最近你大概很难躲开"Skills"这个词。
小红书上一条"我不允许还有律师不会用这些 Skills"的自用帖，被藏了 2133 次、点了 1264 个赞；一条"南大教授蒸馏的 skills 新手直接用"也拿下 1399 收藏。B 站上"Agent Skills 从入门到实战"的教程一天能冒出好几条，标题一个比一个狠——“七天从小白到大神”“学完薪资翻倍”“比付费强百倍”。吴恩达开了 Agent Skills 的课，斯坦福 CS146S 把技能库拆进课程笔记，李宏毅的 Harness Engineering 也在讲怎么"驾驭"它。连 Gemini 都在十月连夜跟进，小红书上一片"Gems 要被替代了吗"的惊呼。小红书
热闹到这个程度，一个已经在用 Claude Code、Codex 或者豆包干活的人，很难不心里发毛：这玩意儿到底是又一次范式革命，还是给"提示词"换了个洋气的壳、再配一波卖课和软文？我要不要现在就花时间上车？
我把知乎、小红书、B 站上这一轮的讨论翻了一遍，也读了几个热门技能库的实测。结论先放这儿：Skills 是真的有用，但它被吹的和被骂的，其实都不是同一件事。 下面把账算清楚，你自己对号入座。
一、先把概念吵清楚：Skills 不是"更长的提示词"
很多人第一反应是"这不就是把提示词写长点、存起来复用吗"。这个理解对了一半，但漏掉了最关键的东西。
按 Anthropic Skills 团队负责人 Barry Zhang 的定义，Skills 是"composable procedural knowledge for agents"——给智能体的、可组合的程序性知识。程序性知识是认知科学里的词，跟"知道是什么"（事实性知识）相对，指的是"知道怎么做、以及怎样算做对"。说白了，就是从某个具体领域里蒸馏出来的实操经验。知乎
落到形态上，它简单到让人怀疑：一个文件夹，一个 SKILL.md 说明书，再加上可选的脚本（scripts）、参考资料（references）和模板（templates）。装一个 Skill，不是训练了个新模型，而是给原来的 Agent 塞进去一套"遇到这类活就照这个流程走"的可复用手册。
那它和你手写的提示词到底差在哪？一句话：Skill 管流程，Prompt 管当前这次任务。提示词像手搓，每次从零描述一遍；Skill 像一把提前配好的手术刀，把"怎么系统审一篇论文""怎么按规范生成一份 PDF 报告"这种反复要干的活固化下来。它俩不是替代关系，实际用的时候是叠着的——你调用 Skill 走既定流程，同时用 Prompt 补上这次的具体对象、要求和限制。知乎
真正让它跟"一长段提示词"区别开的，是渐进式披露（Progressive Disclosure）这个机制：Agent 平时只把 Skill 的一句描述（metadata）挂在上下文里，判断这次任务用得上，才去读 SKILL.md 正文，需要更深的细节，再按需打开 references。这套"目录常驻、正文按需、引用深挖"的设计，本质是把宝贵的上下文窗口省下来留给模型真正要思考的地方——这也是为什么老手说它"省 token"。知乎
顺带把几个容易混的词一次性理清，省得你被绕晕：
Skill vs MCP：MCP 是把外部工具（数据库、接口）标准化接进来的协议；Skill 是一种轻量的"经验打包格式"，能被不同的 Agent 读取。Skill 里的 scripts 你可以理解成 MCP 的本地简化版。知乎上"为什么 skills 优于 mcp"的讨论能有 36 万浏览，恰恰说明这俩不是竞争关系，而是解决不同层的问题。
Skill vs Agent 框架：它不是又一个框架。它更像"别造 Agent 了，造 Skill"（Don’t Build Agents, Build Skills Instead）这个思路的产物——把精力从搭架子，挪到沉淀具体领域的做法上。
二、这波生态到底有多大：从律师到科研，从 150k 星到 370 万安装
如果你觉得这只是程序员圈子的自嗨，那可能低估了它的扩散速度。
先说规模。Karpathy 相关的 skills 仓库在 GitHub 上超过 150k 星。一份专门盘点"Agent 做视频"的榜单，把 180 个开源 Skill 逐一读了 README、分成 10 类做了安全评级，光整理这一遍的模型调用成本就花了约 200 美元——里面 107 个星数不到 50，过千星的只有 20 个。换句话说，大量能用的东西还沉在水面下，光看热门榜根本捞不全。 像 OpenMontage 这种"全家桶"（61.5k 星），一个项目里就内置了 700 多个 Skill。知乎知乎
再说垂直渗透，这才是最猛的地方：
律师：清华开源了 38 个法律技能（Legal-Skills-Chinese），加上诉讼可视化、法律文件本地脱敏、案件分析、MinerU 扫描解析……一整条办案工作流都能拆成 Skill。小红书
科研：专门站点 sciskills.tech 把文献检索、论文写作、同行评审、统计建模、科研绘图按学科分好类；scientific-agent-skills 号称 182 项可检索、可编排；生信、经济金融、人文社科各有专属包。知乎
通用办公：docx 一句话生成整份 Word、Excel 公式按规则写对、CSV 变动态图表（还保证每帧数字准确）、免费配音（走微软公开语音服务）……
配套的工具链也在长出来：skill-creator 帮你从零写技能，Skills Manager 一句话安装部署，Superpowers 定了条"先查技能再动手"的铁律，甚至出现了 UUMit 这种把 Agent、API、Skill 挂成"能力卡"出售、让 Agent 自己接单的平台——被网友戏称"AI 闲鱼"。哔哩哔哩
一个信号很能说明问题：知乎上"现在 Agent Skills 那么火，有什么强烈推荐"的问题，浏览量 23 万；"2026 年有哪些好用的 skills 推荐"13 万。它已经从"要不要用"进入了"用哪个"的阶段。
三、泼三盆冷水：这波热潮里，被吹的和被骂的不是同一件事
到这儿如果你已经想冲，先停一下。这一轮讨论里最有价值的，恰恰是那些反常识的声音。
第一盆：装得多 ≠ 有用，反而更乱。 有人翻了 WorkBuddy 的技能目录，145 个，把自己吓了一跳——因为每天真会点开的就 5 个，剩下 140 个"装的时候觉得以后肯定用得上，装完就再没打开过"。他最后总结的那句话值得裱起来：“技能库不是收藏夹，是项目，它需要有人定期去看、去改。” 契合度永远高于数量，从自己最高频的一两个任务开始，比一口气装几十个实在得多。知乎
第二盆：现成的 ≠ 能直接用、有人维护。 一位律师的坦白很典型——找现成 Skill，效果不稳定、没人维护；自己搭又要花大量时间反复调试。更真实的坑是：Skill 会过期、会写错。上面那位实测时，一个配音 Skill 的文档里赫然写着"四川话"音色，他试了 6 次全报错，回头查官方清单才发现中文一共 8 个音色、方言只有东北话和陕西话两个，"四川话"根本不存在——文档不仅信息错了，还教了个错的排查方法。而且别忘了安全：很多 Skill 不只是 Markdown，它会真的跑 Python、R、Shell，甚至调第三方 API、改你本地的文件。那份视频榜单给 180 个仓库做评级，178 个 SAFE、2 个 CAUTION，但评级只看 README 文本、没做完整源码审计。装之前扫一眼 SKILL.md 和 scripts 目录，是底线动作。知乎知乎
第三盆，也是最该想清楚的：模型越来越强，Skills 会不会失业？ 这不是杞人忧天。“为什么 Codex 搭载 GPT-5.6 后，越来越多用户开始弃用 Skills"的讨论，浏览量破了百万。但点进去看，结论比标题冷静得多：被抛弃的是"通用流程型 Skill"——那些教模型"怎么思考、怎么一步步干"的东西，模型变强后原生就能做，确实不需要了。但"领域型 Skill"反而更金贵，因为强模型解决得了"怎么想”，解决不了"该按什么规范执行"：你公司的内部规范、行业合规清单、操作手册、特定业务模板和执行脚本，这些是模型不具备、网上也搜不到的私有知识，用 Skill 沉淀成可复用的结构化封装，目前仍是最优解。知乎
把通用流程和领域知识一起扫地出门，就像"除草的时候把杂草和庄稼一起清了"。真正的问题不是要不要 Skill，而是缺一套评测筛选机制——用可用性、成功率、鲁棒性、误触发率这些硬指标去淘汰低质货，而不是靠下载量和评分盲选（这俩最容易被流量和包装干扰）。
四、要不要现在上车：对号 3 类人
把上面的账合起来，你就能给自己定位了。
该上，而且现在就该上：你已经在用 Claude Code、Codex、WorkBuddy 这类能干活的 Agent，手里有明确、重复、且有"规范/模板/私有知识"的工作流——程序员、科研党、律师、做内容/运营/数据的。对你来说 Skill 的 ROI 最高，因为它省的是你每天重复描述流程的时间和 token，沉淀的是别人抄不走的领域经验。别追热门榜，从你最烦、最重复的那一两件活开始。
可以先观望，别被 FOMO 推着走：你是轻度用户，偶尔用 AI 问问题、写点东西，还没有稳定的重复工作流。那你当务之急是把 Prompt 用顺、把一两个 Agent 用熟，而不是急着囤一堆用不上的 Skill。Skills 是"把重复劳动打包"的工具，你还没有值得打包的重复劳动，装再多也是收藏夹吃灰。
要格外小心，甚至先别碰：你是被"学完薪资翻倍"“七天从小白到大神”"靠 skills 月入过万"这类标题吸引进来的。B 站上这类低质教程和软文已经泛滥（有些"自用推荐"帖末尾就顺势带出了自家付费产品）。记住一个朴素的判断：真正的 Skill 价值在"把你自己的经验固化"，不在"买别人包装好的捷径"。 凡是承诺速成变现的，先默认它在割你。
五、真决定上车，这份避坑清单收好
从 1–2 个高频任务起步，别一次装几十个。用熟了再加，契合度高于数量。
装前必做安全检查：打开 SKILL.md 看它到底会干什么，扫一眼 scripts 目录有没有可疑脚本、要不要 API Key、会不会改本地文件。来源不熟的项目，回 GitHub 看 README、最近更新时间、License。
别跨 Agent 无脑复制：Claude、Codex、Gemini 的目录结构和适配不完全一样，很多项目会出专门的 Codex 适配版，默认能直接搬是错觉。
输出必须自己核验：Skill 让流程更稳，但不保证结果对。公式、引用、数据、法条、统计结论，尤其要人工过一遍。
把技能库当项目维护：定期查废弃引用、规则冲突、过期信息（skill-management 这类工具就是干这个的）。技能会老，没人管就会在某个早上用一个不存在的"四川话音色"坑你一把。
终点是沉淀你自己的 Skill：最值的玩法不是收藏别人写好的，而是借鉴别人的工作流拆解思路，慢慢改成贴合自己习惯的版本。这也正好呼应前面那条判断——领域型、带你私有知识的 Skill，才是模型再强也替代不掉的那部分。
写在最后
Skills 不是魔法，也没那么玄。它本质是 AI 应用从"能不能干"走向"怎么干得又稳又省"的一次工程化沉淀——把散在你脑子里、聊天记录里的重复经验，打包成 Agent 能反复调用的模块。
所以这波刷屏里，真正值得你关注的，从来不是"哪个 Skill 最神"“哪个安装量最高”，而是一个更朴素的问题：你每天在重复劳动里，有多少是可以被打包出去的？ 想清楚这个，你就不会被教程和软文带节奏。
想继续跟进的话，盯这几个信号就够了：模型每次大版本升级后，你手里哪些"通用流程型 Skill"开始变得多余（该删）；你所在的垂直领域，有没有出现高质量、带测试用例、有人持续维护的领域型 Skill（该上）；以及技能市场会不会长出真正的评测/评分机制——那一天到了，"靠下载量盲选"的尴尬才算真正结束。
