AI编程工具的竞争焦点变了。拼参数、拼跑分的阶段过去了,2026年开发者真正在抢的东西叫”技能”。
一个不到200行的Markdown文件,正在成为跨工具通用的”能力插件”。这就是Agent Skills开放标准,核心只有一个文件:SKILL.md。
什么是Agent Skills
Agent Skills的本质很简单:一个文件夹,里面放一个SKILL.md文件,写清楚这个技能做什么、怎么触发、执行步骤是什么,可选地附带脚本、示例和参考文档。
AI工具读到这个文件,就学会了对应的能力。比如一个code-review技能,能让AI编程助手按团队的规范审查PR;一个deploy技能,能让AI按固定流程发布服务。
这个概念最早由Anthropic在2025年10月随Claude Code推出。到2026年3月,官方技能、认证第三方技能、社区贡献技能已经形成三层生态,全部兼容统一的SKILL.md格式。
关键变化发生在2026年:Agent Skills从Claude Code的专属功能升级为开放标准。GitHub Copilot、Cursor、Gemini CLI、Codex都宣布兼容。一个技能写一次,多款工具都能用。
生态规模:从0到1000+
社区数据能说明热度。VoltAgent维护的awesome-agent-skills仓库已经收录超过1000个技能包,覆盖官方开发团队和社区贡献者两大来源。
几个代表性项目:
- Claude Scientific Skills:K-Dense AI开发,提供147个科研技能,覆盖生物、化学、医学、物理、金融,集成50多个开源工具,能把AI助手变成研究助理。
- finding-unknowns-skills:8个元技能,专门让AI在动手前暴露盲区,包括盲点扫描、需求追问、参考检索、实施计划、合并前测验。
- MengTo/Skills:面向设计师和开发者的技能集,支持Codex、Claude、Cursor多工具复用。
技能的数量还在涨,更有意思的是技能的”生产方式”也在进化。
技能也能被训练出来
2026年的另一条主线是技能优化自动化。学术圈出现了SkillOpt这类方法:让目标模型带着当前技能跑任务,记录成功和失败的轨迹,再由优化模型分析这些轨迹,提出对技能文件的增、删、改建议。
这套流程有明确的约束:每次修改的幅度有预算限制,相当于文本版的”学习率”;修改后的候选技能只有在验证集上拿到更高分数才会保留。实验覆盖7个目标模型、6个基准测试,GPT-5.5在直接对话场景平均提升23.5个分值。更夸张的是跨工具迁移:在Codex里训练出的SpreadsheetBench技能,拿到Claude Code上还能再涨31.8分。
一个Markdown文件承载的能力,可以像模型权重一样被迭代优化。这改变了AI编程工具的升级逻辑——工具不变,技能升级就能带来能力增长。
开发者怎么用起来
上手门槛很低,三步即可:
- 找技能。从awesome-agent-skills这类精选列表,或者各工具内置的技能市场里挑。选型看三个指标:维护活跃度、是否来自官方团队、社区评分。
- 装技能。Claude Code放进项目的.claude/skills/目录即可;其他工具按各自的技能目录约定放置。团队共享时直接提交到Git仓库,所有人自动同步。
- 管好边界。技能能自动触发,也意味着行为可控性需要设计。敏感操作类技能(部署、数据库变更)建议在SKILL.md里写明人工确认环节。
两个实操建议:把自己团队的编码规范、部署流程写成内部技能,这比反复粘贴提示词省事得多;通用技能优先用社区现成的,别重复造轮子。
为什么这个方向值得关注
AI编程的瓶颈已经从”模型够不够聪明”转移到”上下文够不够准”。每个团队都有自己的规范、约束和隐性知识,这些内容塞不进模型参数,只能靠外部注入。
Skills提供了一种低成本注入方式:不用改模型、不用微调、不用写代码插件,写个Markdown文件就行。对个人开发者,这是效率杠杆;对企业团队,这是把工程规范强制落地到AI工具的通道。
对照另一组数据:Anthropic的2026年Agentic编程趋势报告显示,60%的开发者已在工作中使用AI,AI协助编写的代码占新代码的30%到50%。工具普及之后,差异化的空间就在”怎么把团队知识喂给AI”。
Skills标准给出了一个多工具通用的答案。这个生态才刚开始,1000个技能只是起点。
小结
一个SKILL.md文件,装着提示词、流程、脚本和约束,跨Claude Code、Codex、Cursor、Gemini CLI通用,可分享、可版本管理、甚至可被自动训练优化。
AI编程工具的下一个竞争维度已经清晰:模型决定下限,技能决定上限。动手写第一个属于你的SKILL.md吧。
苏公网安备32010502011527号
发表回复