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。
字节跳动 2025 年开源了 DeerFlow，在 GitHub 上发布后直接冲到了 Trending 第一。然后大多数人看了一眼 README，觉得「哇好厉害」，然后关掉了。
这篇文章想做一件不一样的事：把 DeerFlow 怎么实现 DeepResearch 的，逐模块拆给你看。
DeepResearch 是一个能替你做调研苦力活的 AI Agent。
但它不是那种你问一句它答一句的普通 AI，更不是搜索引擎加强版。它更像一个会自主思考、会拆解任务、会多轮搜索、最后帮你写出完整报告的数字研究员。
最近有个问题困扰了我挺久：LangChain、LangGraph、AutoGen、CrewAI、Dify、Coze……光是听到这些名字就头大。是专注深学一个，还是每个都了解一点？
如果专注学一个，万一选错了呢？如果广泛学，又怕学得很杂、没有逻辑，到最后每个都是皮毛，用不上。
这个问题困扰了我挺久，后来想通了一个关键点：这些框架不是竞争关系，是分层关系。
很多 PM 有一个误解：觉得自己技术学得越深，在工程师面前就越有底气。
这个逻辑不完全对。工程师对 PM 的尊重，很大程度上来自”这个 PM 能把需求说清楚、能定义清楚验收标准、能做合理的取舍”——不是来自”这个 PM 也会写代码”。
AI 这么能干，产品经理还有没有必要存在？
这个焦虑不是没有来由。你现在打开任何一个 AI 工具，让它帮你写 PRD、拆需求、做竞品分析，它确实能给你一份像模像样的文档。Gartner 也说过，到 2026 年大概有 30% 的传统产品岗位会被工具替代。
写一份清晰的规格说明，涵盖恰到好处的细节（可包括结构、风格、测试、边界），既能指导 AI，又不会让它不堪重负。把大任务拆成小任务，而不是全部塞进一条超长提示里。先用只读模式做规划，再持续执行与迭代。
Provider-specific中间件通常是针对特定供应商的API特性开发的，比如内容审核、缓存机制、特定格式支持等。这些中间件虽然不能跨供应商使用，但在特定供应商的场景下，能提供更强大的功能和更好的性能。
