Anthropic 内部工程师 Thariq Shihipar 撰写，深入探讨了 Claude Code 中“Skills”（技能扩展）的本质与应用。作者指出 Skills 不仅仅是 Markdown 文件，而是包含脚本、资源和配置的文件夹，是 AI 智能体发现和使用工具的核心载体。文章将 Skills 划分为库与 API 参考、产品验证、数据获取、业务自动化等九大类别，并分享了关键编写技巧：避免陈述显而易见的信息、建立“踩坑点”章节、利用文件系统实现渐进式披露、以及通过 description 字段精准引导模型触发。此外，文章还讨论了 Skills 的分发机制及如何通过钩子衡量其使用效果，为开发者构建高效 AI 辅助开发流提供了系统化指南。
Human-in-the-loop中间件核心思路很简单：在AI智能体执行某些关键工具调用之前，先暂停流程，等待人工审核、编辑或拒绝，只有经过人工确认后，操作才会真正执行。
Summarization中间件就是为了解决这个问题而生的。它的核心思路很直观：当上下文快要超出限制时，自动对历史对话进行摘要压缩，把长篇的对话历史浓缩成简短的摘要，既保留了关键信息，又大幅减少了token消耗。
智能体在实际应用中，仅依靠 “模型 + 工具” 的基础架构难以应对复杂需求，会面临多个难题。而中间件的核心作用，就是通过模块化、可配置的组件，针对性解决上述痛点，让智能体从 “基础可用” 升级为 “生产级可靠”。
LangChain 的结构化输出功能允许智能体（Agent）以特定、可预测的格式返回数据，无需解析自然语言响应，直接生成 JSON 对象、Pydantic 模型或数据类（dataclasses）等可被应用直接使用的结构化数据。
流式传输对于Agent响应性至关重要。通过逐步显示输出，甚至在完整响应准备好之前就开始显示，流式传输显著改善了用户体验（UX），尤其是在处理大语言模型的延迟问题时。
对话历史是最常见的短期记忆形式。Short-term memory（STM）常用于在单个线程内保存对话历史，让 Agent 记住最近的交互、反馈与工具结果，从而保持上下文连贯。太长的内容可能让大模型痛失焦点，同时还会面临响应速度变慢和成本增加的问题。
Tools 工具通过让模型能够借助定义明确的输入和输出来与世界交互，从而扩展了模型的能力。工具封装了一个可调用的函数及其输入模式。这些可以传递给兼容的聊天模型，使模型能够决定是否调用工具以及使用哪些参数。在这些场景中，工具调用使模型能够生成符合指定输入模式的请求。
