核心观点
Agent Skills 是一种让 AI 工具记住用户工作方式的技能系统，通过自然语言编写的 SKILL.md 文件，将用户的隐性知识显性化，使 AI 工具能够按照用户的方式工作，是 AI 工具的下一个进化方向。
四次进化：
- Chat 时代：AI 只能说，不能做。
- Tool Use 时代：AI 可以调用工具，但生态碎片化。
- MCP 时代：AI 工具可以用统一方式连接外部服务，但缺乏按用户方式工作的能力。
- Agent Skills 时代：AI 按用户的方式工作，是 AI 工具的下一个进化方向。
Skills 的本质：
- 一个叫 SKILL.md 的文本文件，用自然语言写成，没有代码，没有编译，没有 API 调用。
- 三个本质区别：模块化、可触发、可分享。
- 两层结构：Frontmatter（YAML 元信息）和 执行流程（Markdown 正文）。
- 与 System Prompt 和 MCP 的区别：
- System Prompt 是全局的、永久加载的，而 Skill 是模块化的、按需加载的。
- MCP 是能力接口，Skill 是知识和流程。
Skills 的工作原理：
- 利用大语言模型（LLM）的三个底层特性：指令遵循、上下文学习、条件触发。
- 指令遵循：LLM 经过大量指令微调，能够理解并执行结构化的指令。
- 上下文窗口与 Skill 加载：LLM 的上下文窗口有限，Skill 采用渐进式披露架构，分三个层级加载：预加载、按需加载、深度加载。
- 条件触发：Agent 通过三种机制触发 Skill：用户显式调用、关键词匹配、语义匹配。
- Skill 的执行模型：理解指令、规划步骤、输出验证。
- Token 经济学：一个 Skill 占用 2000-4000 token，多个 Skill 同时加载可能导致冲突。
Skills 生态：
- 开放标准：agentskills.io，定义了 SKILL.md 格式、触发机制和加载方式。
- 七大 Skills 平台：
- Anthropic 官方 Skills 仓库
- skills.sh
- AgentSkill.sh
- SkillsMP
- SkillHub
- 腾讯 SkillHub 中国版
- 字节跳动生态
- 选 Skill 的 5 个标准：
- 触发条件清晰
- 执行步骤可验证
- 上下文占用合理
- 有用户确认环节
- 维护活跃
- 社区现象：蒸馏宇宙：以 同事.skill 为代表，将人的行为方式甚至思维方式蒸馏成 Skill，证明 Skills 已从开发者工具破圈到大众视野。
- 女娲.skill：将蒸馏从行为层推进到思维框架层，提取人的思维框架，生成可对话、可推理的 Skill。
实战技巧：
- 三种触发方式：强制触发、显式触发、隐式触发。
- Skill 不生效的四个常见原因：触发词不匹配、多个 Skill 抢同一个触发词、上下文太长、Skill 本身写得不够好。
- 组合使用：用文件系统作为 Skills 之间的传送带，将多个 Skills 串联起来，形成流水线。
- 实战案例：审校环节拆解、用 Slides Skill 做演示文稿、用 Data Pro 做数据分析。
创建 Skill：
- 发现你的隐性知识：将重复的工作流程写成自然语言步骤。
- SKILL.md 完整结构：name、description、执行步骤、注意事项。
- 从 0 写一个 Skill：回忆流程、写成自然语言步骤、补充格式要求和注意事项、填写 frontmatter、保存到正确位置、测试触发。
- 五个设计原则：
- 先确认再动手
- 边做边存
- 模块化可组合
- 给选择不给答案
- 放大你，而不是替代你
用 skill-creator 自动创建 Skill：
- 四种模式：Create、Eval、Improve、Benchmark。
- 实操流程：描述需求、回答澄清问题、生成初版 SKILL.md、运行 Eval、运行 Improve、再次 Eval 验证。
- 自动化优化：使用 hill-climbing 算法自动优化 Skill。
高级 Skills 设计模式：
- 模式 1：检查清单型：逐项检查，标记问题，给出修改建议。
- 模式 2：多方案选择型：AI 做分析，用户做决策。
- 模式 3：多阶段流水线型：将大任务拆成多个阶段，每个阶段有明确的输入和输出。
- 模式 4：外部 API 集成型：调用外部服务，需要处理错误和边界情况。
- 模式 5：多 Agent 协作型：将大任务拆成多个独立子任务，分配给多个 AI Agent 并行执行。
- 模式 6：思维蒸馏型：从大量公开材料中提取一个人（或一个领域）的思维框架，生成一个可以对话、可以推理的 Skill。
Skills 的未来：
- 从个人工具到团队知识：Skills 可以将团队的知识和经验固化下来，降低新员工的学习成本。
- Skills 经济：Skills 市场正在发展，未来可能出现付费高级版、订阅制 Skills 套件、企业定制等。
- 蒸馏宇宙：Skills 从模仿语气到蒸馏思维框架，让 Skills 从自动化工具升级成思维扩展器。
- Skills + MCP = 完整的 AI Agent 能力栈：MCP 提供能力，Skills 提供知识。
- Agent 自己创建 Skills：AI 可以在工作中自动总结出新的 Skill，进一步降低创建 Skill 的门槛。
研究结论：
Skills 是 AI 工具的下一个进化方向，能够显著提升工作效率，将用户的工作经验变成可验证、可转移的数字资产。未来，Skills 将成为 AI 时代的「工作 SOP」，但不是所有工作都适合 skill 化。
关键数据：
- 到 2026 年 4 月，已有 20 多个 AI 产品采纳 Agent Skills 标准。
- 全网加起来超过 100 万个 Skills，但真正好用的可能不到 1%。
- AgentSkill.sh 平台上有超过 10 万个 Skills。
- SkillsMP 平台上超过 70 万个 Skills。
- 同事.skill 开源两天 GitHub star 破千。
- 女娲.skill 开源两天 GitHub star 破千。
我的判断：
Skills 会成为 AI 时代的「工作 SOP」，但不是所有工作都适合 skill 化。适合的：有固定流程的工作、需要重复执行的任务、有明确质量标准的输出。不太适合的：需要高度创造性的工作、每次情况都完全不同的决策、需要深度人际互动的场景。
