同事.Skill刷屏出圈,AI“技能蒸馏”的底层规则

简介: 本文深度解析爆火的“同事.skill”现象,揭示Skill本质是结构化提示词而非AI新能力。它通过三层渐进式披露与Harness运行时框架,解决AI工程化落地难题,而非替代人类判断力。Skill炼化的是流程,不是人。

最近技术圈最荒诞又最真实的一幕:一个叫“同事.skill”的GitHub项目,5天狂揽超6600颗星,冲上热搜。紧接着,“前任.skill”“老板.skill”“父母.skill”——十几个衍生项目排着队冒了出来。网友辣评:“同事,散是Token,聚是Skill。”

但这波热度真正让人后背发凉的,不是Skill本身有多强,而是社交媒体上蔓延开的那种恐慌——如果员工的技能可以被炼化成Skill,是不是被炼化的那个人,就可以很容易被替代了?

有人在网络上写道:“大模型+同事skill+记忆插件=你的同事。”

作为一名一线技术专家,我每天都能听到团队里这样的声音:“这东西会不会让我明天就失业?”今天不聊焦虑,用工程视角拆开Skill的底层逻辑,看看它到底解决了什么问题,以及它离替代人还差多远。

目录

一、现象——技能打包,席卷全网
二、本质——Skill不是新技术,是工程补丁
三、核心机制拆解——三层披露与Harness哲学
四、产品对比——三种AI编程范式
五、工程落地启示——你该怎么用
六、趋势判断——脚手架会越来越薄
一、现象——技能打包,席卷全网
2025年10月,Anthropic为Claude正式发布Skills功能。两个月后,Anthropic将Agent Skills发布为开放标准,微软、OpenAI、Cursor、GitHub相继采纳。

这条时间线很重要。Skill并非横空出世的新物种。从发布到爆火,中间隔了将近半年。真正让它在国内出圈的不是技术本身,而是“炼化同事”这个戏剧性的叙事。

同事.skill做的事情,是把一个人的聊天记录、工作文档和行为模式提炼成一份Markdown格式的指令文件,然后让大模型按照这份指令来模拟回应。它模拟的是表达风格和工作流程的外壳。至于模拟那个人真正的专业判断力?还差得很远。

但恐慌已经传开了。各个技术社群都在讨论同一个问题:我的技能,是不是也能被打包成一个Skill?

要回答这个问题,得先搞懂Skill到底是什么。

二、本质——Skill不是新技术,是工程补丁
说白了,Skill的本质就是结构化的提示词。

它和你在对话框里手写的Prompt之间,不存在智能程度的质变。区别仅在三个工程维度:第一,Skill可以被AI自动发现和按需加载,不用每次手动粘贴;第二,它能携带参考文档和脚本,形成一个自包含的指令包;第三,它遵循开放标准格式,理论上可跨平台复用。

Skill不涉及深度学习意义上的知识蒸馏,不改变模型本身的参数,不创造任何新的推理能力。它只是在模型之上叠加了一层可复用的任务指令。

如果大模型是一个什么都懂但什么都不精的通才毕业生,Skill就是你递给他的工作手册。手册写得再详细,通才还是那个通才。

核心在于,Skill解决的不是模型能力问题,而是工程化问题。

在没有Skill的时代,你要让AI做一件特定的事——比如“按公司品牌规范写PRD”——你得每次手动粘贴一大段提示词。有了Skill,这段提示词被打包成一个可被AI自动发现和加载的模块。AI看到相关任务,自己就去翻对应的手册。

这就是全部。

那么问题来了:既然这么简单,为什么大家都在讨论它?

因为Skill暴露了一个更大的趋势:AI编程正在从“大模型能力竞赛”转向“工程化落地竞赛” 。

三、核心机制拆解——三层披露与Harness哲学
3.1 渐进式披露:不让Skill撑爆上下文
Skill的核心设计理念是“渐进式披露”。一个技能的信息分三个层次,AI按需逐步加载:

第一层 元数据:每个Skill的SKILL.md开头都有YAML格式的名称和描述。AI启动时只加载这部分到系统提示中,大概占几十个token,几乎不占上下文窗口。
第二层 SKILL.md正文:如果AI判断某个Skill与当前任务相关,它会加载完整的Markdown指令文件。里面包含任务的具体步骤、注意事项、示例等。
第三层 附加文件与脚本:对于更复杂的场景,Skill可以附带脚本文件(Python/Shell)或参考文档。只有当需要时,AI才会调用或读取这些文件。
这套机制的核心价值是:让Skill可以包含海量信息,却不怕超出上下文窗口限制。一个文档处理Skill可以附带完整的PDF规范文档,但AI只有在你真的需要填表时才会去翻那部分内容。

2acee535-4a19-4dd1-89e9-708a4827c055.png

3.2 Harness:为什么Agent的难点不在模型
真正值得关注的不是Skill本身,而是Skill运行的那个系统。

Claude Code的TypeScript源代码跨越了约1900个文件,超过51万行代码。这还不包括模型权重。这么多代码在做什么?围在模型外面搭一套运行时。

这套“外壳”被逆向工程师称为Harness:一个本地运行时环境,把LLM包裹在工具、记忆和编排逻辑之中,让模型能在现实世界里行动。

Harness的核心是一个叫TAOR的循环:Think-Act-Observe-Repeat。

这里有一个非常反直觉的设计哲学:Orchestrator被设计得极其“愚蠢”,只负责驱动循环、执行工具调用、感知结果。所有的推理、决策、何时停止,全部都交给模型。运行时不知道代码是什么,不知道文件在哪,它只是跑循环,让模型决定下一步。

运行时越笨,架构越稳定。

把智能下沉到模型,把确定性留给框架。这和早期LangChain试图在框架层做各种“聪明编排”的路线形成了鲜明对比。Claude Code的做法是,TAOR循环的核心逻辑大约只有50行,但给了模型无限的操作空间。

3.3 工具设计哲学:四个原语就够了
同样,在工具层也遵循这个“笨”的哲学。Claude Code没有给模型配备100个专项工具,而是只提供四种能力原语:Read、Write、Execute、Connect。其中Bash是通用适配器,允许模型使用任何人类开发者会用的工具——git、npm、docker,全部通过shell组合完成。

不要构建100个工具,给模型一个shell,让它自己组合。

这就是为什么Skill看起来“太简单”但仍然有效的原因。Skill本质上是在这个Harness框架之上的一种声明式扩展方式。它不改变框架本身,只是给模型提供更好的“工作手册”。

四、产品对比——三种AI编程范式
理解了Skill的底层逻辑,再看当前AI编程工具的格局,会发现一个有意思的分层。

2026年3月The Pragmatic Engineer的调查数据显示了一个清晰的分化:Claude Code以46%的好评率成为最受欢迎的AI编程工具,远超Cursor的19%和GitHub Copilot的9%。

这三种工具代表了三种完全不同的范式:

GitHub Copilot 是最易触达的选择,嵌入式完成在日常IDE中,适合行级补全和简单问答。它本质上是一个“增强版自动补全”,不试图理解你的整个项目。

Cursor 提供最深度的AI-IDE集成,把AI嵌入到了编辑体验的每一层。它是一个AI原生的IDE,适合需要深度整合的场景。

Claude Code 拥有最强的推理能力,但它不是IDE。它在终端里运行,通过Bash访问所有开发工具。它是一个自主Agent,能自己决定下一步做什么。

观点句:真正拉开的差距不是“谁写的代码更准”,而是“谁能在真实工程环境中稳定跑完多步任务”。Copilot的优势在即时响应,Claude Code的优势在任务闭环。

目前很多开发者其实在混合使用:用Copilot做行内补全,用Cursor做多文件编辑,用Claude Code做终端自动化和Git工作流。

这说明了一个趋势:工具不是替代关系,而是分工关系。

Skill协议被Anthropic开源后,Cursor和GitHub也宣布支持。这意味着Skill正在成为一种跨平台的“技能格式标准”。你写的一个Skill,理论上可以在不同的AI编程工具上复用。

五、工程落地启示——你该怎么用
回到最核心的问题:Skill能替代人吗?

不能。至少在可预见的未来,不能。

Skill的本质是工作手册,不是大脑。它能把标准化的流程变成可复用的指令包,但它不产生新的判断力。如果一个人每天的工作就是重复执行一套固定流程——写特定格式的文档、跑固定的测试用例、按固定模板回复邮件——那确实可以被Skill替代。但如果你的工作涉及需要判断力的决策,Skill帮不了你。

观点句:Skill替代的不是人,而是人身上那些“可以被写成手册”的部分。

那么,作为工程师,你现在该怎么用Skill?

第一,把重复的工作流程固化下来。 如果你发现自己在反复对AI说同一段话,那就是一个Skill的候选。把你的团队代码规范、测试用例模板、PR模板打包成Skill。

第二,利用Skill做团队经验沉淀。 OpenClaw的设计思路值得参考:SOUL.md定义人格,AGENTS.md沉淀踩坑经验,SKILL.md固化规范。让Agent在犯过一次错之后,下次不再犯同样的错。这就是“会学习的测试助手”的本质。

第三,不要盲目收集Skill。 社交媒体上频繁出现Skill分享帖,很多人心态是“装得越多,我的AI就越强大”。这种心态本身就是对Skill机制的误读。Skill是按需加载的,AI每次只调用与当前任务相关的那一个或几个Skill,其余的全部沉默。装了500个Skill,和装了5个Skill相比,对单次任务的输出质量没有任何影响。

观点句:真正有用的Skill,解决的是高度标准化、重复性强的流程问题,不是“炼化人的经验”。

Anthropic官方生态中使用率最高的Skill集中在文档处理领域——Excel、Word、PowerPoint、PDF的读写Skill是最早内置的,也是复用频率最高的。这说明了一个朴素的规律:Skill最擅长的是让AI帮你做那些你不愿意做的重复劳动,而不是让AI学会你花了十年才积累的专业判断。

六、趋势判断——脚手架会越来越薄
从更大的时间尺度看,Skill的流行标志着一个转折点。

AI编程的第一个阶段是“模型能力竞赛”——谁的参数多、谁的上下文长、谁的推理准。现在这个阶段正在收尾。2026年的市场格局已经很清晰:Claude在编码任务中占据主导,DeepSeek以成本优势切入,但真正的差异化正在从模型层转向工程层。

第二阶段是“工程化落地竞赛”。Skill就是这种竞赛的产物。它不是在模型层解决问题,而是在Harness层解决问题——如何让模型更好地和现有工具协作,如何把人类经验低成本地注入模型的工作流。

随着模型能力持续提升,Harness层会越来越薄。

这是Claude Code设计者的核心判断:随着模型变得更强,脚手架应该变薄,而不是变厚。硬编码的脚手架应该随着模型能力提升而被主动删除,架构随时间推移越来越薄。

今天的Skill,本质上是在当前模型能力有限的情况下,给AI写的“拐杖”。当模型足够强时,很多拐杖就不需要了。比如,如果模型已经能从“按公司品牌规范写文档”这句话中理解全部隐含规则,你就不需要再写一个SKILL.md来教它。

但这个“足够强”的时刻,可能比很多人想象的要远。

真正的专业判断力——那些无法被写成文档的、隐藏在多年实践经验中的直觉和权衡——短期内的Skill还学不会。Skill能学会的是“怎么做”,学不会的是“为什么这么做”。

所以,回到那个让人恐慌的问题:你的技能会被Skill替代吗?

如果你的技能可以被写成一份清晰的操作手册,答案是肯定的。如果你的技能依赖于经验积累的判断力、跨领域知识的迁移能力、对人性和组织的理解——答案是,短期内不会。

Skill不是炼化人,而是炼化流程。

一个更有意思的问题留给你:你现在的系统中,有哪些环节的决策可以被固化、被标准化、被打包成一个Skill?如果把这些决策从人身上剥离出去,你的角色还剩下什么?

这不是焦虑。这是一个工程问题。而工程问题,总有解法。

相关文章
|
8月前
|
人工智能 Linux API
OpenClaw 知识库搭建攻略:QMD/向量库/知识图谱三方案+阿里云+本地部署+千问/Coding Plan配置
随着OpenClaw V2026.3.22模块化框架正式成熟,本地知识库与RAG能力已经成为AI智能体从“简单对话”走向“专业可靠”的关键分水岭。单纯依靠大模型上下文已经无法满足长期使用、专业问答、资料检索、低Token消耗的需求。
4265 1
|
9月前
|
人工智能 JavaScript Serverless
这个Skill能自动学会你的所有习惯,踩过的坑!
Claudeception是一款让Claude Code自动学习用户工作模式的智能插件。它通过分析调试过程、写作流程、文件管理等真实行为,将经验沉淀为可复用的Skill,实现“越用越懂你”。GitHub获1660星,适合Claude重度用户,2–3周后效果显著。(239字)
|
5月前
|
人工智能 测试技术 API
高质量测试 Skill 编写手册 -- 渐进式披露
渐进式披露是AI技能设计的核心原则:不一次性堆砌全部知识,而是按需分层加载——先给元数据(名称/描述),再依任务加载指令(SKILL.md),最后按需读取细节(references/脚本),显著降低上下文污染、提升准确率。
|
6月前
|
NoSQL Java MongoDB
Spring Boot 整合 MongoDB 最佳实践:CRUD、分页、事务、索引全覆盖
Spring Data MongoDB提供了简洁的API,让开发者能够专注于业务逻辑,快速构建高性能的应用。通过合理使用MongoDB的特性,可以充分发挥其文档数据库的优势。
201 6
|
6月前
|
存储 人工智能 安全
小白友好 OpenClaw 2.7.1 安装与使用教程
小白友好OpenClaw 2.7.1 Windows 11一键安装教程:无需编程基础,内置完整环境,3–5分钟完成部署。支持文件整理、浏览器自动化、办公流程等本地AI任务,数据不出设备,隐私安全有保障。含常见问题解决方案。(239字)