首页 文章 精选 留言 我的

精选列表

搜索[skills],共2406篇文章
优秀的个人博客,低调大师

阿里云发布 Agentic OS:预置 Skills,可降低 Agent 运行成本30%

2026年3月30日,阿里云宣布其自研操作系统Alibaba Cloud Linux完成关键跃迁,正式推出面向AI智能体的新一代操作系统——Agentic OS。该系统专为能够自主规划、决策并执行任务的AI Agent(智能体)设计,标志着操作系统迈出了从“服务人类用户”逐步向“服务AI生产力”演进的重要一步。目前,Agentic OS已在阿里云ECS控制台上架,并且在GitHub上开源,欢迎开发者和企业体验。 随着Agent逐渐成为企业生产力的重要组成部分,传统操作系统面临适配成本高、运行效率低、安全管理难等挑战。Agentic OS围绕AI Agent的核心需求,将运行时优化、安全执行防护、可观测性保障等能力内置于系统层面,为企业提供开箱即用的智能体运行底座。 三大核心能力升级 一、告别Agent探索试错,降低运行成本 Agent在传统操作系统上运行时,大量计算资源消耗在“理解环境”而非“完成任务”上。Agentic OS将高频运维操作、环境配置、工具调用等封装为标准化Skill模块,内置于操作系统中。 Agent无需额外消耗计算资源去“学习”或“适配”这些能力。在系统管理和运维场景范围内,对比传统OS环境,Token的开销相差30%以上。以使用OpenClaw做操作系统漏洞看护修复场景为例,在CVE评估阶段,在同等大模型底座下,使用Agentic OS相比传统操作系统可节省60%的Token开销。 二、Copilot Shell新入口,重塑人与Agent的操作界面 传统Shell为人类设计,Agent被迫解析bash的非结构化文本输出,效率低且易出错。Agentic OS以Copilot Shell(简称cosh)取代传统登录Shell,重新定义进入操作系统的入口:对人类支持自然语言交互,对Agent暴露Skill/MCP/CLI结构化接口,同一入口实现人与Agent的无缝协作,一句指令即可启动一个数字员工。 三、内置安全核心,防范“智能失控”风险 当Agent被赋予自主执行权限时,智能失控的安全风险随之增加。Agentic OS引入AgentSecCore安全模块,提供四层安全防护:Skill签名与完整性校验,防范供应链攻击;运行时行为管控与沙箱隔离,限制越权操作;隐私标识防泄露,防护宿主机及操作系统敏感隐私标识信息外泄;系统级安全加固,建立Agent安全底座运行环境。 Agentic OS的推出,为智能体应用提供从开发到运行的全栈支持提供了一种新的合作范式。未来,阿里云将持续深化Agentic OS与OpenClaw等全球主流智能体框架的融合,推动Agent-as-a-Service(智能体即服务)模式的规模化应用。 体验入口: GitHub:https://github.com/alibaba/ANOLISA 阿里云ECS使用Agentic OS快速入门:https://help.aliyun.com/zh/alinux/agentic-os-getting-started 关于Alibaba Cloud Linux Alibaba Cloud Linux是由阿里云推出的自研操作系统产品,其最新版本具备AI驱动、原生安全、面向云+AI场景协同优化等特性,是AI时代开箱即用的软件运行环境基座,为用户提供超过10年的企业级支持和维护。

优秀的个人博客,低调大师

【HarmonyOS SDK Skills】 Push Kit自分类Skill 提升权益申请通过率

在消息推送体系中,通知消息分类直接影响用户的推送体验。服务通讯类、资讯营销类消息,在设备展示规则、频次限制上截然不同。HarmonyOS Push Kit 为了保障用户体验,会默认将所有消息归为营销类,而营销类消息每天每台设备最多仅能收到2条或5条提醒。对于需要高频推送服务提醒的应用(如 IM、出行、健康管理等),默认营销通道很难匹配真实业务诉求。此外,不同消息类别对标题、内容格式有不同要求,选错类别将被驳回。如何快速匹配最适合的自分类类别,亟需一个可靠的官方工具提升申请效率。 通知消息自分类权益推荐 Skill(hmos-push-kit-recommend-self-classification)正式推出。该能力结合 AI 大模型与鸿蒙推送分类知识库,可智能分析应用类型与推送场景,自动推荐最合适的自分类权益类别,有效降低申请驳回概率。 一、四大核心能力 智能推荐:结合应用类型和推送业务场景,自动推荐最佳分类类别; 错误规避:分析高频驳回原因,提前规避常见错误; 格式指导:提供各类消息的标题、内容格式规范; 申请指导:多业务场景并存时,提供清晰的类别选择建议。 二、两步接入,轻松申请 第一步:下载配置 Skill 从官方代码仓库【下载Skill】,并放置到 AI 编码工具(如 Deveco Code、Claude Code 等)的 Skill 配置目录下。 第二步:触发 Skill 获取推荐结果 向 AI 编码工具描述您的应用类型和推送场景,可通过关键词触发(如“帮我推荐 xxx 场景适配的 push 自分类”)或 Skill 名称触发(如“请使用 hmos-push-kit-recommend-self-classification 推荐自分类权益”)。Skill 分析后将输出推荐类别和申请材料清单。 三、提交申请 根据Skill推荐结果准备相应材料,在 AppGallery Connect 网站提交通知消息自分类权益申请。 四、智能推荐,提质增效 通知消息自分类权益推荐 Skill 为开发者带来三大核心价值: 1.精准匹配:AI 智能分析应用场景,推荐最合适的自分类类别,有效降低驳回率; 2.规避风险:提前识别常见驳回原因,避免因格式或类别错误导致申请失败; 3.高效申请:提供完整的申请材料清单与格式指导,一站式完成自分类权益筹备。 开发者仅需描述推送场景,Skill 即可自动返回推荐类别及申请材料清单。即刻体验该Skill,实现通知高效触达,告别驳回烦恼! (营销类型为默认权益,未申请或使用错误类别时默认走营销通道,建议开发者根据实际场景尽早申请自分类权益)

优秀的个人博客,低调大师

【HarmonyOS SDK Skills】AI 赋能 Push Kit 开发,鸿蒙应用推送能力接入

Push Kit(推送服务) 是 HarmonyOS SDK 为开发者提供的应用触达用户、激活留存、完善场景服务的核心开放能力。无论是通知提醒、后台消息还是应用内通话,精准的消息推送直接关系到用户体验与留存。针对不同场景的推送需求,开发者往往需要同时兼顾客户端代码实现、服务端多语言接口适配以及工程依赖配置等一系列繁杂事务。这就迫切需要一个效率提升工具,帮助他们快速接入 Push 功能。 正是为了解决这一痛点, Push Kit 场景化消息开发 Skill(hmos-push-kit)正式推出。它依托鸿蒙推送官方知识库与 AI 大模型能力,可自动完成客户端代码生成、服务端接口适配以及工程依赖配置,将推送接入流程简化为“一键式”自动化任务,帮助开发者告别手动编码与调试,让鸿蒙推送接入效率实现质的飞跃。 一、端云协同,一站式适配 客户端 Skill:自动生成推送通知消息、后台消息、应用内通话消息的 ArkTS 代码,同时自动配置工程依赖与权限。 服务端 Skill:自动生成服务端工程代码,实现 Push 场景化消息发送能力,支持Java 开发语言快速适配。 二、两步接入,轻松上手 第一步:下载安装 从官方开发者指南中提供的链接处【下载客户端Skill】,放置到 AI 编码工具(如 DevEco Code、OpenCode 等)的 Skill 配置目录下。(如下展示的是客户端Skill,服务端 Skill 下载安装步骤相同) 第二步:触发 Skill 在 AI 编码工具对话中描述您的推送场景需求(如“帮我接入 Push Kit ”),或直接输入 Skill 名称触发能力(如“请使用 hmos-push-kit 帮我接入推送服务 ”),AI 将自动为您生成完整、可直接编译运行的全套代码与配置文件。 三、提质增效,解锁开发新范式 Push Kit 场景化消息开发 Skill,聚焦开发者核心诉求,从效率、成本、质量三个维度全面优化推送开发体验: 1.效率飞跃:AI自动生成代码,告别手动配置依赖与调试; 2.成本优化:客户端与服务端双端覆盖,降低多语言技术栈适配成本。 3.标准可控:遵循鸿蒙官方开发规范,统一代码输出标准,有效减少各类异常问题。 AI 赋能鸿蒙应用推送开发,让手动配置自动化、让零散开发标准化、让高频需求轻量化。无需深耕底层原理,无需反复踩坑调试,一键解锁主要场景的鸿蒙推送能力,助力开发者高效完成功能落地,聚焦业务创新。 (部分能力处于持续迭代中,接入过程中如有疑问,可通过官方渠道咨询技术支持)

优秀的个人博客,低调大师

《WorkBuddy Skills 实战》第14招 一本书变成Skill

你有没有遇到过这种情况:手册里明明写着答案,但每次让模型回答跨章节问题时,它都要把整本书重新扫一遍。我是老李,一个在后台系统里折腾多年的工程师。团队最近在整理一本内部高并发运维手册,800 多页、几十万字。大家想让模型回答“线程池参数、数据库连接池参数、压测结论之间如何配套”这类问题时,发现每次都要加载大量无关章节,不仅烧 token,答案还经常把第三章和第九章的版本搞混。为什么现在要讲?因为长文档越来越多,上下文窗口再大也经不起整本乱塞。把查找成本前移,做成可查询的知识包,是当下非常划算的一件事。 ## 01、痛点 长文档和普通 FAQ 不一样。普通 FAQ 的问题短、答案短,直接检索就行。技术书、企业规范、内部手册的特点是:信息密度高、章节之间强依赖、版本关系复杂。比如《高并发系统运维手册》第六章讲线程池,第十二章讲连接池,附录 B 是压测报告,附录 D 是扩容公式。一个看似简单的问题“线程池最大线程数怎么配”,可能同时涉及这三处。 传统做法是把整本书或大段章节塞给模型,让它自己去翻。结果有几个明显问题: - 上下文占用高:几十万字全加载,可能占掉几十万 token。 - 定位慢:模型要在长上下文中反复跳转,容易漏掉附录里的关键约束。 - 容易串版本:如果手册修订过,旧章节和新章节对同一参数建议不一致,模型没有明确的版本边界,很容易张冠李戴。 - 费用高:每次问答都为大量无关内容付费。 - 安全风险:受控手册如果被全文复制到外部系统,版权和敏感信息都容易失控。 这些问题的共同根源,不是模型不够强,而是我们把“发现正确内容”这件事留到了每次提问时。 ## 02、是什么 我要介绍的方法,是把长文档转成一种可按需加载和查询的知识包。它和常见的全文摘要不同,也不是简单地把 PDF 切成小段再向量检索。知识包更像一个经过预处理的目录系统,每个目录节点后面跟着一个最小知识单元。知识单元里只保留回答某类问题必需的内容、前置条件、来源路径和校验规则。原始长文仍然留在受控仓库里,知识包不上传全文。 可以把知识包理解成一套“问题路由 + 最小上下文”结构。构建时,先扫描目录、章节标题、图表清单、代码块、参数表和版本修订记录,把它们抽象成索引。再按任务粒度拆分知识单元。比如“线程池最大线程数”是一个知识单元,“连接池等待时间”是另一个,“两者联动校验”是第三个。实际提问时,先走路由层,判断需要挂载哪几个知识单元,再加载这些单元,而不是加载整本书。 它的核心目标只有一个:把发现成本从在线阶段前移到离线阶段。 ## 03、为什么 上下文窗口不是无限大,也不应该成为垃圾桶。很多模型在长上下文中存在中间位置注意力下降的问题,无关内容越多,正确答案越容易被稀释。每次提问都重新翻目录和加载整本书,等于把所有查找负担都丢给在线推理。更糟的是,这种负担还按 token 计费。 结构化知识包能减少三样东西:加载量、串版本概率、重复劳动。以 800 页手册为例,原文可能有 40 万字以上,随便全量加载就是几十万 token;抽象成知识单元后,大多数问题只需要挂载三五个单元,每个单元几百到一两千字,整体加载量可以降低一两个数量级。 更重要的是,知识包把章节之间的依赖关系提前梳理好。比如“超时时间不能大于熔断时间”这种跨章节约束,如果只靠检索,可能同时召回第三章和第九章的冲突内容,模型还得自己判断谁优先级更高。而知识包可以在构建期就标注冲突和生效条件。 ## 04、架构 我把它分成五层。 - 原材料层:存放有权使用的原始文档、版本号、哈希、访问权限。可以放内部 Git 或对象存储,不允许直接对外。 - 解析层:用目录解析、章节切分、表格识别、代码块识别等步骤,把长文拆成带路径的结构化片段。比如“06-2 线程池核心参数”是一个片段。 - 语义层:对每个片段生成摘要、关键词、适用问题列表、前置依赖、冲突说明。例如该片段依赖“12-4 连接池等待时间”,并提示“与 09-3 网关超时建议存在历史冲突”。 - 知识单元层:把语义层产出打包成可加载的单元。每个单元包含:标题、问题特征、内容要点、原文指针、版本号、校验规则、禁止事项。 - 执行层:接收问题后先做路由匹配,再按依赖关系加载知识单元,最后生成回答并附来源。执行层里还有安全过滤,确保输出不夹带原文未授权片段。 关键设计是“指针 + 摘要 + 校验规则”代替“全文复制”。知识包里不存整章原文,只存最小要点和原文路径。这样即使知识包被误发出去,也不会直接泄露全书。 ## 05、实战 我拿一本团队有权内部使用的《高并发系统运维手册》做了实验。这本手册约 820 页,43 万字,有 12 个正文章节和 5 个附录。构建过程如下: 1. 先只用目录生成索引:把每个二级标题、三级标题、表格标题、代码块标题抽出来,形成 YAML 索引文件。 2. 对每个章节生成 3 到 5 条问题路由。比如“线程池最大线程数怎么设置”路由到 06-2、12-4、附录 B-3。 3. 给每个知识单元写校验规则。比如“如果连接池 maxActive 大于线程池最大线程数 × 2,则提示可能排队不够”。 4. 人工检查所有跨章节冲突,给冲突条目加优先级。比如“以第九章网关参数的 2025 年修订版为准,灰度发布时先调超时再调熔断”。 5. 本地运行一个最小执行链路,只允许加载知识单元索引,不上传原文。 然后我提了三个跨章节问题: 问题一:“第六章推荐的线程池最大线程数为 CPU 核数 × 2,第十二章建议数据库连接池 maxActive 控制在 50 以内,附录 B 的压测结论是否支持把线程池最大线程数调到 400?” 问题二:“第三章说接口超时时间要小于熔断时间,第九章的网关参数却给了一个相反的建议。灰度发布时,应该先调超时还是先调熔断?” 问题三:“如果第七章的限流阈值从 2000 QPS 上调到 5000 QPS,附录 D 的扩容公式是否仍然成立?是否需要重跑第八章的基准测试?” 这三个问题有一个共同点:答案都不在单独某一章里。传统整本加载时,模型要么漏掉附录 B,要么把第三章和第九章的冲突混在一起。使用知识包后,问题一先命中 06-2、12-4、附录 B-3 三个单元;问题二命中 03-2、09-3,以及一个人工标注的“冲突处理规则”单元;问题三命中 07-3、附录 D-1、08-2。三轮问答平均加载约 6000 token,而全册全量加载大约需要 45 万 token 以上。因为答案带出处,复查也容易。 ## 06、洞见 做这套东西的过程中,我最大的感受是:未来的知识管理不会只有检索。RAG 解决的是“从海量文档里找到一段话”,但它不太擅长表达“这段参数必须和那段参数一起看,且以某个版本为准”。稳定方法论更适合直接变成可调用能力。 比如一本数据库参数校验手册,不只应该被问“最大连接数多少合适”,还应该能被发布流水线调起来执行检查:读取候选配置,逐项校验,输出不合规项和修复建议。这个时候,手册就不再是一堆文本,而是一组带输入输出约束的可执行条目。 文档本身可能带来安全风险。外部下载的技术资料、企业规范、甚至 PDF 注释里,都可能夹带恶意指令。构建知识包时,不能把来源文档当作可信指令来执行。必须把“内容”和“操作”分开:内容可以作为参考文本加载;操作必须来自白名单规则。对内部文档也要做来源校验和版本锁定。 版权是另一条红线。自己有阅读权不等于有复制权和公开分发权。知识包最好只存摘要、指针和规则,不存全文;内部多人使用时,通过权限系统控制访问范围。公开分享时,只分享方法和索引结构,不分享受保护内容。 ## 07、行动 如果你也想动手,建议从低风险对象开始:个人技术笔记、内部接口规范、故障复盘手册。不要一上来就挑战 800 页的第三方书籍。 - 第一周,选一本自己有权使用的资料,只做目录和章节索引。 - 第二周,为每个章节写 3 条问题路由,记录哪些问题实际需要跨章节。 - 第三周,补充冲突规则和前置条件,形成最小知识单元。 - 第四周,加入安全基线:来源校验、指令白名单、输出过滤、访问日志。 - 每次使用后记录命中情况和 token 占用,持续迭代。 内部手册优先尝试,因为你们最清楚哪些章节总被反复查,哪些跨章节答案经常出错。 ## 08、小结 长文档知识化,难点从来不是“内容太多”,而是“发现正确内容的成本太高”。把整本书塞给模型,只是把困难后移。先做结构化,再按需加载,才能真正减少上下文浪费。知识包适合技术书、企业规范、内部手册这类低变化、强依赖、高复用的文档。与此同时,安全和版权必须放在构建流程前部,而不是事后补救。 ## 09、链接与概念说明 - 发现成本:在长上下文中定位并加载正确知识所消耗的 token、时间与注意力。 - 知识包:本文将长文档拆解为可加载、可查询、可组合的最小单元集合。 - RAG:检索增强生成,通过检索片段补充上下文,适合事实类问答。 - 提示注入:文档或外部内容中夹带恶意指令,诱使模型执行额外动作。 - 版本锁与哈希校验:确保知识单元指向的原文版本可追溯、可校验。 - 建议延伸阅读:OWASP 大模型应用安全项目(https://owasp.org/www-project-top-10-for-large-language-model-applications/);RAG 相关综述(https://arxiv.org/abs/2005.11401);腾讯云开发者社区(https://cloud.tencent.com/developer)。

资源下载

更多资源
优质分享App

优质分享App

近一个月的开发和优化,本站点的第一个app全新上线。该app采用极致压缩,本体才4.36MB。系统里面做了大量数据访问、缓存优化。方便用户在手机上查看文章。后续会推出HarmonyOS的适配版本。

腾讯云软件源

腾讯云软件源

为解决软件依赖安装时官方源访问速度慢的问题,腾讯云为一些软件搭建了缓存服务。您可以通过使用腾讯云软件源站来提升依赖包的安装速度。为了方便用户自由搭建服务架构,目前腾讯云软件源站支持公网访问和内网访问。

Rocky Linux

Rocky Linux

Rocky Linux(中文名:洛基)是由Gregory Kurtzer于2020年12月发起的企业级Linux发行版,作为CentOS稳定版停止维护后与RHEL(Red Hat Enterprise Linux)完全兼容的开源替代方案,由社区拥有并管理,支持x86_64、aarch64等架构。其通过重新编译RHEL源代码提供长期稳定性,采用模块化包装和SELinux安全架构,默认包含GNOME桌面环境及XFS文件系统,支持十年生命周期更新。

Sublime Text

Sublime Text

Sublime Text具有漂亮的用户界面和强大的功能,例如代码缩略图,Python的插件,代码段等。还可自定义键绑定,菜单和工具栏。Sublime Text 的主要功能包括:拼写检查,书签,完整的 Python API , Goto 功能,即时项目切换,多选择,多窗口等等。Sublime Text 是一个跨平台的编辑器,同时支持Windows、Linux、Mac OS X等操作系统。

用户登录
用户注册
修改密码
忘记密码