AI技能开发实战：从工具调用到智能体应用，掌握下一代AI应用范式

最近，很多开发者都在讨论一个趋势：AI 正在从“对话”走向“行动”。过去，我们调用大模型 API，得到的是文本回复；现在，我们开始思考，如何让 AI 理解我们的意图，并直接操控现实世界中的工具和应用。这背后，一个关键的技术概念正在浮出水面——Skill（技能）。

就在这个节点上，阿里千问（通义千问）宣布开放其 AI 眼镜生态，并明确支持开发者自建导游、教练、巡检等多种 Skill。这绝不仅仅是一个硬件产品的功能更新，而是一个强烈的信号：AI 应用开发的范式，正在从“聊天机器人”向“可执行技能”转变。对于开发者而言，这意味着一个新的、更贴近真实场景的竞技场已经开启。

如果你还在纠结于如何让大模型生成更准确的代码或更优美的文案，那么你可能已经落后了半个身位。未来的价值，将更多地体现在如何将 AI 的认知能力，封装成一个能解决特定领域问题的、可被可靠调用的“技能”。本文将为你深入拆解“阿里千问 AI 眼镜生态开放”这一事件背后的技术逻辑，并手把手带你理解什么是 Skill、如何为类似平台开发 Skill，以及这其中蕴藏的机会与挑战。

1. 这篇文章真正要解决的问题

这篇文章要解决的，不是“如何买一副 AI 眼镜”，也不是“通义千问 API 怎么调用”。我们要解决的核心问题是：作为一名开发者，当一个大模型平台开始拥抱“技能生态”时，你应该关注什么、学习什么、以及如何行动？

具体来说，我们将聚焦于以下几点：

1. 概念祛魅：Skill 到底是什么？它和传统的 API、插件、小程序有何本质区别？为什么它代表了下一代 AI 应用的方向？
2. 机会研判：阿里千问开放眼镜生态，为什么选择导游、教练、巡检这些场景？这揭示了哪些高价值的 Skill 开发方向？
3. 技术拆解：开发一个 AI Skill 需要哪些核心组件？其技术栈和传统的 Web/App 开发有何不同？
4. 实战推演：虽然我们无法直接拿到未公开的 SDK，但我们可以基于通用的 Agent 和工具调用框架，模拟构建一个类似“智能巡检”Skill 的完整流程，让你掌握其核心思想。
5. 避坑指南：在 Skill 开发中，有哪些容易忽略但至关重要的点，如安全性、上下文管理、错误处理等？

无论你是前端、后端还是算法工程师，理解 Skill 的开发模式，都将帮助你提前卡位，在 AI 从“感知”走向“行动”的浪潮中，找到自己的发力点。

2. 基础概念与核心原理：Skill、Agent 与工具调用

在深入阿里千问的生态之前，我们必须先厘清几个核心概念。这些概念是理解整个技术范式的基石。

2.1 什么是 Skill（技能）？

你可以把Skill理解为一个高度场景化、任务化的“智能函数”。它不是一个聊天接口，而是一个能完成特定工作的可执行单元。

• 传统大模型调用：用户问：“帮我写一个快速排序的 Python 代码。” 模型返回一段文本代码。
• Skill 调用：用户对 AI 眼镜说：“检查一下前方设备的运行状态。” AI 眼镜（背后的系统）会：
  1. 理解用户意图为“设备巡检”。
  2. 自动激活“设备巡检”这个 Skill。
  3. 该 Skill 可能驱动眼镜的摄像头拍照，调用视觉模型分析图像，检索设备数据库，最后生成并播报一段语音报告：“设备 A 运行正常，温度 65℃；设备 B 指示灯异常，建议现场查看。”

Skill 的核心特征：

• 目标驱动：为完成一个具体任务而存在（如导航、翻译、控制设备）。
• 多模态感知与执行：可以组合语音、视觉、传感器数据作为输入，并输出控制指令、语音、显示内容等。
• 上下文感知：能理解用户所处的环境（通过眼镜的位置、摄像头画面）和对话历史。
• 可被编排：可以被更上层的“大脑”（Agent）根据需求动态选择和组合。

2.2 Skill 与 Agent（智能体）的关系

这是最容易混淆的一点。简单来说：

• Agent 是“大脑”，负责理解用户意图、制定计划、决策何时调用哪个 Skill。
• Skill 是“手和脚”，负责执行大脑下达的具体指令。

在一个 AI 眼镜系统中，通义千问的大模型可能就扮演着“通用大脑”（Agent）的角色。当它判断用户需要“导游”服务时，就会调用“导游 Skill”；需要“健身指导”时，就调用“健身教练 Skill”。开放生态，就是允许开发者来为这个“大脑”开发更多、更专业的“手和脚”。

2.3 工具调用（Function Calling）是 Skill 的技术基础

Skill 的实现，底层依赖于大模型的工具调用能力。大模型本身不会操作数据库、不会调用第三方 API、不会分析图片。但它可以“知道”自己有哪些工具（Skill）可用，并在合适的时候“决定”去调用它们，并理解返回的结果。

这个过程通常是这样的：

1. 定义工具：开发者告诉大模型：“我有一个工具叫get_weather，它需要参数city，返回天气信息。”
2. 模型决策：用户问：“北京今天天气怎么样？”模型会识别出意图，并生成一个结构化的调用请求，如{“name”: “get_weather”, “arguments”: {“city”: “北京”}}。
3. 执行工具：系统收到请求后，在后台真正执行get_weather(“北京”)这段代码或 HTTP 请求。
4. 结果反馈：将执行结果（如{“city”: “北京”, “weather”: “晴”, “temp”: “25℃”}）返回给大模型。
5. 组织回复：大模型将工具返回的结构化数据，组织成自然语言回复给用户：“北京今天天气晴朗，气温 25 摄氏度。”

阿里千问开放 Skill 生态，本质上就是开放了一套标准，让开发者可以按照这个“定义-调用-反馈”的流程，为它的 AI 系统创建新的工具（Skill）。

3. 环境准备与前置条件：理解开发 Skill 需要什么

在开始模拟开发之前，我们需要明确开发一个 AI 眼镜平台的 Skill 需要哪些通用能力。这能帮助你评估自己是否已具备相关条件，或需要补充哪些知识。

3.1 核心技能栈

3.2 模拟开发环境搭建

由于我们无法获取阿里千问眼镜生态未公开的官方 SDK，我们将使用最通用的技术栈来模拟 Skill 的开发思想。我们将构建一个“智能巡检助手”的模拟 Skill。

我们的模拟环境：

1. 操作系统：Windows 10/11, macOS 或 Linux。
2. 编程语言：Python 3.9+（因其在 AI 生态中的绝对优势）。
3. 核心框架：LangChain。它是一个用于开发由大语言模型驱动的应用程序的框架，对工具调用的支持非常成熟。
4. 大模型：使用OpenAI GPT API或通义千问 API作为“大脑”（Agent）。本文示例将使用 OpenAI 格式，其概念完全通用。
5. 模拟硬件：我们用电脑的摄像头和麦克风模拟眼镜的传感器，用本地图片文件模拟巡检时拍摄的设备照片。
6. 开发工具：任何你熟悉的 IDE（如 VSCode, PyCharm）。

安装基础依赖：

# 创建虚拟环境（推荐） python -m venv venv source venv/bin/activate # Linux/macOS # venv\Scripts\activate # Windows # 安装核心库 pip install langchain langchain-openai openai pillow requests # 如果需要模拟图像识别，可以安装一些CV库 # pip install opencv-python

4. 核心流程拆解：一个 Skill 是如何工作的？

让我们以“智能巡检”Skill 为例，将其工作流程拆解为可理解的步骤。这个过程是跨平台的通用逻辑。

4.1 步骤一：意图识别与 Skill 路由

用户对眼镜说：“帮我看看这台泵的运行状态。”

1. 语音被识别为文本。
2. 文本被发送给中央 AI Agent（通义千问大模型）。
3. Agent 分析文本，识别出用户意图是“设备状态检查”，属于“巡检”范畴。
4. Agent 从其已注册的 Skill 列表中，找到“智能巡检”Skill。

4.2 步骤二：Skill 参数获取与确认

“智能巡检”Skill 被激活，但它需要知道具体检查哪台设备。

1. Agent 可能会反问：“请问您要检查哪台设备？”（如果需要更多信息）。
2. 或者，Skill 可以结合上下文自动获取：眼镜的摄像头正对着一台设备，设备上可能有二维码或数字编号。Skill 调用视觉子模块识别出设备 ID 为 “PUMP-2024-001”。
3. 参数device_id="PUMP-2024-001"准备就绪。

4.3 步骤三：Skill 核心逻辑执行

这是开发者编写的主要部分。对于“智能巡检”Skill，其逻辑可能包括：

1. 图像采集：控制眼镜摄像头拍摄设备当前状态的照片。
2. 视觉分析：将照片发送给一个专用的视觉分析模型（或 API），检测仪表盘读数、指示灯颜色、是否有泄漏等。
3. 数据查询：根据device_id，从企业后台的设备管理系统中查询该设备的规格、历史数据、保养记录。
4. 状态综合判断：结合视觉分析结果和后台数据，判断设备状态（正常、预警、故障）。

4.4 步骤四：结果格式化与返回

Skill 执行完毕后，需要将结果以结构化数据的形式返回给中央 Agent。

{ “skill_name”: “equipment_inspection”, “status”: “success”, “data”: { “device_id”: “PUMP-2024-001”, “device_name”: “主冷却泵”, “visual_status”: “normal”, // 视觉分析结果 “meter_reading”: “5.2 MPa”, “historical_alerts”: [], “overall_judgment”: “设备运行正常，各项参数在标准范围内。” } }

4.5 步骤五：Agent 生成用户回复

中央 Agent 收到这个结构化数据后，将其融入对话上下文，生成一段自然、友好的语音回复，通过眼镜播报给用户： “已为您完成对‘主冷却泵’的巡检。当前设备运行正常，压力表读数为 5.2 兆帕，未发现历史告警记录。您可以放心。”

5. 完整示例与代码实现：模拟“智能巡检”Skill

现在，我们使用 LangChain 和 OpenAI API 来模拟实现上述流程的核心部分。请注意，我们省略了真实的硬件控制（拍照）和企业系统对接，用模拟函数代替，重点展示Skill 的定义、注册和被 Agent 调用的完整链路。

5.1 定义 Skill（工具）

在 LangChain 中，一个 Skill 就是一个“工具”（Tool）。我们首先定义巡检工具。

# skill_inspection.py import json from typing import Type, Optional from pydantic import BaseModel, Field from langchain.tools import BaseTool # 第一步：定义工具的输入参数模型 class InspectionToolInput(BaseModel): device_id: str = Field(description="The unique identifier of the equipment to inspect, e.g., 'PUMP-2024-001'") use_simulated_camera: Optional[bool] = Field(default=True, description="Whether to use a simulated camera for demo. If False, would integrate with real hardware.") # 第二步：实现工具类，继承 BaseTool class EquipmentInspectionTool(BaseTool): name: str = "equipment_inspection" description: str = """ Use this tool when the user wants to check the status, health, or operating parameters of a specific piece of equipment or machinery. This tool will simulate capturing an image, analyzing it, fetching device data, and providing a comprehensive inspection report. """ args_schema: Type[BaseModel] = InspectionToolInput def _run(self, device_id: str, use_simulated_camera: bool = True) -> str: """The core logic of the inspection skill.""" # 模拟 Skill 的执行步骤 print(f"[Inspection Skill] Starting inspection for device: {device_id}") # 1. 模拟图像采集与分析 if use_simulated_camera: visual_result = self._simulate_visual_analysis(device_id) else: # 此处应集成真实摄像头调用和CV模型API # visual_result = call_real_camera_and_cv_api(device_id) visual_result = {"status": "simulated_real_camera_disabled"} # 2. 模拟查询设备后台数据 device_data = self._fetch_device_data(device_id) # 3. 综合判断逻辑（模拟） overall_judgment = self._make_judgment(visual_result, device_data) # 4. 将结果组装成结构化字符串（LangChain工具要求返回str） result = { "device_id": device_id, "device_name": device_data.get("name", "Unknown"), "visual_analysis": visual_result, "device_spec": device_data.get("spec", {}), "last_maintenance": device_data.get("last_maintenance"), "overall_judgment": overall_judgment, "recommendation": "No immediate action required." if visual_result.get("status") == "normal" else "Please review device manually." } return json.dumps(result, ensure_ascii=False, indent=2) def _simulate_visual_analysis(self, device_id: str) -> dict: """模拟视觉分析结果""" # 在实际开发中，这里会调用视觉模型API simulations = { "PUMP-2024-001": {"status": "normal", "meter_reading": "5.2 MPa", "leak_detected": False}, "VALVE-2024-002": {"status": "warning", "meter_reading": "N/A", "indicator_light": "red", "leak_detected": True}, "MOTOR-2024-003": {"status": "normal", "temperature": "65°C", "vibration": "low"}, } return simulations.get(device_id, {"status": "unknown", "error": "Device not recognized visually"}) def _fetch_device_data(self, device_id: str) -> dict: """模拟从后台系统获取设备数据""" # 在实际开发中，这里会调用内部API或查询数据库 data_store = { "PUMP-2024-001": {"name": "Main Cooling Pump", "spec": {"type": "Centrifugal", "max_pressure": "10 MPa"}, "last_maintenance": "2024-03-15"}, "VALVE-2024-002": {"name": "Pressure Relief Valve", "spec": {"type": "Safety", "set_point": "6 MPa"}, "last_maintenance": "2024-02-01"}, "MOTOR-2024-003": {"name": "Conveyor Motor", "spec": {"type": "Induction", "power": "7.5 kW"}, "last_maintenance": "2024-04-10"}, } return data_store.get(device_id, {"name": "Unknown Device", "spec": {}, "last_maintenance": None}) def _make_judgment(self, visual_data: dict, device_data: dict) -> str: """模拟综合判断逻辑""" if visual_data.get("status") == "normal": return f"{device_data.get('name', 'The device')} is operating within normal parameters." elif visual_data.get("status") == "warning": return f"Potential issue detected with {device_data.get('name', 'the device')}. Please verify {', '.join([k for k in visual_data.keys() if k not in ['status']])}." else: return "Inspection completed. Status uncertain, manual check recommended." def _arun(self, *args, **kwargs): """异步版本（本例暂不需要）""" raise NotImplementedError("This tool does not support async")

5.2 创建 Agent 并注册 Skill

接下来，我们创建一个简单的 Agent，并将上面定义的巡检工具注册给它。

# main_agent.py import os from langchain.agents import initialize_agent, AgentType from langchain_openai import ChatOpenAI from skill_inspection import EquipmentInspectionTool # 设置你的大模型 API 密钥（此处以 OpenAI 为例，若用千问需换对应库） os.environ["OPENAI_API_KEY"] = "your-openai-api-key-here" # 请替换为你的密钥 # 如果用通义千问，可能是：os.environ["DASHSCOPE_API_KEY"] = "your-dashscope-key" def main(): # 1. 初始化大语言模型（作为 Agent 的大脑） llm = ChatOpenAI(model="gpt-3.5-turbo", temperature=0) # 如果用通义千问，可能是：llm = TongyiChatModel(model="qwen-max") # 2. 实例化我们定义的 Skill（工具） inspection_tool = EquipmentInspectionTool() # 3. 将工具放入列表。一个真正的 Agent 可以拥有很多个这样的工具。 tools = [inspection_tool] # 4. 初始化 Agent，并指定使用 ReAct 等高级推理模式 agent = initialize_agent( tools, llm, agent=AgentType.STRUCTURED_CHAT_ZERO_SHOT_REACT_DESCRIPTION, # 此类型适合处理结构化工具 verbose=True, # 设置为 True 可以看到 Agent 的思考过程，非常有用！ handle_parsing_errors=True # 优雅地处理解析错误 ) print("AI 巡检助手已启动。你可以用自然语言描述巡检任务。") print("例如：'请检查设备 PUMP-2024-001 的状态' 或 '帮我巡检一下眼前的这台泵'") print("输入 'quit' 退出。\n") while True: try: user_input = input("\n用户: ") if user_input.lower() in ['quit', 'exit', 'q']: break if not user_input.strip(): continue # 5. 运行 Agent！它将自动决定是否以及如何调用我们的工具。 response = agent.run(user_input) print(f"\n助手: {response}") except Exception as e: print(f"发生错误: {e}") if __name__ == "__main__": main()

5.3 模拟一个更复杂的对话场景

上面的例子是直接询问。在实际眼镜场景中，对话可能更模糊，需要 Agent 主动询问参数。我们的工具定义和 Agent 已经能处理这种情况。

我们创建一个新的测试脚本，展示更复杂的交互：

# test_agent_conversation.py from main_agent import main # 导入上面创建的 agent # 我们直接模拟一个对话流程，而不是手动输入 def simulate_conversation(): # 注意：这里需要修改 main_agent.py 中的 main() 函数，使其能接收预设的输入。 # 为了演示，我们展示 Agent 在模糊指令下的潜力。 print("=== 模拟对话 1: 模糊指令 ===") # 假设用户输入：“我面前这台机器看起来有点问题，能看看吗？” # Agent 的思考过程（verbose=True 时可见）可能如下： # 1. 思考：用户想检查一台机器。我需要设备ID。我没有视觉能力，需要询问用户。 # 2. 行动：反问用户“请问您要检查的设备的编号是什么？” # 3. 用户回复：“PUMP-2024-001” # 4. Agent 调用 `equipment_inspection` 工具，参数 device_id="PUMP-2024-001"。 # 5. 得到工具返回的 JSON 结果。 # 6. Agent 将 JSON 转化为自然语言回复。 print("\n=== 模拟对话 2: 直接指令 ===") # 用户输入：“检查设备 VALVE-2024-002。” # Agent 的思考过程： # 1. 思考：用户明确给出了设备ID，并请求检查。我应该使用 `equipment_inspection` 工具。 # 2. 行动：调用 `equipment_inspection`，参数 device_id="VALVE-2024-002"。 # 3. 得到结果，组织回复。 if __name__ == "__main__": # 实际上，我们直接运行主程序来体验交互。 print("请运行 `python main_agent.py` 来启动交互式对话。") # 或者，我们可以创建一个自动化的测试 from langchain.agents import AgentExecutor # ... 这里可以编写单元测试来验证工具调用逻辑

6. 运行结果与效果验证

让我们运行main_agent.py，并输入一些指令来验证整个 Skill 调用流程是否工作。

运行命令：

python main_agent.py

预期交互过程与输出：

AI 巡检助手已启动。你可以用自然语言描述巡检任务。 例如：'请检查设备 PUMP-2024-001 的状态' 或 '帮我巡检一下眼前的这台泵' 输入 'quit' 退出。 用户: 请检查设备 PUMP-2024-001 的状态 > Entering new AgentExecutor chain... Action: { "action": "equipment_inspection", "action_input": {"device_id": "PUMP-2024-001", "use_simulated_camera": true} } [Inspection Skill] Starting inspection for device: PUMP-2024-001 Observation: { "device_id": "PUMP-2024-001", "device_name": "Main Cooling Pump", "visual_analysis": { "status": "normal", "meter_reading": "5.2 MPa", "leak_detected": false }, "device_spec": { "type": "Centrifugal", "max_pressure": "10 MPa" }, "last_maintenance": "2024-03-15", "overall_judgment": "Main Cooling Pump is operating within normal parameters.", "recommendation": "No immediate action required." } Thought: 我已经使用巡检工具检查了设备 PUMP-2024-001。根据返回的结果，设备状态正常，各项参数都在标准范围内，最近一次维护是在2024年3月15日。我可以将这些信息组织成一段完整的回复告知用户。 Action: { "action": "Final Answer", "action_input": "已完成对设备 'PUMP-2024-001（主冷却泵）' 的巡检。\n\n**检查结果如下：**\n- **视觉分析**：设备状态正常，压力表读数为 5.2 MPa，未检测到泄漏。\n- **设备规格**：离心泵，最大工作压力 10 MPa。\n- **维护记录**：最近一次维护于 2024年3月15日。\n\n**综合判断**：该设备运行参数正常，无需立即处理。" } > Finished chain. 助手: 已完成对设备 'PUMP-2024-001（主冷却泵）' 的巡检... **检查结果如下：** - **视觉分析**：设备状态正常，压力表读数为 5.2 MPa，未检测到泄漏。 - **设备规格**：离心泵，最大工作压力 10 MPa。 - **维护记录**：最近一次维护于 2024年3月15日。 **综合判断**：该设备运行参数正常，无需立即处理。

如何验证成功？

1. Agent 正确识别意图：它理解了“检查设备状态”的请求。
2. Agent 正确选择工具：它选择了我们定义的equipment_inspection工具。
3. 工具被正确调用：我们看到[Inspection Skill] Starting inspection...的打印信息，并且工具接收到了正确的参数device_id。
4. 结构化数据返回：工具返回了格式良好的 JSON 数据。
5. Agent 生成自然回复：Agent 将 JSON 数据成功转换成了易于理解的、带格式的自然语言总结。

这个过程完美模拟了阿里千问眼镜生态中，用户发出指令 -> 中央 Agent 理解并调用 Skill -> Skill 执行 -> 结果返回 -> Agent 生成回复的完整闭环。

7. 常见问题与排查思路

在开发这类 AI Skill 时，你会遇到一些典型问题。以下是一些常见问题及排查思路：

8. 最佳实践与工程建议

基于上述模拟开发，我们可以总结出几条开发生产级 AI Skill 的最佳实践：

1. Skill 设计原则：单一职责与高内聚

   • 一个 Skill 只做好一件事。不要试图创建一个“万能巡检”Skill，而应拆分为“读取仪表盘”、“识别指示灯”、“检查泄漏”等更细粒度的 Skill，由 Agent 组合调用。这提高了复用性和可维护性。

2. 描述（Description）是灵魂

   • description字段是 Agent 理解和使用 Skill 的唯一依据。要用清晰、无歧义的自然语言描述：在什么场景下、为了解决什么问题、需要什么参数、会返回什么信息。可以包含关键词和示例。

3. 输入输出标准化

   • 输入参数使用 Pydantic 模型严格定义和校验。
   • 输出结果必须是结构化的（如 JSON）。这不仅便于 Agent 解析，也便于后续的数据持久化、分析和与其他系统集成。

4. 安全性是第一要务

   • 权限控制：Skill 必须明确声明所需的权限（如访问摄像头、位置、特定企业数据），并在运行时由平台和用户授权。
   • 输入验证与清理：对所有传入参数进行严格的验证和清理，防止注入攻击。
   • 敏感信息处理：Skill 不应在日志或返回结果中暴露敏感信息（如密钥、个人数据）。对于眼镜这类设备，拍摄到的环境信息需谨慎处理。

5. 鲁棒性设计

   • 全面的错误处理：Skill 内部所有可能失败的调用（网络、数据库、第三方 API）都必须有 try-catch，并返回统一的错误格式。
   • 超时与重试：为外部依赖设置合理的超时，并实现重试逻辑（最好有退避策略）。
   • 降级方案：当核心功能（如视觉分析 API）不可用时，是否有备选方案（如仅返回基础设备信息）？

6. 面向眼镜场景的优化

   • 轻量化：考虑到眼镜设备的算力和电量限制，Skill 的后端逻辑应尽量在云端执行，眼镜端只负责采集和呈现。
   • 上下文感知：Skill 应能方便地获取眼镜提供的上下文信息，如地理位置、朝向、当前时间、用户身份等。
   • 多模态交互：设计结果返回时，不仅要考虑文本，还要考虑如何通过语音（TTS）、视觉提示（眼镜屏幕上的图标或高亮）来呈现。

阿里千问开放 AI 眼镜生态，其深远意义在于为开发者提供了一个将 AI“技能化”并嵌入真实物理世界的平台。它标志着 AI 应用开发从“数字空间”走向“物理空间”的关键一步。对于开发者而言，核心任务不再是仅仅生成内容，而是定义任务、封装能力、确保可靠执行。

通过本文的模拟实战，你应该已经掌握了 Skill 开发的核心模式：定义工具、注册到 Agent、通过自然语言触发。无论未来是接入阿里千问、豆包、DeepSeek 还是其他平台，这套以“工具调用”为基础、以“智能体”为调度核心的范式，将成为构建下一代 AI 应用的通用语言。

下一步，你可以：

1. 深入 LangChain/LlamaIndex：学习更复杂的多工具编排、记忆管理和提示工程。
2. 关注官方动态：密切关注阿里千问、豆包等平台的官方开发者文档，等待其 Skill 开发套件（SDK）的正式发布。
3. 构思垂直场景：结合你的行业知识（如教育、医疗、工业、文旅），构思一个具有独特价值的 Skill。例如，“文物讲解 Skill”、“手术器械核对 Skill”、“野外植物识别 Skill”。
4. 夯实后端能力：Skill 的可靠性极度依赖后端服务的质量，加强你在 API 设计、数据库、缓存、消息队列等方面的工程能力。

机会总是留给有准备的人。在 AI 与物理世界深度融合的前夜，理解并实践 Skill 开发，就是最重要的准备。