对话百川智能郭美青:你辛苦做的 Skill,最后都成了大模型的「养料」 ✍ AIGCLINK🕐 2026-07-26📦 13.0 KB 🟢 已读 𝕏 文章列表 本文是 AIGCLINK 与百川智能技术总监郭美青的对谈。双方探讨了 Skill 的本质是模型补丁,指出优质的 Skill 易被大模型内化成训练养料;同时梳理了 Harness、Loop、Graph 等新概念背后的技术演进逻辑。最后建议从业者不要将当下视作终局,应从生意出发,从上往下构建确定性,以应对底层技术的快速迭代。 Agent大模型百川智能SkillAI创业HarnessLoop技术趋势行业观察职场建议 # 对话百川智能郭美青:你辛苦做的 Skill,最后都成了大模型的「养料」 **作者**: AIGCLINK **日期**: 2026-07-25T11:58:11.000Z **来源**: [https://x.com/aigclink/status/2080985963304772019](https://x.com/aigclink/status/2080985963304772019) ---  先抛一个可能让很多人不舒服的判断:你辛苦做的那些 Skill,做得越好,最后越是在给大模型当「养料」。 这是我(占冰强)和郭美青(Andy)聊了一个半小时的一条主线。郭老师是百川智的技术总监。我们从最近很火的 Skill 聊起,一路聊到 Harness、Loop、Graph 这些新词到底在解决什么,也聊到一个 AI 从业者今天该怎么给自己找确定性。 下面是这次对谈的整理,两个人的观点都尽量保留了原话。 ## 一、为什么「开源 Skill 拿来就用」是个幻觉 占冰强: 你之前提过一个结论——Skill 可能必须定制才行。为什么? 郭美青: Skill 的设计目标是复用,既然能复用就有标准,理论上能在社区里形成一个市场。但你真去做就会发现问题:比如做一个搜索 skill,以前包装成一个 MCP 工具、给个 query 参数就能搜,本质是简单的 API 封装。可一旦落到场景里就变了——医疗搜索和金融搜索,同样一个 skill,因为目的地不同,评价标准也不同。医疗是搜指南、搜论文,还是搜前沿英文文献?这里全是场景的 know-how 和标准。 所以开源社区的 skill,一旦涉及场景,你没法直接拿来用。能直接用的只有很底层、很通用的(网盘、存储、飞书文档这类)。一进入场景化,每个人的品味、要求都不同——这就是「必须定制」的原因。 ## 二、顶级阳谋:你贡献的每一份好东西,都在给模型喂料  郭美青: 更尴尬的是,模型在慢慢把好的 Skill 内化进去。做得好的 skill,又吸引来一批用户,最后共同给模型公司当养料。 > 这是一个顶级的阳谋——它明摆着在那儿,但你没有办法。 占冰强: 我脑子里有个特别形象的画面:Anthropic 像坐在牛马身上,前面拿根棍子吊着一块肉。 底下的牛马看到这块肉,觉得自己好像一直能吃到,就拼命往前跑——可本质上都在为它干活,它让你往哪走你就往哪走。 郭美青: 对,而且连微软都在焦虑这件事。Nadella 前段时间还写文章「喷」Anthropic:既要付高昂的 token 费用,又要把企业的 know-how 全贡献成训练养料。你就算完全不用顶级模型,也没法规避同行会用、会训练。更关键的是——后训练更核心的是数据的质量,而不是体量,所以贡献这件事很难绕开。 郭美青: 你能做的,是把模型当成随时可替换的东西,在它之上构建 Harness——一个面向真实场景和生意的产品,快速获取用户、积累品牌。这可能才是壁垒。但它也不持久: > 这个时代很残酷——你既要构建出壁垒,又要飞速快跑,永远跑在最前面。 ## 三、Skill 的本质是「补丁」,模型越强,补丁越可能变累赘 占冰强: Skill 一多就容易互相打架,你们怎么处理? 郭美青: 我的经验值是超过 20 个就要小心。看到一个收一个、不精心组织,一定会出问题:该用 A 时用了 B。关键是精心组织边界,并在误用时找到问题去修。随着模型变聪明,它走错还会绕回来,影响没那么大。 占冰强: 但它会不会起副作用?现在很多人建议 coding 时别再写 agent.md 那种文件了,结果反而更差。这其实反映出一个问题:模型的能力可能已经超过了很多人的认知,于是变成了外行指挥内行。 郭美青: 事实就是这样。Skill 本质是个补丁,是 SOP 的补丁。 模型把优质数据内化进训练后,你原先打的补丁反而成了对它决策的束缚。 我把 Skill 分了几层:第一层「你是谁、解决什么问题」;第二层「工作原则」;再往下「调哪个工具、怎么调最高效」——写到这层,你其实已经在给模型打补丁了。所以更好的做法是:先分清什么是补丁、什么是真正的约束,把补丁「外化」到单独文件里、用引用挂上,等模型变强了直接删掉。我统计过,一些挺有名的开源 agent,仓库里内置七八十个 Skill,九成只有一个 skill.md——粗制滥造。所以 Skill 的测评其实很重要,只是现在还很初级。 ## 四、把新词串起来:从 PE 到 Context、Harness、Loop、Graph  占冰强: 从 Context 到 Harness、Loop,现在又冒出 Graph,造了一堆概念。它们各自到底在解决什么? 郭美青: 每个新名词都代表信息差,信息差就让人焦虑。但你放开看,从 23 年到今天走的是一条主线,就是 OpenAI 那个五级路线图:chatbot → reasoner → agent → innovator → 组织者。 - chatbot(23 年):只能对话,靠 PE(提示词工程)打交道。 - reasoner(24 年中 o1 后):第一个推理模型,你简单说一句它就理解得很准。 - Context Engineering(24 年底起):窗口长了、推理强了,怎么给它更完整的输入成了主要工作——工具清单、RAG 召回、超长上下文压缩。 - Harness(今年 1 月 Codex 后):新变量是「环境」——给 agent 备好软件/网络环境、配好带领域 know-how 的 skill、处理装不上软件这类脏活。做 agent 的人一直在干,只是有了名字。 > 你会发现,一步步走下来,人一直在往后退,要参与的事越来越少。 ## 五、Loop 的核心只是「验证器」;真正不变的是 What  郭美青: Loop 不是什么高大上的概念,核心就是有一个验证环节。不管你在提示词里约束验证标准,还是写程序去验证,总要有个验证器;有了它,没达到要求就继续转。 占冰强: 我理解 Loop 有点像管理里的过程管理——以前我 vibe coding 完,得自己看一眼对不对再往下走,不然干到最后路线全偏了。那它的边界在哪?是不是最终取决于模型提升的边界? 郭美青: 关键是想清楚什么会变——会被模型吞掉的都会变。 > 不变的是 What:你要做什么,以及你判断这件事做成的标准。 一个 demo 能点就算通过,但一个上千万 DAU 的企业级产品还要验证性能、安全、扩展性、规范,标准差别巨大。生产力在飞速提升,但需求和标准变化很慢——所以标准反而是相当长一段时间里不变的东西。 占冰强: 我还有个感受:Context Engineering 是真正扩大受众的一步。 在它之前,你得会混编、还得有任务的 know-how,才能搞出个东西来;Context 相当于说「我给你这几个 API、这几个工具,剩下你自己搞」,极大降低了参与门槛,很有象征性。但到了 Harness 和 Loop,我就觉得有点偏炒作了——它们并没有扩大受众,还是上一波那批人在自嗨,圈子反而更小了。 郭美青: 因为受众不一样。Context 是很底层的能力,对所有人都适用;但 Harness 大多数人根本不懂环境,用 AI vibe coding 出个东西已经是极限;Loop 对普通用户反而还好,因为它是一种「使用方式」,定义清楚验收标准就行,只有要做得专业才复杂。 占冰强: 那 Graph 呢?我怎么感觉它有点反发展方向,又想把人塞回流程里? 郭美青: Graph 其实就是当年扣子那种编排:定义节点、每步输入输出受控。今天又提,包括 Claude Code 的 Dynamic Workflow——用写代码的方式先抽出一个确定性工作流,再留坑给模型自主发挥。区别只是:扣子是人手工编排,Dynamic 把编排交给了模型。workflow agent 和自主 agent,今年在融合。 ## 六、「品味」落到实处,就是评估标准和 benchmark 郭美青: 很多人谈 AI 时代的「品味」,这个词很虚,具象化其实就是评估标准:把一件事拆成几个指标,每个指标设不同打分等级,给它 rubrics。这就是你品味的选择。 占冰强: 所以这就形成了一个数据飞轮——未来大家拼的就是谁的数据飞轮够牛,能不能收集到足够多的真实用户意图、让回答始终在头部。而真实的内功,是你的 benchmark,你对行业 know-how 的理解全在里面。 郭美青: 对。有个说法是训练本身只占 5%–10%,因为算法工程师大量时间在处理数据、排查 bad case、做评估。 > 训练的算法工程师有点像餐厅炒菜的师傅:备菜、买肉有专人,他根据指标该炒就炒、火候自己判断,端出去。 ## 七、几个暴论:模型公司像工厂,未来每家公司都有自己的模型 占冰强: 我有几个自己的「暴论」。第一个比喻:现在这批模型公司,像工业时代刚开始的工厂,造出一堆机器一样的 AI 产品;而软件行业这批人像农业,拿这些产品去「种地」。以前收十亩地要十几二十天,现在半天就够、人人能上手——但尴尬的是,收成好不好其实取决于工厂造的机器好不好,跟你关系不大。 占冰强: 第二个暴论:未来模型公司可能像今天的网站一样,每家公司都有一个。 2000 年会做网站就很牛,今天人人都有网站;再过几年,可能人人都有自己的(小)模型。否则我实在想不出,搞 AI 的怎么确保自己一直不被模型公司内化。郭老师你怎么看? 郭美青: 你这个结论我觉得现在其实已经能做,只是成本问题。稍大点、技术强点的公司都在自己训或用开源模型后训练——API 太贵,还有数据出域问题(像我们做医疗,绝不会直接调外部 API)。借助 Harness,几百亿参数的模型在很多场景已经够用。私有化、端侧模型,未来几年一定是重要趋势。 占冰强: 那再往后,到了「创新者」阶段会怎样? 郭美青: AI 会去卷人类还没解决的难题。但核心是:AI 再强,「定义要做什么」依然是人去定义的,AI 是辅助。而且创新必然来自边缘,边缘对一个中心化组织往往是看不见的——所以我不认可「马太效应越来越强」,那只能说明现在还很早期。 ## 八、给从业者的忠告:别把当下当终局,从上往下找确定性  占冰强: 最后想请你给个忠告。我特别怕身边有人做了个 AI、接了两三个单,就把它当成一劳永逸的确定性抱着不放。 郭美青: 如果你把当前状态当成终局去构建产品、以为它能持久,现阶段是不行的。 > 模型的智能是底层地基。地基还没稳你就往上盖,地基一变,上层建筑就摇摇欲坠。 所有 AI 工具的路径都是从底向上、技术驱动的。但你反过来,如果本身有一门生意——哪怕很小——你就有了用户。需求会变,但你可以把「洞察需求变化」这件事本身当成确定性。先把生意建起来,AI 只是用来巩固它。我们很多技术人都在拿着锤子找钉子:AI 这么强、我技术又强,那就造个工具。但你是先有产品才有用户。反过来,先有生意、深入行业,再从上往下找技术——模型公司不会切那么细分的赛道。 占冰强: 说得好。别天天喊「我是锤子、我要找钉子」——那钉子也不敢冒出来。 > 先别急着找产品,先做一个「成交闭环」,这可能是当下最重要的。 实在找不到,去打工、修炼企业真正需要的能力也没问题;或者像我这样,每天做做直播、持续输出,也是正经事。 以上是这次对谈的主要内容。如果你也在 AI 这行,欢迎在评论区聊聊:你觉得手里正在做的东西,是「补丁」,还是真正的壁垒? 觉得有启发的话,点个关注、转发给同行 🔁 #AI #Agent #AI创业 #大模型 #Skill ## 相关链接 - [AIGCLINK](https://x.com/aigclink) - [@aigclink](https://x.com/aigclink) - [3.3K](https://x.com/aigclink/status/2080985963304772019/analytics) - [#AI](https://x.com/search?q=%23AI&src=hashtag_click) - [#Agent](https://x.com/search?q=%23Agent&src=hashtag_click) - [#AI创业](https://x.com/search?q=%23AI%E5%88%9B%E4%B8%9A&src=hashtag_click) - [#大模型](https://x.com/search?q=%23%E5%A4%A7%E6%A8%A1%E5%9E%8B&src=hashtag_click) - [#Skill](https://x.com/search?q=%23Skill&src=hashtag_click) - [Upgrade to Premium](https://x.com/i/premium_sign_up) - [7:58 PM · Jul 25, 2026](https://x.com/aigclink/status/2080985963304772019) - [3,377 Views](https://x.com/aigclink/status/2080985963304772019/analytics) --- *导出时间: 2026/7/26 10:08:35*
B BestBlogs 早报|实现周期骤缩后,创业者如何重选问题 本期早报探讨了 AI 智能体缩短实现周期后,创业者的机遇与挑战。文章涵盖 Sam Altman 对创业窗口的判断、GPT-5.6 的效率工程实践,以及如何通过 Skill Harness 将模型能力封装为可维护的产品功能。 技术 › Skill ✍ ginobefun🕐 2026-07-30 GPT-5.6Agent创业效率工程ProductHarnessSkillLLMOpenAI
一 一个暑假,我侄子用两个 Skill 搞明白了 Agent 最难的部分 作者讲述侄子利用暑假开发两个健康类 Agent Skill 的经历。从“养生谣言粉碎机”到“体检行动助手”,解决了大模型幻觉、信息检索权威性及流程设计等难点。文章重点介绍了如何利用豆包搜索 API 的结构化数据与权威过滤功能来增强 Agent 能力,并分享了 Skill 开发优于独立 Agent 的实践经验和建议。 技术 › Agent ✍ 宝玉🕐 2026-07-28 AgentSkill豆包搜索AI开发大模型实战经验信息检索健康类目工作流开源
构 构建智能代理的三层架构:Loop、Graph与Harness 本文提出解决Agent重复读取数据和Token浪费的三层架构方案:Loop负责单元工作的收集-行动-验证闭环;Graph通过分发和并行管理复杂任务;Harness作为运行时环境提供工具和上下文隔离。文中提供了具体的代码实现思路和实战演示。 技术 › Agent ✍ Archive🕐 2026-07-25 AgentLoopGraphHarness架构设计上下文管理Token优化验证机制代码实现
盘 盘点16个把自己蒸馏成Skills的国民级App 文章盘点了瑞幸、麦当劳、飞猪、滴滴等16款国民级应用,这些产品正通过封装Skill、MCP或CLI接口,向Agent开放点咖啡、订票、打车、办公等核心能力。作者指出这标志着Agent化时代的到来,并对比了当前支付环节的“信任”壁垒,认为该趋势类似于2017年小程序爆发的前夜,未来Agent将成为人们在数字世界的另一个“贾维斯”。 技术 › Agent ✍ 数字生命卡兹克🕐 2026-06-25 AgentSkillMCP瑞幸咖啡飞书滴滴OpenAI趋势观察大模型生态
为 为什么你的agent项目难以落地:论Agent Harness的重要性 本文探讨了Agent项目难以落地的核心原因。作者指出,许多团队忽视了模型与应用之间的基础设施层——Agent Harness。文章通过生理学类比和工程细节分析,阐述了为什么仅靠LLM无法构建高效Agent,并预测AI行业将分化为模型层、Harness平台层和Agent应用层,建议业务团队应专注于业务逻辑而非底层基础设施。 技术 › Agent ✍ North@CreaoAI🕐 2026-05-25 AgentHarness工程架构LLM落地实践行业观察基础设施CreaoAI
装 装完 Codex 不知道干什么?这 6 个 GitHub Skills 让你做视频搞钱 文章介绍了 6 个适用于 Codex 的 GitHub Skills,涵盖动效生成、视频剪辑、批量制作、AI 生成及中文剪辑等工具,帮助用户构建自动化视频工作流以提升效率。 技术 › Codex ✍ Kay🕐 2026-07-30 Codex视频制作AgentSkill自动化HyperFramesRemotionAI剪辑工作流
纳 纳米Work实测:跨三家大模型制作宣传片 作者体验了纳米Work产品,通过两个真实任务测试其Agent能力。该产品成功调用多家大模型完成了产品宣传片剪辑及文案落地页制作。产品具有全过程透明、支持多模型切换及移动端接管等特点,展示了AI作为工作伙伴的巨大潜力。 技术 › Agent ✍ 花叔🕐 2026-07-29 纳米WorkAgent大模型工作流自动化产品设计视频剪辑AI办公
大 大部分人用 skill还停留在下载别人写好的 文章指出当前大部分人对 Skill 的使用仅停留在下载现成工具层面,而更先进的项目已开始将方法论、思维方式及商业经验转化为可运行、可复用的 Skill。文中列举了女娲、dbskill、ljg-skills 等典型案例,并分析了中英文社区在 Skill 生态上的不同侧重,强调“造 Skill 的 Skill”才是生产力杠杆。 技术 › Skill ✍ Jason Zhu🕐 2026-07-29 SkillAgent方法论生产力开源女娲dbskill生态中文社区
提 提升 Agent 的信息搜索能力:Serper 与豆包搜索对比评测 文章对比了 Serper(Google 封装)与豆包搜索在 Agent 应用中的表现。豆包在 Query 改写、结构化数据(汇率/股价)、跨语言检索、时效性过滤及信源权威度分级上优势明显,更适合处理中文口语化及实时信息需求;而 Google 在英文学术检索上仍占优。文章指出高质量搜索 API 对提升 Agent 推理能力至关重要。 技术 › Agent ✍ Orange AI🕐 2026-07-28 Agent信息搜索豆包搜索SerperAPI评测RAG大模型
构 构建超越单一模型的持久 AI 系统 文章指出,模型只是可随时替换的引擎,真正的价值在于构建围绕模型的系统。作者介绍了利用 Hermes 工具从简单的问答、一次性任务,进化到生成可共享的产物、封装可复用的技能,最终形成自动化运行的循环系统,以实现 AI 效用的复利增长。 技术 › Hermes ✍ ericosiu🕐 2026-07-25 AI系统HermesSkillAgent工作流自动化技能封装
梁 梁文锋投资人会议语录 本文记录了梁文锋在投资人会议上的核心观点,涵盖AGI发展路线、开源与商业化策略、团队管理及愿景驱动等方面。他强调产品是AGI的副产物,现阶段的重点是Coding Agent和持续学习能力,开源与克制是长期战略,目标是实现AGI而非追求短期利益。 技术 › LLM ✍ Orange AI🕐 2026-07-23 AGI开源Agent持续学习商业模式愿景驱动克制大模型技术路线团队管理
6 60个AI黑话,一次性翻译成人类语言 文章将60个AI行业专业术语进行了通俗易懂的翻译和解释,涵盖基础概念、训练调优、推理交互、工具扩展、评估安全及前沿趋势六个方面,帮助读者快速理解AI技术地图。 技术 › LLM ✍ 概率鹿梦|AI Wealth Edge🕐 2026-07-22 AI术语大模型智能体AgentLLM科普翻译基础知识