Skills 是 AI Agent 中用于封装专业能力的一层抽象。它在专用编程工具里不一定显眼,但在企业级 Agent 平台、多 Agent 协同和能力生态建设中,可以解决复用、标准化、版本管理和协作成本问题。
FunctionGemma 可以把自然语言请求转换为函数调用,但通用模型不一定理解企业内部的工具选择策略。这里用“内部知识库搜索”和“Google 搜索”的路由任务,讲清 FunctionGemma 微调的原因、数据准备方式、训练流程、评估方法,以及 FunctionGemma Tuning Lab 的无代码使用方式。
Agent 系统的稳定性不只取决于提示词,更取决于上下文如何组织。围绕状态表达、工具调用、记忆管理、MCP 结构化协议和可靠性工程,系统讲清上下文工程在 Agent 架构中的设计方法。
从 LLM、规划、记忆、工具四个组件讲清 Agent 的基本架构,并展开 ReAct 执行循环、生产环境稳定性问题、框架选型和企业级智能助手的分层设计。
Agentic AI 不是简单地让大模型回答一次问题,而是让模型能规划任务、调用工具、检查结果并迭代完成复杂工作。这里用 Python 讲清反思、工具使用、规划、多智能体四种核心模式,以及落地时的测试和生产注意事项。
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。