【AI】trae Skills使用方法

【AI】trae Skills使用方法

一、Skills是什么?

Skill可以理解为agent的技能,Claude官方的解释是,使用 Skills 可以提升执行特定任务的能力。比如,可以在本地就能调用 Skills 玩转图片、Excel、Word、PDF 等处理操作,它和agent、mcp对比:

特性对比表格

特性SkillsSub-AgentsMCP (Model Context Protocol)
目的用专业知识、工作流程、资源扩展 Claude生成自主代理处理复杂子任务连接外部工具和数据源
调用方式模型自动发现(基于上下文)父代理显式生成MCP 服务器工具调用
持久性触发时加载到上下文独立运行,返回结果无状态工具执行
最适合领域专业知识、工作流程、模板并行任务、研究、探索外部 API、数据库、第三方服务
上下文使用渐进式披露(元数据→指令→资源)每个子代理有独立上下文最小上下文(仅工具定义)
复杂度低(只需 SKILL.md + 可选文件)中等(需要编排)中-高(需要服务器设置)
示例代码审查指南、部署工作流程「研究这个主题」、「探索代码库」GitHub API、数据库查询、Slack 集成

表格说明

  • Skills:适用于需要特定领域知识或标准化流程的场景,通过轻量级文件(如 SKILL.md)实现功能扩展。
  • Sub-Agents:适合分解复杂任务为并行子任务,需显式调用并管理子代理的上下文隔离。
  • MCP:专注于与外部系统的无状态集成,需额外设置服务器支持工具调用。

二、Skills的网站有哪些

Agent Skills 终极指南:
https://github.com/libukai/awesome-agent-skills
Skill下载库:
https://skills.sh/

Skill下载库2:
https://skillstore.io/zh-hans/skills

三、如何在trae中使用Skills

官网文档:
https://docs.trae.ai/ide/skills
官网文档描述:

在这里插入图片描述


文档中介绍了3种技能使用的方法:

方式一:通过对话,由 AI 自动创建技能

你可以直接通过对话创建技能。你只需向 AI 描述你的需求,AI 就会自动为你生成对应技能的 SKILL.md 文件。例如:

帮我在 ./trae/skills 目录下创建一个新的技能 技能的名字叫 xxx 这个技能可以帮我做以下事情: - xxx - xxx - xxx 

方式二:手动创建技能

通过指定技能类型、技能名称、描述和指令,手动创建技能。

创建自定义技能的步骤

技能类型
选择技能的类型,例如“对话技能”、“任务技能”或“信息查询技能”。

技能名称
为该技能起一个简短且有辨识度的名称,例如“天气查询”或“日程提醒”。

技能描述
描述该技能的功能以及触发条件,例如“当用户询问天气时,提供实时天气信息”。

技能指令
定义技能被触发时AI应遵循的规则或信息,例如“仅提供用户指定城市的天气数据,不包含无关信息”。

字段说明表格

字段名称说明
技能类型选择技能的分类,如对话、任务或信息查询。
技能名称简短且有辨识度的名称,用于快速识别技能功能。
技能描述详细说明技能的功能、适用场景及触发条件。
技能指令明确AI在触发技能时应执行的规则或提供的信息,确保行为符合预期。
在这里插入图片描述


点击 按钮。
对于全局技能,添加后,它会直接出现在 面板的 页签下。
对于项目技能,添加后,TRAE 将自动在当前项目的 .trae/skills/{skill_name} 目录下新建一个 SKILL.md 文件。文件内包含你的自定义技能配置。同时,该技能也会出现在 面板的 页签下。
(可选) 对于项目技能,根据指令中的描述,在 {skill_name} 文件夹下手动添加所需的脚本等资源。

方式三:手动导入外部技能

若你需要使用外部已创建的技能,可以直接将 SKILL.md 文件或包含 SKILL.md 以及其他相关文件的 .zip 文件导入至 TRAE。
前往 设置 > 。

  1. 在 部分,点击 创建 按钮。
  2. 在 窗口中,上传一个 SKILL.md 文件或一个包含 SKILL.md 文件的.zip

文件,然后选择 (全局/项目)。
TRAE 会分析所上传的技能文件,然后自动填充技能名称、描述和指令字段。

在这里插入图片描述

四、在对话中使用技能

方式一:手动调用技能

对话时,当你明确知道需要使用某个技能时,你可以直接向 AI 发送指令,从而精准控制 AI 的输出。例如:“用 codemap 技能总结一下这个分支的改动”。

方式二:由 AI 自动调用技能

在执行任务时,AI 会结合当前任务内容与各技能中定义的 “适用场景” 或 “何时使用” 之类的描述,判断是否需要加载某个技能,并在合适的阶段自动调用相关技能。
例如,假设你定义了一个代码审核技能,其触发条件为 “当用户请求代码反馈或评审时”。当你提出 “这个函数写得如何”、“帮我审核以下代码” 之类的请求时,AI 会识别到这类请求与代码审核技能的相关性,并在无需额外指令的情况下加载并使用该技能,以完成对应的代码分析与反馈。

五、示例

在这里插入图片描述

Read more

人工智能大模型应用开发:从微调适配到场景落地

人工智能大模型应用开发:从微调适配到场景落地

一、人工智能大模型应用开发:从微调适配到场景落地 1.1 本章学习目标与重点 💡 掌握大模型应用开发的核心流程,包括模型选型、微调适配、功能封装、部署上线等关键环节; 💡 熟练运用主流大模型框架(Hugging Face Transformers、LangChain、LlamaIndex 等),实现文本生成、问答系统、智能助手等常见应用; 💡 理解大模型微调的核心技术(全参数微调、LoRA、QLoRA 等),能够根据数据规模和硬件资源选择合适的适配方案; 💡 通过真实场景案例(企业知识库问答、智能客服、代码生成助手),掌握大模型从技术适配到业务落地的端到端开发能力。 ⚠️ 重点关注:大模型的上下文窗口限制、生成内容的准确性与安全性、微调过程中的显存优化、以及生产环境下的性能与稳定性平衡。 1.2 大模型应用开发基础:选型与环境搭建 大模型应用开发的第一步是明确业务需求,选择合适的模型并搭建稳定的开发环境。本节将从模型选型原则、主流开发框架介绍、环境搭建实操三个维度,为后续开发奠定基础。 1.2.1

相干伊辛机在医疗领域及医疗AI领域的应用前景分析

相干伊辛机在医疗领域及医疗AI领域的应用前景分析

引言:当量子退火遇见精准医疗 21世纪的医疗健康领域正经历着一场由数据驱动的深刻变革。从基因组学到医学影像,从电子病历到可穿戴设备,医疗数据正以指数级增长。然而,海量数据的背后是经典的“组合爆炸”难题——例如,药物分子中电子的量子态搜索、多模态医疗影像的特征匹配、个性化治疗方案的组合优化等,这些问题对经典计算机,甚至对传统的超级计算机而言,都构成了难以逾越的计算壁垒。 相干伊辛机(Coherent Ising Machine, CIM)作为一种基于量子光学和量子退火原理的新型计算范式,为解决这类组合优化问题提供了全新的物理路径。它不同于通用量子计算机(如超导门模型),CIM是专为寻找复杂伊辛模型基态而设计的专用量子处理器。本文将深入探讨CIM如何凭借其强大的并行搜索能力,在药物研发、精准诊断、个性化治疗以及医疗AI优化等领域,从计算底层赋能医疗科技的未来。 一、 相干伊辛机:从统计物理到量子计算引擎 要理解CIM在医疗领域的潜力,首先需要深入其物理内核,厘清它如何通过光的相干性来高效解决现实世界的复杂问题。 1. 伊辛模型:组合优化的“通用语言” 伊辛模型最初源于统计物理学

OpenClaw 的免费 AI 大模型及其配置方法

OpenClaw 中的“自由模型”可能意味着两种不同的东西,而混淆这两种模型正是大多数人浪费时间的地方。 有一种“免费”是真正意义上的免费,因为模型运行在本地,你只需要支付 CPU、内存、GPU 和电力费用。例如 Ollama 或你自行托管的 OpenAI 兼容运行时环境。 另一种是“免费套餐”,即托管服务提供商提供一定的配额、积分或 OAuth 访问权限。这种套餐虽然不错,但通常会有速率限制、策略限制,而且偶尔还会出现意外中断或流量突然上限的情况。 本指南篇幅较长,因为模型配置看似简单,但一旦遇到问题,例如工具调用速度变慢、出现 429 错误,或者某个代理使用的身份验证配置文件与预期不符等,就会发现其中的奥妙。我们将力求实用。 如果您是 OpenClaw 新手,想先了解基础知识,可以阅读 OpenClaw 简介及其工作原理。如果您已经运行了 OpenClaw,接下来我们来正确地连接模型。 OpenClaw

AI 在生活中的应用:深度解析与技术洞察

AI 在生活中的应用:深度解析与技术洞察

目录 引言 AI 在出行领域的应用 自动驾驶汽车 智能交通管理系统 AI 在智能家居中的应用 智能语音助手 智能家电互联 AI 在医疗保健领域的应用 疾病诊断辅助 智能健康监测 AI 在娱乐领域的应用 个性化内容推荐 游戏开发与互动 总结 引言 在当今数字化浪潮中,人工智能(AI)已悄然融入我们生活的方方面面,从日常出行到智能家居,从医疗保健到娱乐消费,AI 正以前所未有的速度改变着我们的生活方式。本文将深入探讨 AI 在生活中的各类应用,并剖析背后的关键技术,带您领略 AI 的魅力与力量。 AI 在出行领域的应用 自动驾驶汽车 自动驾驶无疑是 AI 在出行领域最具代表性的应用。汽车配备了多种传感器,如激光雷达、摄像头、毫米波雷达等,这些传感器如同汽车的“眼睛”,实时收集周围环境信息。 * 技术原理:以深度学习算法为核心,