skills是个好东西，得学！

skills是个好东西，得学。

最近在探索利用AI驱动Fluent，现在流程上基本跑通了，目前处于精细打磨阶段。

其实整个思路非常简单，大致包括几个核心部分：

1. 驱动方式。目前Fluent主要有两种驱动方式：pyFluent与jou。所谓的大模型驱动，实际上是利用AI生成pyFluent代码或jou脚本。这两种方式各有优劣，pyFluent比较现代化，但目前比较依赖版本（向下兼容性不好，而且版本更换很快，核心代码改动很大）；TUI比较传统，也比较稳定，但TUI脚本可读性极差，尤其是设计较多参数的TUI命令，一堆逗号很难看懂，AI也很容易出错。

2. 信息交互。在整个流程中，AI需要不断根据Fluent执行的结果进行操作调整，因此需要及时获取执行后的反馈信息。在结果信息获取方面，pyFluent要远比TUI好。TUI脚本想要得到脚本执行的结果比较困难，一种比较简单的方式是监控并解析trn文件，这种方式不直观，而且效率很低。

3. MCP。MCP常用于与外部软件的实际调用。但个人觉得如果只是单纯的驱动Fluent之类的软件，完全没必要用MCP。一些简单的脚本可以直接放到Skills中，这样更简单更便于移植。

4. Skills。Skills是弥补AI能力不足的最有力的工具，也是人脑和AI相结合的最直接的方式。利用Skills可以人工为AI制定流程，并可以为AI操作制定边界，能有效地避免AI胡思乱想陷入死循环。

简单聊聊Skills。

以前我们与AI的交互，主要是通过prompt来实现的，想要让AI做什么，直接将需求以提示词的方式提交给AI，然后AI理解用户提交的提示词，凭借模型自身的能力执行一些操作。AI返回的结果好坏完全依赖于提示词写得好不好，而且相同的提示词在不同的大模型中得到的结果也可能大相径庭。

而现在我们使用AI，则更倾向于使用Skills。在Skills中将实现任务的所有过程写清楚，先做什么后做什么，每一步怎么做写得明明白白。AI在读取Skills之后就会按照流程一步步去实现。这相当于给了AI一份操作说明书。

Skills相比较prompt来讲，其主要不同点包括。

现在想要用AI生成Fluent操作代码，最核心的工作实际上是构建更完善的形成操作代码的Skills。而且使用的AI智能越低，Skills要越详细。

后面有时间再聊针对Fluent的Skills要怎么搞。

（完）