释题：星火燎原。一个 Markdown 文件格式，用百天时间从一个产品特性变成行业开放标准。这不是偶然——它揭示了 AI Agent 生态中，什么样的机制能活下来，什么样的知识能跨越边界。你好，我是黄佳。前面几讲，我们从结构设计、渐进式披露到高级模式，把 Skills 的工程能力掰开揉碎讲了个透。 但如果我们只停留在“怎么写好一个 SKILL.md”，就会错过一个更大的故事。
- 2025 年 10 月，Anthropic 在 Claude Code 里上线了 Skills。那时候没人觉得这是什么大事——不过是一个 Markdown 文件里写写指令嘛。
- 2026 年 2 月，27+ Agent 平台原生支持这个格式。52,000+ Skills 被注册。Top Skills 单个安装量突破 180,000。
从一个产品特性到行业开放标准，Skills只用了不到百天。
这一讲，我们来回答三个问题：第一，发生了什么；第二，为什么偏偏是 Skills 能出圈；第三，这对你作为 AI 工程师意味着什么。
我们先用一张图来完整复盘这些天里发生的事情。
整个故事的转折点是 12 月 18 日——不是技术突破，而是一个 战略决策 ：Anthropic 选择把 Skills 开放。
在此之前，Skills 是 Claude Code 的竞争优势。开放意味着竞争对手可以免费使用它、甚至用它来对抗你。为什么 Anthropic 愿意这样做？
因为标准的价值大于独占的价值。
独占 Skills，只有 Claude Code 的用户可以用；开放 Skills，所有 Agent 平台上创建的 Skills 都兼容 Claude Code。这是典型的平台经济学——当你的格式成为行业标准，每个人创建的内容都在增强你的生态。就像 USB 标准，Intel 发明了它，但开放后全世界都在用，Intel 反而获益最大。
谁在用：四层采纳矩阵
知道了时间线，接下来看采纳范围。截至2026年为止的 27+ 平台并不是简单的堆砌数字，它们呈现出清晰的分层结构。
当 OpenAI 的 Codex CLI 和 Google 的 Antigravity 都支持你的格式时，这已经不是“一家公司的功能”了——它是事实标准。
Agent Skills 采纳全景图
┌─────────────────────────────────────────────────────┐
│ │
│ Anthropic OpenAI │
│ ├─ Claude Code ★(创始者) ├─ Codex CLI │
│ └─ Claude.ai └─ ChatGPT(测试中) │
│ │
│ Google Microsoft │
│ ├─ Antigravity ├─ VS Code │
│ ├─ Gemini CLI └─ GitHub Copilot │
│ └─ Gemini │
│ │
│ Block Cursor Windsurf Trae │
│ └─ Goose (原生支持) (原生支持) (原生支持) │
│ │
│ Manus Amp Roo Code Letta │
│ OpenCode Kiro CLI Droid Kilo │
│ │
│ 共 27+ 平台 │
└─────────────────────────────────────────────────────┘
与此同时，Anthropic 还在 claude.com/connectors 上线了 Skills 目录，第三方合作伙伴发布了官方 Skill 包：
企业级管理方面，Anthropic 的 Team/Enterprise 计划支持管理员集中配置 Skills——控制哪些 Skills 可用，同时让员工自定义自己的工作流。
Skills 出圈的三个本质属性
刚刚我们了解了“发生了什么”，更重要的问题是“为什么”。为什么是 Skills 出圈，而不是 SubAgents、不是 Hooks、不是 Plugins？
答案藏在 Skills 的三个本质属性里。
第一，声明式（Declarative）。 Skills 的载体是纯 Markdown 文件——YAML frontmatter 加 Markdown 正文。没有编程语言，没有 import/require，没有编译和构建步骤。这意味着什么？任何能读 Markdown 的系统都能理解一个 Skill。不需要 Python 运行时，不需要 Node.js 环境。Claude 能读，GPT 能读，Gemini 也能读——因为它们都能读 Markdown。
如果 Skills 是用 Python 类定义的（像 LangChain 的 Tool），那每个平台都需要一个 Python 运行时、兼容的 SDK、和特定的加载逻辑。切换平台就等于重写代码。
第二，自包含（Self-contained）。 一个 Skill 就是一个文件夹。它不依赖任何外部注册中心，不需要在某个平台注册，不需要安装特定的 runtime，不需要配置 API key，不需要连接外部服务。复制这个文件夹到任何支持 Skills 的 Agent 环境，它就能工作。这就是为什么 Git 是 Skills 的天然分发渠道——git clone 就是“安装”。
第三，知识本位（Knowledge-centric）。 Skills 的价值不在格式——格式只是Markdown；不在工具——工具是 Agent 自带的；不在运行时——运行时是 Agent 平台提供的。价值在内容本身，在“怎么做某件事”的知识，在可操作的领域智慧。一份好的“如何做代码审查”的 SOP，不管是 Claude 读还是 GPT 读还是 Gemini 读，知识本身都是有价值的。
这三个属性合在一起，天然具备跨平台复用的属性：
声明式 → 任何 LLM 都能读
自包含 → 任何文件系统都能存
知识本位 → 知识的价值不绑定平台
为什么 SubAgents 不能出圈
理解了 Skills 为什么能出圈，再看 SubAgents 为什么不能——两者的对比揭示了一个深层的架构原理。
根本原因在于：Skills 封装的是 知识（Knowledge） ，SubAgents 封装的是 行为（Behavior） 。
用一个简单的类比来说：Skills 像一本烹饪书，不管你用什么厨房（Claude / GPT / Gemini），只要能读懂食谱，就能做菜，换厨房带上书就行；SubAgents 像一位厨师，厨师的技能绑定在人身上，你不能把“厨师”复制到另一家餐厅的系统里，你能做的是给新厨师一本食谱。
如果把 Claude Code 的所有机制排列起来看可移植性，规律非常清晰。
越接近“纯知识”的机制越容易跨平台，越接近“运行时行为”的机制越绑定平台。 Skills 是最纯粹的知识封装，所以它出圈了。
Agentic AI Foundation——AI 时代的 W3C
Skills 出圈的背后，是一个更大的行业趋势：Agent 标准化运动。
2025 年 12 月 9 日，Anthropic、OpenAI 和 Block（原 Square）在 Linux Foundation 下联合成立了 Agentic AI Foundation (AAIF) 。如果你熟悉 Web 标准的历史，这就是 AI 时代的 W3C——让不同厂商的 Agent 能用同一套标准互操作。
AAIF 有三大创始项目，每个解决 Agent 生态的一个核心问题。
┌─────────────────────────────────────────────────────────┐
│ Agentic AI Foundation │
│ │
│ ┌──────────────┐ ┌──────────────┐ ┌──────────────┐ │
│ │ MCP │ │ goose │ │ AGENTS.md │ │
│ │ (Anthropic) │ │ (Block) │ │ (OpenAI) │ │
│ │ │ │ │ │ │ │
│ │ Agent 如何 │ │ Agent 如何 │ │ Agent 如何 │ │
│ │ 连接工具？ │ │ 落地执行？ │ │ 理解项目？ │ │
│ │ │ │ │ │ │ │
│ │ = 工具接口 │ │ = 执行框架 │ │ = 项目上下文 │ │
│ │ 标准 │ │ 参考实现 │ │ 标准 │ │
│ └──────────────┘ └──────────────┘ └──────────────┘ │
│ │
│ Platinum: AWS, Anthropic, Block, Bloomberg, │
│ Cloudflare, Google, Microsoft, OpenAI │
│ │
│ Gold: Cisco, Datadog, Docker, IBM, JetBrains, │
│ Oracle, Salesforce, SAP, Shopify, ... │
│ │
│ 共 50+ 企业会员 │
└─────────────────────────────────────────────────────────┘
Agent Skills 不是 AAIF 的三大创始项目之一——它是 Anthropic 在 AAIF 成立 9 天后独立发布的开放标准。但它与 AAIF 生态密切关联。
MCP 提供工具能力，Skills 提供使用知识——Agent 同时需要两者。goose 原生支持加载 Agent Skills。AGENTS.md 是项目的通用规则和指南，Skills 是特定领域的专业知识——前者是常驻全局上下文（push），后者是按需加载领域知识（pull）。
这里有一个关键发现：AGENTS.md 与 Skills 的关系，完美映射到我们讲过的 CLAUDE.md 与 Skills 的关系（参考第 9 讲）。
这不是巧合。 Claude Code 的架构设计就是这套标准的原型。你学的不是一个产品的用法，而是行业标准的第一手实践。
skills.sh——Skills 的 npm
有了标准，自然就需要分发机制。2026 年 1 月 20 日，Vercel 推出了 skills.sh ——Agent Skills 的包管理器和目录服务。如果 Agent Skills 是“代码包”，那 skills.sh 就是“npm”。
# 安装一个 Skill
npx skills add vercel-labs/next-app-creation
# 交互式搜索和发现 Skills
npx skills find
# 更新本地已安装的 Skills
npx skills update
生态数据如下表所示：
skills.sh 的核心理念是把 Agent 推理与执行分离——给 Agent 一组预定义的、可审计的命令，而不是让它动态生成 shell 逻辑。
传统方式（Agent 自由执行）：
Agent → 推理"我需要构建这个项目" → 自己生成 npm build 命令 → 执行
问题：不可预测、不可审计
Skills 方式（Agent 调用预定义 Skill）：
Agent → 触发 "build-project" Skill → Skill 内置标准构建流程 → 执行
优势：可预测、可审计、可复用
如果你在本课程中创建了有价值的 Skill，你可以通过 skills.sh 发布到全球生态。你在课程项目中创建的 .claude/skills/api-generating/SKILL.md，任何人都可以通过 npx skills add your-username/api-generating 安装使用。你学到的 Skill 工程能力不仅在 Claude Code 中有用——它是跨平台的、行业标准级别的能力。
Push vs Pull 大辩论：AGENTS.md vs Skills
有了行业标准和分发机制，一个自然的问题浮出水面：既然 AGENTS.md（Push）和 Skills（Pull）是互补的，那什么时候该用哪个？
2026 年 2 月 2 日，Vercel 发布了一篇引发广泛讨论的博文—— AGENTS.md outperforms skills in our agent evals 。他们对 Build、Lint、Test 三类任务做了严格的对照实验。
表面结论是，一个静态 Markdown 文件打败了按需检索的 Skill 系统。但这个结论需要更深层的分析。
这个权衡，你在第 9 讲就学过了 ——CLAUDE.md vs Skills 就是同一个 Push vs Pull 的设计决策。如下图所示。
Vercel 的测试场景是 Build / Lint / Test——这些是每个项目都需要的高频操作。对于高频操作，Push 模型当然更好：把构建指南放在 AGENTS.md 里，Agent 每次都能看到。
但如果你的场景是 15 个不同领域的 Skills（安全审查、API 文档、数据分析、性能优化……），每次只需要其中 1-2 个，全部 Push 进上下文等于 120KB+ 的 token 消耗。那 Pull 模型就是唯一可行的选择。
场景矩阵：
知识量少（<8KB） 知识量大（>50KB）
───────────── ─────────────
每次都需要 Push (AGENTS.md) Push + 压缩
偶尔才需要 都行 Pull (Skills)
正确的工程决策不是二选一，而是组合使用。AGENTS.md / CLAUDE.md 放每次都需要的、少量的项目规则（构建命令、测试命令、代码风格）；Skills 放特定场景才需要的、详细的领域知识（安全审查清单、API 文档模板、财务分析 SOP）。行业共识正在形成——AGENTS.md 和 Skills 是互补的，不是竞争的。
企业本体论升维：从内部 SOP 到行业标准协议
在第 9 讲中，我们建立了一个企业本体论映射：Skills 等于企业的 SOP / 操作手册。这个映射在企业内部是准确的——Skills 就是一家企业的标准操作程序，指导内部员工（Agent）如何执行特定任务。
但 Skills 出圈后，这个映射需要升维。
如果把这个升维后的映射完整展开，会形成一幅更完整的对照图。
这个升维对你作为 AI 工程师有三个实际意义。
第一，学一次，到处用。 你在 Claude Code 中精心设计的 Skill——精准的 description、合理的分层、强约束措辞——可以直接用在 Cursor、Copilot、Codex CLI 中。因为它就是一个符合行业标准的 Markdown 文件。
第二，你的 Skill 工程能力是行业级能力。 学会如何设计好的 SKILL.md不再是“如何用好 Claude Code”的必要条件，而是“如何为 AI Agent 生态编写标准化知识包”的问题。这就像 2015 年学 REST API 设计——不是学某个框架，而是学行业通用技能。
第三，Skills 是 AI 时代的 package.json。 就像 package.json 定义了一个 Node.js 项目的依赖和行为，SKILL.md 正在成为定义 AI Agent 能力的标准格式。不同的是，package.json 是给机器读的 JSON，而 SKILL.md 是给 AI 读的 Markdown——因为 AI 的“运行时”就是自然语言。
从 Skills 出圈看 AI 工程的趋势
最后，让我们从 Skills 出圈这个事件中，提取三个更大的趋势。
趋势一：声明式大于命令式。 Skills 出圈证明了在 AI Agent 生态中，声明式知识包比命令式代码更具生命力。因为 AI 的“编译器”就是 LLM——它能直接“编译”自然语言为行动。
传统软件：代码（命令式） → 编译器 → 机器执行
AI Agent：知识（声明式） → LLM → Agent 执行
趋势二：标准化大于平台锁定。 AAIF 的成立标志着 AI Agent 行业从平台战争走向标准协作。Anthropic 开放 MCP 和 Skills，OpenAI 开放 AGENTS.md，Block 开放 goose——竞争对手在工具层竞争，在标准层合作。
趋势三：知识复用大于模型竞争。 当所有平台的 Agent 都能用同一套 Skills，模型的差异化不再来自“Agent 知道什么”，而来自“Agent 推理有多好”。知识被标准化抽取出来后，模型竞争回归到推理能力的本质。
总结一下
如果我们把这段历史抽离时间线来看，它揭示的其实不是一个产品成功案例，而是一种“知识形态的进化”。在传统软件时代，能力的边界由代码决定，代码必须依附于某种语言、某种运行时、某种平台生态，因此能力天然带有锁定属性。
而在 Agent 时代，运行时变成了大模型，执行逻辑不再需要通过编译器翻译成机器指令，而是通过语言理解直接转化为行动。于是，知识第一次具备了“可执行性”。当一段结构化的自然语言可以稳定地驱动行为，它就不再只是说明书，而成为一种可以迁移、可以复用、可以标准化的能力单元。
Skills 的出圈并非因为 Anthropic 推广得足够快，而是因为它踩中了这一结构性转折点——它把“领域经验”从平台实现中剥离出来，使其成为独立于运行时的资产。当知识可以脱离具体系统而存在，并通过标准协议在不同 Agent 之间流通时，软件生态的重心便开始从代码复用转向知识复用。
这种变化意味着，未来竞争的焦点不再只是模型参数规模或工具调用效率，而是谁能将复杂领域智慧提炼为可迁移的知识结构。 这一百天的进展只是一个缩影，它标志着 AI 工程正在从“构建系统”转向“组织知识”，从编写逻辑转向设计认知 。
思考题
- 可移植性自测 ：拿你在本课程中创建的任何一个 Skill（比如 api-generating 的 SKILL.md），假设你要把它迁移到 Cursor 或 GitHub Copilot 中使用——哪些部分可以直接复用？哪些需要修改？
allowed-tools、context: fork这些 Claude Code 特有的 frontmatter 字段在其他平台怎么处理？ - Push vs Pull 设计决策 ：你的项目有 8 个 Skills，总知识量约 80KB。根据 Vercel 的实验数据和课程讲的“500 行法则”，你如何设计 AGENTS.md（或 CLAUDE.md）与 Skills 的分工？哪些放 Push？哪些放 Pull？画出你的知识分配方案。
- 标准化价值分析 ：假设你是一家 200 人技术团队的架构师。你的团队在 Claude Code、Cursor 和 GitHub Copilot 三个平台上都有开发者。用这一讲的“企业本体论升维”框架，设计一套跨平台的 Skill 资产管理策略。
- 批判性思考 ：Vercel 实验发现 Skills “56% 的时间不被触发”。结合第 9 讲关于 description 设计的知识和强约束措辞的经验，你认为这个问题的根因是什么？是 Skills 机制本身的缺陷，还是 Skill 设计的问题？提出你的改进方案。
下一讲预告
Skills 专题到此结束。从第 9 讲的基础结构到第 14 讲的行业出圈，我们完成了 Skills 系统的完整旅程。
下一讲，我们将进入一个全新的领域—— Hooks（事件驱动钩子） 。如果说 Skills 是“什么时候用什么知识”，那 Hooks 就是“什么事件触发什么动作”。它是 Claude Code 自动化能力的最后一块拼图。
欢迎你在留言区和我交流讨论。如果这一讲对你有启发，别忘了分享给身边更多朋友。