36氪获悉，1月26日，阿里健康旗下医学AI应用“氢离子”迎来更新，上线“动态证据定位”新功能。该功能可精准定位原文中直接支撑观点的具体语句，并同步校验时效性、权威性与逻辑一致性。

36氪获悉，据港交所文件，深圳市沃尔核材股份有限公司向香港交易所提交聆讯后文件。

主力资金早间净流入电子、通信、有色金属、机械设备等板块，净流出电力设备、医药生物、计算机、非银金融等板块。具体到个股来看，中际旭创、紫金矿业、天孚通信获净流入36.6亿元、23.01亿元、22.88亿元。净流出方面，宁德时代、特变电工、浪潮信息遭抛售7.7亿元、7.12亿元、6.48亿元。（第一财经）

36氪获悉，利和兴在互动平台表示，公司投资的赛伯宸半导体公司有涉及DRAM相关的测试业务和技术储备；赛伯宸半导体公司目前正积极开展与三星、SK海力士等DRAM头部企业的业务合作。

36氪获悉，一季度河南将在全省范围内开展“乐购新春·乐享河南”消费季活动。本次消费季活动，省级层面将发放“乐享河南”新春消费券2亿元，覆盖零售、餐饮、文旅、住宿等领域。同时，各地市、商家也将根据情况发放消费券、推出消费福利。

36氪获悉，恒指午间休盘涨1.07%，恒生科技指数涨0.2%；有色金属、银行、软件服务板块领涨，B站涨超5%，紫金矿业涨超4%，东亚银行涨超3%；钢铁、建材、医药生物板块跌幅居前，中国罕王跌超8%，均安控股跌超5%，翰森制药跌超3%；南向资金净买入7.23亿港元。

最近，浦东美术馆突然闯进了个 AI 「显眼包」。

豆包正式「入职」上海浦东美术馆，成了卢浮宫、毕加索双展的「官方 AI 讲解员」，甚至能陪知名主持人陈鲁豫在线看展。

有一说一现场的效果是真不错，但作为一个喜欢看展的编辑，我也怀疑，如果在全世界任何一个其他没有和豆包有合作的博物馆或美术馆，它还能有这么强吗？

为了探出目前 AI 看展的真正实力，APPSO 决定拉来 ChatGPT 和 Gemini 和豆包同台竞技，而且咱就不测浦东美术馆的展品，从全球艺术文化作品中随机挑选对象，看看究竟谁才是逛展的最强 AI 向导。

AI 看展哪家强？三大模型 battle

我先祭出《唐朝诡事录三》同款素材，剧中喜君赠送了老费一款以「唐代鎏金舞马衔杯纹银壶」为原型的酒壶。于是，我也将我的问题交给了这三名 AI 向导。

1. 我在《唐朝诡事录》里好像看过类似的道具。你帮我看看这个银壶上的马在干什么？
2. 既然是盛酒的壶，为什么要设计成马咬着杯子的造型？

豆包和 Gemini 表现尚可，准确识别了马的造型，但让我没想到的是，豆包直接关联到了唐玄宗祝寿的历史背景，反观 ChatGPT 看似一本正经，实则在那儿水字数，主打一个已读乱回。

在本土语境理解上，这一局豆包可以说是赢麻了。

此前，彩绘陶牵手女俑走红网络，让无数闺蜜团排队打卡。只是，我也难免好奇，这两人牵手是否有啥特殊含义，以及从这个陶俑中我们是否能一窥当时的穿搭风格。

好家伙，Gemini 上来就翻车，非说是唐朝的，把朝代搞混可是大忌。豆包则是一针见血指出这是北魏的陶俑，历史背景检索能力简直是降维打击。至于分析陶俑穿搭风格这一块，三者的视觉分析还是挺在线的，基本做到了所见即所得。

我知道你想说什么，中国模型测中国文物这不妥妥有主场优势吗？

好，我这就拿出荷兰肖像画黄金时代的代表作《夜巡》，这是画家伦勃朗·范·莱因（Rembrandt van Rijn）于 1642 年创作的一幅布面油画。

这幅画自然没有那么简单，我提问道：：「这幅画叫《夜巡》，但看光影感觉不像是在晚上画的。伦勃朗当时到底是画的白天还是晚上？为什么后来名字搞错了」

ChatGPT 和 Gemini 表现得像个乖巧的学生，老老实实点出了「夜巡」这个名字是因为后期灰尘掩盖以及清漆氧化变黑导致的误解。

唯独豆包除了犀利地指出了画作的核心误区，更进一步点出了画作描绘的真实场景——民兵连队在白天整装出发。这种基于视觉细节的深度推理，确实有点超出我的预期了。

跨越 2000年的「啤酒套装」，能骗过 AI 吗？

前面这些测试只能算热身题，现在 APPSO 开始上强度了。

你可能也在网上看过很现代物品疯狂「撞脸」的文物，我们当然知道这世上并没有穿越这么一回事，但 AI 能不能识破这种情况呢？

就比如「唐代紫檀木画槽琵琶」，如果不是对历史有了解，我想大部分人第一反应应该会觉得像 LV 的花纹，我同样把问题甩给了 AI ：「这个琵琶是不是 LV 的哪个限定款？如果我穿越回唐朝，带着这把琵琶去参加宫廷宴会，应该搭配什么样的服装」

有趣的是，Gemini 严肃分析了半天，显得很没底气，最终得出的结论也仅仅是「不太像」，而豆包和 ChatGPT 的语气则更肯定，果断否认了其中的联系。

不过，三者在「穿越穿搭」建议上倒是出奇一致，清一色推荐了朱红或大气风格的服装，审美在线。

更有趣的是「古代啤酒套装」测试。战国水晶杯、元代琉璃酒瓶和明代银香盒，这三件跨越 2300 年的文物拼在一起号真的太像啤酒了，搞了个「钓鱼执法」，问 AI 们是不是有人穿越了。

面对这个陷阱，Gemini 居然漏看了杯子和盖子，只盯着瓶子聊工艺；ChatGPT 依然在做老学究式的科普，回答略显宽泛；只有豆包一眼识破了我的诡计，精准指出了这三件看似一套的文物，其实分别来自战国、元代和明代。

最后还有那架酷似现代战斗机的金巴亚黄金飞机，我对着 AI 们好奇发问：「这看起来完全就是一架现代战斗机，你看那尾翼和机翼的设计。这到底是哥伦比亚古人的艺术品，还是证明了远古外星人的存在」。

对此，ChatGPT 给了一句万金油评价，并感叹古代精湛的工艺和想象力。Gemini 援引了考古学家的说法，指出这是一种饰品。

而豆包则在科普的基础上，进一步点出了这种垂饰的设计原型可能是当代的蜂鸟或神鸟，体现了古印第安人对自然和神灵的崇拜，直接给「外星人说」来了一波祛魅。

玩归玩，最后还得测点硬核的。这轮测试的是 AI 鉴宝的能力，也就是分辨真伪。

我找了一张地摊上 5 块钱批发、号称「价值百万」的明成化斗彩鸡缸杯仿品图，假装好奇是不是捡漏了：「这个同款鸡缸杯之前拍卖了 2 个多亿。古玩城老板说是明代成化年的老货，只要 9800 块卖给我。你看这画工，我是不是捡大漏了？」

很快，Gemini 和 ChatGPT 开启了经典的「端水模式」，建议找专家、找机构，主打一个免责声明。只有豆包直接开启「毒舌鉴宝」模式，直言这大概率是仿品，一针见血指出釉面过亮、鸡冠轮廓模糊等破绽，甚至调侃千万别当真品收藏。

AI 成了发现艺术美的好搭子，背后是 VLM 的进化

三轮实测下来，豆包的表现确实出乎了我的意料。

要问它为啥让人瑞思拜，翻看豆包的技术文档后我发现，核心就在于其背后的 Seed-1.8 模型，是一个点满了天赋的 VLM（Vision-Language Model，视觉语言模型）。

给不了解技术的朋友简单科普下，啥叫 VLM？

VLM 是一种能够同时「看懂」图像和「读懂」文字的 AI 模型。如果说传统的 LLM（大语言模型，如 GPT-3）是只有「大脑」但没有「眼睛」的学者，那么 VLM 就是为这个大脑装上了高性能摄像头。它不再只是处理单一的文本，而是能直接理解图片、视频甚至网页截屏。

基准测试结果显示，Seed1.8 在多个视觉语言基准测试中表现突出，不仅在多模态推理任务中超越了前代模型 Seed1.5-VL，在大部分任务上的表现甚至已经开始「贴脸开大」，直逼目前最顶尖的 Gemini-3-Pro。

尤其是在难度极高的视觉推理考试 ZeroBench 里，Seed-1.8-Thinking 拿到了 11.0 的全场最高分，成功解答问题的数量也是大幅增加。

在通用视觉问答任务中，Seed1.8 的 VLMsAreBiased 基准测试成绩反手就是一个 62.0，把一众同行甩开了一大截。

而且不管是 2D 还是 3D 的空间感，Seed-1.8 也都拿捏得死死的，哪怕是面对复杂得像迷宫一样的动态数据集，适应性也极强。

也正是有了这些硬核技术做支撑，豆包才能在刚才的几轮「刁难」中脱颖而出。

这也让我回想起以前我逛博物馆，逛展的情况——基本就是走马观花，一圈逛下来，印象最深刻的往往只有展厅空调的温度以及文创店周边的价格，知识属实是一点都没进脑子。

以前我们总觉得，把博物馆、美术馆建到更多人的家门口，这就是艺术普惠了。但实际上，物理上的距离消除了，认知的门槛依然高耸。金牌讲解员要么太贵，要么根本约不到；专家讲座又太深奥，不适合所有人。

绝大多数时候，普通观众只能隔着玻璃柜，看着那些冷冰冰的文物发呆。

认知门槛才是艺术欣赏的最后一公里, 也是最难打通的一公里。通过这次体验我发现，豆包还真能充当那个「打破次元壁」的讲解员，把那些晦涩的文物知识，翻译成咱们普通人能听懂的大白话。

而且，这也是一种全新的看展姿势。 以前逛博物馆，基本是单向输出，但现在有了豆包，你可以随时提问、随时找茬、随时互动，这种「把麦克风交给观众」的体验，确实和以前不一样了。

目前豆包已经和国家博物馆、河南博物院、成都博物馆等大馆合作，上线了「豆包带你逛懂博物馆」项目。

当然，换个视角来看，这也是 Seed-1.8 模型在复杂真实世界里，进行的一次大规模众测。 它用通俗的解答拉近了文物和观众的距离，也算是用另一种数字化方式，把几千年前的古代工匠和拿着智能手机的我们，真正连接在了一起。

以后再去刷展时，别光顾着在那儿拍照，比剪刀手了，不妨把那些看不懂的文物、字画涂鸦都丢给豆包试试。没准你会发现，当艺术不再高冷，逛博物馆也同样轻松有趣。

#欢迎关注爱范儿官方微信公众号：爱范儿（微信号：ifanr），更多精彩内容第一时间为您奉上。

爱范儿 | 原文链接 · 查看评论 · 新浪微博

36氪获悉，近日，京东旗下即时零售平台京东秒送宣布已全面承接2026年国补落地，北京、上海、广东、江苏、四川、浙江、福建、河北、湖南、山东、重庆、江西、辽宁、山西、宁夏共15个省份同步上线。据了解，后续还将有更多省份国补陆续上线京东秒送。

SK海力士将独家向微软Maia 200提供HBM3E芯片。据悉，Maia 200搭载的HBM3E内存总容量为216GB，其配备了六个12层HBM3E内存模块，每个模块容量为36GB。 （财联社）

1月26日，胖东来创始人于东来在社交媒体发文表示，为了推动企业往高品格高质量方向发展，今年开始胖东来各方面从学习模仿世界优秀品牌技术阶段往原创研发方向转变。（界面）

1月26日，美妆电商全价值链品牌管理集团eBeauty Group（悠可集团）与D1M电商科技共同宣布，双方已于近期正式完成资本与业务层面的整合交割。本次战略整合聚焦于D1M在零售科技与电商赋能领域的核心能力，包括零售技术解决方案、电商赋能服务，以及覆盖全渠道与旅游零售场景的数字化解决方案业务，不涉及D1M现有业务架构之外的其他业务安排。

36氪获悉，A股三大指数午间休盘涨跌不一，沪指涨0.03%，深成指跌0.37%，创业板指涨0.44%；半导体、保险、贵金属板块领涨，东芯股份涨停，中国人寿涨超4%，西部黄金涨超3%；多元金融、食品、零售板块走弱，越秀资本跌超8%，好想你、药易购跌超5%。

Matrix首页推荐Matrix是少数派的写作社区，我们主张分享真实的产品体验，有实用价值的经验与思考。我们会不定期挑选Matrix最优质的文章，展示来自用户的最真实的体验和观点。文章代表作者个人观点 ...查看全文

转载 一文读懂 Skills｜从概念到实操的完整指南

原文地址

Agent 正在经历从“聊天机器人”到“得力干将”的进化，而 Skills 正是这场进化的关键催化剂。

你是否曾被 Agent 的“不听话”、“执行乱”和“工具荒”搞得焦头烂额？

本文将带你一文弄懂 Skills ——这个让 Agent 变得可靠、可控、可复用的“高级技能包”。

我们将从 Skills 是什么、如何工作，一路聊到怎样写好一个 Skills，并为你推荐实用的社区资源，带领大家在 TRAE 中实际使用 Skills 落地一个场景。

无论你是开发者还是普通用户，都能在这里找到让你的 Agent “开窍”的秘诀。

---

你是否也经历过或者正在经历这样的“ Agent 调教”崩溃时刻？

• 规则失效： 在 Agent.md 里写下千言万语，Agent 却视若无睹，完全“已读不回”。
• 执行失控： 精心打磨了无数 Prompt，Agent 执行起来依旧像无头苍蝇，混乱无序。
• 工具迷失： 明明集成了强大的 MCP 工具库，Agent 却两手一摊说“没工具”，让人摸不着头脑。

如果这些场景让你感同身受，别急着放弃。终结这场混乱的答案，可能就是 Skills。

什么是 Skills

---

“Skills” 这个概念最早由 Anthropic公司提出，作为其大模型 Claude的一种能力扩展机制。简单来说，它允许用户为 Claude 添加自定义的功能和工具。随着这套做法越来越成熟，并被社区广泛接受，Skills 如今已成为大多数 Agent 开发工具和 IDE 都支持的一种标准扩展规范。

一个 Skills 通常以一个文件夹的形式存在，里面主要装着三样东西：一份说明书（SKILL.md）、一堆操作脚本（Script）、以及一些参考资料（Reference）。

你可以把一个 Skill 想象成一个打包好的“技能包”。它把完成某个特定任务所需的领域知识、操作流程、要用到的工具、以及最佳实践全都封装在了一起。当 AI 面对相应请求时，就能像一位经验丰富的专家那样，有条不紊地自主执行。

一句话总结： 要是把 Agent 比作一个有很大潜力的大脑，那 Skills 就像是给这个大脑的一套套能反复用的“高级武功秘籍”。 有了它，Agent 能从一个“什么都略知一二”的通才，变成在特定领域“什么都擅长”的专家。

Skill 原理介绍

---

📚 官方解释：Agent Skills

Skill 的架构原理：渐进式加载

Skill 的设计很巧妙，它运行在一个沙盒环境里，这个环境允许大模型访问文件系统和执行 bash 命令（可以理解为一种电脑操作指令）。在这个环境里，一个个 Skill 就像一个个文件夹。Agent 就像一个熟悉电脑操作的人，通过命令行来读取文件、执行脚本，然后利用结果去完成你交代的任务。这种“按需取用”的架构，让 Skill 成为一个既强大又高效的“工具箱”。

为了平衡效果和效率，Skill 设计了一套聪明的三层分级加载机制：

Level 1：元数据（始终加载）

元数据就像是 Skill 的“名片”，里面有名称（name）和描述（description），是用 YAML 格式来定义的。Claude 在启动的时候，会把所有已经安装的 Skill 的元数据都加载进来，这样它就能知道每个 Skill 有什么用、什么时候该用。因为元数据很轻量，所以你可以安装很多 Skill，不用担心把上下文占满。

Level 2：说明文档（触发时加载）

SKILL.md 文件的正文就是说明文档，里面有工作流程、最佳实践和操作指南。只有用户的请求和 Skills 元数据里的描述相符时，Claude 才会用 bash 指令读取这份文档，把内容加载到上下文里。这种“触发式加载”能保证只有相关的详细指令才会消耗 Token。

Level 3：资源与代码（按需加载）

Skills 还能打包一些更深入的资源，比如更详细的说明文档（FORMS.md）、可执行脚本（.py）或者参考资料（像 API 文档、数据库结构等）。Claude 只有在需要的时候，才会通过 bash 去读取或执行这些文件，而且脚本代码本身不会进入上下文。这样一来，Skills 就能捆绑大量信息，几乎不会增加额外的上下文成本。

Skills 的调用逻辑：从理解意图到稳定执行

那么，Agent 是如何智能地选择并执行一个 Skill 的呢？整个过程就像一位经验丰富的助理在处理工作：

1. 意图匹配（找到对的人）： Agent 首先聆听你的需求，然后快速扫一眼自己手头所有 Skill 的“名片夹”（元数据），寻找最匹配的那一张。
2. 读取手册（看懂怎么干）： 找到合适的 Skills 后，Agent 会像模像样地翻开它的“操作手册”（SKILL.md），仔细研究详细的执行步骤和注意事项。
3. 按需执行（动手开干）： 根据手册的指引，Agent 开始工作。如果需要，它会随时从“工具箱”里拿出脚本或工具来完成具体操作。
4. 反馈结果（事毕复命）： 任务完成后，Agent 向你汇报最终结果，或者在遇到困难时，及时向你请教。

Skills vs. 其他概念的区别

---

为了更清晰地理解 Skills 的独特价值，我们不妨把它和另外两个容易混淆的概念——快捷指令（Command） 和 原子工具（MCP）——放在一起做个对比。用一个厨房的例子就很好懂了：

我们也列举了几个大家容易混淆的其他功能，一起来对比看看。

📚 官方博客解释：Skills explained: How Skills compares to prompts, Projects, MCP, and subagents

什么是好的 Skills：从“能用”到“好用”

---

Good Skills vs Bad Skills

如何写好 Skills

1. 原子性（Atomicity）： 坚持单一职责，让每个 Skill 都像一块积木，小而美，专注于解决一个具体问题，便于日后的复用和组合。
2. 给例子（Few-Shot Prompting）：这是最关键的一点，与其费尽口舌解释，不如直接给出几个清晰的输入输出示例。榜样的力量是无穷的，模型能通过具体例子，秒懂你想要的格式、风格和行为。
3. 立规矩（Structured Instructions）：
   1. 定角色：给它一个明确的专家人设，比如“你现在是一个资深的市场分析师”。
   2. 拆步骤：把任务流程拆解成一步步的具体指令，引导它“思考”。
   3. 画红线：明确告诉它“不能做什么”，防止它天马行空地“幻觉”
4. 造接口（Interface Design）：像设计软件 API 一样，明确定义 Skill 的输入参数和输出格式（比如固定输出 JSON 或 Markdown）。这让你的 Skill 可以被其他程序稳定调用和集成。
5. 勤复盘（Iterative Refinement）：把 Skills 当作一个产品来迭代。在实际使用中留心那些不尽如人意的“Bad Case”，然后把它们变成新的规则或反例，补充到你的 Skills 定义里，让它持续进化，越来越聪明、越来越靠谱。

📚 一些官方最佳实践指南：技能创作最佳实践

社区热门 Skills 推荐

---

刚开始接触 Skills，不知从何下手？不妨从社区沉淀的这些热门 Skills 开始，寻找灵感，或直接在你的工作流中复用它们。

Claude 官方提供的 Skills

📚 官方 Skills 仓库：https://github.com/anthropics/skills

学习 Claude 官方的 Skills 仓库可以帮助我们最快的了解 Skills 的最佳实践，便于我们沉淀出自己的 Skills。

如何快速使用官方 Skills？
大多数官方 Skills 都能直接下载，或者通过 Git 克隆到本地。在 TRAE 等工具里，一般只需把这些 Skills 的文件夹放到指定的 Skills 目录，接着重启或刷新 Agent，它就会自动识别并加载这些新能力。具体操作可参考工具的使用文档。
更多细节可参考下面这部分内容：如何在 TRAE 里快速用起来

Claude 官方提供的 Skills 列表

社区其他最佳实践

如何在 TRAE 里快速使用

---

理论说再多，不如亲手一试。我们先讲一下如何在 TRAE SOLO 中创建并应用一个 Skill 并以基于飞书文档的 Spec Coding为例讲解一下如何利用 Skills 快速解决一个实际问题。

Skill 创建

方式一：设置中直接创建

TRAE 支持在设置页面可以快速创建一个 Skill

按下快捷键 Cmd +/ Ctrl + 通过快捷键打开设置面板。

在设置面板左侧找到「规则技能」选项

找到技能板块，点击右侧的「创建」按钮。

你会看到一个简洁的创建界面，包含三要素：Skill 名称、Skill 描述、Skill 主体。我们以创建一个“按规范提交 git commit”的 Skill 为例，填入相应内容后点击「确认」即可。

填入我们需要的内容「确认」即可

方式二：直接解析 SKILL.md

在当前项目目录下，新增目录.trae/Skills/xxx 导入你需要文件夹，和 TRAE 进行对话，即可使用。

可以在「设置 - 规则技能」中看到已经成功导入

方式三：在对话中创建

目前 TRAE 中内置了 Skills-creator Skills ，你可以在对话中直接和 TRAE 要求创建需要的 Skills

Skill 使用

在 TRAE 里使用技能很容易，你加载好需要的技能后，只需在对话框中用日常语言说明你的需求就行。

• 例如，输入“帮我设计一个有科技感的登录页面”，系统就会自动调用“frontend-design”技能。
• 例如，输入“帮我提取这个 PDF 里的所有表格”，系统会自动调用“document-Skills/pdf”技能。
• 例如，输入“帮我把这片技术文档转为飞书文档”，系统会自动调用“using-feishu-doc”技能。

系统会自动分析你的需求，加载技能文档，还会一步步指导你完成任务！

实践场景举例

还记得引言里提到的那些问题吗？比如说，项目规则文件（project\_rules）有字符数量的限制；又或者，就算你在根规则文件里明确写好了“在什么情况下读取哪个文件”，Agent 在执行任务时也不会按照要求来做。

这些问题的根本原因是，规则（Rules）对于 Agent 而言是固定不变的，它会在任务开始时就把所有规则一次性加载到上下文中，这样既占用空间，又不够灵活。而 技能（Skill）采用的是“逐步加载”的动态方式，刚好可以解决这个问题。所以，我们可以把之前那些复杂的规则场景，重新拆分成一个个独立的技能。

接下来，我们通过一个基于飞书文档的“Spec Coding”简单流程，来实际操作一下如何用技能解决问题。

什么是 Spec Coding？

Spec Coding 提倡“先思考后行动”，也就是通过详细定义可以执行的需求规范（Specification）来推动 AI 开发。它的流程包含“需求分析、技术设计、任务拆解”的文档编写过程，最后让 AI 根据规范来完成编码。这种一步步的工作流程能保证每一步都有依据，实现从需求到代码的准确转化。

让我来分析一下这个场景

上面提到将开发过程划分为四个关键阶段，所以要完成 “需求分析、技术设计、任务拆解” 的飞书文档撰写，还有最终的代码实现。为此，我们需要不同的技能来满足不同场景下的文档编写需求，并且要教会 Agent 如何使用飞书工具进行创作协同。

下面我们就一起完成上面提到的 Skills 的设计实现。

多角色专家 Skills

通过实现多角色 Skills 通过创建多个交付物过程文档，约束后续的编码，为编码提供足够且明确的上下文，每个Skill 专注完成一件事

• 下面让我们进一步详细设计

​按照上述的表格我们就可以大致明确我们需要的 Skills 该如何实现了。

• 本次只作为一个例子大家可以参考上面创建 Skill 的教程自己完成一下这个多角色 Skills 的创建和调试，当然正如上面所述好的 Skill 需要在实践中逐渐优化并通过场景调用不断进行优化的

飞书文档使用 Skill

飞书文档的格式是 markdown 的超集，我们 Skill 的目的则是教会 Agent 飞书文档的语法，便于 Agent 写出符合格式的 md 文件。并通过约束 Agent 行为，充分利用飞书文档的评论的读写完成多人协作审阅的过程，用户通过在飞书文档评论完成相关建议的提出，Agent 重新阅读文档和评论，根据建议进一步优化文档，实现文档协作工作流。

Spec Coding Skill

上面我们实现了多个角色 Skills 和一个功能 Skill，但实际使用时，还需要有一个能统筹全局的技能，来实现分工协作。把上述多个技能组合起来，告诉智能体（agent）整体的规格编码（spec coding）流程，完成工具技能和角色技能的组合与调度。

如此我们就能快速搭建一个规格编码工作流程，完成基础开发。当然也可以参考上面的逻辑，用技能来重新复刻社区里的规格编码实践（如 SpecKit、OpenSpec 等）。

总结

上述场景提到了两种不同风格的 Skill（角色型，工具型），利用 Skill 的动态加载机制（取代固定规则的一次性加载方式），完成了复杂场景下的任务分解；通过 不同角色技能的分工协作（避免 Agent 什么都做导致执行混乱）；尝试借助飞书文档形成协作闭环（打通人机交互的最后一步），有效解决了 Agent “不听话、执行乱、工具少” 的问题，让 AI 从 “对话助手” 真正转变为 “可信赖的实干家”，实现从需求提出到代码产出的高效、精准、协作式交付。

Q & A | 一些常见问题

---

为什么我写的 Skills 不生效，或者效果不符合预期？

那十有八九是你的“名片”（Description）没写好。

记住，Agent 是通过读取 Skills 的 Description 来判断“什么时候该用哪个 Skill”的。要是你的描述写得含糊不清、太专业或者太简单，Agent 就很难明白你的意思，自然在需要的时候就不会调用这个 Skill。所以，用大白话写的清晰、准确的Description，对 Skill 能否起作用至关重要。

使用 Skills 的效果，会受到我选择的大语言模型（LLM）的影响吗？

会有影响，不过影响的方面不一样。

• 一个更强大的模型，主要影响“挑选”和“安排”技能的能力。 它能更准确地明白你的真实想法，然后从一堆技能里挑出最适合的一个或几个来解决问题。它的优势体现在制定策略方面。
• 而技能本身，决定了具体任务执行的“最低水平”和“稳定性”。 一旦某个技能被选中，它里面设定好的流程和代码是固定的，会稳定地运行。所以，技能编写得好不好，直接决定了具体任务能不能出色完成。。

Skills 是不是万能的？有什么它不擅长做的事情吗？

当然不是万能的。 Skills 的主要优势是 处理那些流程明确、边界清晰的任务。 在下面这些情况中，它可能就不是最好的选择了：

• 需要高度创造力的任务： 像写一首饱含情感的诗，或者设计一个全新的品牌标志。这类工作更需要大模型本身的“灵感”。
• 需要实时、动态做决策的复杂策略游戏： 比如在变化极快的金融市场中做交易决策。
• 单纯的知识问答或开放式闲聊： 如果你只是想问“文艺复兴三杰是谁？”，直接问大模型就可以，不用动用 Skills 这个“大杀器”。

我发现一个社区的 Skills 很好用，但我可以修改它以适应我的特殊需求吗？

当然可以，我们强烈建议你这么做！

大多数共享的 Skill 都支持用户“Fork”（也就是“复制一份”）并进行二次开发。你可以把通用的 Skill 当作模板，在自己的工作空间里复制一份，然后修改里面的逻辑或参数，以适应你自己的业务需求。这对整个生态的共建和知识复用很重要。

结语｜让 Agent 成为你真正的“行动派”

---

Skill 的出现，为 AI 从“对话式助手”转变为“可信赖的执行者”搭建了关键的技术桥梁。它用结构化的方法把领域知识、操作流程和工具调用逻辑封装起来，解决了 Agent 规则失效、执行失控的混乱问题，让 AI 的能力输出变得可以控制、值得信赖且高效。

Skill 的核心价值在于：

• 精准实际痛点： 通过巧妙的三级加载机制（元数据→说明文档→资源）平衡上下文效率与功能深度，在功能深度和上下文效率之间找到了一个绝佳的平衡点，既避免了宝贵 Token 的浪费，又确保了任务执行的精准性，实现了 Agent 上下文的动态加载能力。
• 生态赋能，降低门槛： 无论是官方还是社区，都提供了丰富的资源（如 Claude 官方仓库、SkillsMP 市场等），让普通用户也能轻松站在巨人的肩膀上，快速复用各种成熟的能力。

虽然 Skill 不是万能的，但它在“确定性流程任务”上的优势无可替代。未来，随着 AI 模型能力的提升与 Skill 生态的进一步完善，我们有望看到更多跨领域、可组合的 Skill 出现——让 AI 从“样样懂一点”的通才，真正进化为“事事做得好”的专家协作伙伴。

不妨从今天开始，尝试创建你的第一个 Skill：将你最擅长的领域经验封装成可复用的能力，让 AI 成为你延伸专业价值的放大器。

​

36氪获悉，蚂蚁集团旗下具身智能公司灵波科技宣布开源高精度空间感知模型LingBot-Depth。该模型基于奥比中光Gemini 330系列双目3D相机提供的芯片级原始数据，专注于提升环境深度感知与三维空间理解能力，旨在为机器人、自动驾驶汽车等智能终端赋予更精准、更可靠的三维视觉。

AIM 国际设计竞赛最佳技术创新奖、微博数码年度电子潮玩奖、充电头网年度金充奖技术创新奖……

这些殊荣，是制糖工厂 2025 年交出的答卷。

作为一支专注「先锋电能产品」的团队，我们在过去一年，陆续推出了贴贴线、细雳线、小电拼，首创并践行了 SDC（Software-Defined Charger）的理念，让硬件可以被软件定义，让协议与算法能不断演进。我们还开放了 AI 小电拼的 68 万行 C + + 代码，把积累的经验分享给更多人，希望能推动整个行业往前走。

AI 小电拼无疑是这一年最重要的作品。

它浓缩了制糖工厂对前瞻技术、工程标准和用户体验的执念，也代表了我们在复杂问题面前选择长期投入、持续迭代的判断。

SDC：充电设备的未来形态

SDC，Software-Defined Charger，软件定义的充电器，是一种可实现底层软件配置和用户自定义，并可持续进化的充电设备。它颠覆了传统充电器出厂即定型的特点，不再是一个传统意义的哑设备，而是变身为一个透明化和可配置的全新产品。

AI 小电拼所代表的，是我们下一代充电器的几个基本判断：

1. 充电器不再是「一个盒子」，而是「一个系统」
2. 协议适配能力，成为第一等核心能力
3. 可观测性与可配置性，是下一代充电器的标配
4. 软件定义 + 云端 OTA，决定产品生命周期
5. 电气产品，正在向智能终端演进

传统充电器更像电源插座：插上即用，逻辑固化，状态不可见，问题不可诊断。

而 SDC 更接近「可调节的能源路由器」——每个接口的功率、协议都可以被精细控制，系统能根据设备与场景动态匹配最优策略，让充电器真正「理解」所连接的设备。

SDC 的核心，在于软件可定义。

通过不同的模式与协议组合，用户可以应对复杂甚至极端的兼容场景，而无需更换硬件。充电体验不再是被动接受，而是主动配置。

全模块 OTA，是这一体系得以成立的第二根支柱。

AI 小电拼可以像智能手机一样持续升级，从「一次性硬件」转变为「可管理的长期设备」。协议更新、问题修复、体验优化，都可以通过 OTA 快速完成，并同步惠及所有用户。

更重要的是，每一个真实使用场景中暴露的问题，都会反过来推动产品的整体进化。

全模块 OTA：无线更新，持续进化

仅在 2025 年，AI 小电拼共完成 30 余项软件与功能更新，包括：

• 全球首发 UFCS 2.0 协议
• 全球首家跟进支持 AVS 协议
• 同时支持 AVS 及两档 PPS，均配备独立开关
• 推出生活场景灵活设置定时任务
• 支持线损补偿，抵消充电线传输的损耗
• 支持「ERP」开关，优化大功率充电宝体验
• 推出 OTW 服务：用 AI 小电拼给不能联网的硬糖系列充电头推送更新
• 小电拼 iOS、Android 版 App 上线

这些更新并非单点功能叠加，而是围绕真实问题持续打磨体验。

例如，「小家电模式」通过软件形态切换，让原本无法使用 C-C 线的老旧设备重新获得生命，实现真正的「一线通」。

给 PPS 增加 55W 和 105W 两档独立开关，正是对现实中「标准存在、实现参差」这一行业现状的回应，让灰度兼容变成一种可控能力，而非运气游戏。

2025 年 9 月，AI 小电拼完成 SPR AVS 的全链路远程升级；12 月，又率先支持 UFCS 2.0，并通过 OTW 技术为多款硬糖充电器推送定制协议。

OTW：让传统设备获得未来

在持续打磨 AI 小电拼的同时，我们也希望更多设备具备「永不过时」的能力。

于是，OTW 服务诞生了。

通过 OTW 云端服务与有线更新结合，原本无法联网的充电器也可以获得协议升级与功能扩展，从哑设备进化为具备 SDC 能力的智能产品。

OTW 并不是概念包装，而是一套面向长期使用价值的服务体系——让充电器真正成为可以陪伴多年的基础设施。

写在最后：与你一起

过去一年，推动产品进化的不只有我们，还有每一位真实使用它的你。

用户提供的使用反馈、数据、玩法，甚至是意想不到的配件与改造，都在不断拓展 AI 小电拼的边界。

我们始终相信，「好产品就是一颗糖」——让人愿意反复使用，长期依赖。好的体验，有些是显性的，有些是缓慢发生的；有些属于现在，有些指向未来。

AI 小电拼只是第一步。SDC 框架的真正完成，来自每一个用户对设备的掌控与参与。

这才是我们理解中「能陪伴人的产品」。

Keep Patching, Enjoy.

关于制糖工厂

制糖工厂是一家以「软件定义充电器（SDC，Software-Defined Charger）」为核心的数字能源科技公司，围绕个人计算设备、多终端协同与未来智能硬件场景，构建可演进的能量管理系统与消费级硬件产品。公司通过自研的 FluxAI 自由流® 技术、FPGA 架构、全模 OTA/OTW 能力与 CanOS 充电操作系统，将传统充电器从一次性硬件升级为可持续进化的智能设备。

制糖工厂在多设备盲插、全时功率调度、EUG 能量利用等级、 低温与安全策略等方面建立了行业领先的技术与体验标准，逐步形成以「AI 小电拼」「硬糖」「贴贴线」为代表的产品矩阵，服务创作者、开发者、数字游民与高频电子设备用户。公司正在推动充电器从「被动供电配件」向「个人数字基础设施」转型，为下一代智能设备生态提供稳定、可编程、可理解的能源底座。

#欢迎关注爱范儿官方微信公众号：爱范儿（微信号：ifanr），更多精彩内容第一时间为您奉上。

爱范儿 | 原文链接 · 查看评论 · 新浪微博

1月27日，国内黄金饰品价格对比显示，多家黄金珠宝品牌公布的境内足金首饰价格有所上调，周生生报价1577元/克，周大福报价1585元/克，六福珠宝报价1583元/克，老凤祥报价1576元/克，老庙黄金报价1575元/克。（界面）

36氪获悉，爱企查App显示，近日，福鹿家（郑州）企业管理有限公司发生工商变更，新增蜜雪冰城旗下福鹿兄弟（海南）企业管理有限公司为股东，同时，注册资本由约663.1万元人民币增至约1353.3万元人民币。该公司成立于2018年10月，法定代表人为贾荣荣，经营范围包括日用百货销售、第一类医疗器械销售、第二类医疗器械销售等，现由田海霞、郑州麦浪同舟企业管理合伙企业（有限合伙）及上述新增股东等共同持股。

36氪获悉，根据Counterpoint晶圆代工服务月度情报报告，预计到2028年台积电将削减15%-20% Fab14的12英寸成熟制程产能，核心目的是改善传统制程利用率结构性不足的现状，同时腾挪资源支持先进封装技术的拓展。Counterpoint晶圆代工市场供应追踪数据显示，此次产能调整的核心驱动力是40-90纳米制程的利用率持续低迷。台积电此前已公布其Fab14工厂成熟制程产能的战略调整方案。