文章核心观点 - 一种名为“Skills”（技能）的AI新范式正在全球范围内快速普及，其核心在于将个人或组织的特定工作流程和隐性知识封装成标准化、可重复调用的模块，使通用大模型能够更精准、高效地完成具体任务，从而解决大模型“懂道理却不会干活”的痛点 [1][2] - 该范式自2025年10月由Anthropic旗下Claude首次推出后，在不到3个月内迅速获得OpenAI、微软、腾讯、字节跳动等国内外科技巨头的跟进与支持，从一个实验性功能演变为行业开放标准 [1][2][4] - “Skills”通过自然语言即可编辑和创建，降低了使用门槛，使得非技术背景的普通职场人士也能参与构建，促进了个人与组织经验的沉淀，并催生了“技能商店”等生态平台的出现 [2][3][6][8] Skills的概念与核心价值 - Skills被定义为能够将多轮提示词（prompt）及相关资源“封装”到一起的“标准化模块”，用于教会AI以可重复的方式完成具体任务，例如按照公司规范生成文档或自动化处理个人事务 [2] - 其核心价值在于解决通用大模型的痛点：大模型拥有知识，但缺乏散落在组织和个人经验中的“技能”，如特定代码框架、财务报销制度、品牌调性等，这些需要通过实践总结的隐性知识无法被模型直接调用 [2] - Skills可以将公司的规范、流程以及创造者本人的经验“沉淀”在模块中，使用时直接调取，无需重复输入提示词，实现了从“每次都得教一遍”到“学会一遍，终身受益”的转变 [8] 行业发展与巨头跟进 - 2025年10月16日，Anthropic为其AI模型Claude悄然推出Claude Skills功能 [2] - 一个月后的12月18日，Anthropic决定将Skills发布为开放标准，允许任何AI平台和开发工具实现该标准 [3] - 随后，OpenAI的ChatGPT出现了几乎一模一样的架构，微软、腾讯等旗下的编程工具也官宣支持Skills标准 [4] - 2025年1月19日，字节跳动旗下AI Agent平台“扣子”更新，上线“技能商店”，成为国内首个将Skills翻译为“技能”并推出类似功能的大厂 [1] - 截至2025年1月21日，Anthropic官方Skills库在GitHub上的星数已接近5万 [6] 功能实测与应用场景 - 实测显示，通过自然语言描述工作流程（如文章结构、标题样式）可快速生成定制化技能，例如“贝壳财经科技类文章写作技能” [6] - 生成的技能可通过输入范例文章和学习反馈进行迭代优化，从而产出更符合特定风格（如记者文风）和调性的内容 [6][7] - 技能商店中已出现多样化的应用实例，包括：创造历史课件、分析股票板块热度、创建新年绘本、自动化写作、地图数据可视化、生成AVG游戏、Markdown排版、法律类案检索等 [8][9] - 一个名为“花叔的自动化写作”的技能已有4800人安装，该技能运行迭代2个月20版以上，产出10篇以上1万+阅读文章 [8] 技术机制与行业影响 - Anthropic设计了“渐进式披露”机制以降低算力消耗：AI启动时仅扫描每个技能的元数据（约100 tokens），仅在需要执行任务时才加载完整的SKILL.md文件（约3000 tokens）和相关脚本，这使得一个智能体可以装备上百个技能而平时几乎不占用上下文 [10] - 行业形成共识，即“别造Agent（智能体）了，造Skills就行”，表明Skills被视为更具体、更可行的AI能力构建路径 [6] - Skills推动了工作流程的“原子化”，例如将信息搜集、处理和核验拆分为不同技能，未来企业的竞争力可能取决于其私有技能的数量与质量，以及将隐性知识转化为标准化模块的效率 [10]

Claude Skills的概念与原理 - Skills是模块化的能力扩展包，用于扩展通用Agent的功能，每个Skill打包了LLM指令、元数据和可选资源（脚本、模板等），Agent在需要时自动使用它们[22] - 可以将Skill理解为“通用Agent的扩展包”或“工作交接SOP大礼包”，它教会Agent如何完整处理特定工作，将执行方法、工具调用方式及相关知识材料封装为一个完整的“能力扩展包”[14][23] - 一个相对标准的Skill结构包括：必需的SKILL.md核心指令文件，以及可选的scripts/可执行代码、references/参考文档和assets/素材资源目录[24] Skills与MCP的区别及技术优势 - MCP是一种开放标准协议，关注AI如何以统一方式调用外部的工具、数据和服务，本身不定义任务逻辑或执行流程[18] - Skill则教会Agent如何完整处理特定工作，它将执行方法、工具调用方式以及相关知识材料封装为一个完整的“能力扩展包”，使Agent具备稳定、可复用的做事方法[18] - Skills相较于Workflow和程序编写的AI应用有三个关键优势：非技术人员可用零代码、自然语言编写；能突破预设限制，灵活响应用户输入，应对边缘情况；多个Skill可以自由联用，应用方式极其灵活[33] Skills的真实价值与潜力 - Skills的价值被大大低估，一个好Skill能发挥的智能效果，甚至能轻松等同、超越完整的AI产品，任何不懂技术的人都能开发属于自己的Skills[3][4] - 非技术出身的领域专家，离自己做专业Agent只剩隔着一层窗户纸——将专业经验和工作流程用文档形式写清楚，Agent就能照着执行[54] - Skills让更多人、组织、行业参与AI应用的创造成为可能，不必说服IT团队理解需求或等待产品迭代，自己就能创建工具并随时调整Skill的行为[163][164] Skills的核心运行机制：渐进式披露 - Skills采用“渐进式披露”机制来管理上下文长度，Skill内容被划分为三个层级：Level 1（SKILL.md元数据，始终加载，约100 tokens）、Level 2（SKILL.md正文，触发时加载，建议少于5000 tokens）和Level 3（子技能文档、代码脚本、资源等，按需动态加载）[77][79][85] - 默认只加载元数据意味着可以给一个Agent同时安装很多Skills而不影响上下文性能[82] - Level 3的代码脚本在Agent电脑（虚拟机）中直接调用，脚本代码本身不进Context Window，只有运行完成后的输出会进入Agent的Context[90] Skills对AI产品设计的影响与未来趋势 - 基于Skills的垂直Agent，在性能、开销上的问题并非不可解决的持续性问题，因为Skills能直接调用代码逻辑而不进Context窗口，Agent也可以只承担类似hook的角色，实质上和正常程序运行并无差别[101][102] - 未来AI Native产品的发展趋势可能是：内置类似Skill的指引，当用户输入时，AI快速自行判断并自动匹配各种Skills来处理，从而用同一个多模态输入框处理用户各种不同的输入，并能灵活应对边缘问题和提供绝对个性化的生成需求[103][104] - 结合token价格下降和Agent速度提升的趋势，Skills-based的Agent产品有望成为主流[102] Skills的适用场景 - 最典型的信号是：为了完成某个任务，在多轮对话中需要不断向AI解释一件事应该怎么做，此时应将规则打包成一个Skill，一次创建永久复用[141][142] - 当某些任务需要特定知识、模板、材料才能做好时，属于“通用Agent + 垂直知识”的典型场景，适合使用Skill[143][144] - 当一个任务需要多个流程协同完成时，可以将每个环节的指令文档、可执行脚本、参考材料、可用资源打包成单个或多个Skill，让Agent智能调用不同的Skill模块来完成复杂任务[146][148][149] Skills的生态现状与创业机会 - Claude Skills于2025年10月中旬正式发布，两个月后Agent Skills作为开放标准被进一步发布，意在引导一个新的AI Agent开发生态，OpenAI、Github、VS Code、Cursor均已跟进[10][11][13] - 现有Skills公开市场（如skillsmp.com/zh）尚不完善，缺少合理的分类、排序与精选体系，导致用户难以找到需要的Skills[126][129] - 对于Agent创业者及非技术领域专家，Skills代表新机会：垂直Agent工具用传统方式开发周期需数周，但用Skill方式几小时甚至几分钟就能测试起来，且智力与能力上限有机会直逼通用Agent，这极大地降低了验证想法的成本[156][157][161]

AI技能（Skills）的定义与价值 - 在2026年的AI语境中，“技能”被定义为用户发送给AI的“岗位操作手册”和“能力插件”，是将个人核心工作方法原子化并封装成可复用的工具 [1] - 技能能够将重复性操作提炼并压缩成可复用的技能包，实现效率自由，例如将新闻敏感度和缩写习惯封装后，AI可自动按固定“模具”生成稿件 [2][7] - 技能的应用场景广泛，包括自动生成PPT框架、将复杂文档提炼为可视化图表、批量处理图片格式以及整理优化零散想法等 [3][4][5][6] 高效AI工作流的核心组件 - 构建高效数字工作流需理解三个核心概念：MCP、Skills和子智能体（Subagent） [8] - MCP本质上是AI的“入场券”，解决数据访问权限问题，允许AI合法访问本地及实时私密数据，但其本身不负责数据处理 [8][9] - Skills是模块化的“能力包”，包含特定任务的指令、脚本和资源，采用“渐进式披露”设计，仅在触发任务时调用，不占用AI的常规注意力（Token） [9][10] - 子智能体（Subagent）实现AI的“分身术”，将复杂任务拆分为独立子任务分配给不同专岗子智能体处理，通过独立上下文窗口管理避免信息混乱 [11][12] 不同用户层级的Skills实践路径 - 第一类用户可通过“对话”封装直觉，将业务经验转化为数字分身，利用现有AI平台（如腾讯元宝、豆包）的聊天能力将模糊想法塑形为可直接调用的功能包，实现“经验SaaS化” [13] - 进阶玩家可让AI编写软件代码（如Python脚本）并封装成Skill，以处理更复杂或批量的任务，并可将技能分享至GitHub等平台 [14] - 最高级玩家构建完全自动化的数字生产线，整合MCP、Skills和Subagent，形成从数据访问、专业标准制定到资源调度的端到端工作流 [15] - 实际案例显示，有企业已将数据情报挖掘的全流程（包括数据调用和各类技能）封装成一个Agent，并形成持续的内容产出工作流，极大提升效率 [16] AI技能生态的发展趋势与商业影响 - 科技巨头正积极推动AI技能生态标准化，例如Anthropic联合Atlassian等推出Agent Skills开放标准，微软和OpenAI也在推进类似标准，旨在打破“数据孤岛”，使技能成为通用插件 [20][21] - 技能生态的发展背后是巨头对“定义工作流权力”的争夺，标准化后，掌握标准的公司可能收取全球AI流量的“过路费” [21] - 据CB Insights预测，到2030年全球AI Agent市场规模将达47.1亿美元，年复合增长率高达44.8%，其中AI技能包作为核心板块，预计将占据15%到20%的市场份额，是增长最快的细分领域 [22] - 技能的价值在于解决垂直领域的“最后一公里”问题，如医疗数据校验、金融审计插件等，大模型越普及，这些专业技能越具溢价能力 [23] - 未来AI工具将向“意图驱动”发展，用户只需提出模糊意图，系统可通过“意图协议”自动调用专业Skills组合，并按任务完成度向技能开发者结算，迈向“意图结算”终局 [23] - 这场Skills革命的本质是“隐性资产”的抢滩登陆战，未来最成功的创业者将是那些能将“行业手感”转化为“通用插座”的人 [25]

Anthropic发布Claude Cowork研究预览版及其核心问题 - Anthropic发布了Claude Cowork研究预览版，这是一个为“非程序员”设计的、具备Claude Code级别AI协作能力的工具，其核心突破在于将AI使用逻辑从传统的“一问一答”模式升级为“异步协作”模式，能够持续推进任务直至完成[38] - 该产品在测试中暴露了严重的安全隐患，在“整理文件夹”场景下擅自删除了用户约11GB的文件，并且使用了“rm -rf”命令进行不可逆删除，文件未进入回收站[2] - 产品存在一个已知但未修复的隔离缺陷，使其容易受到通过间接提示注入实施的文件窃取攻击，该漏洞在Claude.ai聊天环境中已被发现并扩展到了Cowork中[5] - 产品开发周期极短，仅用了1.5周完成，项目核心成员表示这是一个快速上线、与用户共同迭代的研究预览版，未来将根据用户反馈快速改进[8][10][12] 产品功能与设计理念 - Claude Cowork专为“长时间工作”设计，能够处理需要持续“浏览”和推理的任务，例如审计日历、分析竞品、整理文件夹等，部分任务耗时可达一小时左右[38] - 产品具备强大的场景适配性，连接Chrome浏览器后可直接使用用户已登录的各类服务，无需重复认证，便于完成跨平台任务，并支持生成文档、Excel、PPT、PDF等多种产出物[38] - 在交互设计上，产品右侧设有待办任务列表以展示进度，并配备了带可视化交互界面的“询问用户”功能，支持多选项快速响应以降低操作门槛[38][39] - 产品设计理念强调“开放构建”，将其作为独立的“施工中区域”标签页，旨在邀请用户共同参与产品打磨，快速迭代新功能和修复问题[13] - 团队认为未来Agent类应用界面将趋简，倾向于使用更少的、统一的“泛化入口”来覆盖广泛场景，而非堆砌专用化输入框[13][21][22][24] 产品当前存在的不足与缺陷 - 与Claude Code相比，Claude Cowork在交互上更为繁琐，执行“整理文件夹”指令时需要反复交互确认细节，且存在指令响应漏洞，例如在待办清单中错误标记了未执行的操作[4] - 产品执行效率滞后，在整理文件夹过程中多次停顿，节奏拖沓，而Claude Code完成类似任务仅需数十秒，即便两者均搭载Opus 4.5模型，Cowork的响应速度和执行效率仍明显落后[4] - 产品在体验细节上存在多处优化空间：UI打磨不足，任务列表缺乏视觉区分度；权限管理不直观，用户难以判断AI运行在本地还是云端；“询问用户”功能存在逻辑缺陷，可能自动跳过问题；对复杂应用（如Google Docs）的适配尚不完善[40] 核心架构：Skills与可组合性 - Skills是Claude Cowork平衡“模型灵活性”与“工作流稳定性”的关键，也是用户实现“可组合性”和个性化定制的最主要入口[8][20][28] - Skills允许用户以Markdown文件的形式封装可复用的专业知识与操作逻辑，从而沉淀知识并催生“涌现能力”，即用户以开发者未预料到的方式组合工具，创造出新用途[8][28][35] - 团队在实践中发现，通过Skills描述如何正确查询数据源及遵循设计原则，Claude能稳定产出高质量结果，这比创建大量具体工具或固定模板更有效[35] - 产品支持加载用户已在Claude AI中安装的Skills，这构成了其“可玩度”和“可扩展性”的核心[39] 开发模式与行业洞察 - 产品采用“先上线、快迭代”的开发模式，核心是快速推出最小可行产品（MVP），与早期用户紧密合作，共同探索正确的用户体验和产品形态[12][15] - 团队借鉴了Claude Code的开发经验，即通过提供高度通用的工具，让用户在探索中发现自己到底想要什么，从而构建出能适应未来新场景的产品[18][29] - 在构建Agent原生应用时，团队认同几个核心原则：对等性（用户与Agent能力一致）、工具设计的底层粒度、可组合性以及由此产生的涌现能力[28] - 团队在产品设计中进行了关键取舍：将工作流拆分为“非确定性（依赖模型智能）”和“稳定可重复（编写工具）”两类，对于高度可重复且收益固定的部分，倾向于编写工具而非依赖模型[8][31]

Skills的概念与热度 - Skills是AI领域当前的热点概念，其热度在AI圈内已不亚于当年的Prompts [4] - 各种Skills相关的GitHub仓库受到广泛关注，例如一个包含50多个Claude技能的仓库已获得18K星标，另一个名为superpowers的基于Skills的开发工作流程项目也获得18K星标 [2][3] Skills的定义与核心特征 - Skills翻译为“技能”，是给AI Agent（智能体）使用的技能 [4] - 在形式上，Skills是一个文件夹，而不仅仅是文本，其中可以包含Prompt、参考文档、脚本等多种资源，供Agent在需要时加载 [23] - Skills的核心作用是**将流程性知识封装成可复用的能力包**，使Agent能够随需调用并稳定执行任务 [29] - Skills的设计采用了“渐进式披露”原则，即先加载元信息目录，再按需加载详细内容，以优化Token使用并降低认知负荷 [25][28] Skills与Prompt、MCP的区别 - **Prompt**：相当于对Agent（比喻为实习生）的**口头临时指令**，适合一次性、临场、可变的场景，其作用范围仅限于当前对话轮次 [25] - **Skills**：相当于给Agent的**内部SOP手册或知识库**，包含规范、脚本、模板等，可供Agent在需要时自行查阅并复用 [25] - **MCP**：相当于给Agent的**门禁卡**，其功能是让AI应用能够安全地连接和调用外部系统或API，不涉及具体任务执行方法的教导 [29][30] Skills的应用案例与价值 - **AI选题系统**：通过1个主控Agent和3个Skills（热点采集、选题生成、选题审核）实现自动化，将原本需要2-3小时的人工选题流程大幅简化 [4][5][6][7] - **整合包生成器**：通过Skill将复杂的GitHub开源项目（如Manim动画引擎）打包成带有前端界面的一键启动整合包，解决了非技术用户的痛点 [9][13][16][18] - Skills的价值在于**复用**，无论是专业人士封装工作流，还是普通用户固化常用需求，都能显著提升效率，其潜力被市场认为仍被大大低估 [18] Skills的技术规范与创建 - Skills由Anthropic公司于2025年10月在Claude Code上首次推出，并于2025年12月18日作为开放标准发布，从而引爆了生态 [19][21] - 一个标准的Skill文件夹**名称必须使用小写字母和连字符**（例如 `hotspot-collector`） [36] - 每个Skill文件夹中，**`SKILL.md` 是唯一必需的核心文件**，其结构固定为两部分 [37] 1. **YAML头部**：包含 `name` 和 `description` 字段，用于Skill识别 [37] 2. **Markdown主体**：详细的工作流程、输出格式要求和示例 [38] - `description` 字段至关重要，需使用**第三人称**清晰描述Skill的功能和调用时机，并包含触发关键词，同时建议将整个 `SKILL.md` 文件控制在500行以内以保证最佳效果 [38][39] Skills的生态与获取 - 除了Claude Code，OpenCode、Codex、Cursor、Codebuddy等主流编程工具均已兼容Skills标准 [23] - Anthropic官方开源了一个Skills仓库（`https://github.com/anthropics/skills`），提供了大量实用Skills，该仓库已获得**38.3k星标**和**3.5k分叉** [44][45] - 官方仓库中包含了16个示例Skills，涵盖文档处理、前端设计、PDF/Excel操作、Skill创建等多个领域，其中 `skill-creator` 这个Skill本身就可以指导用户创建新的Skills [45][46][47] Skills的安装与使用 - **安装方法一（命令安装）**：在Claude Code或OpenCode中，直接向AI发送包含Skill项目地址的Prompt指令即可完成安装 [49][51][52] - **安装方法二（手动放置）**：将Skill文件夹拖放到指定本地目录 [54] - Claude Code路径：`~/.claude/skills` [55] - OpenCode路径：`~/.config/opencode/skill` (macOS/Linux) 或 `C:\Users\[用户名]\config\opencode\skill` (Windows) [55][56] - 建议将Skills安装在全局目录，以便在所有项目中共用 [56] - 使用Skills时，用户只需通过自然语言对话提出需求，Agent便会自动判断并调用相应的Skill来执行任务 [57]

Claude Skills 产品概述 - Anthropic 发布 Claude Skills，这是一种让模型获取新功能的全新模式 [2] - Skill 是一个包含 SKILL.md 文件的目录，内含为代理提供附加功能的指令、脚本和资源 [4] - Claude 只会在 Skill 与当前任务相关时才会调用，使用后能更好地完成特定任务，例如使用 Excel 或遵循组织内部的品牌指南 [5] Skills 的技术实现机制 - 会话开始时，Claude 会扫描所有可用 Skill 文件，并从 Markdown 文件的前置 YAML 中读取简短说明，每 Skills 仅占用几十个额外 token，具有极高的成本效益 [6] - Skills 机制的实现依赖于模型能够访问文件系统、具备导航工具以及在该环境下执行命令的能力 [12] - Skills 将复杂部分交给大模型框架和计算机环境处理，本身更接近大模型的精髓——提供文本让模型自行解决问题 [27] Skills 的实际应用案例 - Claude 的全新文档生成功能完全通过 Skill 实现，现已被纳入 Anthropic 代码库，涵盖.pdf、.docx、xlsx 以及.pptx 文件 [4] - slack-gif-creator skill 示例可创建专为 Slack 优化的 GIF 动图，包含尺寸约束验证器，Slack GIF 的最大体积不会超过 2 MB [7][10] - 通过设置装满 Skills 的文件夹，可以构建"数据新闻智能体"，实现从获取人口普查数据到发布可视化结论的全流程自动化 [16][19] Skills 与 MCP 的竞争优势 - 相比模型上下文协议（MCP），Skills 避免了 MCP 对 token 的大量消耗问题，GitHub 官方 MCP 本身就消耗了巨量上下文 token [18] - 几乎一切原本需要 MCP 实现的功能，现在都可以用 CLI 工具解决，大模型知道如何调用 cli-tool –help 并自行处理 [20] - Skills 非常易于共享，预计将有大量 Skills 以单文件形式实现，更复杂的则采取文件夹形式包含更多文件 [21] Skills 的跨模型兼容性与生态展望 - Skills 能与其他模型配合使用，例如将 Codex CLI 或 Gemini CLI 指向 Skills 文件夹，整个流程可以正常起效 [23] - 预计后续将迎来 Skills 生态的寒武纪大爆发，相比之下今年的 MCP 热潮都显得平淡无奇 [24] - Claude Code 不仅仅是一款编码工具，更是一款通用型计算机自动化工具，可视为一种通用智能体 [15]