技能生态：新的工作模式 Skills & Ecosystem: New Ways of Working
会提问只是入门。真正的高效来自把经验沉淀成 Skill、插件、MCP 工具与 SOP——未必要写代码，把流程写清楚同样价值巨大。 Asking questions is just the start. Real leverage comes from distilling experience into Skills, plugins, MCP servers and SOPs — you don't have to write code; documenting a clear process is just as valuable.
能力的阶梯 The Ladder of Capability
从"用一次"到"处处可用"，AI 工作模式逐级上升：
From "use once" to "always available", AI working modes climb step by step:
Skill 生态：把经验写进文件 Skill Ecosystem: Experience as Files
Skill（技能）是把"如何完成某类任务"的流程、规范、检查清单与示例，封装成一个结构化文件（例如 Claude 生态的 SKILL.md）。Agent 遇到对应任务时按需加载技能，就像给新人一本 SOP 手册。
A Skill packages the procedure, rules, checklists and examples for a task type into a structured file (e.g. SKILL.md in the Claude ecosystem). The agent loads it on demand — like handing a newcomer an SOP manual.
- 对你意味着什么：同一个技能，今天给 Qoder 用、明天给 Claude Code 用——沉淀一次，处处复用 Write once, use everywhere — today with Qoder, tomorrow with Claude Code
- 社区生态：大量开源技能库与"技能市场"出现（awesome 列表、插件市场）Open skill libraries and marketplaces are springing up
- 射电天文例子：把"FITS 立方体 → 矩图"的标准化流程做成技能，整个课题组共享 Turn your "cube → moments" pipeline into a shared group skill
一个技能文件长什么样 What a skill file looks like
# 技能：射电立方体矩图 · radio-moments
## 适用场景
输入 HI 21cm 谱线 FITS 立方体，输出 moment 0/1/2 图与 FITS。
## 步骤
1. 用 astropy 打印 header（CTYPE/CUNIT/CDELT/CRVAL/BUNIT/RESTFRQ），
确认轴顺序与速度单位（m/s 还是 km/s、LSRK 还是 barycentric）。
2. 用 spectral-cube 加载，统一速度为 km/s（radio 约定）。
3. 用 MAD 估计噪声，构建 3σ 掩膜，排除 NaN。
4. 计算 moment 0/1/2，保留 WCS 写出 FITS。
5. 打印各矩图峰值与单位；与 CASA immoments 交叉验证。
## 红线
- 不跳过第 1 步直接处理；
- 单位换算必须给出公式依据；
- 数值结论需可追溯。Plugin / 扩展生态 Plugin & Extension Ecosystem
IDE 与浏览器扩展 IDE & browser extensions
VS Code 扩展、浏览器插件：把 AI 能力织进你已有的工作流，而不是换个新工具。
VS Code extensions, browser plugins: weave AI into your existing workflow instead of switching tools.
Agent 插件市场 Agent plugin marketplaces
Claude Code 等已出现插件市场/插件协议，可安装第三方能力包；DeepSeek Harness 的理念就是 "Everything is a Plugin"（一切皆插件）——插件化让运行时轻装上阵、按需扩展。
Claude Code and others now ship plugin marketplaces/protocols; DeepSeek Harness's philosophy is "Everything is a Plugin" — a lean runtime that extends on demand.
MCP 生态：工具的"USB-C" MCP Ecosystem: USB-C for Tools
MCP（Model Context Protocol）把"模型 ↔ 工具"的对接标准化：写一次 MCP server，任何兼容 Harness/Agent 都能即插即用。目前已覆盖：
MCP standardizes model↔tool wiring: build an MCP server once, any compatible harness/agent can plug in. Coverage today includes:
- 文件系统、数据库、GitHub、浏览器、Slack/钉钉…… filesystem, databases, GitHub, browsers, Slack/DingTalk…
- 科学计算方向：社区已出现把数值库、数据归档封装为 MCP server 的做法 In scientific computing, folks are wrapping numeric libraries and data archives as MCP servers
- 射电构想：把 CASA 常用任务（导入、校准、成像）封装成 MCP server，Agent 就能"直接调用 CASA"而无需自己写脚本 Radio idea: wrap common CASA tasks (import, calibrate, image) as an MCP server so agents can "call CASA directly"
mcp_servers: {"casa": {"command": "casa-mcp"}}，无需自己编程。
Many tools support declarative config to attach existing MCP servers — often just one line in a config file, no coding needed.
工作流与 SOP：未必要写代码 Workflows & SOPs: Code Is Optional
给 AI"编程"有三种层次，写流程文档同样算编程：
There are three levels of "programming" an AI — writing process docs counts too:
写代码 Write code
实现具体算法、管道、界面——传统编程。
Algorithms, pipelines, UIs — classic programming.
写提示词 Write prompts
把任务目标、约束、格式讲清楚——对 Agent 的"需求文档"。
Task goals, constraints, output formats — the "requirements doc" for agents.
写流程 / SOP Write processes / SOPs
把"先做什么、检查什么、红线在哪"写成 runbook/SOP——Agent 可照单执行，人也看得懂。
Steps, checkpoints, red lines as runbook/SOP — executable by agents, readable by humans.
一个 Runbook 示例（数据处理 SOP） A runbook example (data-processing SOP)
# Runbook：观测数据处理（示例）
## 输入
- 数据：/data/obs1.fits（或 MS 目录）
- 参考：CASA 官方指南
## 流程
1. 拷贝数据 → 校验 md5；
2. CASA 导入（importfits / importuvfits）；
3. 校准：flagdata → setjy → gaincal → applycal；
4. 成像：tclean（说明参数依据）；
5. 科学量：immoments / imfit；
6. 出图并归档：/output/ + README.md。
## 检查点
- 每步结束打印统计，与预期对比；
- 关键结果与独立软件/文献交叉验证；
- 数据与产物哈希归档，可复现。关键点：好的 SOP 文档本身就是"技能"——既能让人类新人照着做，也能让 Agent 照着执行，还能沉淀进 Skill/插件生态。DeepSeek Harness 的 goal（目标追踪）、workflow（工作流脚本）、subagent（子代理）正是这类机制的运行时实现。
Key idea: a good SOP is itself a skill — humans can follow it, agents can execute it, and it can be packaged into the Skill/plugin ecosystem. DeepSeek Harness's goal tracking, workflow scripts, and subagents are runtime implementations of exactly this.