[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"$fB91BhQalIbha1q-oP38Vq-5gnUmHPUHl15gJmwniQOk":3,"$fpPBNWY9R-V0IVOz_YghIps6bI_tmiKuEUahcVX5ZHS8":63},[4],{"id":5,"type":6,"title":7,"slug":8,"summary":9,"body":10,"coverUrl":11,"productScreenshots":12,"productLinks":13,"authorName":14,"authorUrl":15,"authorSubject":16,"category":17,"tags":22,"sourceLabel":55,"sourceName":55,"sourceUrl":55,"status":56,"seoTitle":55,"seoDescription":55,"canonicalUrl":55,"isFeatured":57,"sno":58,"sortOrder":59,"publishedAt":60,"updatedAt":61,"createdAt":62},"be6ee096-fea3-47a4-b19c-974912b4af72","article","Kimi K3","kimi-k3","中国的Fable 5时刻——优秀国产模型向全球前沿模型发起的一次正面冲击","Kimi K3不是一次常规版本升级，而是月之暗面从“优秀国产模型”向“全球前沿模型”发起的一次正面冲击。\n\n综合官方基准、Artificial Analysis独立评测、Arena与媒体披露的数据，Kimi K3目前大致处于以下位置：\n\n> 综合能力进入全球第一梯队，但尚未稳定超过最顶级闭源模型；代码智能体、长任务执行、网页前端、搜索和知识工作是其突出强项，速度、输出成本、冗长程度和复杂专业任务的可靠性仍是主要短板。\n\n综合评级：\n\n| 维度 | 评价 |\n|---|---:|\n| 综合智能 | 9.0\u002F10 |\n| 编程与软件工程 | 9.3\u002F10 |\n| Agent与长任务 | 9.4\u002F10 |\n| 搜索及知识工作 | 9.2\u002F10 |\n| 多模态理解 | 8.8\u002F10 |\n| 数学与科学推理 | 8.6\u002F10 |\n| 中文能力 | 9.1\u002F10 |\n| 速度与延迟 | 7.6\u002F10 |\n| 成本效率 | 7.8\u002F10 |\n| 输出稳定性 | 8.0\u002F10 |\n| 本地部署可行性 | 3.5\u002F10 |\n\n总体评分：8.8\u002F10。\n\nK3已经足以成为Claude、GPT之外的主力生产模型，尤其适合复杂编程、研究报告、网页构建、长文档分析和多工具Agent任务。\n\n## 套餐价格与API价格对比\n\n### 1.个人订阅套餐价格\n\n| 套餐层级       | Kimi                                                         | OpenAI                                                          | Anthropic                                                     |\n| ---------- | ------------------------------------------------------------ | --------------------------------------------------------------- | ------------------------------------------------------------- |\n| **免费入门**   | **Adagio**\u003Cbr>￥0\u003Cbr>轻度体验\u003Cbr>有限使用Kimi产品能力                     | **ChatGPT Free**\u003Cbr>$0\u003Cbr>基础体验\u003Cbr>有限使用GPT-5.5 Instant           | **Claude Free**\u003Cbr>$0\u003Cbr>基础体验\u003Cbr>有限使用Claude能力                 |\n| **基础付费**   | **Moderato**\u003Cbr>￥39\u003Cbr>日常个人使用、轻量代码任务\u003Cbr>包含Kimi会员与Kimi Code额度 | **ChatGPT Plus**\u003Cbr>$20\u003Cbr>高级个人生产力\u003Cbr>支持GPT-5.6系列高级推理能力，但有使用限制  | **Claude Pro**\u003Cbr>$20\u003Cbr>日常专业生产力\u003Cbr>包含Claude Code、Research等功能 |\n| **高频进阶**   | **Allegretto**\u003Cbr>￥79\u003Cbr>较高频开发和Agent任务\u003Cbr>更高周额度与并发           | **ChatGPT Pro 5x**\u003Cbr>$100\u003Cbr>高频研究和编程\u003Cbr>Pro能力，使用额度约为Plus的5倍    | **Claude Max 5x**\u003Cbr>$100\u003Cbr>高频专业使用\u003Cbr>每次会话约为Pro的5倍容量         |\n| **重度\u002F超重度** | **Allegro**\u003Cbr>￥159\u003Cbr>重度开发及复杂项目\u003Cbr>大幅提高Agent、Swarm与并发额度     | **ChatGPT Pro 20x**\u003Cbr>$200\u003Cbr>极重度研究和编程\u003Cbr>Pro能力，使用额度约为Plus的20倍 | **Claude Max 20x**\u003Cbr>$200\u003Cbr>极重度专业使用\u003Cbr>每次会话约为Pro的20倍容量      |\n| **顶级个人档**  | **Vivace**\u003Cbr>￥559\u003Cbr>最高个人使用档位\u003Cbr>最高周额度和并发                   | -                                                               | -                                                             |\n\nKimi的订阅价格整体与OpenAI和Anthropic形成直接对应：￥39对标 $20基础专业档，￥79对标 $100高用量档，￥159对标 $200最高个人档。Kimi的优势是同一会员同时覆盖网页端、Kimi Code、Agent、Swarm和部分部署功能；OpenAI和Anthropic则拥有更成熟的模型生态、工具链和国际开发者支持。\n\n需要注意，三家均采用动态额度、周期重置和并发限制，月费相同不代表可用Token或可完成任务数量完全相同。Kimi主要以周额度及Agent次数计量，OpenAI和Anthropic则根据模型、功能和时间窗口实施不同限制。\n\n### 2.最新旗舰模型API价格\n\n单位：美元\u002F100万Token，采用标准实时API价格。\n\n| 厂商        | 最新旗舰模型               | 缓存命中输入 |   普通输入 |     输出 |        上下文窗口 |\n| --------- | -------------------- | -----: | -----: | -----: | -----------: |\n| Kimi      | Kimi K3              |  $0.30 |  $3.00 | $15.00 |    100万Token |\n| OpenAI    | GPT-5.6 Sol          |  $0.50 |  $5.00 | $30.00 | 长上下文请求适用更高费率 |\n| Anthropic | Claude Fable 5       |  $1.00 | $10.00 | $50.00 |    100万Token |\n| Anthropic | Claude Opus 4.8      |  $0.50 |  $5.00 | $25.00 |    100万Token |\n| Anthropic | Claude Sonnet 5（限时价） |  $0.20 |  $2.00 | $10.00 |    100万Token |\n\nClaude Sonnet 5的 $2输入、 $10输出属于截至2026年8月31日的限时价格；自2026年9月1日起，标准价格将调整为 $3输入、 $15输出。\n\n以Kimi K3为基准：\n\n- GPT-5.6 Sol普通输入价格约为K3的1.67倍，输出价格为2倍。\n- Claude Fable 5普通输入价格约为K3的3.33倍，输出价格约为3.33倍。\n- Claude Opus 4.8普通输入价格约为K3的1.67倍，输出价格约为1.67倍。\n- Claude Sonnet 5限时价格低于K3，但其定位更偏向速度与成本平衡，而非Anthropic最高能力型号。\n- K3的缓存输入价格仅为普通输入的10%。官方称编程工作负载中的缓存命中率可超过90%，在重复读取大型代码库时成本优势会进一步扩大。\n\n### 3.API成本示例\n\n假设一次复杂Agent任务消耗100万普通输入Token和20万输出Token，不考虑工具调用费、缓存及批处理折扣：\n\n| 模型 | 输入成本 | 输出成本 | 合计 |\n|---|---:|---:|---:|\n| Kimi K3 | $3.00 | $3.00 | **$6.00** |\n| GPT-5.6 Sol | $5.00 | $6.00 | **$11.00** |\n| Claude Fable 5 | $10.00 | $10.00 | **$20.00** |\n| Claude Opus 4.8 | $5.00 | $5.00 | **$10.00** |\n| Claude Sonnet 5（限时价） | $2.00 | $2.00 | **$4.00** |\n\n从纯Token价格看，K3明显低于GPT-5.6 Sol、Claude Opus 4.8和Claude Fable 5。但真实任务成本还取决于模型完成任务所需的输出长度、失败重试次数、工具调用次数和是否有效命中缓存。K3在部分独立评测中表现出较高的Token消耗，因此“单价较低”不必然等于“完成同一任务的总成本最低”。\n\n官方价格来源：\n\n- [Kimi K3官方发布与API价格](https:\u002F\u002Fwww.kimi.com\u002Fblog\u002Fkimi-k3)\n- [Kimi会员与Kimi Code套餐](https:\u002F\u002Fwww.kimi.com\u002Fresources\u002Fkimi-k2-7-code-pricing)\n- [ChatGPT Plus价格说明](https:\u002F\u002Fhelp.openai.com\u002Fen\u002Farticles\u002F6950777-what-is-chatgpt-plus)\n- [ChatGPT Pro档位说明](https:\u002F\u002Fhelp.openai.com\u002Fen\u002Farticles\u002F9793128-about-chatgpt-pro-tiers)\n- [OpenAI API价格](https:\u002F\u002Fdevelopers.openai.com\u002Fapi\u002Fdocs\u002Fpricing)\n- [Claude个人套餐价格](https:\u002F\u002Fclaude.com\u002Fpricing)\n- [Claude API价格](https:\u002F\u002Fplatform.claude.com\u002Fdocs\u002Fen\u002Fabout-claude\u002Fpricing)\n\n## 模型定位与技术规格\n\n月之暗面于2026年7月16日正式发布Kimi K3。官方将其定位为面向长周期编程、知识工作和深度推理的旗舰模型。\n\nK3的核心规格包括：\n\n- 总参数量约 **2.8万亿**\n- MoE架构，896个专家中每次有效激活16个\n- 原生支持文本与图像输入\n- 上下文窗口达到 **100万Token**\n- 使用Kimi Delta Attention、Attention Residuals和Stable LatentMoE\n- 从监督微调阶段开始采用量化感知训练\n- API默认使用最高思考强度\n- 完整模型权重计划于2026年7月27日前发布\n\n月之暗面称，新的架构和训练方法使K3相对于K2获得约2.5倍的整体Scaling效率提升。需要注意，这一数字属于官方内部测算，目前技术报告尚未完整公开，外界还不能复现验证。\n\n来源：[Kimi官方博客](https:\u002F\u002Fwww.kimi.com\u002Fblog\u002Fkimi-k3)\n\n### 官方主视觉\n\n\u003Cp align=\"center\">\u003Cimg src=\"https:\u002F\u002Fkimi-file.moonshot.cn\u002Fprod-chat-kimi\u002Fkfs\u002F4\u002F2\u002F2026-07-17\u002Fd9cs7176rtp4tqfofnsg?x-tos-process=image%2Fauto-orient%2C1%2Fstrip%2Fignore-error%2C1\" alt=\"Kimi K3官方主视觉\" style=\"max-width:100%;height:auto;\">\u003C\u002Fp>\n\n\n## 独立综合评测：确实进入前沿梯队\n\nArtificial Analysis给Kimi K3的Intelligence Index评分为 **57分**，当前页面显示其在同类模型中排名第4。该指数由GDPval-AA、Terminal-Bench、SciCode、Humanity’s Last Exam、GPQA Diamond、AA-Omniscience等九项评测组合而成，比单一数学或代码跑分更能反映综合能力。\n\n来源：[Artificial Analysis：Kimi K3](https:\u002F\u002Fartificialanalysis.ai\u002Fmodels\u002Fkimi-k3)\n\n### Artificial Analysis综合智能评分\n\n\u003Cimg src=\"https:\u002F\u002Foxqtewbrpuiouqqjrvdv.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fpublic-media\u002F2026-07-17\u002Fdfea85d8-57d8-43a0-9249-d855240ba725.jpg\" alt=\"Artificial Analysis Intelligence Index (17 Jul '26)\">\n\n与上一代Kimi K2.6相比：\n\n- 综合指数从44提升到57，约提高30%\n- 输出速度从46 Token\u002Fs提升到62 Token\u002Fs\n- 首Token延迟从2.72秒降至1.99秒\n- 上下文从约26万Token提升至100万Token\n\n这说明K3并不是单纯依赖更长推理提高分数，而是在智能、速度和上下文容量上同时进步。\n\n来源：[Artificial Analysis模型对比](https:\u002F\u002Fartificialanalysis.ai\u002Fmodels\u002Fcomparisons\u002Fkimi-k3-vs-kimi-k2-6?utm_source=chatgpt.com)\n\n不过，Artificial Analysis也发现K3存在明显效率问题：\n\n- 输出速度约62 Token\u002Fs，低于同档模型约72.7 Token\u002Fs的中位数\n- 完成整套综合评测输出了约1.3亿Token，接近同档模型中位数的两倍\n- 输入价格为3美元\u002F百万Token\n- 输出价格为15美元\u002F百万Token\n- 完成整套指数测试成本约2709.75美元\n\n因此，K3的“智力性价比”不差，但并不是低成本或高吞吐模型。它更像一个愿意消耗更多推理Token换取成功率的旗舰Agent模型。\n\n来源：[Artificial Analysis：Kimi K3](https:\u002F\u002Fartificialanalysis.ai\u002Fmodels\u002Fkimi-k3)\n\n## 编程能力：目前最具说服力的优势\n\nK3最强的部分并不是传统算法题，而是**真实软件工程和长周期Agent编程**。\n\n官方公布的代码评测中：\n\n| 测试 | Kimi K3 | 主要对手表现 | 判断 |\n|---|---:|---:|---|\n| DeepSWE | 67.5 | GPT-5.6 Sol 73.0、Fable 5 70.0 | 第一梯队，但不是第一 |\n| Terminal-Bench 2.1 | 88.3 | GPT-5.6 Sol 88.8 | 几乎持平 |\n| FrontierSWE | 81.2 | Fable 5 86.6 | 明显强于多数模型 |\n| Program Bench | 77.8 | GPT-5.6 Sol 77.6 | 略微领先 |\n| SWE Marathon | 42.0 | Opus 4.8 40.0、GPT-5.6 Sol 39.0 | 排名第一 |\n| Kimi Code Bench 2.0 | 72.8 | Fable 5 76.9 | 接近最强闭源模型 |\n\n### 官方编程基准图\n\n\u003Cp align=\"center\">\u003Cimg src=\"https:\u002F\u002Fkimi-file.moonshot.cn\u002Fprod-chat-kimi\u002Fkfs\u002F4\u002F2\u002F2026-07-16\u002F1d9chlgn6rtp4tqfnnmjg?x-tos-process=image%2Fauto-orient%2C1%2Fstrip%2Fignore-error%2C1\" alt=\"Kimi K3编程基准\" style=\"max-width:100%;height:auto;\">\u003C\u002Fp>\n\n这些结果表明，K3特别擅长：\n\n1. 在大型代码仓库中持续工作；\n2. 调用终端、编译器和测试工具；\n3. 长时间迭代而不是只生成一次代码；\n4. 将图像反馈加入网页、游戏和CAD开发过程；\n5. 处理需要数小时甚至数十小时的工程任务。\n\nK3还展示了自主开发MiniTriton编译器、优化GPU Kernel、完成科研代码复现，以及在48小时内设计和验证简单AI芯片的案例。但这些案例主要由官方提供，环境、失败次数、人工介入程度尚未完全公开，因此应视为能力上限展示，而不是普通用户每次都能复现的稳定结果。\n\n来源：[Kimi官方博客](https:\u002F\u002Fwww.kimi.com\u002Fblog\u002Fkimi-k3)\n\nK3已经是全球最强的开源权重编程模型候选之一。在长周期编程任务上，它可能超过部分GPT和Claude型号；但在最困难的代码任务中，Fable 5和GPT-5.6 Sol仍有小幅领先。\n\n## Agent与知识工作：K3真正拉开差距的领域\n\nK3在General Agent评测中的表现非常突出：\n\n| 测试 | Kimi K3 | 结果 |\n|---|---:|---|\n| GDPval-AA v2 Elo | 1668 | 低于Fable 5和GPT-5.6 Sol，高于Opus 4.8 |\n| AA-Briefcase Elo | 1548 | 接近Fable 5的1583 |\n| JobBench | 52.9 | 仅低于Fable 5 |\n| SpreadsheetBench 2 | 34.8 | 略高于Fable 5 |\n| AutomationBench | 30.8 | 官方比较中第一 |\n| BrowseComp | 91.2 | 官方比较中第一 |\n\n### 官方Agent基准图\n\n\u003Cp align=\"center\">\u003Cimg src=\"https:\u002F\u002Fkimi-file.moonshot.cn\u002Fprod-chat-kimi\u002Fkfs\u002F4\u002F2\u002F2026-07-16\u002F1d9chlbnf2ena6205244g?x-tos-process=image%2Fauto-orient%2C1%2Fstrip%2Fignore-error%2C1\" alt=\"Kimi K3 Agent与多模态基准\" style=\"max-width:100%;height:auto;\">\u003C\u002Fp>\n\n\nBrowseComp达到91.2尤其值得关注。该测试强调通过浏览器搜索、筛选信息和多步推理找到难以直接检索的答案。K3在100万Token、不进行上下文压缩时也取得90.4分，说明其超长上下文不是纯粹的宣传规格，而是能够在部分Agent场景中转化为实际效果。\n\n来源：[Kimi官方博客](https:\u002F\u002Fwww.kimi.com\u002Fblog\u002Fkimi-k3)\n\n官方内部知识工作测试中，K3在在线实验、PPT制作和金融分析上也超过GPT-5.5与Claude Opus 4.8。但这是内部数据，测试集和裁判细节没有完全公开，可信度低于第三方结果。\n\n### Kimi K3内部知识工作测试\n\n\u003Cp align=\"center\">\u003Cimg src=\"https:\u002F\u002Fkimi-file.moonshot.cn\u002Fprod-chat-kimi\u002Fkfs\u002F4\u002F2\u002F2026-07-17\u002Fd9cs71f6rtp4tqfofntg?x-tos-process=image%2Fauto-orient%2C1%2Fstrip%2Fignore-error%2C1\" alt=\"Kimi K3内部知识工作测试\" style=\"max-width:100%;height:auto;\">\u003C\u002Fp>\n\nK3的核心竞争力是“完成一项工作”，而不只是“回答一道题”。在深度研究、网页搜索、表格、PPT、代码仓库和多工具调用场景中，它比普通聊天模型更有价值。\n\n## 多模态能力：强，但当前重点仍是理解而非生成\n\nK3支持原生视觉输入，可以理解图片、网页截图、图表和视频帧，并将视觉反馈用于代码修改。\n\n官方结果显示：\n\n- CharXiv视觉图表推理：91.3\n- ZeroBench with tools Pass@5：44.0\n- 支持通过截图反复检查和修正网页、游戏及CAD结果\n\n在CharXiv中，K3低于Fable 5的93.5，但高于Opus 4.8、GPT-5.6 Sol和GPT-5.5；在ZeroBench工具模式中，则仅低于Fable 5。\n\n不过，K3目前仍是“图像输入、文本输出”模型，不应与原生图像生成或视频生成模型混为一谈。其多模态价值主要体现在视觉理解、图表分析、截图调试和Agent操作。\n\n## 质疑与真实使用风险\n\n### 1. 跑分受到Agent框架影响\n\nK3使用KimiCode、Claude Code或其他Harness进行测试，而竞品可能使用Codex、Terminus等不同框架。Agent基准测到的是“模型+工具框架+提示词+上下文管理”的综合能力，不能完全归因于模型本身。\n\n官方也明确披露，不同测试采用了不同Harness，部分Fable 5运行还可能回退至Opus 4.8。\n\n来源：[Kimi官方博客](https:\u002F\u002Fwww.kimi.com\u002Fblog\u002Fkimi-k3)\n\n### 2. 专业推理仍可能犯基础错误\n\n沃顿商学院教授Ethan Mollick使用K3审查复杂统计研究时，发现其错误应用统计方法，并在多个环节产生问题。这说明K3即使能够生成结构完整、语言自信的长报告，也不代表核心方法一定正确。\n\n来源：[Business Insider相关报道](https:\u002F\u002Fwww.businessinsider.com\u002Fsmart-people-saying-chinas-hot-new-kimi-k3-ai-model-2026-7)\n\n在法律、金融、医学、统计和科研场景中，必须要求：\n\n- 明确列出推导过程和数据来源；\n- 使用代码重新计算；\n- 对关键结论进行第二模型或人工复核；\n- 不因报告长度和格式完整而提高信任度。\n\n### 3. 容易过度行动\n\n月之暗面主动披露，K3为复杂长任务进行了强化训练，因此在面对模糊要求或小问题时，可能未经确认便替用户作出决定。对于会修改文件、执行代码、调用外部服务的Agent，这类“过度主动”是现实风险。\n\n来源：[Kimi官方博客](https:\u002F\u002Fwww.kimi.com\u002Fblog\u002Fkimi-k3)\n\n### 4. 对思考历史较敏感\n\nK3采用保留式思考历史训练。如果Agent框架没有正确回传历史推理内容，或者用户在对话中途从其他模型切换到K3，输出质量可能出现明显波动。官方建议优先使用兼容的Kimi Code，并避免中途切换模型。\n\n来源：[Kimi官方博客](https:\u002F\u002Fwww.kimi.com\u002Fblog\u002Fkimi-k3)\n\n### 5. 参数开放不等于容易部署\n\n2.8万亿参数即使采用16\u002F896专家稀疏激活，也不适合普通工作站部署。官方建议使用至少64张加速卡组成的Supernode配置。路透社援引分析指出，完整本地运行可能需要价值数十万美元的硬件。\n\n来源：[Kimi官方博客](https:\u002F\u002Fwww.kimi.com\u002Fblog\u002Fkimi-k3)\n\n因此，K3的“开放权重”价值主要属于云服务商、研究机构和大型企业，而不是普通开发者的单机私有部署。\n\n## 成本与产品实用性\n\nK3官方API价格如下：\n\n| Token类型 | 官方美元价格 | 国内平台人民币价格 |\n|---|---:|---:|\n| 缓存命中输入 | $0.30\u002F百万Token | ¥2\u002F百万Token |\n| 普通输入 | $3\u002F百万Token | ¥20\u002F百万Token |\n| 输出 | $15\u002F百万Token | ¥100\u002F百万Token |\n\n官方称，在编程工作负载中，Mooncake推理架构的缓存命中率可超过90%。如果项目反复使用同一代码仓库或文档，缓存可以显著降低成本；若任务每次输入完全不同，价格优势会明显缩小。\n\n来源：[Kimi官方博客](https:\u002F\u002Fwww.kimi.com\u002Fblog\u002Fkimi-k3)\n\n适合使用K3的任务：\n\n- 大型代码库重构\n- 复杂网页或互动产品开发\n- 深度研究与多来源资料核验\n- 超长文档、财报、论文和合同分析\n- 表格、PPT和咨询报告制作\n- 多工具、多步骤自动化流程\n\n不适合作为默认模型的任务：\n\n- 简单客服问答\n- 高频短文本生成\n- 对延迟极敏感的实时应用\n- 对输出成本极敏感的大规模批处理\n- 需要严格可控、不得自行扩展任务边界的自动化系统\n\n## 最终定位\n\nKimi K3的真实水平可以概括为：\n\n> 它不是全球绝对最强模型，但已经是最接近顶级闭源模型的开放权重模型之一，并在长周期编程、前端开发、搜索Agent和知识工作中达到甚至局部超过部分顶级闭源模型的水平。\n\n与主要模型相比：\n\n- 对比Claude Fable 5：总体仍落后，部分代码、搜索和自动化任务接近或局部领先。\n- 对比GPT-5.6 Sol：综合体验和部分高难推理仍有差距，但Terminal、Program Bench和部分Agent任务已接近。\n- 对比Claude Opus 4.8：K3在多数公开编程和Agent评测中更强。\n- 对比GPT-5.5：K3大部分综合与工程测试更强。\n- 对比GLM-5.2、Qwen3.7 Max：K3综合智能和长任务能力领先，但成本及速度未必占优。\n- 对比Kimi K2.6：属于明显的代际升级，而不是小幅迭代。\n\n目前最合理的评价不是“K3已经登顶全球”，而是：\n\n> 中国模型首次在综合智能、复杂软件工程和Agent知识工作三个方向上，同时逼近全球最强闭源模型。\n\n由于K3发布仅数日，完整技术报告、开放权重、更多第三方长周期测试和大规模真实用户反馈仍未完全出现。现阶段应对其能力保持高度认可，同时避免把官方案例和早期榜单当作稳定生产成功率。\n\n## 参考资料\n\n1. [Kimi K3官方博客](https:\u002F\u002Fwww.kimi.com\u002Fblog\u002Fkimi-k3)\n2. [Artificial Analysis：Kimi K3](https:\u002F\u002Fartificialanalysis.ai\u002Fmodels\u002Fkimi-k3)\n3. [Artificial Analysis：Kimi K3与Kimi K2.6对比](https:\u002F\u002Fartificialanalysis.ai\u002Fmodels\u002Fcomparisons\u002Fkimi-k3-vs-kimi-k2-6)\n4. [Reuters：Moonshot unveils Kimi K3](https:\u002F\u002Fwww.reuters.com\u002Fworld\u002Fchina\u002Fchinas-moonshot-unveils-worlds-largest-open-ai-model-closing-us-rivals-2026-07-17\u002F)\n5. [Business Insider：Kimi K3外部评价](https:\u002F\u002Fwww.businessinsider.com\u002Fsmart-people-saying-chinas-hot-new-kimi-k3-ai-model-2026-7)\n6. [Business Insider：Kimi K3模型、基准与价格](https:\u002F\u002Fwww.businessinsider.com\u002Fkimi-k3-ai-model-moonshot-china-open-weights-benchmarks-pricing-2026-7)\n7. [Times of India：Kimi K3发布报道](https:\u002F\u002Ftimesofindia.indiatimes.com\u002Ftechnology\u002Ftech-news\u002Fchinas-moonshot-launches-worlds-first-open-source-model-kimi-3-claimed-to-perform-competitively-with-anthropic-fable-5\u002Farticleshow\u002F132452007.cms)","https:\u002F\u002Foxqtewbrpuiouqqjrvdv.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fpublic-media\u002F2026-07-17\u002Fc52722ba-91d2-45cc-aee9-3a4d1a1ffc70.jpg",[],[],"GPT-5.6 Sol","https:\u002F\u002Fopenai.com\u002Fzh-Hans-CN\u002Findex\u002Fgpt-5-6\u002F","f39339b1-aaa6-4e86-b0c2-a6e6a21113b5",{"id":18,"name":19,"slug":20,"description":21},"c523f1c9-338c-4618-add9-9ce67a39b2a0","研究","research","研究成果与启发",[23,27,31,35,39,43,47,51],{"id":24,"name":25,"slug":26},"0848beb4-db26-4fb8-b391-f852a11be192","AI编程","ai-coding",{"id":28,"name":29,"slug":30},"144abe77-0dc6-4f66-a176-20bddb1c0bfa","编程","coding",{"id":32,"name":33,"slug":34},"4c2bbea6-eab7-40a8-8447-1de478ff7749","分析","analyse",{"id":36,"name":37,"slug":38},"63b56667-dcdb-4b8b-bcbe-c405143a7ec2","测评","test",{"id":40,"name":41,"slug":42},"7c76bfc2-f80f-4ee0-a95d-27bd8708b434","技术","slug",{"id":44,"name":45,"slug":46},"88d2bc27-0e0f-468a-b907-2991cb97b87b","人工智能","ai",{"id":48,"name":49,"slug":50},"a202d639-99a6-488a-a712-4d4c6ffd7e15","开发","dev",{"id":52,"name":53,"slug":54},"d2513b48-43d7-49ba-adac-6d09366f751f","内容由AI生成","gen-by-ai",null,"published",true,1,0,"2026-07-17T00:00:00.000Z","2026-07-18T07:40:05.977Z","2026-07-17T16:40:40.660Z",[64,90,114],{"id":65,"type":6,"title":66,"slug":67,"summary":68,"body":69,"coverUrl":70,"productScreenshots":71,"productLinks":72,"authorName":14,"authorUrl":15,"authorSubject":16,"category":73,"tags":78,"sourceLabel":55,"sourceName":55,"sourceUrl":55,"status":56,"seoTitle":55,"seoDescription":55,"canonicalUrl":55,"isFeatured":85,"sno":86,"sortOrder":59,"publishedAt":87,"updatedAt":88,"createdAt":89},"871e57ba-8d0e-4f70-a706-b7ec5f472ea7","Skill是什么？","what-is-skill","一套可复用、可安装、可共享的任务说明","在AI智能体和AI编程工具中，Skill通常指一套可复用、可安装、可共享的任务说明。它把操作规范、专业知识、示例、脚本和参考资料组织在一起，让AI能够更稳定地完成某一类工作。\n\n随着ChatGPT、Codex、Claude Code等工具逐渐从“聊天机器人”发展为能够读取文件、调用工具和执行任务的智能体，仅靠临时提示词已经很难管理复杂、重复的工作。Skill的出现，正是为了把成熟的工作方法保存下来，让AI在需要时直接调用。\n\n## 一、Skill到底是什么？\n\n可以把通用AI想象成一名能力很强、学习速度很快，但不了解你具体工作规范的新员工。\n\n你可以每次都重新告诉它：\n\n- 报告应该使用什么结构；\n- 代码需要遵循哪些规范；\n- 处理PDF时应该调用什么程序；\n- 发布网站前要检查哪些项目；\n- 分析数据时要生成哪些图表。\n\n但这些要求如果每次都重新输入，不仅麻烦，还容易遗漏。\n\n**Skill就是为AI准备的一份“标准作业包”。**\n\n它通常以一个文件夹存在，核心文件一般是`SKILL.md`。除了文字说明，还可以包含：\n\n- 操作步骤；\n- 任务触发条件；\n- 示例输入和输出；\n- 模板文件；\n- Python、Shell或JavaScript脚本；\n- API说明和参考资料；\n- 检查清单与质量标准。\n\nOpenAI将Agent Skills描述为封装指令、资源和可选脚本的任务能力包；ChatGPT中的Skills则被定义为可复用、可分享的工作流程。Claude Code的Skills也遵循Agent Skills开放标准，并在此基础上提供调用控制、子智能体运行和动态上下文等扩展能力。\n\n```mermaid\nflowchart TB\n    U[用户提出任务] --> A[AI智能体]\n    A --> D{是否有匹配的Skill}\n    D -- 没有 --> G[依靠通用能力完成]\n    D -- 有 --> S[读取Skill说明]\n    S --> R[加载模板、资料或脚本]\n    R --> T[按照固定流程执行]\n    T --> O[输出更稳定的结果]\n```\n\n## 二、Skill和提示词有什么区别？\n\n提示词和Skill都能指导AI，但两者解决的问题不同。\n\n| 对比项 | 普通提示词 | Skill |\n|---|---|---|\n| 使用方式 | 每次对话临时输入 | 安装后重复使用 |\n| 内容规模 | 通常较短 | 可以包含完整工作流程 |\n| 文件支持 | 一般只有文字 | 可包含脚本、模板和资料 |\n| 适用场景 | 一次性、简单任务 | 重复、专业、复杂任务 |\n| 一致性 | 容易因表达变化而波动 | 更容易保持固定标准 |\n| 分享方式 | 复制一段文字 | 分享完整Skill文件夹 |\n\n例如，下面是一条普通提示词：\n\n```text\n请检查这个网页是否存在SEO问题，并给出优化建议。\n```\n\n而一个SEO审计Skill可以进一步规定：\n\n1. 先检查页面是否能被抓取；\n2. 再检查标题、描述和Canonical；\n3. 分析结构化数据；\n4. 检查正文是否依赖JavaScript渲染；\n5. 按严重程度排列问题；\n6. 使用统一表格输出；\n7. 最后生成修改后的代码示例。\n\n因此，**提示词更像一次性的口头要求，Skill更像经过整理的标准操作手册。**\n\n## 三、Skill和工具、MCP有什么区别？\n\n这几个概念经常被混淆。\n\n### 1. 工具：让AI能够“做事”\n\n工具为AI提供实际操作能力，例如：\n\n- 搜索互联网；\n- 读取文件；\n- 执行Python；\n- 查询数据库；\n- 发送邮件；\n- 调用天气API；\n- 修改代码。\n\n工具解决的是：**AI能调用什么。**\n\n### 2. MCP：让AI连接外部系统\n\nMCP是Model Context Protocol的缩写，可以用统一方式把AI连接到数据库、知识库、GitHub、Notion、浏览器或企业内部系统。\n\nMCP解决的是：**AI怎样连接数据和服务。**\n\n### 3. Skill：告诉AI怎样完成任务\n\nSkill负责描述工作方法，例如：\n\n- 什么情况下应该调用某个工具；\n- 工具调用顺序是什么；\n- 哪些风险操作必须确认；\n- 输出必须符合什么格式；\n- 完成后如何检查质量。\n\nSkill解决的是：**AI应该按照什么流程做。**\n\n```mermaid\nflowchart TB\n    P[用户目标] --> S[Skill：任务流程与规范]\n    S --> A[AI智能体进行判断与规划]\n    A --> T[Tool：执行具体动作]\n    A --> M[MCP：连接外部系统]\n    M --> D[(数据库、文档、GitHub等)]\n    T --> O[搜索、计算、编辑、发送等结果]\n    D --> A\n    O --> A\n    A --> R[最终交付]\n```\n\n可以用一个简单比喻理解：\n\n- AI模型是大脑；\n- 工具是双手；\n- MCP是插座和连接线；\n- Skill是操作手册。\n\n## 四、一个Skill通常由什么组成？\n\n一个简单的Skill目录可能如下：\n\n```text\nseo-audit\u002F\n├── SKILL.md\n├── references\u002F\n│   ├── checklist.md\n│   └── examples.md\n├── scripts\u002F\n│   └── check_meta.py\n└── templates\u002F\n    └── report-template.md\n```\n\n其中最重要的是`SKILL.md`。\n\n一个最小化的Skill可以这样写：\n\n```markdown\n---\nname: seo-audit\ndescription: 检查网页的SEO与GEO基础问题，并输出按优先级排序的修复建议。\n---\n\n# SEO Audit\n\n## 何时使用\n\n当用户要求检查网页的SEO、GEO、抓取、索引或结构化数据问题时使用。\n\n## 工作流程\n\n1. 获取目标网页的初始HTML。\n2. 检查HTTP状态码和重定向。\n3. 检查title、description和canonical。\n4. 检查正文是否无需JavaScript即可读取。\n5. 检查JSON-LD结构化数据。\n6. 按严重、高、中、低四个等级整理问题。\n7. 提供可以直接修改的代码示例。\n\n## 输出格式\n\n- 总体评分\n- 关键问题\n- 修复优先级\n- 代码示例\n- 验收方法\n\n## 限制\n\n- 不把推测写成确定事实。\n- 无法访问页面时必须明确说明。\n- 涉及搜索引擎规则时优先参考官方文档。\n```\n\n### 元数据有什么作用？\n\n文件开头的`name`和`description`不只是介绍文字，它们还会影响智能体能否正确识别和调用Skill。\n\n```yaml\n---\nname: seo-audit\ndescription: 检查网页的SEO与GEO基础问题，并输出按优先级排序的修复建议。\n---\n```\n\n名称应该简短、稳定；描述则应该说明：\n\n- Skill能完成什么；\n- 什么情况下使用；\n- 哪些用户表达可能触发它。\n\n描述过于宽泛，Skill可能被错误调用；描述过于狭窄，应该调用时又可能无法触发。\n\n## 五、Skill是怎样工作的？\n\nSkill并不是重新训练AI模型，也不会永久改变模型本身。\n\n它更接近一种**按需加载的上下文机制**：当智能体判断某项任务与Skill匹配时，再读取Skill中的详细说明和资源。\n\n```mermaid\nsequenceDiagram\n    participant U as 用户\n    participant A as AI智能体\n    participant S as Skill\n    participant T as 工具或脚本\n\n    U->>A: 帮我检查这个网站的SEO问题\n    A->>A: 判断任务类型\n    A->>S: 读取seo-audit Skill\n    S-->>A: 返回流程、规范与模板\n    A->>T: 抓取网页并运行检查\n    T-->>A: 返回检测结果\n    A->>A: 按Skill要求验证和整理\n    A-->>U: 输出标准化审计报告\n```\n\n这种方式有三个明显优势：\n\n### 1. 减少上下文浪费\n\n智能体不必在每次对话开始时读取全部规范，只在任务需要时加载相关Skill。\n\n### 2. 提高执行一致性\n\n同一种任务可以反复使用相同流程、模板和检查标准，减少不同对话之间的质量波动。\n\n### 3. 便于团队共享\n\n团队可以把经验整理成Skill，让不同成员和不同智能体复用同一套工作方法。\n\n## 六、Skill可以用来做什么？\n\nSkill适合处理具有明确方法、重复频率较高或专业要求较强的任务。\n\n### 内容创作\n\n- 按固定风格撰写文章；\n- 生成产品介绍；\n- 检查事实和引用；\n- 将文章转换为社交媒体内容；\n- 生成统一格式的Markdown文档。\n\n### 软件开发\n\n- 创建符合团队规范的项目；\n- 执行代码审查；\n- 编写单元测试；\n- 排查构建错误；\n- 发布版本；\n- 生成API文档。\n\n### 设计与文档\n\n- 制作演示文稿；\n- 生成PDF报告；\n- 按品牌规范使用字体和版式；\n- 创建流程图；\n- 检查设计稿的一致性。\n\n### 数据分析\n\n- 清洗表格；\n- 计算指标；\n- 生成图表；\n- 检查异常值；\n- 按固定结构输出分析结论。\n\n### 企业流程\n\n- 整理会议纪要；\n- 生成周报；\n- 审核合同中的关键条款；\n- 根据模板回复客户；\n- 检查项目上线条件。\n\n```mermaid\nmindmap\n  root((Agent Skill))\n    内容\n      文章写作\n      事实核查\n      格式转换\n    开发\n      代码审查\n      自动测试\n      项目部署\n    设计\n      演示文稿\n      品牌规范\n      图片处理\n    数据\n      表格清洗\n      指标分析\n      图表生成\n    运营\n      周报\n      客服回复\n      内容发布\n```\n\n## 七、怎样安装和使用Skill？\n\n不同平台的界面和存放路径可能不同，但基本过程相似。\n\n### 方法一：安装现成Skill\n\n一般步骤为：\n\n1. 在官方库、插件市场或GitHub仓库中找到Skill；\n2. 阅读`SKILL.md`，确认用途和权限；\n3. 检查是否包含可执行脚本；\n4. 将Skill安装到平台支持的位置；\n5. 重新加载客户端或会话；\n6. 用一个明确任务测试它是否正确触发。\n\n在支持自动调用的平台中，用户不一定要直接说出Skill名称。例如安装网页测试Skill后，可以直接说：\n\n```text\n检查本地网页的登录流程，并记录失败的步骤。\n```\n\n智能体会根据任务和Skill描述判断是否调用。\n\n部分平台也支持显式调用，形式可能类似：\n\n```text\n使用 seo-audit Skill 检查这个页面。\n```\n\n或：\n\n```text\n\u002Fseo-audit https:\u002F\u002Fexample.com\n```\n\n具体调用方式取决于平台实现。\n\n### 方法二：把Skill放进项目\n\n项目级Skill适合保存某个仓库特有的规则，例如：\n\n```text\nmy-project\u002F\n├── src\u002F\n├── tests\u002F\n└── .agents\u002F\n    └── skills\u002F\n        └── release-check\u002F\n            └── SKILL.md\n```\n\n它可以要求智能体在发布前完成：\n\n- 运行测试；\n- 检查环境变量；\n- 构建生产版本；\n- 扫描未提交文件；\n- 更新版本号；\n- 生成变更日志。\n\n### 方法三：使用平台内置的Skill管理界面\n\n部分AI产品提供Skill或插件管理页面，可以完成：\n\n- 浏览推荐Skill；\n- 安装或启用Skill；\n- 查看已安装项目；\n- 控制可访问的数据；\n- 删除不再需要的Skill。\n\n由于各产品仍在快速更新，实际界面和权限应以对应平台的最新官方说明为准。\n\n## 八、怎样自己创建一个Skill？\n\n创建Skill不需要训练模型。只需把成熟的任务流程写清楚，并加入必要的资源。\n\n### 第一步：选择合适的任务\n\n好的Skill通常满足至少一个条件：\n\n- 任务会反复出现；\n- 执行步骤比较固定；\n- 输出格式需要保持一致；\n- 涉及团队内部规范；\n- 需要调用脚本或模板；\n- 普通提示词经常遗漏步骤。\n\n不适合做成Skill的任务包括：\n\n- 只会执行一次的临时要求；\n- 没有稳定方法的开放式闲聊；\n- 可以用一句提示词准确解决的简单任务。\n\n### 第二步：定义触发条件\n\n先回答三个问题：\n\n1. 用户通常会怎样描述这个任务？\n2. 哪些场景应该使用该Skill？\n3. 哪些相似场景不应该使用？\n\n例如：\n\n```markdown\n## 何时使用\n\n当用户要求创建、修改、读取或分析`.pptx`演示文稿时使用。\n\n## 不应使用\n\n当用户只要求提供演讲提纲，而不需要生成或编辑演示文件时，不要使用。\n```\n\n### 第三步：写出可靠流程\n\n不要只写“认真完成任务”，而要写成可以检查的步骤。\n\n较弱的写法：\n\n```markdown\n请专业地检查代码，确保没有问题。\n```\n\n更好的写法：\n\n```markdown\n1. 先读取受影响文件和相关测试。\n2. 检查空值、边界条件和错误处理。\n3. 检查是否引入安全问题。\n4. 运行现有测试。\n5. 对新增逻辑补充测试。\n6. 输出问题位置、影响和修复方案。\n```\n\n### 第四步：加入示例和模板\n\n示例可以让AI更准确地理解输出标准。\n\n```markdown\n## 输出示例\n\n### 严重问题\n\n**位置：** `src\u002Fauth.ts:42`\n\n**问题：** 用户输入未经验证就拼接进SQL语句。\n\n**影响：** 可能导致SQL注入。\n\n**建议：** 使用参数化查询，并增加恶意输入测试。\n```\n\n### 第五步：加入脚本\n\n当工作需要稳定计算、文件转换或自动检查时，脚本通常比自然语言更可靠。\n\n```python\n# scripts\u002Fcheck_required_files.py\nfrom pathlib import Path\n\nrequired_files = [\n    \"README.md\",\n    \"LICENSE\",\n    \".gitignore\",\n]\n\nmissing = [name for name in required_files if not Path(name).exists()]\n\nif missing:\n    print(\"缺少文件：\")\n    for name in missing:\n        print(f\"- {name}\")\n    raise SystemExit(1)\n\nprint(\"必要文件检查通过。\")\n```\n\nSkill中可以规定：\n\n```markdown\n发布项目之前，必须运行：\n\npython scripts\u002Fcheck_required_files.py\n```\n\n### 第六步：进行真实测试\n\n至少测试以下三类情况：\n\n| 测试类型 | 目的 |\n|---|---|\n| 正常任务 | 检查Skill能否正确执行 |\n| 模糊表达 | 检查Skill能否正确触发 |\n| 相似但无关的任务 | 检查Skill是否会被误调用 |\n\n## 九、怎样写出一个高质量Skill？\n\n### 1. 描述要具体\n\n不推荐：\n\n```yaml\ndescription: 帮助用户处理网页。\n```\n\n推荐：\n\n```yaml\ndescription: 检查网页的可访问性、SEO元数据、结构化数据和无JavaScript正文可读性，并生成按严重程度排序的修复报告。\n```\n\n### 2. 只保留必要内容\n\nSkill不是越长越好。过多背景材料会增加上下文负担，也可能让智能体忽略真正重要的规则。\n\n建议将内容分层：\n\n- `SKILL.md`保存核心流程；\n- `references\u002F`保存详细资料；\n- `templates\u002F`保存输出模板；\n- `scripts\u002F`保存可执行程序。\n\n### 3. 把硬性要求写成可验证规则\n\n不推荐：\n\n```markdown\n输出应当美观、专业。\n```\n\n推荐：\n\n```markdown\n- 一级标题只能出现一次。\n- 每个问题必须包含位置、影响、证据和修复建议。\n- 问题按严重、高、中、低排序。\n- 没有证据时不得下确定结论。\n```\n\n### 4. 为危险操作设置确认点\n\n涉及删除、发布、付款、发送、覆盖文件等动作时，应明确要求用户确认。\n\n```markdown\n在执行以下操作之前必须获得用户明确确认：\n\n- 删除文件或数据库记录；\n- 向外部收件人发送邮件；\n- 部署到生产环境；\n- 覆盖无法恢复的文件；\n- 产生费用的API调用。\n```\n\n### 5. 不要把密钥写进Skill\n\nSkill可能被复制、分享或提交到Git仓库。API密钥、访问令牌、密码和个人数据不应直接写入文件。\n\n正确方式是引用环境变量：\n\n```bash\nexport API_KEY=\"...\"\n```\n\n然后在脚本中读取：\n\n```python\nimport os\n\napi_key = os.environ[\"API_KEY\"]\n```\n\n## 十、使用第三方Skill时要注意什么？\n\nSkill可能包含脚本、命令和外部资源，因此不能只看名称就直接安装。\n\n安装前至少检查：\n\n1. Skill来自谁；\n2. `SKILL.md`要求AI做什么；\n3. 是否会读取个人文件；\n4. 是否会访问网络；\n5. 是否包含删除或覆盖命令；\n6. 脚本是否会上传数据；\n7. 是否要求提供密钥；\n8. 最近是否仍在维护。\n\n```mermaid\nflowchart TD\n    A[发现第三方Skill] --> B{来源可信？}\n    B -- 否 --> X[不要安装]\n    B -- 是 --> C[阅读SKILL.md]\n    C --> D[检查scripts目录]\n    D --> E{涉及敏感权限？}\n    E -- 是 --> F[限制权限或在沙箱测试]\n    E -- 否 --> G[使用测试任务验证]\n    F --> G\n    G --> H{行为符合预期？}\n    H -- 否 --> X\n    H -- 是 --> I[正式启用]\n```\n\n需要特别警惕以下内容：\n\n```bash\nrm -rf\ncurl ... | sh\nsudo ...\ngit push --force\n```\n\n这些命令不一定恶意，但可能造成不可逆影响。应先理解其用途，再决定是否执行。\n\n## 十一、一个完整示例：文章配图Skill\n\n下面是一个适合内容网站使用的简化示例。\n\n```markdown\n---\nname: article-illustration\ndescription: 根据文章主题生成简洁、无文字、16:9比例的封面插图方案。\n---\n\n# Article Illustration\n\n## 适用场景\n\n当用户要求为文章、博客或报告设计封面图时使用。\n\n## 工作流程\n\n1. 阅读文章标题和摘要。\n2. 提炼一个核心隐喻，不要堆叠多个概念。\n3. 优先使用抽象、几何或平面设计语言。\n4. 默认比例为16:9。\n5. 画面内不得出现文字、字母、水印和界面截图。\n6. 主体应占画面的25%至45%，保留足够留白。\n7. 颜色控制在三种主色以内。\n8. 输出图像生成提示词并执行图像生成工具。\n\n## 质量检查\n\n- 缩略图尺寸下是否仍能识别主体；\n- 是否存在多余文字；\n- 是否过度拥挤；\n- 是否准确表达文章主题；\n- 是否避免使用未经授权的品牌元素。\n```\n\n安装后，用户只需说：\n\n```text\n为“让大模型先查资料，再回答问题”设计一张文章封面图。\n```\n\n智能体便可以自动应用比例、留白、无文字和构图规则，而不需要用户每次重新说明。\n\n## 十二、Skill的真正价值是什么？\n\nSkill的价值并不只是“让AI多会一种功能”。\n\n它更重要的作用，是把人的经验转化为AI能够重复执行的流程。\n\n```mermaid\nflowchart LR\n    E[个人经验] --> W[整理工作步骤]\n    W --> S[制作成Skill]\n    S --> R[智能体重复执行]\n    R --> C[持续测试和修正]\n    C --> S\n    S --> T[团队共享]\n```\n\n一条优秀提示词可能解决一次问题；一个优秀Skill则可以持续改进，并被整个团队反复使用。\n\n因此，可以将Skill理解为：\n\n> **介于提示词、程序和操作手册之间的AI能力模块。**\n\n它用自然语言描述意图和规则，用脚本保证确定性，用模板维持输出标准，再由智能体根据当前任务灵活执行。\n\n## 十三、常见问题\n\n### Skill会让AI永久学会新知识吗？\n\n不会。Skill通常是在任务执行时被读取，并不会重新训练底层模型。删除或停用Skill后，对应规则通常也不会继续生效。\n\n### 不会编程也能创建Skill吗？\n\n可以。最简单的Skill只需要一个写清楚任务流程的`SKILL.md`文件。脚本是可选项，不是必需项。\n\n### Skill可以跨平台使用吗？\n\n部分Skill可以。Claude Code文档说明其Skills遵循Agent Skills开放标准；Codex也支持以`SKILL.md`为核心的能力包。不过不同平台可能增加自己的字段、目录约定和调用方式，因此迁移时仍需检查兼容性。\n\n### Skill能代替MCP吗？\n\n不能。Skill主要描述方法，MCP主要负责连接外部服务。两者经常搭配使用。\n\n### Skill越多越好吗？\n\n不是。安装过多、描述重叠的Skill可能增加误触发和冲突。更合理的做法是保留用途明确、质量可靠、经常使用的Skill。\n\n## 结语\n\nAI模型提供通用能力，工具提供行动能力，MCP提供连接能力，而Skill负责把这些能力组织成一套稳定的工作方法。\n\n对于普通用户，Skill可以减少重复提示；对于开发者，它可以封装工程流程；对于团队，它可以把个人经验变成共享标准。\n\n当你发现自己反复向AI解释同一套要求时，就可以考虑把它整理成一个Skill。\n\n## 参考资料\n\n1. [OpenAI Codex：Agent Skills](https:\u002F\u002Fdevelopers.openai.com\u002Fcodex\u002Fskills)\n\n2. [OpenAI Help Center：Skills in ChatGPT](https:\u002F\u002Fhelp.openai.com\u002Fen\u002Farticles\u002F20001066-skills-in-chatgpt)\n\n3. [OpenAI Codex：Customization](https:\u002F\u002Fdevelopers.openai.com\u002Fcodex\u002Fconcepts\u002Fcustomization)\n\n4. [OpenAI：Introducing the Codex app](https:\u002F\u002Fopenai.com\u002Findex\u002Fintroducing-the-codex-app\u002F)\n\n5. [Anthropic Claude Code：Extend Claude with skills](https:\u002F\u002Fdocs.anthropic.com\u002Fen\u002Fdocs\u002Fclaude-code\u002Fskills)\n\n6. [Anthropic Skills示例仓库] (https:\u002F\u002Fgithub.com\u002Fanthropics\u002Fskills)\n\n> 注：AI产品的Skill安装入口、目录结构和功能仍在持续更新。实际使用时，应优先查看对应产品的最新官方文档。","https:\u002F\u002Foxqtewbrpuiouqqjrvdv.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fpublic-media\u002F2026-07-18\u002F4c35d873-e4f1-418f-a9ae-bb56d85df6ff.jpg",[],[],{"id":74,"name":75,"slug":76,"description":77},"6179d3b6-dc34-4483-9ded-3cd9f1b37a47","科普","abbreviation","介绍各领域新兴概念",[79,80,81,82,83,84],{"id":44,"name":45,"slug":46},{"id":24,"name":25,"slug":26},{"id":48,"name":49,"slug":50},{"id":40,"name":41,"slug":42},{"id":28,"name":29,"slug":30},{"id":52,"name":53,"slug":54},false,45,"2026-06-11T00:00:00.000Z","2026-07-18T16:22:51.494Z","2026-07-18T15:17:09.969Z",{"id":91,"type":6,"title":92,"slug":93,"summary":94,"body":95,"coverUrl":96,"productScreenshots":97,"productLinks":98,"authorName":14,"authorUrl":15,"authorSubject":16,"category":99,"tags":104,"sourceLabel":55,"sourceName":55,"sourceUrl":55,"status":56,"seoTitle":55,"seoDescription":55,"canonicalUrl":55,"isFeatured":85,"sno":110,"sortOrder":59,"publishedAt":111,"updatedAt":112,"createdAt":113},"d55f78f9-5755-434f-9f6f-462a0ff764c7","氛围编程避坑","vibe-coding-reminds","AI能写代码，但不能替你负责","VibeCoding指通过自然语言描述需求，让AI生成、修改和调试代码。它能快速把想法变成原型，但“能运行”不等于“能上线”。AI生成的代码仍可能存在逻辑错误、安全漏洞、依赖风险和维护问题。\n\n## 1. 需求模糊，AI只能自行猜测\n\n只说“帮我做一个用户系统”，AI并不知道角色、权限、数据结构和部署环境。前期假设错误，会不断影响后续代码。\n\n建议：先明确用户、功能、页面、数据表、权限、技术栈和不做的内容，再开始开发。\n\n## 2. 一次生成整个项目\n\n一次生成大量文件看似高效，实际很难定位问题，也容易出现技术栈混乱和重复代码。\n\n建议：按最小闭环开发：先启动项目，再完成一个页面、一张数据表、一个完整功能，每一步测试并提交Git。\n\n## 3. 页面正常，不代表功能真实有效\n\n按钮可能只修改前端显示，没有写入数据库；权限可能只隐藏页面，没有限制后端接口。\n\n建议：检查刷新后数据是否保留、不同账号能否越权、接口能否被绕过，以及异常输入和网络失败时的表现。\n\n## 4. 反复把报错扔给AI\n\nAI可能修复当前错误，却引入新的问题，甚至通过关闭检查、写死数据来绕过根因。\n\n建议：要求AI先解释错误原因，再提出最小修改方案，并说明影响范围。警惕“暂时禁用”“直接跳过验证”等做法。\n\n## 5. 随意安装第三方依赖\n\nAI可能推荐过时、不兼容甚至不存在的软件包，也可能增加供应链安全风险。\n\n建议：安装前确认用途、维护状态、许可证、漏洞和准确版本，能用框架原生能力解决时尽量不加依赖。\n\n## 6. 泄露密钥和数据库密码\n\n不要把API密钥、数据库连接字符串和管理员令牌写入代码、提交到Git或放在前端。\n\n建议：使用环境变量和云平台Secrets，区分开发与生产环境；一旦泄露，立即撤销并重新生成。\n\n## 7. 有登录页面，不代表系统安全\n\n真正的权限控制必须放在服务端。常见问题包括普通用户调用管理员接口、读取他人数据、数据库完全公开等。\n\n建议：重点检查身份认证、服务端权限、数据库行级权限、输入校验、文件上传、接口限流和敏感日志。\n\n## 8. 不写测试\n\nAI修改一个功能时，可能破坏另一个功能。没有测试，就很难发现回归问题。\n\n建议：至少执行类型检查、构建检查、接口测试和关键流程测试，并覆盖空值、重复提交、网络失败等异常情况。\n\n## 9. 不使用Git\n\nAI可能一次修改大量文件。没有版本记录，很难恢复稳定版本。\n\n建议：小步提交，大改动使用分支，修改前后检查差异，不要让AI覆盖未提交的人工代码。\n\n## 10. 本地能跑就直接上线\n\n生产环境的运行版本、环境变量、数据库和网络配置往往与本地不同。\n\n建议：上线前完成生产构建、备份、HTTPS、错误监控、日志、限流、依赖扫描和回滚方案。\n\n## 11. 代码越来越乱，仍继续加功能\n\nVibeCoding项目后期常出现重复代码、超大文件、命名混乱和临时补丁堆积。\n\n建议：定期暂停开发，拆分模块、删除废弃代码、统一结构、更新文档并补齐测试。\n\n## 12. 完全依赖AI，不理解系统\n\n不必记住所有语法，但至少要理解前端、后端、数据库、接口、权限、环境变量、部署和日志。\n\n开发者必须知道数据存在哪里、谁可以访问、请求如何流转，以及出现问题后如何恢复。\n\n## 更稳妥的VibeCoding流程\n\n明确需求 → 设计数据和架构 → 搭建最小项目 → 分模块实现 → 检查代码差异 → 自动测试 → 安全审计 → 小范围发布 → 持续监控。\n\nAI适合提高执行效率，但开发者仍需负责需求判断、功能验收和风险控制。\n\n## 结语\n\nVibeCoding适合原型、个人工具和低风险MVP，但不应跳过需求、测试、安全和版本管理。\n\n可以让AI写代码，但不能让AI替你验收代码。\n\n## 引用来源\n\n1. GitHub Docs：AI生成代码的人工审查与测试建议。  \n2. Anthropic Docs：密钥管理、权限控制与项目指令实践。  \n3. OpenAI Codex：代码差异审查、沙箱执行与Pull Request工作流。  \n4. OWASP Top 10：Web应用常见安全风险。  \n5. OWASP Software Supply Chain Security：第三方依赖与供应链安全。  \n6. SLSA：依赖混淆、来源验证与版本固定。  \n7. 《Vibe Coding in Practice》：VibeCoding效率与技术债研究。  \n8. 《Is Vibe Coding Safe?》：AI代理生成代码的安全性研究。  \n9. 《Understanding the (In)Security of Vibe-Coded Applications》：真实VibeCoding项目中的常见漏洞。","https:\u002F\u002Foxqtewbrpuiouqqjrvdv.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fpublic-media\u002F2026-07-17\u002F867d174b-fbb8-4a1c-8bbf-f12a2881e763.jpg",[],[],{"id":100,"name":101,"slug":102,"description":103},"d6750616-07d9-4350-8485-1834c77be3d2","指南","guide","指导建议，仅供参考",[105,106,107,108,109],{"id":24,"name":25,"slug":26},{"id":28,"name":29,"slug":30},{"id":44,"name":45,"slug":46},{"id":48,"name":49,"slug":50},{"id":52,"name":53,"slug":54},54,"2026-07-01T00:00:00.000Z","2026-07-18T14:04:29.803Z","2026-07-17T15:47:16.293Z",{"id":115,"type":6,"title":116,"slug":117,"summary":118,"body":119,"coverUrl":120,"productScreenshots":121,"productLinks":122,"authorName":123,"authorUrl":124,"authorSubject":16,"category":125,"tags":130,"sourceLabel":55,"sourceName":55,"sourceUrl":55,"status":56,"seoTitle":55,"seoDescription":55,"canonicalUrl":55,"isFeatured":57,"sno":142,"sortOrder":59,"publishedAt":143,"updatedAt":144,"createdAt":145},"bc921879-1742-4bf4-98b1-6298a860e475","对编程语言发展历程的思考：从比特到思想","programminglanguages","编程语言的进化史，是人类不断把复杂抽象成简单的过程","> 1946年，ENIAC的工程师们需要用插头和开关来“编程”，每改变一次计算任务，就要花费几天时间重新接线。程序员的工作，是在电路板上理解机器的语言——二进制。\n> \n> 今天，我们对着AI说一句“帮我写个贪吃蛇游戏”，代码就生成了。\n> \n> 这就是编程语言的进化史，也是人类不断把复杂抽象成简单的过程。\n\n# 机器语言\n\n最早的编程就是机器语言，一串串的0和1。每条指令都是CPU直接理解的命令，比如`10110000 01100001`，我们可能完全不知道它是什么意思——这串二进制代表“把数字97存入寄存器”。\n\n在那个时代，程序员必须像机器一样思考。我们要记住每个操作码的含义，要手动计算内存地址，要小心翼翼地安排每一条指令。写一个简单的加法程序，可能需要几十个0和1的组合。\n\n> 计算机本质上只是一个听话但死板的机器。它不理解“方便”或“人性化”，只懂电信号的通断。程序员的工作，就是把自己变成机器的一部分。\n\n# 汇编语言\n\n很快，人们受不了了。汇编语言诞生了——用`MOV`代替`10110000`，用`ADD`代替加法操作。虽然本质上还是一一对应机器指令，但至少可读性有了质的飞跃。\n\n```\nMOV AL, 61h    ; 把十六进制61放入AL寄存器\nADD AL, 01h    ; 加1\n```\n\n> 汇编语言是人类第一次尝试“封装”复杂性。但本质上它仍然是机器的语言，只是给冰冷的二进制披上了一件可读的外衣。写汇编的人依然需要了解寄存器、堆栈、中断——我们仍然在思考“机器怎么做”，而不是“我想做什么”。\n\n# C语言\n\n1972年，Dennis Ritchie创造了C语言。这是真正的革命——它让程序员可以既写人类理解的代码，又能控制底层细节。\n\nC语言提供了变量、函数、循环、数组等抽象，同时又保留了指针这样直接操作内存的能力。Unix操作系统就是用C写的，它的成功证明了系统级语言的可能性。\n\n```c\nint sum = 0;\nfor(int i = 1; i \u003C= 100; i++) {\n    sum += i;\n}\n```\n\n> C语言的伟大之处在于它找到了平衡点——足够抽象来保护程序员，又足够底层来信任程序员。从这一刻起，编程开始从“让机器做事”转向“表达计算逻辑”。我们可以把注意力放在算法上，而不是寄存器的分配上。\n\n# C++与Java\n\n随着软件规模爆炸式增长，C语言的结构化编程开始显得力不从心。1990年代，面向对象编程成为主流。C++在C的基础上添加了类、继承、多态；Java进一步简化了内存管理，引入垃圾回收。\n\n我们开始用“对象”来建模世界——一个订单是一个对象，一个用户是一个对象，一个购物车也是一个对象。代码的组织方式从“函数集合”变成了“对象之间的消息传递”。\n\n```java\nclass Animal {\n    void speak() {\n        System.out.println(\"Some sound\");\n    }\n}\nclass Dog extends Animal {\n    void speak() {\n        System.out.println(\"Woof!\");\n    }\n}\n```\n\n> 面向对象的核心不是语法，而是思维方式的转变。我们不必再思考“机器怎么执行这段代码”，而是思考“这些概念之间的关系是什么”。编程越来越像在解决现实问题，而不是与机器博弈。\n\n# Python与JavaScript\n\n21世纪初，脚本语言崛起。Python强调可读性和简洁，JavaScript让浏览器变得可编程。它们的共同点是：**不需要编译**、**动态类型**、**上手门槛极低**。\n\n```python\n# 读取文件并统计单词数\nwith open('story.txt') as f:\n    words = f.read().split()\n    print(f\"单词数: {len(words)}\")\n```\n\n四行代码完成了一个实用程序。这在C语言中可能需要几十行，还要处理内存分配、缓冲区溢出等问题。\n\n> 脚本语言的出现让编程不再是计算机科学家的专利。数据分析师、设计师、学生都能通过Python快速解决问题。编程从“专业工种”变成了“通用技能”。JavaScript更是让每个人浏览器里的网页都变得可交互——我们不需要安装任何环境，打开F12就可以开始编程。\n\n# 自然语言与Vibe Coding\n\n2025年左右，一个叫“Vibe Coding”的概念开始流行。它的核心很简单：**用自然语言描述我们想要什么，AI生成代码**。\n\n我们对着IDE说：“创建一个网页，左侧是聊天列表，右侧是聊天窗口，数据先写死在JavaScript里。”几秒钟后，一个完整的前端应用就生成了。\n\n我们不需要知道React组件怎么写，不需要担心状态管理，不需要调试CSS布局。我们说出需求，AI理解并实现。\n\n> 这是编程进化的终点吗？也许是的——**当我们能直接用自然语言表达意图时，“编程”本身就不再需要了**。\n\n但更准确地说，编程的抽象层次达到了最高峰：\n\n- 机器语言：告诉机器每个比特\n- 汇编语言：告诉机器每个指令\n- C语言：告诉机器每个函数\n- Python：告诉计算机每个操作\n- 自然语言：告诉AI我们的意图\n\n每一层抽象都在隐藏底层细节，每一层进化都在让表达更接近人类的自然思维。\n\n# 进化的本质\n\n回顾这几十年的编程语言发展，我们能看到一条清晰的路径：\n\n**抽象层次不断升高，表达效率指数级提升。**\n\n用二进制写一个排序算法可能需要几千行0和1，用C语言可能几十行，用Python可能几行，用自然语言可能只需要一句话：“给这个数组排序。”\n\n但这条路径的另一面是：**我们离机器越来越远**。\n\n早期的程序员清楚地知道CPU如何执行每条指令，内存如何布局，缓存如何工作。今天的程序员可能完全不关心这些，他们只关心业务逻辑。这没什么不好——大部分问题确实不需要关心底层。\n\n> 编程语言的进化，本质上是人类不断把复杂性封装起来的过程。我们发明函数来封装重复逻辑，发明类来封装数据和操作，发明库来封装通用功能，发明框架来封装架构模式，发明AI来封装整个编码过程。\n\n每一次封装都释放了新的生产力，但代价是我们需要信任底层的抽象是可靠的。就像我们不会关心电梯的钢缆如何工作——**我们只是按按钮。**\n\n# 编程的消亡与重生\n\n当自然语言成为编程的最终抽象，“编程”这个词还会存在吗？\n\n编程不会消亡，但它会**变形**。\n\n未来的“程序员”可能更像“需求分析师”或“AI训练师”——能不能用自然语言清晰地描述我们想要什么；能不能识别AI生成的代码是否符合需求；能不能调试和优化AI的输出。\n\n换句话说，**编程的核心将从“怎么写代码”变成“怎么定义问题”**。\n\n这对于非技术人员来说是天大的好消息——他们终于可以直接用计算机解决问题，而不需要学习语法。对于专业程序员来说，这意味着要重新定义自己的价值：不是写代码的能力，而是理解问题、拆解需求、验证结果的能力。\n\n# 结语\n\n从机器语言的比特，到自然语言的思想，编程语言进化的每一步都在回答同一个问题：\n\n**如何让计算机更好地理解人类？**\n\n二进制是最糟糕的答案——需要人类去理解计算机。自然语言是最好的答案——让计算机去理解人类。\n\nVibe Coding不是一个终点，而是一个开始。当编程的门槛降到零，每个人都可以用自然语言指挥计算机创造东西时，人类创造力的释放将进入一个全新的时代。\n\n我们花了七十年的时间，从插头、开关、二进制、汇编、C语言、面向对象、脚本语言，一路走到自然语言编程。这不仅是技术的进步，更是人类思维方式的演进——从机器如何思考，到我们如何思考。\n\n也许有一天，编程语言这个概念本身会消失。我们会像和朋友聊天一样，和计算机合作创造。到那时，再回头看今天的编程语言，就像回头看石器时代的工具一样——既觉得原始，又充满敬意。\n","https:\u002F\u002Foxqtewbrpuiouqqjrvdv.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fpublic-media\u002F2026-07-16\u002F395fe295-8b25-4ff5-bf50-0d42340b8e27.jpg",[],[],"龙家轩","https:\u002F\u002Fweatheraintbad.com",{"id":126,"name":127,"slug":128,"description":129},"8649729c-92bf-4ec7-b98b-3bae4271318b","思考","thought","从项目或实操经验中延伸出的思考",[131,132,134,135,136,140,141],{"id":40,"name":41,"slug":42},{"id":133,"name":127,"slug":128},"68cedb55-2cac-412f-8f81-fda8c7d686dd",{"id":44,"name":45,"slug":46},{"id":24,"name":25,"slug":26},{"id":137,"name":138,"slug":139},"a2ccffe0-49b2-458b-baf6-a83a1b20443d","大语言模型","llm",{"id":32,"name":33,"slug":34},{"id":28,"name":29,"slug":30},50,"2026-04-03T00:00:00.000Z","2026-07-17T03:36:00.020Z","2026-07-16T04:13:19.163Z"]