Claude Skills 用 Markdown、脚本和资源文件描述任务流程,让大模型在运行时学会“什么时候做、怎么做、用什么工具做”。它和 MCP 一起,把 AI Agent 从单次问答推向可复用、可治理的工作流系统。
老项目常见的问题是代码复杂、文档缺失或文档过期。这里围绕 Qoder Repo Wiki、Google Code Wiki、Zread 和 DeepWiki-open 四类 AI 代码 Wiki 工具,讲清它们的能力边界、适用场景、部署方式和选型建议。
Agent Skills 用一个包含说明、脚本和资源的文件夹封装 AI Agent 能力,让能力可以被发现、按需加载并跨平台复用。内容会讲清它的目录结构、渐进式披露机制、与 MCP 的区别,以及企业落地时需要注意的安全和治理问题。
Claude Skills 把业务 SOP 封装成可加载的能力包,MCP 则负责把模型连接到外部系统和数据源。围绕合同审核场景,讲清 Skills、MCP、脚本和垂类 Agent 的分工,以及这种模式在企业落地中的适用边界。
LangGraph 用有向图组织大语言模型应用的执行流程,适合构建有状态、可分支、可循环、可人工干预的多智能体系统。内容覆盖 State、Node、Edge、Reducer、条件边、检查点、时间旅行、人机协作、MCP 集成,以及 Supervisor、Swarm 和 Java 版本 LangGraph4J 的使用方式。
介绍 8 个 AI 与效率方向的 GitHub 开源项目,覆盖企业知识库、AI 画图、AI 编程 Agent、智能体安全、人机协作、简历匹配和轻量看板等场景,并说明它们适合解决什么问题。
AI Agent 学习容易卡在框架太多、概念太散、案例太杂。这里按底层原理、实战案例、课程体系、企业级开发和多框架对比六个方向,梳理 6 个适合系统学习智能体开发的 GitHub 开源项目。
MCP 是连接大语言模型与外部工具、数据源的开放协议。围绕 MCP 的设计理念、Client/Server 架构、JSON-RPC 通信机制、Stdio/SSE/Streamable HTTP 传输方式,以及数据库智能查询场景中的 Server 设计、安全控制和工程化实现展开讲解。
Claude 的 Agent 能力可以按连接层、认知层和组织层理解:MCP 负责连接外部系统,PTC 用程序批量编排工具调用,Skills 按需注入专业知识,Subagents 把复杂任务拆给多个专门智能体处理。