Skills 在坍缩团队结构：70+ Skill 实践者谈隐性知识变成可执行资产

一句话结论

OpenClaw 几天 16 万 stars、Anthropic 联合 DeepLearning.AI 开课 Agent Skills、Theory Ventures 定义「Skills 是用英语写的程序」——多个独立信号指向同一方向：知识工作者的隐性经验，第一次有了可编码、可执行、可传递的载体。但 70+ Skills 的实践者提醒：Skill 适合编码「已经稳定的判断逻辑」，不适合编码「还在探索中的直觉」。

四个独立信号，同一个方向

上周一组数据：OpenClaw——一个开源 AI 助理项目——几天内在 GitHub 上拿到 16 万 stars。最大的 MCP 聚合器，8.1 万 stars。Anthropic 官方 Skills 仓库，6.7 万 stars。Cursor Rules，3.8 万。OpenClaw 社区 Skills 列表已收录 3000 多个。

同一周，Theory Ventures 的 GP Tomasz Tunguz 写了一篇短文，核心观点只有一句话：Skills are programs written in English. Karpathy 在 Vibe Coding 一周年时提出新概念 Agentic Engineering。Anthropic 和 DeepLearning.AI 联合推出 Agent Skills 课程。

这些事件单独看都只是热闹。放到一起，表面上指向”AI 竞争从模型层转向工具层”——但这个判断 2024 年底就是共识。真正值得关注的是一个更底层的变化：知识工作者的隐性经验，第一次有了可编码、可执行、可传递的载体。

这不是推测。去年 10 月 Anthropic 发布 Skills 功能后，作者第一时间用同一个字幕处理流程分别跑了 Claude Skills、OpenAI Agent Builder 和 Make，还专门写了一篇万字长文拆解。结论：Skills 和传统自动化工具根本不是一个赛道。四个月下来，系统里已经跑着 70 多个 Claude Skills。

“Skills 是用英语写的程序”

Tunguz 用了一个《黑客帝国》的类比：Neo 问 Trinity：“你能开那个东西吗？“Trinity 说：“还不能。“几秒后，Tank 把一个直升机驾驶程序直接上传到她脑子里。她走进驾驶舱，起飞了。

Tunguz 说，Skills 就是这种感觉。不需要学习一个界面，你直接获得一种能力。Skills 把机构知识编码成可执行的形式，培训变得不再必要，因为能力可以瞬间转移。

这个类比有一个地方值得多想一步。Trinity 是自己学会了开直升机——能力长在她身上。但 AI Skill 不一样：能力在 AI 身上，不在你身上。你并没有学会什么新东西，只是多了一个能替你执行的助手。这不是掌握，是委托。

但 Tunguz 抓住了一个真实的变化。传统软件时代，企业按角色配应用——销售用 Salesforce，营销用 HubSpot，分析币用 Tableau。在 Skills 时代，企业配置的不再是应用，而是能力。 FP&A 团队不需要学 Excel 透视表，他们得到一个 Skill，能自动从 NetSuite 拉数据、按 CFO 喜欢的格式出报告。

Tunguz 还有一个观察特别到位：每一次平台转移都在压缩用户到价值之间的距离。 Web 需要 URL 和浏览器，移动端需要下载，Skills 只需要一句话。

70+ Skills 之后，看到了什么

去年 10 月 Skills 功能发布后就开始做。到现在，系统里跑着 70 多个 Skill，覆盖了从视频字幕处理、配图生成到知识管理的几乎所有内容生产环节。

字幕处理：把判断逻辑变成可执行指令

一套 Skill 处理视频字幕的全流程：从 SRT 原始文件到校对、断句、matter 格式化、章节生成，一条龙。核心不是代码，是反复试错后沉淀下来的判断逻辑——中英文混排时术语怎么处理？什么样的断句在手机屏幕上读起来自然？哪些口语化表达该保留、哪些该删？“呃”和”嗯”什么时候是语气词该删、什么时候是有意义的停顿该留？

这些东西以前只存在脑子里。现在它们变成了一个可执行、可版本化、可迭代的资产。

Obsidian Visual Skills：设计判断的系统化

开源的 Obsidian Visual Skills——三个 Skill 分别生成 Excalidraw 手绘图、Mermaid 结构图和 Obsidian Canvas，在 GitHub 上拿到 1300 多个 stars。

核心不是”帮你画图”，而是把设计判断编码成规则。比如 Mermaid 有一个极其隐蔽的语法陷阱：写 [1. Perception]，一个点号后面跟空格，解析器会把它当成列表语法直接报错。正确写法是 [1.Perception]，去掉那个空格。类似的陷阱还有不少，全是踩坑后积累下来的。

还有：8 种语义色板（浅蓝=输入、浅绿=成功、浅橙=警告），字号下限（标题最小 20px，正文最小 16px），文字居中的估算公式（中文字符宽度是英文的两倍）。这些过去是”有经验的设计师才知道”的隐性知识。1300 多个 stars 说明一件事：把个人经验编码成可执行的规则，对别人确实有用。

Smart Illustrator：六个角色的知识融合

最近开源的另一个 Skill 是 Smart Illustrator——一个自动配图系统。它编码了至少六个不同角色的隐性知识：信息图设计师的构图判断、UI 设计师的可读性标准、营销专家的 3 秒法则、内容排版师对阅读节奏的把控、平台运营的尺寸规范、AI 调教师的提示词经验。

回头看这 70 多个 Skill：这不是 70 个自动化脚本，这是 70 个岗位。字幕校对员、配图设计师、排版审核、知识管理员——每一个 Skill 背后都是一个过去需要真人做判断的角色。把它们用一个编排器串起来，就是一条完整的生产线。Skills 不只是在自动化任务，它在坍缩团队结构。

所以最大的体会：Skills 的真正价值不是自动化，而是把你的隐性知识变成可执行的资产。

不是所有知识都适合变成 Skill

70 多个 Skills 做下来，一个同样重要的认知是：Skill 有它的边界。

有一个 Skill 曾尝试一种自动匹配功能，让 AI 在已有素材中自动挑选最合适的内容。测试下来成功率极低，直接废弃。问题在于：这类判断高度依赖语境，同样的素材在不同场景、不同位置、面向不同读者，“合适”的标准完全不同。AI 可以给你候选方案，但从中挑出那个最对的，目前还是人类的活。

Skill 适合编码”已经稳定的判断逻辑”，不适合编码”还在探索中的直觉”。 如果你自己手动做这件事的时候还在犹豫、每次做不同的选择，那说明时机还没到。Skill 放大的是你已有的清晰度，不是帮你从零建立清晰度。

分发距离越短，攻击面越大

Tunguz 文章的最后一段同样重要。一项近期分析在 4,784 个 AI Agent 仓库中发现了嵌入的恶意软件——凭证窃取、伪装成监控工具的后门。OpenClaw 有 18,789 个网关处于暴露状态，零认证，可能导致 shell 访问和 API 密钥泄露。

Skills 的分发距离被压缩到一句话，这是巨大的效率提升。但也意味着一个恶意 Skill 和一个正常 Skill，对用户来说可能完全没有区别——直到你的凭证被窃取。

这和 Karpathy 的 Agentic Engineering 形成了一个对照。他强调”engineering”是因为这里面有专业深度。但”engineering”也意味着责任——你编排的 Agent 调用的每一个 Skill，你需要知道它在做什么。

从玩具到基础设施

去年 Skills 还是少数极客的玩具。今年，Anthropic 开课教它，VC 写文章分析它的商业逻辑，OpenClaw 的 Skill 商店日活在爆发，安全公司开始专门做这个方向的产品。

从”随便写点 Prompt”到”构建可复用的知识资产”——工具在变成基础设施，玩法在变成工程。

这场竞争已经不在模型层了。模型是巨头的游戏。而在工具层，你最大的优势不是会用 AI，是你有值得变成 Skill 的东西。

原文信息

作者：skilo（@skilo），AI 实践者

原文地址：