社区所有版块导航
Python
python开源   Django   Python   DjangoApp   pycharm  
DATA
docker   Elasticsearch  
aigc
aigc   chatgpt  
WEB开发
linux   MongoDB   Redis   DATABASE   NGINX   其他Web框架   web工具   zookeeper   tornado   NoSql   Bootstrap   js   peewee   Git   bottle   IE   MQ   Jquery  
机器学习
机器学习算法  
Python88.com
反馈   公告   社区推广  
产品
短视频  
印度
印度  
Py学习  »  Git

如何评价 Claude Skills 在 GitHub 上九个月拿下 17 万 Star?Agent Skills 是昙花一现还是真正的范式变化?

行客科技 • 2 月前 • 379 次点击  

先说结论:Skills 是真的范式变化,但生态成熟度大约相当于 2014 年的 npm——能用,而且已经能闻到供应链事故的味道了。

截至 2026 年 9 月 2 日,anthropics/skills 仓库 173,071 Stars。

比 Star 数更能说明问题的是另一个数据:2026 年 8 月的 GitSkills 研究在公开 GitHub 里扫出了 3,797,117 个 SKILL.md 文件,覆盖 282,200 个仓库,内容去重后还有 1,877,981 份。

一个九个月大的文本格式,靠复制粘贴长出了近 400 万份实例。这篇回答分四部分:

  • 它到底解决了什么、

  • 官方源码里暴露的早期问题、

  • 我们的跨 Agent 复现实验、

  • 以及为什么我认为它真正的故事是"软件供应链"


一、Skills 解决了什么:给"经验"一个可安装的载体

传统的 Agent 提示词散落在聊天记录、团队 wiki 和个人习惯里,难复用、难版本化、出了问题追不回是哪版规则在起作用。

Agent Skills 的方案朴素到不像创新:用一个文件夹封装一项能力。

机制上有两个设计值得单独说:

1. 渐进加载。 Agent 启动时只读 name +  description 两行元数据,命中任务后才加载正文,再按需读 references。这解决了系统提示词长期霸占上下文的老毛病。

2. 接口的双重读者。 这是行客认为最深刻、也最容易被忽略的变化。传统函数靠稳定名称和参数调用;Skill 的"接口"是一段自然语言,路由决策者是模型的概率判断。官方 skill-creator 甚至专门提醒:Claude 目前存在低触发倾向,作者要把触发条件写得更主动。

换句话说,你写的 README 同时是给人看的文档和给概率路由器看的路由表。软件史上头一回。

3. 不绑定 Claude。 2025 年 12 月 18 日 Anthropic 把格式作为开放标准发布(agentskills.io),48 小时内微软(VS Code/Copilot)和 OpenAI(Codex CLI)跟进,到 2026 年 7 月支持工具超过 40 款。这基本是 MCP 路径的复刻:先做、再开放、让生态替它修路。

二、拆开官方源码:

成熟度没有 Star 数那么好看


在 2026 年 9 月 1 日的官方提交上做了本地审计,19 个 Skill 目录。skill-creator 已经配了验证脚本、触发评测、A/B 对照工具——说明官方确实是当"可测试的软件工件"在经营。但两个具体问题很说明早期状态:

问题一:Windows 编码。 

官方 quick_validate.py 用 Path.read_text() 读文件,没显式指定 UTF-8。在中文 Windows 的 GBK 默认环境下,校验官方的 discernment-nudge 直接抛 UnicodeDecodeError;设 PYTHONUTF8=1 后通过。故障很小,但它能直接阻断本地验证流程。

问题二:规则和实现打架。 

官方校验器规定 description 上限 1,024 字符。我们批量验证 19 个官方 Skill,18 个通过——唯独官方自己最新的 claude-api 是 1,068 字符,严格校验失败。而客户端接入指南又建议对这类问题"警告并继续加载"。同一个 Skill,可能在严格流水线被拒,在宽容客户端照常运行。

这就是软件供应链早期的经典症状:规范版本、作者工具、包内容、运行时,四者对不齐。

另外提醒一个法律细节:19 个目录里 14 个是 Apache-2.0,但 docx/pdf/pptx/xlsx  四个文档 Skill 用的是 source-available 许可。仓库公开可读 ≠ 每个目录都给你商用和再分发权利,用之前逐目录看 LICENSE。

三、跨 Agent 实验:

格式是开放的,行为不是自动跟着走的


既然微软和 OpenAI 都接入了这个标准,那"同一个 Skill 文件在别的 Agent 上表现一致吗"?我们做了个对照实验。

测试对象:官方 discernment-nudge(无脚本、无网络依赖),规则是"给出有决策后果的建议后,追加 2-3 个核验问题"。

题目:为一家 20 人 AI 软件团队选单/双供应商方案,含三个月计划、80 万预算和风险。

条件:实验组与空白组用同一 Codex 版本、同一模型、同一推理档位、同一道题。

结果:

但这个实验回答不了的东西更多:

  • 单次 token 差值混合了文件发现、内部规划和运行波动,40% 的差值不能全算在 Skill 头上;

  • 客户端同时会扫描用户目录里的其他 Skills,存在干扰;

  • 一次命中 ≠ 长期触发率,而触发率恰恰是自然语言路由最不稳定的部分;

  • Claude Code CLI(已核验到 2.1.252)本机未登录,行为测试没跑成;OpenCode 1.18.25 完成了客户端发现测试(成功列出项目级 Skill,元数据与官方快照一致),但没配模型供应商,路由 A/B 留待下轮。

所以行客对此的建议是:目录兼容、成功路由、输出一致,当成三项独立指标分别验收。正式评测至少需要 20 正例 + 20 反例、每题重复三次、固定模型和 Skill 提交版本,再统计命中/漏触发/误触发。

四、真正的故事:

一门没有包管理器的供应链生意


前面都是铺垫,这部分最值得从业者警惕的。

生态缺基础设施。 近 400 万份 SKILL.md 在流动,但没有统一包管理器、没有编译器、没有类型检查器。作为对照研究:一项针对 138,133 份 Skill 的静态分析显示,91.8% 的样本至少存在一项复用缺陷(路由描述、正文可执行性、资源组织)。另一项维护研究发现,在其识别的复用关系中,53% 的 Skill 被采纳后就没再改过。

这两个数字要谨慎读:静态缺陷率 ≠ 生产故障率,复制后不改也可能只是内容稳定。

复制即分叉。 传统依赖通过版本范围和锁文件接收上游修复;复制进项目的 Skill 断开了这条线。上游出漏洞、改流程、换许可,你甚至不知道自己手里有多少份旧副本。

安全扫描只覆盖一段。 Anthropic 今年 8 月上线了第三方 Skill/插件安全扫描(pass/warn/fail,多数任务一两分钟),这很好。但仍需要注意空档:既有 Skill、Claude 创建的 Skill、经 MCP 提供的 Skill、MCP 服务器与 hooks,都可能落在扫描之外。pass 也不保证业务逻辑正确。别忘了这个接口的执行面能摸到文件、命令、网络和凭证——恶意指令、凭证窃取、数据外传都是现实威胁模型。

企业真正需要的是一条完整风险链:来源 → 许可 → 路由 → 权限 → 数据 → 审计 → 回滚。 扫描只是其中一环。

五、给开发者的五条落地纪律

  1. 从高频、低权限、结果可验证的任务起步(格式检查、测试生成、发布说明);直连生产库、支付、删除命令的 Skill 先过沙箱和人工审批;

  2. 概率流程与确定性动作分层:判断逻辑写 SKILL.md,可复现动作进脚本,脚本做单元测试,整体做有/无 Skill 的行为 A/B;

  3. 当内部依赖管:每个 Skill 记录来源、版本、许可证、责任人、权限、数据范围、评测集和回滚方法;项目级进 code review,组织级进变更审批;

  4. "应该触发"和"应该沉默"分开测,只测成功案例会掩盖误触发;记得在上下文压缩后复测是否重复激活;

  5. 提前设计出口:固定版本、保存基准输出、保留替代实现——比指望作者长期在线可靠。

写在最后:

Skills 的本质,是把"团队经验"从聊天记录里捞出来,变成可发现、可分发、可评测的软件工件。当经验可以像依赖一样安装,治理就必须跟上——这是 npm 生态当年用无数次事故换来的教训,Skills 生态大概率要重走一遍,但愿走得快一点。

模型差距在缩小,未来企业真正的资产会落在:领域流程、可执行工具、评测数据、治理记录。 Skill 决定 Agent 能复用什么经验,治理系统决定这些经验能不能长期可信地运行。

如果你正在建设 Agent 工作流或 AI Coding 团队,可以关注「行客科技」并星标。

回复关键词【技能治理】,获取《Agent Skill 生产治理检查清单》,覆盖来源、版本、路由评测、权限、数据、许可证、安全扫描与回滚。

团队已经出现规则散、评测缺失、结构退化或 Agent 反复改坏,也可以在后台留言【DARWIN】,进一步了解 AI Coding 的修复与治理闭环。

Python社区是高质量的Python/Django开发社区
本文地址:http://www.python88.com/topic/200596