仙桃网网站优化排名服务

仙桃网,网站优化排名服务,自己建立旅游的网站建设,海南网站建设中心Anthropic 这家“AI 后期之秀”擅长在 Agent 工程领域“整活”。除了大家熟知的MCP#xff08;模型上下文协议#xff09;外#xff0c;前两个月抛出了两个新概念#xff1a;Skills #xff08;技能#xff09;与 程序化工具调用#xff08;PTC#xff09;#xff0c;…Anthropic 这家“AI 后期之秀”擅长在 Agent 工程领域“整活”。除了大家熟知的MCP模型上下文协议外前两个月抛出了两个新概念Skills技能与程序化工具调用PTC并在自身的Claude开发平台落地支持。虽然目前 Skills 、PTC主要在 Claude 生态中可用但从它们的设计理念来看不排除未来会成为各大Agent框架的“标配”。本文将带你聚焦拆解MCP PTC、Skills 与 Subagents三者的定位、联系与应用相信可以拓展你构建Agent系统的思维方式。本文内容MCPPTC会“连招”的Agent工具箱Skills给Agent配备的“知识胶囊”Subagents“分而治之”的Agent架构联系、区别与协同001MCP PTC会”连招“的Agent工具箱时至今日MCP 已经可以说是 Agent 开发领域最重要的开放协议之一甚至可能是“最”重要的那个。它由 Anthropic 在 2024 年底提出目前已经完成了两次规范的版本迭代可见其在生态中的地位。【MCP再回顾】在 MCP 出现之前如果你希望让 AI 访问你的本地文件、企业数据库或者第三方API你需要为每个外部资源写“胶水代码”。这就像以前手机充电器接口各异极难通用。而 MCP 就是 AI 时代的 “USB-C”它标准化了 AI 与外部世界的连接方式。开发者可以把数据库、业务系统、API等访问等封装成一个 MCP Server一次暴露多处复用。任意一个具备 MCP 客户端能力的 Agent都可以直接接入并使用这些能力无需再次开发。MCP的核心架构与能力用下图总结【PTC程序化工具调用】有了MCP你可以给Agent“插上”大量工具但是新的问题来了在一次复杂的任务中流程很容易变成这样LLM推理-工具调用-结果塞入上下文-LLM再推理-下一个工具调用...这种反复来回的“乒乓球效应”带来的缺陷主要是高延迟大量的网络往返与LLM推理可能让响应从几秒变成几分钟高成本大量中间结果被塞入上下文占Token还影响推理质量Anthropic 对此的解法是一种新的工具调用方式 — 程序化工具调用PTC, Programmatic Tool Calling用来优化上述场景中的问题。其核心理念是让LLM编写一段完整的Python代码并在安全的沙箱环境中运行代码中直接包含了对多次MCP 工具的调用、逻辑循环、条件判断以及数学计算等。即Agent通过编写程序来调用工具而不是通过对话逐步推理出来。举个简单例子“使用工具A从数据库查询所有订单再用工具B生成分析图表”如果通过传统方式LLM 需要先拿到工具 A 的结果大量订单记录塞进上下文再思考要不要调用 B — 又慢又贵。而在PTC模式下orders await toolA.query_orders() chart await toolB.generate_chart(orders) return chart沙箱一次性执行完由于少了中间结果的反复响应与Tokens成本大大降低。【MCPPTC工具调用的“连招”】如果说MCP工具是招式那么PTC就是一口气打出多个“连招”MCP提供了“原子化”的工具能力查询、读写文件、API调用PTC提供了基于代码的“粘合剂”工具调用、循环、条件判断、过滤但PTC 本质上是“自动写代码”适合执行确定性强、流程相对固定的任务但不是所有的任务都适合PTC。特别是当工具调用结果需要依赖LLM来进行推理、理解以判断下一步行为时PTC可能就不适合。比如“帮我分析这份商务合同如果有严重风险生成一份免责说明否则给出修改建议。”由于这里需要LLM作语义判断以推理风险等级这是一个典型的“LLM决策点”无法用PTC代码来直接写死因此更适合经典的Agent循环模式。002Skills给Agent的“知识胶囊”在理想世界里我们希望Agent什么都会。但现实是特别是在专业领域Agent往往缺乏足够的”知识“来知道”怎么做“比如操作流程、应该使用的Python模块、采用的模板等。而且你无法把所有的经验与指南都塞入上下文 — 毕竟空间有限。【Skills模块化的”知识胶囊“】Skills是一种用来以模块化方式给 LLM 注入专业技能的机制。它在物理上是一个“文件夹”里面包含一个核心说明文件 SKILL.md相关的脚本/代码其他资源文件文档、模板、示例等这些内容告诉LLM“遇到这类任务时该怎么做”。这是一个官方处理PDF文件的技能目录当用户输入任务“请把我上传的PDF文件提取成文本”时LLM 会自动匹配到这个Skill阅读其中的指南然后根据其中的说明编写代码或调用工具、运行并获得结果。在整个过程中操作细节不是靠LLM自行“猜”而是由Skill中的文档给出指示。【Skills核心机制“渐进式披露”】那么LLM是如何知道用哪个Skill的难道要把所有Skill资料一股脑塞进上下文显然不是。这涉及到Skills的核心理念渐进式披露(Progressive Disclosure)即LLM对Skills的了解是一种“渐进式”的方式。这种方式的出发点仍然来自于“上下文危机”在复杂Agent运行时由于不断注入大量的专业知识、工具信息、调用结果、对话历史等。你可能会面临上下文爆炸有用信息被挤出Tokens成本飙升且存在浪费信息被稀释LLM推理出错概率增大性能下降Agent响应延迟想象下如果你需要把上百个MCP Server中的工具说明、流程指引等加载进上下文Agent将会“记忆过载”。当前应对上下文危机的主要方法是借助上下文工程的长期Memory方案。Skills采用的策略是让Agent可以访问大量技能但不会一次性“灌输式”教学而是“按需加载”。这种渐进式披露的运作机制如下第一层技能发现会话开始时从SKILL.md文件的元数据区域加载名称与描述用于发现技能。具体来说就是把name和description注入系统Prompt。第二层技能理解当LLM识别需要使用某个Skill时会加载该技能的完整SKILL.md以了解真正的技能指南。第三层资源按需加载在使用技能时如果发现有额外的动态资源需要读取文档、模板、脚本等则按需加载对应资源。以下是官方的PDF技能在每个阶段被注入到上下文的内容注意到对于需要编程处理的任务开发者可以在Skill目录放置 Python 脚本。当Agent使用该Skill时可以加载这些代码在安全沙盒中执行这样比让LLM生成代码更高效、更可控。003Subagents”分而治之“的Agent架构当面对一个复杂的任务 — 比如“对整份文档做全面审核并给出修复建议”时单一的Agent即使配备 MCPSkills会遇到麻烦角色混乱一个 System Prompt 同时包含“专业的创作者”和“严苛的审核员”两种截然不同的人设容易造成混乱。上下文污染各种任务指令、文档内容、工具说明、调用结果等挤在同一个上下文里LLM可能会忘记最初目标。【Subagents“分而治之”】Claude开发平台的Subagents就是旨在通过“分而治之”的策略来解决上述问题把复杂任务拆成几个可控的子任务由不同的 Agent 专家分别处理各司其职互不干扰。Subagents本质是多智能体系统的一种实现并非Claude独有。其好处是上下文隔离每个 Subagent 都在独立环境中运行。主Agent将子任务指派给 SubagentSubagent 可能会开展大量的中间处理。但最终只会向主Agent返回一个“精炼”结果主Agent上下文不会被“污染”。子Agent之间也不会相互干扰 — AI“测试员”的几千条错误日志不会塞满AI“架构师”的思考空间。专业化配置每个 Subagent 可以拥有自己独立的 System Prompt、模型选择、可用工具Skills等。独立权限控制你可以创建给不同的Subagent只赋予其某些工具权限从而最大限度降低误操作风险 。下面是定义两个Subagents的例子...... subagents_config { # 子智能体 1安全审计专家 security-auditor: AgentDefinition( descriptionExpert in identifying security vulnerabilities (OWASP Top 10). Use this agent for code review., promptYou are a rigorous security auditor. Focus ONLY on SQL injection, XSS, and auth bypass. Be extremely critical., tools[read_file, grep], # 限制工具只读不可修改代码 modelclaude-3-5-sonnet-20240620# 使用最强模型进行深度分析 ), # 子智能体 2测试运行员 test-runner: AgentDefinition( descriptionExecutes test suites and reports results. Use this agent after code changes., promptYou are a QA engineer. Your job is to run tests, analyze failure logs, and report pass/fail rates., tools[bash, read_file], # 允许运行 bash 命令 modelclaude-3-haiku-20240307# 使用快速模型处理简单执行任务 ) }最新LangChain的DeepAgents框架中也有用来完成子任务的Subagent机制。004联系、区别与协同现在我们来总结这三种不同的Agent机制。【MCPPTC连接层机制】它们更多的是一种基础设施。它给Agent提供了更简洁与丰富的访问外部资源的能力并通过 PTC 提高执行效率。后续的Skills 和 Subagents 都可以依赖 MCP/PTC/工具调用之上来实现。当需要让LLM访问某个外部数据/API应优先想到MCP。比如我要让AI查询公司的CRM数据库。【Skills认知层机制】Skills用来告诉LLM在面对某类问题“怎么做”其定位在于提供标准、可复用的“知识胶囊”。很适合特定领域内的单一、明确、通用、可复用的小任务比如转换文档、生成模板报告、规范化代码等这类任务。当希望为Agent注入特定任务的知识时可以编写Skill。比如我要让AI了解如何创建规范的React项目结构。【Subagents组织层机制】该机制让Agent从独立工作的个人过渡到带领团队工作。适合复杂、多步骤、多子任务子流程、大 context 或需要角色分工 (比如“代码审查专家”、“数据分析专家”、“研究专家”) 的任务。当发现Agent承担了太多的职责而难以管理时考虑Subagents。比如我要构建一个开发智能体既能做架构、又能写代码、还能做测试。表格总结如下【Subagent Skill MCP/PTC 的协同】最后我们用三者间的一个协同场景来结束本文主 Agent 接到一个复杂任务 ( “给这个项目生成完整报告 做代码审查 更新文档 汇总结果”)。主 Agent 将“代码审查”子任务交给 Review Subagent — 它用独立 Context 专属工具去分析代码库不污染主 Context也能并行处理多个文件。子任务里若需要格式化 /转换 /模板生成 (例如把分析结果生成 Markdown 报告)Subagent 内部可以使用一个 Skill来完成。若子任务还需访问公司数据库 / APIs 获取数据 (例如Bug跟踪, 提交历史)Subagent (或 Skill) 通过 MCP 工具/PTC 来获得这些数据。子代理处理完把最终结果以简洁总结形式返回给主 Agent。主 Agent 收集多个 Subagent 的结果整合 / 合成最终输出给用户。这种组合方式将 分工 (Subagent) 、 领域技能 (Skill) 和 工具 (MCP PTC) 三层有机结合既保证效率、可维护性也保证系统灵活与扩展性。AI大模型学习福利作为一名热心肠的互联网老兵我决定把宝贵的AI知识分享给大家。 至于能学习到多少就看你的学习毅力和能力了 。我已将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。一、全套AGI大模型学习路线AI大模型时代的学习之旅从基础到前沿掌握人工智能的核心技能因篇幅有限仅展示部分资料需要点击文章最下方名片即可前往获取二、640套AI大模型报告合集这套包含640份报告的合集涵盖了AI大模型的理论研究、技术实现、行业应用等多个方面。无论您是科研人员、工程师还是对AI大模型感兴趣的爱好者这套报告合集都将为您提供宝贵的信息和启示。因篇幅有限仅展示部分资料需要点击文章最下方名片即可前往获三、AI大模型经典PDF籍随着人工智能技术的飞速发展AI大模型已经成为了当今科技领域的一大热点。这些大型预训练模型如GPT-3、BERT、XLNet等以其强大的语言理解和生成能力正在改变我们对人工智能的认识。 那以下这些PDF籍就是非常不错的学习资源。因篇幅有限仅展示部分资料需要点击文章最下方名片即可前往获四、AI大模型商业化落地方案因篇幅有限仅展示部分资料需要点击文章最下方名片即可前往获作为普通人入局大模型时代需要持续学习和实践不断提高自己的技能和认知水平同时也需要有责任感和伦理意识为人工智能的健康发展贡献力量