"Skills 功能僅限 Pro 用戶"——要用？掏錢(qián)！OpenAI 也這么干（GPTs）、Google 也這么干（Gems）、微軟也這么干（Copilot GPT）。這是行業(yè)常規(guī)操作，不寒磣。

但作為技術(shù)人，咱得保持清醒。

Low 的表現(xiàn)是什么？"臥槽，Claude Skills 太牛了！這是顛覆性的創(chuàng)新啊！我要趕緊把所有項(xiàng)目遷移到 Claude！"看到這種發(fā)言，我只能說(shuō)：兄弟，你該醒醒了。

專(zhuān)業(yè)的態(tài)度應(yīng)該是："哦，又是一個(gè)上下文管理的變體。把元數(shù)據(jù)管理和檢索結(jié)合了一下，加了智能匹配和漸進(jìn)式披露。本質(zhì)上還是在做 RAG 那一套，只是工程上優(yōu)化了一點(diǎn)。先看看實(shí)際效果和成本，測(cè)測(cè)匹配準(zhǔn)確率，再?zèng)Q定用不用。

技術(shù)圈最怕什么？概念通貨膨脹。明明都是在做上下文管理，非要起一堆新名字；明明是工程優(yōu)化，包裝成"架構(gòu)革新"；明明是參數(shù)調(diào)整，包裝成"算法突破"。

保持獨(dú)立思考，是技術(shù)人的底線?？创┍举|(zhì)，別被營(yíng)銷(xiāo)牽著鼻子走。

曾經(jīng)的MCP，想綁你上賊船

Anthropic 曾經(jīng)出了個(gè)玩意兒——MCP（Model Context Protocol），配合 Skills 和 Tools，說(shuō)是要構(gòu)建"完整的生態(tài)"。聽(tīng)起來(lái)很美好？咱們看看本質(zhì)是什么。

MCP 干的事兒就是提供標(biāo)準(zhǔn)化接口，讓 Claude 能訪問(wèn)外部資源：數(shù)據(jù)庫(kù)、API、文件系統(tǒng)、其他服務(wù)。等等，這不就是任何一個(gè) REST API 服務(wù)器干的事兒?jiǎn)幔坎痪褪?OpenAI Function Calling 嗎？換湯不換藥，又是舊酒裝新瓶。

Cursor 告訴我們，事情本可以不用這么復(fù)雜。Cursor 也能讀寫(xiě)文件系統(tǒng)、執(zhí)行終端命令、調(diào)用 LSP、集成 Git、支持多種模型（Claude、GPT-4、Gemini）。重點(diǎn)來(lái)了：Cursor 不綁定任何一個(gè)模型。它提供了一個(gè)完整的 IDE 環(huán)境，模型只是其中一個(gè)可替換的組件。今天用 Claude，明天換 GPT-4，后天上 Gemini，隨便換。這才是健康的架構(gòu)。

很多公司看到 MCP 后，眼睛都亮了，趕緊開(kāi)發(fā) MCP Gateway（把其他協(xié)議轉(zhuǎn)成 MCP）、MCP Proxy（統(tǒng)一管理 MCP 連接）、MCP Hub（MCP 服務(wù)市場(chǎng)）。

6 個(gè)月后的真實(shí)情況：使用量遠(yuǎn)低于預(yù)期，甚至有點(diǎn)慘淡；Claude 新版本一出，協(xié)議又改了，你的代碼白寫(xiě)了；OpenAI 的 Function Calling 生態(tài)已經(jīng)很成熟了，用戶不愿意換；應(yīng)用場(chǎng)景有限，看起來(lái)像個(gè)大型玩具，生產(chǎn)上不可控；公司悄悄把 MCP 相關(guān)項(xiàng)目標(biāo)記為"維護(hù)模式"（其實(shí)就是放棄了）。

歷史總是驚人的相似。還記得 Google Wave 嗎？協(xié)議設(shè)計(jì)得多好啊，結(jié)果沒(méi)人用。還記得 SOAP vs REST 嗎？復(fù)雜的最終輸給了簡(jiǎn)單的。還記得各種區(qū)塊鏈聯(lián)盟鏈嗎？熱度過(guò)后一地雞毛，現(xiàn)在連提都不提了。

技術(shù)圈最不缺的就是"下一個(gè)大事件"，但大部分都是曇花一現(xiàn)。工程師的時(shí)間很寶貴，別浪費(fèi)在追風(fēng)口上。

xjjdog的思考：大模型的未來(lái)：別再把它當(dāng)工具了

現(xiàn)在所有人都在搞 RAG、Skills、MCP，但說(shuō)白了，都是把大模型當(dāng)成工具：我有數(shù)據(jù) → 喂給模型 → 模型吐結(jié)果。工具歸工具，數(shù)據(jù)歸數(shù)據(jù)，兩回事。

問(wèn)題在哪？LLM 對(duì)你的數(shù)據(jù)沒(méi)有記憶，每次對(duì)話都像第一次見(jiàn)面。每次都在"重新認(rèn)識(shí)你"，上次說(shuō)過(guò)的事，這次還要再說(shuō)一遍。知識(shí)永遠(yuǎn)是"外掛"的，不是模型的一部分，只是臨時(shí)喂進(jìn)去的。無(wú)法真正個(gè)性化，你用的和別人用的本質(zhì)上是同一個(gè)模型。

我有個(gè)想法，估計(jì)廠商們都沒(méi)想過(guò)，或者想過(guò)但很難做：大模型應(yīng)該能實(shí)時(shí)訓(xùn)練，隨著你的使用不斷進(jìn)化。

現(xiàn)在的玩法是：模型（固化死的） + 數(shù)據(jù)（外掛臨時(shí)喂）。我說(shuō)的玩法是：模型（持續(xù)進(jìn)化） = 基座智能（IQ）+ 你的個(gè)人知識(shí)（數(shù)據(jù)）。聽(tīng)起來(lái)很科幻？其實(shí)不是。

具體怎么搞？不是共享一個(gè)大模型，而是每個(gè)用戶有一個(gè)獨(dú)立的模型副本，連LoRA都不是。你用得越多，模型就越懂你。不是靠什么 RAG 檢索，而是真正"記住"你。

每次你和模型對(duì)話，對(duì)話內(nèi)容被編碼，微調(diào)你的個(gè)人權(quán)重，重要知識(shí)直接寫(xiě)入神經(jīng)元，模型逐漸"理解"你的思維方式和工作習(xí)慣。用一個(gè)月后，模型記住你的項(xiàng)目結(jié)構(gòu)（不用每次都加載進(jìn) Context），知道你的編碼風(fēng)格（不用寫(xiě) .cursorrules），懂你的專(zhuān)業(yè)術(shù)語(yǔ)（不用每次解釋?zhuān)?，能預(yù)測(cè)你的意圖（甚至主動(dòng)給建議）。這才是真正的"個(gè)人助理"，不是那種每次對(duì)話都失憶的傻瓜機(jī)器人。

關(guān)鍵問(wèn)題是怎么把"智力"和"知識(shí)"分離開(kāi)？Base Model 是共享的"智商"：推理能力、語(yǔ)言理解、代碼生成、通用常識(shí)。Personal Layer 是你的專(zhuān)屬"知識(shí)"：你的項(xiàng)目代碼和架構(gòu)、你的工作文檔和筆記、你的編碼偏好和習(xí)慣、你的歷史對(duì)話和經(jīng)驗(yàn)。

怎么實(shí)現(xiàn)？可能的技術(shù)路徑有：Mixture of Experts（基座模型 + 你的個(gè)人 Expert 模塊）、Adapter Layers（基座模型凍結(jié)不動(dòng)，只訓(xùn)練你的 Adapter）、Memory Networks（顯式的記憶存儲(chǔ)層）、Neural Compression（把你的知識(shí)壓縮到少量參數(shù)里）。

為什么這是通向 AGI 的必經(jīng)之路？因?yàn)?RAG 是死胡同。知識(shí)永遠(yuǎn)在"外面"，不是模型的一部分；模型無(wú)法對(duì)知識(shí)進(jìn)行深度推理，只能表面理解；檢索到的知識(shí)是"死"的文本，不是"活"的理解。

舉個(gè)例子你就明白了。RAG 模式下，你問(wèn)："項(xiàng)目中 UserService 的設(shè)計(jì)有問(wèn)題嗎？"AI 檢索 UserService 代碼，然后分析："可能有并發(fā)問(wèn)題"。個(gè)人化模型呢？你問(wèn)："UserService 有問(wèn)題嗎？"AI 說(shuō)："你上周提到的并發(fā)問(wèn)題還沒(méi)解決吧？我注意到你在 OrderService 里也用了類(lèi)似的模式，建議一起重構(gòu)。根據(jù)你的編碼習(xí)慣，我已經(jīng)生成了一個(gè)方案，你看看..."

看出區(qū)別了嗎？RAG 每次對(duì)話都像"初次見(jiàn)面"，需要重新介紹自己。個(gè)人化模型真正"認(rèn)識(shí)你"，知道你的過(guò)去，理解你的習(xí)慣。

技術(shù)上能做到嗎？現(xiàn)在的障礙是：訓(xùn)練成本高，每個(gè)用戶都訓(xùn)練一個(gè)模型？瘋了吧？隱私問(wèn)題，個(gè)人模型怎么管理？放哪？存儲(chǔ)問(wèn)題，幾千萬(wàn)用戶 × 每人一個(gè)模型 = 爆炸。

聽(tīng)起來(lái)不可能？其實(shí)有辦法?，F(xiàn)在也有一些嘗試，比如 LoRA + 量化，個(gè)人層其實(shí)只有幾 MB，不是整個(gè)模型都要存。聯(lián)邦學(xué)習(xí)，本地訓(xùn)練你的個(gè)人層，云端只管基座模型。邊緣計(jì)算，個(gè)人模型跑在你本地，隱私也解決了。增量學(xué)習(xí)，不是全量訓(xùn)練，而是持續(xù)微調(diào)，成本可控。

清醒點(diǎn)，別被忽悠了

回到最開(kāi)始的問(wèn)題：Claude Skills 是不是創(chuàng)新？

商業(yè)角度：是的，營(yíng)銷(xiāo)很成功，包裝很漂亮。

技術(shù)角度：算不上顛覆性創(chuàng)新。本質(zhì)上，Claude Skills 只是 RAG 的一種增強(qiáng)版本，把元數(shù)據(jù)管理和檢索結(jié)合了一下。它確實(shí)在工程上做了些優(yōu)化——漸進(jìn)式披露、智能匹配、可執(zhí)行代碼，這些都是實(shí)實(shí)在在的改進(jìn)。

但說(shuō)到底，不管是 Tools、MCP、cursorrules 還是 Skills，都沒(méi)有跳出"上下文管理"這個(gè)框架。處理方式無(wú)外乎兩種：元數(shù)據(jù)管理和檢索（不管是語(yǔ)義搜索還是數(shù)據(jù)庫(kù)查詢，不管存在 Markdown 還是向量庫(kù)，只是換了個(gè)形式）。

核心問(wèn)題（召回率、精準(zhǔn)度、稀釋效應(yīng)、成本）依然存在，只是換了種方式存在。和 Cursor Rules 相比，Claude Skills 更智能了一點(diǎn)，但沒(méi)有質(zhì)的飛躍。

給技術(shù)人的幾句話：

別被營(yíng)銷(xiāo)話術(shù)忽悠瘸了，但也別一棒子打死。透過(guò)現(xiàn)象看技術(shù)原理，認(rèn)清它們本質(zhì)上都是在做上下文管理。根據(jù)實(shí)際需求選工具，別追概念追風(fēng)口。別把基礎(chǔ)設(shè)施綁在單一廠商上，哪天坑你你都不知道。真正的創(chuàng)新在"個(gè)人化模型"，不在上下文管理的第 N 次優(yōu)化。

大模型的終極形態(tài)，不應(yīng)該是我們不斷"喂數(shù)據(jù)"的工具，而應(yīng)該是一個(gè)真正"理解我們"、隨我們一起進(jìn)化的智能伙伴。

在那一天到來(lái)之前，保持清醒，別為每個(gè)新概念買(mǎi)單。技術(shù)人的價(jià)值，在于看穿迷霧，認(rèn)清本質(zhì)。