AI Agent on E7Coding

Claude 的 Skills 和 Agents 到底差在哪：一篇讲清楚怎么选

Joy — Tue, 16 Jun 2026 16:15:00 +0800

给 Claude 扩展能力时，Skills（技能）和 Agents（子智能体）是最容易被搞混的一对。它们看起来都像「让 Claude 多会一件事」，但底层是两个完全不同的东西。一句话先记住它们的根本差异——就一个字：上下文。Skill 把指令装进你当前的对话；Agent 则在一个隔离的上下文里独立干活，干完只把结论递回来。

一、Skills 是什么

Skill 是一段可复用的「指令 / 知识模块」，本质就是一个放在 .claude/skills/ 下的 Markdown 文件（SKILL.md），里面写好某个固定流程或领域知识——比如「怎么写规范的提交信息」「怎么审查 PR」。

怎么触发：Claude 会按相关性自动加载;你也可以显式调用(用户可见的技能会以 /名字 的斜杠命令出现,如 /commit、/review-pr)。
怎么运行：内联在当前对话里执行,和你共享同一个上下文。
干什么用：把「标准化流程」「最佳实践」「领域知识」封装起来,需要时即时调用。

关键特性:渐进式披露(progressive disclosure)。 Skill 平时只把一句「描述」放在上下文里占位;只有当任务真的相关时,Claude 才去读完整的 SKILL.md。这样你可以挂几十个 Skill,却几乎不浪费上下文——用到才加载。

让 Claude 用好 MCP：六个提问技巧 + 一条核心原则

Joy — Tue, 16 Jun 2026 15:50:00 +0800

给 Claude 接上 MCP（Model Context Protocol）后，它就能读你的项目文件、搜代码、跑命令了。但很多人发现：明明接好了，Claude 还是答不到点上。原因很简单——MCP 只是给了 Claude「能力」，不等于给了它「上下文」。它必须先调用工具才能看见你的项目。怎么提问，直接决定它调得准不准、答得好不好。这篇讲六个提问技巧 + 一条核心原则。

先理解一件事：Claude 不会「自动知道」你的项目

这是所有技巧的前提。MCP 注册成功 ≠ Claude 已经读过你的代码。它和你一样，第一眼什么都看不到，只有当它主动调用 list_files、get_module、search_code 这类工具时，对应内容才会进入它的上下文。

所以本质上你是在和一个**「会用工具、但每次都从零开始看项目」的协作者**对话。下面六个技巧，全都是围绕「怎么帮它又快又准地拿到对的上下文」展开的。

技巧 1：开场先让它建立上下文

第一轮对话，别急着提需求，先让 Claude 主动探索项目，建立全局认知：

✅ 好的开场
"用 list_files 看一下项目根目录结构"
"用 get_project_info 了解这个项目的依赖和脚本"
"用 get_structure 列出所有 sections 和 components"

不要假设它已经知道结构。先给它一个「鸟瞰」，后面的对话才有共同的地图。

多 Agent 并行开发为什么靠谱：Git Worktree 隔离 + 协调合并的原理与收益

Joy — Tue, 16 Jun 2026 15:40:00 +0800

当你想让多个 AI Agent 同时给一个代码库干活，第一个撞上的墙是：它们共用一个工作目录，会互相覆盖彼此正在改的文件。Git Worktree + 主从协调这套模式就是为解决这个问题而生的。这篇不讲一行行怎么敲命令，而是讲清楚它的原理、为什么有效、以及收益在哪。

一、先看问题：为什么多 Agent 不能直接「一起改」

单个 Agent 在一个工作目录里串行地改代码，没问题。但一旦想让多个 Agent 真正并行，麻烦就来了：

它们指向同一个工作目录、同一个分支——A 刚改的文件 B 又覆盖了；
Git 的暂存区（index）和 HEAD 是全局共享的——两个 Agent 同时 git add/commit，提交历史会乱成一团；
谁也不知道别人正在动哪些文件，没有隔离，就没有真并行。

最朴素的解法是「给每个 Agent 克隆一份仓库（git clone）」。能隔离，但代价大：每份都是完整副本，磁盘和时间成本高，而且改完散落在多个独立仓库里，合并回来很别扭。Git Worktree 正是这个问题的轻量答案。

AI Agent 开发入门：从原理到一个能调用工具的最小智能体

Joy — Tue, 16 Jun 2026 15:00:00 +0800

AI Agent（智能体）开发，是指构建一种能够自主感知、推理规划、调用工具并执行任务以达成目标的系统。一句话区分：传统 AI（普通聊天机器人）是「你问一句，它答一句」；AI Agent 更像一个数字员工——你给它一个高级目标（比如「分析这家公司的财报并做成 10 页 PPT」），它能自己拆步骤、查资料、跑代码、调 API，最后把成果交给你。

1. Agent 的本质：给大模型装上「手脚和大脑」

大模型（LLM）本身只会「输入文字 → 输出文字」。Agent 开发的本质，就是在 LLM 外面套一层结构，让它能和真实世界交互、并多步自主行动。这层结构通常包含四个部分：

flowchart TD
 U["用户指令
（高级目标）"] --> B["大脑 · LLM
理解意图 / 规划 / 推理"]
 B --> P["规划 Planning
拆解子任务 + 自我反思纠错"]
 B --> M["记忆 Memory
短期上下文 + 长期知识"]
 B --> T["工具 Tools
搜索 / 数据库 / 代码 / 发邮件 / API"]
 T --> E["执行并观察结果"]
 E --> B
 B --> O["交付成果"]

 style B fill:#dbe9ff,stroke:#2563eb,stroke-width:2px
 style T fill:#ffe9d5,stroke:#b71d18

大脑（LLM / 推理引擎）：负责理解意图、分析问题、制定计划。
记忆（Memory）：短期记忆（当前对话上下文）+ 长期记忆（历史经验、知识库，常配合向量数据库）。
工具（Tools）：让 Agent 能「动手」——网页搜索、查数据库、跑代码、发邮件等。
规划（Planning）：把复杂目标拆成可执行的子任务，并能自我反思、发现错误后纠正。

2. 核心机制：ReAct 循环

让 Agent「自主」起来的关键，是一个推理 → 行动 → 观察的循环（业界叫 ReAct：Reason + Act）。模型不是一次想到底，而是边想边做、根据每一步的真实结果再决定下一步：