本文探讨了将知识喂给AI模型的四种方法：Prompt、RAG、CLAUDE.md和Anthropic的Skills。从即时的Prompt到提前存储的RAG，再到常驻的CLAUDE.md，每种方法都有其局限性。Skills则通过按需提供知识，颠覆了传统模式，不仅减轻了模型的负担，还允许嵌入可执行代码，实现能力的装备而非仅仅是知识的传递。对于希望提高AI模型效率和效果的小白和程序员来说，Skills提供了一种全新的、更灵活、更高效的方式来与AI协作。

你要让一个 AI 帮你干活，绕不开一件事：得把它不知道的东西喂给它。你们团队的代码规范、你踩过的坑、那些只有老员工才懂的"潜规则"——模型出厂时一概不知道，你不喂，它就只能瞎猜。

“怎么把知识喂给 AI”，这个看起来很朴素的问题，过去两年其实被重做了好几遍。每一次重做，都是因为上一种喂法撞了墙。而 2025 年底 Anthropic 推出的 Skills，被很多人轻飘飘地理解成"不就是一个写了说明的 markdown 文件嘛"——这个理解，错过了它真正的颠覆之处。

要讲清楚 Skills 到底颠覆了什么，得先把前面三种喂法捋一遍。你会看到一条清晰的进化线，而 Skills 站在这条线的拐点上，把方向掰了个弯。

喂法一：Prompt——当场说，说完就忘

最原始的喂法，就是在对话框里直接说。

比如你想让 AI 帮你做一份市场分析。

“你现在是一名资深行业分析师，请按照麦肯锡结构输出报告。分析时必须包含市场规模、竞争格局、用户痛点，并用金字塔原理组织内容。语气保持专业，结论先行。”

模型马上懂了，也能给你一个不错的结果。这就是 Prompt 工程的本质：把知识当场喂进去。它的优点很明显：灵活、即时、想到什么补什么。但它有一个致命短板：一次性。这次对话结束，你重新打开一个窗口。模型不会记得：你的报告结构、你的分析框架、你的行业判断标准。你明天再让它写一份类似报告，还得重新把整套规则塞进去。

偶尔用一次，这没问题。但如果某种能力需要反复调用，每次靠 Prompt 重新复制粘贴，就会越来越低效。因为你真正需要的不是：每次告诉 AI “应该怎么做”。而是让 AI 永久拥有一种“做事能力”。靠 prompt 每次重打，就成了灾难。你需要一种能"留下来"的喂法。

喂法二：RAG——提前塞进知识库，用时检索

于是有了第二种思路：把知识提前存起来，需要时再捞出来。

这就是 RAG（检索增强生成）。你把公司的文档、手册、历史资料，全部切成小块、转成向量，存进一个知识库。模型每次回答前，先去这个库里搜出跟当前问题最相关的几块，塞进上下文，再作答。

Claude 的 Projects 就是这个路子的产品化：你往项目知识库里上传一堆资料，这个项目里的每一次对话，都自动能用上这些背景。资料多到快撑爆上下文时，它甚至会自动切换到 RAG 模式，把容量扩大十倍。

比起 prompt 当场说，RAG 是个大进步——知识终于能沉淀、能复用了。但你仔细看它的逻辑，会发现一个隐患：它得提前猜你要用什么。 你得在模型干活之前，就把所有"可能有用"的资料准备好、存进库里。可问题是，你真的能提前猜准吗？存少了，关键资料没进去；存多了，一堆无关的东西被检索出来塞进上下文，反而干扰判断。

RAG 解决了"留下来"的问题，但留下了一个新问题：到底该提前准备多少。

喂法三：CLAUDE.md——干脆每次都塞给它

第三种喂法更直接：既然有些知识每次都要用，那我写成一个文件，每次对话都自动注入，省得检索了。

这就是 CLAUDE.md（以及它的跨工具版本 AGENTS.md）。你把项目的核心信息——技术栈、目录结构、约定俗成的规矩——写进这个文件，Claude Code 每次启动，都把它当成背景知识塞进去。模型于是"永远记得"你项目的那些基本规矩。

听起来很美：常驻、稳定、不用检索。很多人于是走向一个极端——把所有能想到的规范、约定、最佳实践，全都往 CLAUDE.md 里堆，想着"写得越全，AI 越不会出错"。

结果呢？翻车了。

2026 年 2 月，苏黎世联邦理工的研究者做了一个实证研究，结论让很多人意外：机器生成的这类上下文文件，反而让任务成功率降低了约 3%；人精心写的，也只提升了约 4%；而且无论哪种，都让推理成本涨了 20% 以上。

为什么写得越全反而越糟？因为这个文件被当成背景，每次都无差别地灌进模型脑子里。当它越堆越长，里面大量内容其实是模型"本来就知道"或者"读代码就能看出来"的——你把这些重复说一遍，等于往本就拥挤的上下文里灌噪音。模型看到的东西太多，反而抓不住当前任务真正需要的那一点。

你看，从 prompt 到 RAG 到 CLAUDE.md，喂法在进步，但有一个共同的死穴始终没解决：它们全都是"提前给"。Prompt 是当场提前说，RAG 是提前存进库，CLAUDE.md 是提前写好每次灌。

三者都预设了同一件事——你得在 AI 干活之前，就准备好它需要的知识。可"提前"这件事本身就是原罪：你猜不准它到底需要什么、需要多少，于是永远在"给少了"和"给多了"之间两头受气。

Skills 的颠覆，正是从这里开始的。

喂法四：Skills——不提前给，按需给

Skills 把这件事彻底反了过来：它不在 AI 干活前提前喂知识，而是让 AI 在干活中、需要时，自己去取。

这一字之差——从"提前给"到"按需取"——是整个范式的反转。具体怎么做到的？靠一个叫渐进式披露（Progressive Disclosure）的机制，它分三层，一层一层地放，用到哪层才打开哪层。

第一层，平时只给"目录"。 每个 skill 都有一行简介（写在文件开头的元数据里），告诉 Claude"我是干嘛的、什么时候该用我"。

系统启动时，Claude 只加载所有 skill 的这一行简介，拼成一张目录。注意，是只有目录，没有正文。这一层有多轻？Anthropic 实测自家 17 个官方 skill，每个挂在目录里只占 80 个 token 上下，全部加起来才一千多 token——Claude 知道几十个能力的存在，花的内存还不如真正用上其中一个多。

第二层，撞上了才给"正文"。 当你给的任务，跟某个 skill 的简介对上了（比如你说"帮我审查这个数据库迁移"，正好匹配一个数据库迁移 skill 的描述），Claude 这才把那个 skill 的完整正文加载进来。其他几十个没匹配上的 skill，正文一个字都不会进入它的视野。

第三层，正文里要用的细节，再单独给。 一个 skill 的正文里，还可以引用更深的参考文件。这些文件，只有当 Claude 读着正文、发现真的需要某个细节时，才会去把那一份读进来。

三层叠起来，效果就是：平时 Claude 眼前只有一张轻飘飘的目录，绝大部分知识都安静地躺在文件夹里不占地方；只有当某个任务真的需要某块知识时，那块知识才被精准地、一层一层地取出来。这跟 CLAUDE.md"把一切提前灌进去"，是两个完全相反的方向——一个是往脑子里硬塞，一个是让脑子保持清爽、用时再取。

苏黎世那个研究里"写越多越糟"的困境，到了 Skills 这里根本不成立：因为没用上的 skill，压根不占用上下文，你装一百个也不会互相干扰。

Skills 凭什么不是"一份 markdown"？

到这儿，"按需取"已经把 Skills 和前三种喂法区分开了。但还有一个更硬的区别，能彻底打掉"它不就是个 markdown 文件嘛"这个误解——

一个 skill 不是一份文档，是一个文件夹，里面能装可以真正执行的代码。

这句话听起来平平无奇，但它捅破了"喂知识"这件事的一层天花板。

举个 Anthropic 自己的例子。Claude 处理 Word 文档，靠的是一个 docx skill。这个 skill 里除了说明，还塞了现成的脚本。它里面写着一些纯靠"讲道理"绝对喂不进去的东西，比如："生成文档时必须显式设置纸张大小，因为底层那个库默认是 A4"“绝对不要用 unicode 字符当项目符号”。

这些是什么？是踩过无数次坑才攒下的、极其具体的工程经验。你没法靠一段优雅的文字把它"讲"给模型听并指望它每次都记得——但你可以把它固化成一段脚本，让 Claude 直接调用执行。

更妙的是执行的方式。假设一个 skill 要做的事是给一堆数据排序。让模型自己一个字一个字"生成"排序结果，又慢又贵还容易错；而 skill 里放一个排序脚本，Claude 直接运行它。关键在于：脚本本身、还有它处理的那些数据，全程都不进入 Claude 的上下文，只有最后那个结果进。

你品品这个设计的精妙：一份纯 markdown 文档，能给模型的只有"文字描述的知识"，而且这些文字还得占着上下文。而一个 skill，能给模型"可执行的能力"——它把复杂的、确定性的操作，从"模型用脑子硬想"卸载成了"运行一段代码"，既更可靠，又几乎不占脑容量。

这已经不是在“喂知识”了，而是在“装备能力”。把 Skill 理解成 markdown，就像把一个会干活的员工，理解成他桌上的工作说明书——你看到的是文字，但真正产生价值的是背后那套流程、工具和执行方式。

喂知识这件事，SKILLS被重新定义在哪？

Prompt 当场说，知识留不下；RAG 提前存进库，但得猜你要什么；CLAUDE.md 每次都灌，结果越灌越糊涂。它们吵了半天，吵的其实是同一个问题的不同答案——“该提前准备多少知识”。而 Skills 直接跳出了这个问题：它不在"提前给多少"上纠结，它把整件事改成了"平时不给，用时再取"。

有一句话能帮你一秒判断该用哪个：当你纠结用哪种喂法时，先问自己——我是想给 Claude 一段背景知识，还是想教它一套该怎么做的本事。背景知识（这个项目是干嘛的、有哪些资料），交给 Projects、CLAUDE.md；而"该怎么做某件事"的本事（团队的代码审查流程、生成文档的规范），就该做成 Skill——因为这种本事是可复用、按需调用的，今天这个项目用、明天那个项目也用，不该每次重讲，也不该一直占着脑子。

所以 Anthropic 用 Skills 重新定义的，不是"知识的格式"，是"知识被调用的时机"。从所有人都在做的"提前喂"，反转成了"按需取"；从只能喂"文字描述的知识"，升级成了能装"可执行的能力"。

这事的意义，会随着你装的 skill 越来越多、越来越复杂，越发显出来。在旧范式里，知识越多，模型越不堪重负；而在 Skills 这个范式里，知识可以无限地攒在文件夹里，却始终只有当下需要的那一点点，会出现在模型眼前。

能力可以无限多，在场的永远刚刚好。这，才是 Skills 真正重新定义的东西。

如何学习大模型 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。

我在一线科技企业深耕十二载，见证过太多因技术卡位而跃迁的案例。那些率先拥抱 AI 的同事，早已在效率与薪资上形成代际优势，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大模型的学习中的很多困惑。我们整理出这套AI 大模型突围资料包：

• ✅ 从零到一的 AI 学习路径图
• ✅ 大模型调优实战手册（附医疗/金融等大厂真实案例）
• ✅ 百度/阿里专家闭门录播课
• ✅ 大模型当下最新行业报告
• ✅ 真实大厂面试真题
• ✅ 2026 最新岗位需求图谱

所有资料 ⚡️ ，朋友们如果有需要《AI大模型入门+进阶学习资源包》，下方扫码获取~

① 全套AI大模型应用开发视频教程

（包含提示工程、RAG、LangChain、Agent、模型微调与部署、DeepSeek等技术点）

② 大模型系统化学习路线

作为学习AI大模型技术的新手，方向至关重要。 正确的学习路线可以为你节省时间，少走弯路；方向不对，努力白费。这里我给大家准备了一份最科学最系统的学习成长路线图和学习规划，带你从零基础入门到精通！

③ 大模型学习书籍&文档

学习AI大模型离不开书籍文档，我精选了一系列大模型技术的书籍和学习文档（电子版），它们由领域内的顶尖专家撰写，内容全面、深入、详尽，为你学习大模型提供坚实的理论基础。

④ AI大模型最新行业报告

2025最新行业报告，针对不同行业的现状、趋势、问题、机会等进行系统地调研和评估，以了解哪些行业更适合引入大模型的技术和应用，以及在哪些方面可以发挥大模型的优势。

⑤ 大模型项目实战&配套源码

学以致用，在项目实战中检验和巩固你所学到的知识，同时为你找工作就业和职业发展打下坚实的基础。

⑥ 大模型大厂面试真题

面试不仅是技术的较量，更需要充分的准备。在你已经掌握了大模型技术之后，就需要开始准备面试，我精心整理了一份大模型面试题库，涵盖当前面试中可能遇到的各种技术问题，让你在面试中游刃有余。

以上资料如何领取？

为什么大家都在学大模型？

最近科技巨头英特尔宣布裁员2万人，传统岗位不断缩减，但AI相关技术岗疯狂扩招，有3-5年经验，大厂薪资就能给到50K*20薪！

不出1年，“有AI项目经验”将成为投递简历的门槛。

风口之下，与其像“温水煮青蛙”一样坐等被行业淘汰，不如先人一步，掌握AI大模型原理+应用技术+项目实操经验，“顺风”翻盘！

这些资料真的有用吗？

这份资料由我和鲁为民博士(北京清华大学学士和美国加州理工学院博士)共同整理，现任上海殷泊信息科技CEO，其创立的MoPaaS云平台获Forrester全球’强劲表现者’认证，服务航天科工、国家电网等1000+企业，以第一作者在IEEE Transactions发表论文50+篇，获NASA JPL火星探测系统强化学习专利等35项中美专利。本套AI大模型课程由清华大学-加州理工双料博士、吴文俊人工智能奖得主鲁为民教授领衔研发。

资料内容涵盖了从入门到进阶的各类视频教程和实战项目，无论你是小白还是有些技术基础的技术人员，这份资料都绝对能帮助你提升薪资待遇，转行大模型岗位。

以上全套大模型资料如何领取？