题图使用 NotebookLM 生成。

AI 时代，新的概念和功能层出不穷，三天一小更，五天一大更。为了跟上时代的变化，我们需要保持持续学习的状态。 快速找到优质的学习资源，对于掌握新概念或新功能，往往能起到事半功倍的效果。

我为自己探索了一个围绕某个主题、利用 AI 模型搜索并整理汇总的工作流，方便快速搜罗网络上的优质学习资源，核心的步骤如下：

1. 根据想要学习的主题，微调 搜索 prompt 模板；
2. 让 Grok、Gemini、Perplexity 搜索网络上的相关资源；
3. 将三个模型的搜索结果汇总，再利用汇总 Prompt 让 AI 整理出最终清单。

接下来，我将以「Claude Skills」作为主题，展示这个工作流的实操过程。

资源搜索 prompt 模板

资源搜索 prompt 必须要提供几个关键性的约束条件：

1. 概念定义：对于想要搜索的主题，需要给出清晰明确的定义，防止 AI 混淆概念搜索出南辕北辙的内容；
2. 时间范围：一般来说，时间范围应该限制在新功能发布之后。比如 Claude Skills 是 2025 年 9～10 月才正式推出的新功能，旧文章（2024 年及之前）基本在讲 Projects / Knowledge / slash commands，没有时间范围约束，会导致结果出现很多不相干的资源；
3. 信息来源：网络上的信息庞杂繁多且良莠不齐，预先指定高价值的信息源可以帮助 AI 过滤垃圾信息。一般来说，官方文档、知名博主、专业社区是优先搜索的方向，可以在 prompt 中明确要求；
4. 方向引导：一般来说可以简化成核心原理、最佳实践、应用场景及实操这三个方向，既是 AI 搜索的方向，我们也可以按照这个顺序来学习；
5. 输出格式：要求 AI 按照指定的格式输出结果，比如列出信息来源和发布时间，方便识别信息有效性，以及汇总整理。

不同的搜索主题，概念定义、时间范围、信息来源完全不同，需要因地制宜，随时调整。下方是我搜索「Claude Skills」时使用的 prompt，换成其他主题时，可以先将这个示例 prompt 发给 AI，让 AI 帮忙调整成相关主题的 搜索 prompt。

Claude Skills 资源搜索 prompt 示例

请帮我搜索 2025 年 9 月之后发布的、关于 Claude「Agent Skills」（也称 Claude Skills / Claude Code Skills）的深度文章和教程。

优先级从高到低来源：

1. Anthropic 官方文档、博客、console.anthropic.com、docs.anthropic.com
2. 知名技术博主与专业社区（例如：Lenny's Newsletter、scottspence.com、leehanchung.github.io、fsck.com、siddharthbharath.com 等）
3. 高质量 Medium / Dev.to / Substack 文章（要求有实际代码示例或深度原理分析）
4. 知名 YouTube 频道的技术向教程（非纯标题党）

重点关注以下三个主题（请在结果中明确标注）：

- 原理类：Skills 的触发机制、加载路径、composability、与 tool calls 的区别、model-invoked 决策过程、文件系统发现逻辑等
- 最佳实践与创作类：SKILL.md 写作技巧、触发词设计、单职责原则、渐进披露、测试方法、激活率优化、YAML frontmatter 使用等
- Claude Code 专属使用场景：在 ~/.claude/skills、项目级 .claude/skills 中的安装与管理、子代理集成、与 hooks 的配合、实际开发工作流自动化案例等

请排除：

- 2025 年 9 月之前的旧文章
- 只有标题党或泛泛而谈、没有实际代码/截图的文章
- 主要讲 Claude web/app 界面而非 Claude Code 或 API 的内容
- 低质量“变现”“赚钱”类软文
- 如果官方文档已有完整覆盖的内容，请直接标注‘官方文档已全面解答’，并优先推荐官方链接，减少同质化博文重复收录。

输出格式：

"""
markdown 格式的链接，如 [文章标题](URL)
- 一句话简短总结文章内容
- 作者名称（或网站域名）- 发表日期（没有明确日期则显示“ 发表日期未知”）
"""

推荐使用 Perplexity、Grok 和 Gemini 搜索资源。Perplexity 是搜索起家的 AI 模型，自不必说；X（原推特）是公认的 AI 信息一手发布平台，Grok 作为自家的 AI 模型，对 X 平台的资源整合最好；Gemini 则是内置了 Google 的搜索功能，可以帮助我们扩大信息获取的范围。

上述三个模型都可以在网页中免费使用（需要科学上网），不过请务必将 Gemini 切换至 思考模型 (3 Pro)。实测发现，快速模型生成的链接常存在“幻觉”现象（Link Hallucination），点击多为 404 无效页面。

为了不影响阅读体验，三家模型的搜索结果我放在文末。

搜索结果评价

三个模型提供的搜索结果点开后均是真实的链接，不同搜索结果之间的重复性较低。Perplexity 胜在信源精准，Grok 擅长挖掘即时讨论，Gemini 则胜在生态整合。三者结合，正好覆盖了从‘定义’到‘舆论’再到‘关联知识’的全维度。

汇总搜索结果

获得搜索结果后，我会将它们粘贴到同一个文档中，在 Claude Code 中要求 AI 根据下面的 prompt 示例汇总成最终的资源清单。

在 prompt 中我列举了以下的三个关键要求：

1. 指定保存资源清单新文档的文件夹，以及文件名格式；
2. 按照搜索 prompt 列举的方向分类汇总；
3. 为重复的资源添加星标⭐️，因为不同模型都搜索到的结果一定是权重很高的优质内容；
4. 汇总结果的输出格式。

最终的汇总资源清单同样放在文末。

汇总搜索结果 prompt 示例

文档中是关于 Claude Agent Skills 主题的深度资源清单，分别包含了 Gemini、Grok 和 Perplexity 三个 AI 模型的搜索结果。请你将这三部分的搜索结果整合在一起，要求：

- 在 pages 文件夹创建一个新的文档来保存整合结果，文件名为“{主题} 资源清单”；
- 按照原理类、最佳实践与创作类、Claude Code 专属使用场景三个主题分类汇总；
- 如果同一篇文章出现在两个以上模型的搜索结果中，请添加星标⭐️；
- 严格按照以下格式输出最后的汇总结果：

"""
# 主题1

markdown 格式的链接，如 [文章标题](URL)
- 一句话简短总结文章内容
- 作者名称（或网站域名）- 发表日期（没有明确日期则显示“ 发表日期未知”）

markdown 格式的链接，如 [文章标题](URL)
- 一句话简短总结文章内容
- 作者名称（或网站域名）- 发表日期（没有明确日期则显示“ 发表日期未知”）

# 主题2

markdown 格式的链接，如 [文章标题](URL)
- 一句话简短总结文章内容
- 作者名称（或网站域名）- 发表日期（没有明确日期则显示“ 发表日期未知”）

"""

小结

我个人的使用习惯，是在每周一确立要学习的主题，并利用上述的工作流获得一份优质资源清单，在接下来的一周中读完清单的全部内容，输出一篇类似文献综述的学习心得。

实际上，这个工作流还可以实现更进一步的自动化，比如：

1. 创建 Skill ，指导模型每次根据主题自动调整搜索 prompt；
2. 创建多个搜索 subagent，调用对应模型的 API 来获取搜索结果；
3. 创建汇总 subagent，让 agent 调用“搜索 agent”来获取搜索结果，并汇总各个 agent 的搜索结果，形成最终的资源清单。

但是我在折腾工作流的过程中发现：从冒出想法到完成 80% 的部分，往往只需要一个小时，但是接下来的一整天都在为了最后的 20% 瞎忙活，最终很可能得到一个看似“全自动”，实则极其脆弱的流程，动不动罢工的那种。

因此放弃追逐完美的自动化，不要在追求效率的过程中迷失了方向，要记得本来的目的是什么。在这个工作流中，AI 负责广度和初筛，而我们负责深度和内化。流程的“脆弱”恰恰提醒我们，人脑的参与才是学习闭环中不可替代的一环。

Grok 搜索结果

Gemini 搜索结果

Perplexity 搜索结果

汇总资源清单