AI的局限性与Agent Skill的稳定性保障

无论是LLM（大语言模型）还是CNN（卷积神经网络），它们均属于神经网络范畴，核心在于概率统计与函数逼近（拟合）。因此，防止其“发疯”至关重要，尽管这听起来像玩笑。在实际应用中，我们必须规避或预估AI输出的不确定性。鉴于不同行业对确定性的诉求各异，AI的落地难度与进度自然参差不齐。在处理多步骤流程自动化时，绝不能当甩手掌柜，必须布设监控节点以捕捉异常并纠错。试想，若某流程需5个AI决策，单点准确率虽达90%，但最终准确率恐不足60%。

故而，Agent引入Skill的核心价值在于确保结果的稳健性，并对AI的输出进行规范化约束。

在代码编写阶段，我通常会遵循以下几项规范：

1.Git规范：防范AI“抽风”导致的严重后果；

2.需求定义（涉及术语与概念）：尽可能详尽清晰地阐述需求； 3.日志机制：留存关键信息；（旨在辅助人工核查与追溯）

4.建立必要的质检与测试流程（不可全权依赖AI），前提是识别出关键流程与参数CTQ，并将其记录进日志。

Anthropic所界定的Agent Skill相关标准

https://agentskills.io/home

Skills是指Claude动态加载以提升特定任务性能的指令、脚本及资源文件夹。它们教导Claude以可重复的方式完成特定任务，无论是起草遵循公司品牌指南的文档，还是利用组织特定工作流分析数据，亦或是自动化个人事务。

今日暂且聊这些，明日便是高考，愿各位学子金榜题名，取得优异成绩。