简介
本文揭露Claude Skills等技术的本质，认为它们只是包装了1960年代的手动分页技术，用于解决Transformer架构上下文窗口的"金鱼脑"缺陷。作者指出，Function Calling、MCP和Skills等解决方案只是"拆东墙补西墙"，通过复杂的软件工程弥补模型架构本身的不足，导致系统效率低下。文章将AI开发者比作操作系统调度员，并提出了三种可能的出路：继续使用补丁技术、等待非Transformer架构，或承认当前AI的长期记忆局限。
Anthropic 最近发布的 Claude Skills 被吹上了天。到处都在宣传，甚至还有到处卖课的，教你如何写Skills。
别逗了。
如果你剥开 “Progressive Disclosure”（渐进式披露）这个营销词汇，你会发现里面藏着的，不过是程序员早在 1960 年代就玩剩下的东西——手动分页 (Manual Paging)。
不管是 Function Calling、MCP 还是现在的 Skills，它们都在试图掩盖一个让所有 AI 厂商夜不能寐的事实：Transformer 架构的上下文窗口（Context Window），依然是那个又贵、又短、又容易忘事的“金鱼脑”。
一、所谓的“解决”，只是在以此换彼
他们告诉你：“我们在帮 Agent 瘦身。”
实际情况是：“他们在让 Agent 变得更慢且更碎。”
我简单画了个 “上下文循环” 流程图。他们可不敢在发布会上给你看这个，因为这暴露了系统的本质缺陷：
看懂了吗？
- 抖动：当任务稍微复杂一点，Agent 就得在不同的 Skills 之间来回切换。加载 A，踢掉 B；加载 B，踢掉 A。
- 逻辑断层： 每次“换页”，Agent 都会丢失一部分之前的短期记忆。它记得“我要做什么”，但可能忘了“我刚才做的时候遇到了什么细节”。
- 延迟叠加： 每一个
read\_file动作，都是一次昂贵的 I/O 和 Token 生成。
这不叫“解决局限”，这叫“拆东墙补西墙”。
二、工程化补丁的极限
我们来看看这三代“补丁”是如何一步步把简单问题复杂化的：
| 技术代际 | 所谓的“创新” | 真实的吐槽 |
|---|---|---|
| Function Calling | “给 Agent 一把锤子” | 锤子太重，Agent 举着累（占 Token），还经常拿锤子循环砸自己的脚（幻觉调用）。 |
| MCP (Model Context Protocol)** | “给锤子加上说明书” | 说明书也占 Token 啊！而且这只是解决了“连接”问题，没解决“脑容量”问题。 |
| Claude Skills | “把说明书锁在柜子里” | 最鸡贼的一招。 用的时候才去拿。结果 Agent 变成了图书管理员，一半的时间都在跑腿找书，而不是在读书。 |
核心矛盾： 我们在用极其复杂的软件工程（Middleware），去弥补模型架构本身的缺陷。
只要 Transformer 的O ( N 2 ) O(N^2)O(N2)复杂度还在，只要 KV Cache 的显存占用还在，所有的 Skills、RAG、Vector DB，本质上都是在给这一代 LLM 延续生命维持系统。
三、你不是在做 Agent，你是在写 OS
现在，一个优秀的 Agent 开发者，被迫变成了一个 操作系统调度员。
你需要关心：
Memory Management: 什么时候释放这个 Skill 的 Token？
Process Scheduling: 哪个 Skill 优先级更高？
I/O Blocking: 读取 SOP 文件会不会让用户等太久？
醒醒吧！ 我们想要的是 Jarvis，是一个全知全能的超级大脑。
结果 Anthropic 给了我们一个 DOS 操作系统，告诉我们：“虽然内存只有 640K，但你可以插软盘（Skills）呀！”
四、最后
如果非要给这个“上下文局限”找个出路，你站哪边？
A. 补丁派（现任）： 继续搞 Skills、RAG、MCP，把工程化做到极致，把 LLM 累死。
B. 革命派（未来）： 等待非 Transformer 架构（如 RNN/SSM/RWKV），实现真正的无限上下文。
C. 躺平派： 承认吧，现在的 AI 根本不具备真正的“长期记忆”，我们都在自欺欺人。
五、如何系统的学习大模型 AI ？
由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。
但是具体到个人，只能说是：
“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。
这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。
我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。
我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的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。
一直在更新，更多的大模型学习和面试资料已经上传带到CSDN的官方了，有需要的朋友可以扫描下方二维码免费领取【保证100%免费】👇👇
01.大模型风口已至：月薪30K+的AI岗正在批量诞生
2025年大模型应用呈现爆发式增长，根据工信部最新数据：
国内大模型相关岗位缺口达47万
初级工程师平均薪资28K（数据来源：BOSS直聘报告）
70%企业存在"能用模型不会调优"的痛点
真实案例：某二本机械专业学员，通过4个月系统学习，成功拿到某AI医疗公司大模型优化岗offer，薪资直接翻3倍！
02.大模型 AI 学习和面试资料
1️⃣ 提示词工程：把ChatGPT从玩具变成生产工具
2️⃣ RAG系统：让大模型精准输出行业知识
3️⃣ 智能体开发：用AutoGPT打造24小时数字员工
📦熬了三个大夜整理的《AI进化工具包》送你：
✔️ 大厂内部LLM落地手册（含58个真实案例）
✔️ 提示词设计模板库（覆盖12大应用场景）
✔️ 私藏学习路径图（0基础到项目实战仅需90天）
第一阶段（10天）：初阶应用
该阶段让大家对大模型 AI有一个最前沿的认识，对大模型 AI 的理解超过 95% 的人，可以在相关讨论时发表高级、不跟风、又接地气的见解，别人只会和 AI 聊天，而你能调教 AI，并能用代码将大模型和业务衔接。
- 大模型 AI 能干什么？
- 大模型是怎样获得「智能」的？
- 用好 AI 的核心心法
- 大模型应用业务架构
- 大模型应用技术架构
- 代码示例：向 GPT-3.5 灌入新知识
- 提示工程的意义和核心思想
- Prompt 典型构成
- 指令调优方法论
- 思维链和思维树
- Prompt 攻击和防范
- …
第二阶段（30天）：高阶应用
该阶段我们正式进入大模型 AI 进阶实战学习，学会构造私有知识库，扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架，抓住最新的技术进展，适合 Python 和 JavaScript 程序员。
- 为什么要做 RAG
- 搭建一个简单的 ChatPDF
- 检索的基础概念
- 什么是向量表示（Embeddings）
- 向量数据库与向量检索
- 基于向量检索的 RAG
- 搭建 RAG 系统的扩展知识
- 混合检索与 RAG-Fusion 简介
- 向量模型本地部署
- …
第三阶段（30天）：模型训练
恭喜你，如果学到这里，你基本可以找到一份大模型 AI相关的工作，自己也能训练 GPT 了！通过微调，训练自己的垂直大模型，能独立训练开源多模态大模型，掌握更多技术方案。
到此为止，大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗？
- 为什么要做 RAG
- 什么是模型
- 什么是模型训练
- 求解器 & 损失函数简介
- 小实验2：手写一个简单的神经网络并训练它
- 什么是训练/预训练/微调/轻量化微调
- Transformer结构简介
- 轻量化微调
- 实验数据集的构建
- …
第四阶段（20天）：商业闭环
对全球大模型从性能、吞吐量、成本等方面有一定的认知，可以在云端和本地等多种环境下部署大模型，找到适合自己的项目/创业方向，做一名被 AI 武装的产品经理。
- 硬件选型
- 带你了解全球大模型
- 使用国产大模型服务
- 搭建 OpenAI 代理
- 热身：基于阿里云 PAI 部署 Stable Diffusion
- 在本地计算机运行大模型
- 大模型的私有化部署
- 基于 vLLM 部署大模型
- 案例：如何优雅地在阿里云私有部署开源大模型
- 部署一套开源 LLM 项目
- 内容安全
- 互联网信息服务算法备案
- …
学习是一个过程，只要学习就会有挑战。天道酬勤，你越努力，就会成为越优秀的自己。
如果你能在15天内完成所有的任务，那你堪称天才。然而，如果你能完成 60-70% 的内容，你就已经开始具备成为一名大模型 AI 的正确特征了。
