在日常使用谷歌Gemini及其他AI工具时,我们常常会面对这样的困境:同样的提示词需要反复输入,或者曾经写出过效果极佳的提示词,却怎么也想不起当时的具体表达。现在,这个问题在Chrome浏览器中有了解决方案。
谷歌于周二正式推出了Chrome桌面端的全新功能——Skills(技能库)。
Skills功能允许用户保存AI提示词,并在日后需要时通过列表快速调用,实现一键复用。使用方式十分简便:在聊天窗口中输入斜杠"/"或点击加号按钮,即可从菜单中选择已保存的Skills并直接运行。此外,用户还可以对已保存的提示词进行编辑,或根据需要创建全新的提示词。
Skills专为Chrome中的"询问Gemini"功能设计。当用户需要针对某个网页寻求帮助时,可以在侧边栏直接与Gemini进行对话,不仅可以就当前页面内容提问,还能跨标签页引用多个页面的内容。
在最新发布的博客文章中,谷歌分享了若干由早期测试用户创建的Skills使用案例:一个提示词可以快速计算网页上任意食谱的蛋白质含量;另一个可以将多个标签页中展示的不同产品进行并排对比;还有一个可以扫描网页上的长篇文档,自动提取关键信息。
为了帮助用户快速上手这项新功能,谷歌还专门提供了一套针对常见任务和主题的预置Skills库。例如,有一个Skills可以根据用户的预算和收礼人的兴趣推荐合适的礼物,另一个可以检查用户正在浏览的食品页面上的成分列表。用户可以将谷歌预置的Skills保存到个人列表中,并按需调整或重复使用。
在安全机制方面,部分Skills在执行特定操作(如发送邮件或添加日历事项)前会主动请求用户授权,同时所有Skills均受到Chrome内置安全防护机制的保护。
目前,Skills正在向所有语言设置为美国英语的Chrome桌面用户逐步开放。由于功能仍处于推出初期,部分用户可能需要稍等片刻才能使用。功能上线后,用户可在Chrome中使用Gemini时输入斜杠"/",再点击指南针图标即可访问Skills功能。
Q&A
Q1:Chrome的Skills功能是什么,有什么用?
A:Skills是谷歌为Chrome桌面端推出的新功能,允许用户保存常用的AI提示词,并在日后通过列表快速调用。使用时只需在聊天窗口输入斜杠"/"或点击加号按钮,选择对应Skills即可一键运行,省去反复输入相同提示词的麻烦,同时支持对已保存的提示词进行编辑和新建。
Q2:Chrome Skills功能目前向哪些用户开放?
A:目前Skills功能正在向所有语言设置为美国英语的Chrome桌面用户逐步推出。由于功能刚刚开始上线,部分用户可能需要等待一段时间才能收到更新。功能到达后,可在使用Gemini时输入斜杠"/",再点击指南针图标进行访问。
Q3:Chrome Skills功能有什么安全保障?
A:Skills受到Chrome内置安全防护机制的保护。此外,当某个Skills需要执行敏感操作(例如发送邮件或向日历添加事项)时,系统会在运行前主动向用户请求授权,确保用户对AI操作保持知情和控制。
好文章,需要你的鼓励
Replit与RevenueCat达成合作,将订阅变现工具直接集成至Replit平台。用户只需通过自然语言提示(如"添加订阅"),即可完成应用内购和订阅配置,无需离开平台。RevenueCat管理超8万款应用的订阅业务,每月处理约10亿美元交易。此次合作旨在让"氛围编程"用户在构建应用的同时即可实现商业变现,月收入未达2500美元前免费使用,超出后收取1%费用。
LiVER是由北京大学、北京邮电大学等机构联合提出的视频生成框架,核心创新是将物理渲染技术与AI视频生成结合,通过Blender引擎计算漫反射、粗糙GGX和光泽GGX三种光照图像构成"场景代理",引导视频扩散模型生成光影物理准确的视频。框架包含渲染器智能体、轻量化编码器适配器和三阶段训练策略,支持对光照、场景布局和摄像机轨迹的独立精确控制。配套构建的LiVERSet数据集含约11000段标注视频,实验显示该方法在视频质量和控制精度上均优于现有方法。
所有人都说AI需要护栏,但真正在构建它的人寥寥无几。SkipLabs创始人Julien Verlaguet深耕这一问题已逾一年,他发现市面上多数"护栏"不过是提示词包装。为此,他打造了专为后端服务设计的AI编程智能体Skipper,基于健全的TypeScript类型系统与响应式运行时,实现增量式代码生成与测试,内部基准测试通过率超90%。他认为,编程语言的"人类可读性时代"正走向终结,面向智能体的精确工具链才是未来。
这项由蒙特利尔学习算法研究所(Mila)与麦吉尔大学联合发布的研究(arXiv:2604.07776,2026年4月)提出了AGENT-AS-ANNOTATORS框架,通过模仿人类数据标注的三种角色分工,系统化生成高质量网页智能体训练轨迹。以Gemini 3 Pro为教师模型,仅用2322条精选轨迹对90亿参数的Qwen3.5-9B模型进行监督微调,在WebArena基准上达到41.5%成功率,超越GPT-4o和Claude 3.5 Sonnet,并在从未见过的企业平台WorkArena L1上提升18.2个百分点,验证了"数据质量远比数量重要"这一核心结论。