两天前，一张benchmark对比表在Agent圈子里刷屏了。
主角是一个叫J-Space Cognition Suite的开源项目。作者宣称：不改模型、不做微调，只要把这套Skill接入Agent运行环境，DeepSeek V4 Pro就能在多个基准上大幅提升，部分成绩甚至超过Fable 5，速度和token效率还能提高两倍以上。
一个Skill，让模型连跨两个档次。这种故事传播速度可想而知。
然后它就翻车了。
据机器之心的报道，社区用户很快开始了复测。用户Jyleaves在项目仓库的issue里写明：自己用8张NVIDIA H20部署V4 Flash，通过DeepSeek Harness的Standard模式加载J-Space，89道题通过69道，最终得分77.5%——而J-Space报告里给出的对应成绩是87.1%。36氪这位测试者把失败任务至少重跑了3次，依然复现不出宣称的提升，token消耗反而更多。另一条复测issue里，测试者的结论更直接：加了Skill之后成绩略有下降，token用量和成本都在增加。
更致命的是后续操作。有开发者爆料，自己此前发布的质疑issue被作者直接删除，只能重新发帖留证。36氪至此，这个「神Skill」基本被定性为一场公开打假。
为什么那么多人信了？因为它借用了真问题
回头看，J-Space最有迷惑性的地方，不是凭空编造，而是精准踩中了V4 Pro当时讨论度最高的痛点：对外部运行环境过于敏感。
这个痛点有实打实的证据。V4 Pro正式版发布当晚，有人用相似提示两次测试3D直升机游戏，模型两次交出的结果差距明显；在一个工程任务里，同一个V4 Pro跑在DeepSeek Harness的Standard和PTC模式下分别得91分和92分，换成工具更少的Minimal模式，两次测试直接拿到99分和96分——模型没变、任务没变，只换运行环境，就拉开了近8分。36氪正因如此，社区天然愿意相信「换个运行环境，就能释放模型能力」，也确实有正经项目在朝这个方向做：RoutingSuite按任务类型选择推理模式，AnchoredStandard用首轮短提示帮模型进入稳定轨迹。J-Space借用了这个真实存在的需求，包装出来的却是一张拿不出复现过程的结果表。
这就是这件事给所有Skill使用者和开发者上的一课：高明的伪装不编造事实，而是借用事实。一个Skill宣称解决的问题越真实，越要去单独验证它的效果本身是否站得住。
233万个Skill，这个生态有点鱼龙混杂
J-Space不是孤例，它只是这个生态里被锤得最响的一个。
先看疯狂的一面。一个Skill聚合收录站的计数器显示，被收录的Agent Skills数量已经达到233万。知乎
社区里，一个给Claude Code装画图能力的Skill一天涨星1600，总星数冲破11.5k，产出的架构图、流程图是真能直接放进文章用的水平。知乎
小红书、B站上，「50个Skills」「必装Skill」清单帖随手就是几万收藏，最火的Skill安装教程播放量能到40万+。
但另一面，是没人替你算的账。Claude Code启动时，会把skills目录下的所有Skill全部注入system prompt——Skill装得越多，留给真正任务的上下文就越少。知乎一位知乎开发者整理自己的Skill列表时发现，他已经装了218个，整理后只保留132个高频使用的，归档84个，上下文开销直接降了40%。也就是说在整理之前，这些Skill每天都在悄悄收「上下文税」。
还有更隐性的成本。有微博用户吐槽，让Claude Code把备忘录草稿整理成一个Skill，花了10美金还没跑完；而你辛苦攒下的热门Skill，也可能很快被官方收编——最近就有用户反馈，Claude Code已经内置了Claude Design这类热门设计能力，自建Skill的贬值速度比想象中快。
增长是真的，账单也是真的，再混进几个假benchmark，选Skill和做Skill都成了需要擦亮眼的技术活。
选Skill三问，一个都别省
结合J-Space踩过的坑和社区复测经验，装一个Skill之前，建议先问三个问题：
第一问：效果可复现吗？ 真正的提升敢交复现条件：模型版本、运行环境模式、题集、参数设置。J-Space只给了一份「能力释放报告」和结果表。如果一个Skill只有前后对比图，找不到复现步骤，直接降级为「观望」。
第二问：过程公开吗？ 看issue区。有人质疑时，作者是认真回应，还是直接删帖，比任何README都诚实。J-Space的崩盘点正是删除质疑issue。对评测提升类Skill，「敢不敢公开运行日志」应该是一道必答题。
第三问：基线对齐了吗？ 测试环境和你的实际环境是否一致，有没有只报分数不报token成本。J-Space的报告宣称「效率提高两倍」，社区复测却是分数下降、token和成本双增。只谈分数不谈消耗的单边benchmark，和虚假宣传没有区别。
也替较真的复测者说句话：这一轮打假里，J-Space的复测issue被挖了出来，而RoutingSuite、AnchoredStandard这类项目同样在被社区反复验证。对真正干活的Skill来说，复现不是负担，是广告。
自建Skill的四个坑，社区已经替你踩过一遍
如果不满足于装Skill，还想自己写，社区实战里这四个坑值得记下来：
坑一：AI把特例写成规则。 一位逐字重写Skill的知乎作者总结过AI写Skill的两大毛病：一是把举例内容写成铁定规则，「指定性太强，换个项目就不好使」；二是钻牛角尖，把「感悟不能改」理解成「一字不改」。他的结论很直接：AI生成的Skill必须人工逐条审，「用token换心安」是值得的。知乎
坑二：只写不测。 怎么证明你的Skill真的有效？方法不复杂：同一个任务，装Skill跑3次、不装跑3次，对比成功率和token消耗。很多「感觉变快了」的Skill，真测起来和安慰剂差不多。
坑三：描述吹牛。 description是Skill的广告位，但Agent判断什么时候调用它，靠的也是这一句。把描述写成营销文案，不光误导别人，还会让Skill在不该触发的时候乱触发。社区里现在的通行做法：两句话写清楚，用在什么场景、不能干什么。
坑四：只装不管。 上下文窗口是Agent时代最硬的通货。那位整理Skill的知乎作者给出的判断标准很实用：过去一个月没用过的Skill，就不该待在活跃目录里——归档，或者用软链接按需挂载。
接下来值得盯什么
最后给两个趋势信号。一是Agent Plugins规范开始推进Skill的跨客户端兼容，过去同一套能力换个客户端就要重排目录、重填MCP的日子有望结束。知乎Matt Pocock的Skills v1.2也已经补齐Codex支持，「一套Skill多处可用」在慢慢变成现实。知乎二是官方收编高频能力的速度在加快，通用型Skill的护城河会越来越浅。对自建者来说，这既是坏消息也是好消息——同质化的Skill会加速贬值，但有真实领域经验、效果可复现的Skill，会越来越值钱。
机器之心在打假报道里写了一句话，值得贴在每个Skill开发者的桌面上：能被复现的提升才叫提升，拿不出过程的结果，数字越惊人，越应该先打一个问号。36氪装Skill如此，做Skill也如此。
