AGI的瓶颈不是模型规模，而是这个“协调层“！斯坦福新研究让大模型真正“开窍“
2025/12/17 15:07:29
简介
这篇文章详细对比了Claude Code中Skills和Subagents两种功能模式的区别：Skills在主会话上下文中执行，保留所有中间状态，适合需要长期记忆和反复迭代的场景；Subagents在独立环境中执行，只返回最终结果，适合需要隔离和单次完成的任务。作者通过"做红烧肉"的类比和决策树，帮助开发者根据任务需求选择合适的模式，并建议先实现再优化，避免过度设计。
装上 Claude Code 后，很多人都会陷入纠结：“该优先搞 Skills，还是写个 Subagents？” 翻完一堆文档，被 SKILL.md、subagents.md、Agent、工具、工作流等概念绕得晕头转向。
但其实你真正要解决的核心问题，从来不是 “选哪个名词”，而是 “在我的场景里，谁来执行任务、执行到什么程度、状态怎么保留，才最高效？” 这篇文章就帮你把核心逻辑讲透，让你看完就能拍板：该用啥、怎么用、为啥这么用。
一、核心类比：同样是 “做红烧肉”，执行主体大不同
先抛开复杂概念，用做饭这件事打个比方。想做一道红烧肉，有两种截然不同的方式，正好对应 Skill 和 Subagent：
Skills 模式：自己照着菜谱做
你手里拿着一份红烧肉菜谱，一步步跟着切肉、焯水、炒糖色、慢炖。这里的 “菜谱” 就是SKILL.md，“厨师” 是你自己。
对应 Claude Code 就是：SKILL.md相当于给主 Agent（你）植入了一项新技能。学会之后，主会话中随时能调用，所有思考过程、上下文信息、文件状态都会留在当前对话里。就像你学会红烧肉后，每次做饭都能轻松上手，还能越做越熟练。
Subagents 模式：把菜谱交给餐馆
你直接把红烧肉菜谱递给餐馆，说 “按这个标准做一份，做好给我送来”。这里的 “菜谱” 是subagents.md，“厨师” 是餐馆：一个独立于你的 “分身”。
对应 Claude Code 就是：主 Agent 不用亲自动手，只需描述任务并交给 Subagent。这个 “分身” 会在独立的上下文环境中执行，有自己的工具和权限，执行过程中的思考、临时状态都不会占用主会话空间，做完只把最终结果反馈回来。就像点外卖，你只关心味道好不好，不用管后厨怎么操作。
两者的核心差异很明确：同样是 “完成任务的流程指南”，但执行主体、占用的上下文环境完全不同。
二、本质区别：执行环境决定选型逻辑
再往深一层看，SKILL.md和subagents.md的内容本质是相通的，都是 “工作说明书”，会明确任务目标、输入输出要求、执行步骤、注意事项。
真正的区别在于执行环境：
- Skills：在主会话的上下文里执行，和当前对话深度融合，相当于 “主 Agent 亲自下场干活”；
- Subagents：在独立的上下文里执行，像开了一个 “子工程”，和主会话互不干扰，相当于 “外包给专门的分身完成”。
三、关键维度对比：一张表选对不纠结
从 “能不能完成任务” 来看，两者没有绝对界限，但从 “体验、成本、适配场景” 来看，差异十分明显：
| 对比维度 | Skills | Subagents |
|---|---|---|
| 执行环境 | 主会话上下文内，深度融合 | 独立上下文，类似 “子进程” 隔离 |
| 执行主体 | 主 Agent 亲自执行 | 专门的 Subagent 分身执行 |
| 中断方式 | 随时可停，不影响 Skills 本身 | 可终止任务，但当前分身状态直接消失 |
| 恢复方式 | 依赖主会话历史，可直接恢复执行 | 无法恢复上一实例，只能重新调用 |
| 状态保留 | 状态混在主会话历史和文件系统中 | 任务结束后实例销毁，仅返回最终结果 |
| 上下文占用 | 中间思考过程会占用主上下文 Token | 中间过程不占用主上下文，仅返回必要结果 |
| 与主会话关系 | 主 Agent 的 “技能插件” | 主 Agent 的 “外包团队” |
| 适配场景 | 需长期记忆、反复迭代、分步交互的工作流 | 需隔离、并行执行、单次完成、权限差异明显的任务 |
简单总结：
- Skills 适合 “长期复用、需要持续优化” 的场景，例如：长期维护知识库、打磨长文档；
- Subagents 适合 “一次完成、不想占用主上下文” 的场景，例如：临时生成脚本、批量数据处理。
四、实例验证：为什么 Plan 模式是 Subagent？
Claude Code 自带的 Plan 模式，本质就是一个 Plan Subagents。为什么官方不把它做成 Skills？核心就两个字：干净。
如果 Plan 是 Skills：
- 所有研究、检索、分析、试错的过程，都会塞进主会话上下文；
- 主会话会被大量 “思维垃圾” 污染，Token 消耗飙升，上下文窗口容易被挤爆，影响后续写代码、改文案。
而做成 Subagents 后：
- Plan 分身在独立环境中完成研究、拆解任务、生成计划；
- 主会话只收到一份精简后的最终计划，中间过程完全不拖累主上下文；
- 既节省 Token，又降低心智负担，主会话能保持整洁高效。
这个例子完美说明：需要隔离中间过程、只关注结果的场景，Subagents 是更优选择。
五、两步决策法：快速选对不纠结
不用再反复权衡，记住这个简单决策树，30 秒就能定答案：
第一步：要不要 “记住执行过程”？
- 需要长期上下文、持续迭代、反复回顾之前的操作 → 选 Skills；场景例子：长期维护技术栈助手、持续打磨 PRD、频繁回顾历史操作逻辑；
- 不需要记住过程，只要最终结果 → 选 Subagents；场景例子：临时生成报告、单次批处理分析、大规模检索等 “脏活累活”。
第二步：需不需要 “隔离、并行、特殊权限”？
- 需要权限隔离（例如：仅访问特定目录 / API）、并行执行多个任务、沙盒内风险可控 → 选 Subagents；
- 权限一致、工具相同、无需隔离 → 直接用 Skills 即可。
核心原则：别为了 “概念酷炫” 过度设计，贴合实际需求就好。
六、落地建议：先干起来，再优化
很多人卡在 “选形态” 上迟迟不行动，但其实 Skills 和 Subagents 的切换成本很低，正确做法是：
- 先做 Skills：把任务流程拆清楚、梳顺畅，用 Skills 让主 Agent 先把事情落地，验证流程可行性；
- 再反向优化：跑通之后问自己三个问题：要不要隔离？要不要单独权限？要不要并行执行？
- 灵活切换：如果答案是 “要”，再把 Skills 逻辑包装成 Subagents，迁移成本极低。
就像同一个剧本，既可以让一个演员从头演到尾（Skills），也可以请多个演员在不同舞台并行演出（Subagents），核心流程没变，只是执行和调度方式不同。
真正影响体验的，从来不是 “用了哪个名词”，而是 “让谁来执行、怎么调度” 更贴合你的需求。别再纠结概念，先选一个靠谱的形态让 Claude 帮你完成一件事，再用实际体验反向校正，这才是 Agent 工程化的正确打开方式。
七、如何系统的学习大模型 AI ？
由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。
但是具体到个人，只能说是：
“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。
这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。
我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。
我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。
一直在更新，更多的大模型学习和面试资料已经上传带到CSDN的官方了，有需要的朋友可以扫描下方二维码免费领取【保证100%免费】👇👇
01.大模型风口已至：月薪30K+的AI岗正在批量诞生
2025年大模型应用呈现爆发式增长，根据工信部最新数据：
国内大模型相关岗位缺口达47万
初级工程师平均薪资28K（数据来源：BOSS直聘报告）
70%企业存在"能用模型不会调优"的痛点
真实案例：某二本机械专业学员，通过4个月系统学习，成功拿到某AI医疗公司大模型优化岗offer，薪资直接翻3倍！
02.大模型 AI 学习和面试资料
1️⃣ 提示词工程：把ChatGPT从玩具变成生产工具
2️⃣ RAG系统：让大模型精准输出行业知识
3️⃣ 智能体开发：用AutoGPT打造24小时数字员工
📦熬了三个大夜整理的《AI进化工具包》送你：
✔️ 大厂内部LLM落地手册（含58个真实案例）
✔️ 提示词设计模板库（覆盖12大应用场景）
✔️ 私藏学习路径图（0基础到项目实战仅需90天）
第一阶段（10天）：初阶应用
该阶段让大家对大模型 AI有一个最前沿的认识，对大模型 AI 的理解超过 95% 的人，可以在相关讨论时发表高级、不跟风、又接地气的见解，别人只会和 AI 聊天，而你能调教 AI，并能用代码将大模型和业务衔接。
- 大模型 AI 能干什么？
- 大模型是怎样获得「智能」的？
- 用好 AI 的核心心法
- 大模型应用业务架构
- 大模型应用技术架构
- 代码示例：向 GPT-3.5 灌入新知识
- 提示工程的意义和核心思想
- Prompt 典型构成
- 指令调优方法论
- 思维链和思维树
- Prompt 攻击和防范
- …
第二阶段（30天）：高阶应用
该阶段我们正式进入大模型 AI 进阶实战学习，学会构造私有知识库，扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架，抓住最新的技术进展，适合 Python 和 JavaScript 程序员。
- 为什么要做 RAG
- 搭建一个简单的 ChatPDF
- 检索的基础概念
- 什么是向量表示（Embeddings）
- 向量数据库与向量检索
- 基于向量检索的 RAG
- 搭建 RAG 系统的扩展知识
- 混合检索与 RAG-Fusion 简介
- 向量模型本地部署
- …
第三阶段（30天）：模型训练
恭喜你，如果学到这里，你基本可以找到一份大模型 AI相关的工作，自己也能训练 GPT 了！通过微调，训练自己的垂直大模型，能独立训练开源多模态大模型，掌握更多技术方案。
到此为止，大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗？
- 为什么要做 RAG
- 什么是模型
- 什么是模型训练
- 求解器 & 损失函数简介
- 小实验2：手写一个简单的神经网络并训练它
- 什么是训练/预训练/微调/轻量化微调
- Transformer结构简介
- 轻量化微调
- 实验数据集的构建
- …
第四阶段（20天）：商业闭环
对全球大模型从性能、吞吐量、成本等方面有一定的认知，可以在云端和本地等多种环境下部署大模型，找到适合自己的项目/创业方向，做一名被 AI 武装的产品经理。
- 硬件选型
- 带你了解全球大模型
- 使用国产大模型服务
- 搭建 OpenAI 代理
- 热身：基于阿里云 PAI 部署 Stable Diffusion
- 在本地计算机运行大模型
- 大模型的私有化部署
- 基于 vLLM 部署大模型
- 案例：如何优雅地在阿里云私有部署开源大模型
- 部署一套开源 LLM 项目
- 内容安全
- 互联网信息服务算法备案
- …
学习是一个过程，只要学习就会有挑战。天道酬勤，你越努力，就会成为越优秀的自己。
如果你能在15天内完成所有的任务，那你堪称天才。然而，如果你能完成 60-70% 的内容，你就已经开始具备成为一名大模型 AI 的正确特征了。