最近在看 AI Agent、Cursor、Claude Code、Codex 这类工具时，MCP、Skill、Rule 这几个词经常一起出现。

它们单独看都不难理解，放在一起却很容易混淆：

• 它们是不是都属于 Prompt 的高级形态？
• Skill 和 Rule 看起来都像是在“指导 AI”，差别到底在哪里？
• MCP 听起来更底层，它和 Skill、Rule 到底是什么关系？

Agent Skill 是 Anthropic 于 2025 年确立的开放式 AI 代理构建标准。其本质是将复杂的 Prompt 工程、外部知识库（Reference）与执行逻辑（Script）封装为标准化的本地文件结构（通常以 SKILL.md 为核心）。

它的核心技术突破在于渐进式披露（Progressive Disclosure）架构：模型不再需要一次性读取所有背景设定，而是仅在推理过程中，根据当前任务的意图动态挂载必要的规则片段或数据引用。

在前端开发中，一次性渲染大批量数据的列表是性能杀手。一次性创建数万个 DOM 节点，导致浏览器样式计算和布局耗时巨大，会造成首屏加载白屏、滚动严重掉帧。可以使用虚拟滚动 进行优化。

1.核心思想：只渲染用户“看得见”的那部分 DOM 元素

想象一个滚动的长条，虽然数据有 10000 条，但用户的屏幕（视口）只能看到 10 条。我们只需要创建这 10 个节点的 DOM，随着滚动动态更新它们的内容和偏移量。

在前端开发中，经常会有大批量文件上传的需求。在面对“数千张高清图片批量上传”的需求时，传统的前端上传方案往往会出现各种各样的问题：

• 一次性全部上传：极易触发服务器 413 Payload Too Large 报错，且巨大的 HTTP 包体容易导致连接超时。
• 暴力循环：瞬间发起数千个 HTTP 请求，不仅会挤爆浏览器的并发限制，导致大量请求排队挂起，还可能瞬间压垮后端服务。

针对这些问题，就需要前端分批上传，下面介绍一下一种支持分组、控制并发、且具备自动重试机制的大批量文件上传策略

1. 核心设计思路

• 分批： 将 大批量文件切分成若干个小批次（比如每批 50-100 个），

1 理论体系背景

1.1 问题域

问题：有了LLMs，为什么需要开发大模型应用？

在大语言模型（LLM）如 ChatGPT、Claude、DeepSeek 等快速发展的今天，开发者不仅希望能“使用”这些模型，还希望能将它们灵活集成到自己的应用中，实现更强大的对话能力、检索增强生成 （RAG）、工具调用（Tool Calling）、多轮推理等功能。