Transcription
好了，不玩梗了。我认真锐评一下skill这个东西。
我们都知道，作为业界三巨头，OpenAI最擅长炒作，Google最擅长算法，而Anthropic最擅长开发。自从24年年底发布了MCP标准之后，25年的年底，Anthropic又给我们带来了agent skill这个新概念。skill一发布，圈子里的大家就都知道，又一波AI开发的升级即将到来。
其实skill这个概念没有什么很重大的突破，你甚至可以说它有点返璞归真了。它解决的是一个很现实的问题：如何用最少的token办最多的事儿？答案就是把提示词拆解，按照能力范围打包，互相保留指针，然后再实时按需导入，实现动态的提示词构建。
这其实也是为什么我觉得skill是目前那么多个AI应用的概念里最有机会成功的那个。因为它让我想起了maven、npm、crate、pip，也就是大家熟悉的依赖管理。你可以骂现在的一些技术框架过于依赖依赖，一个hello world就要安装上千个依赖，但不可否认的是，正是这种积木结构，才可以带来无穷的可能性。
从技术层面上看，比起大模型、MCP这些，skill被整合进到工作流的难度更低、可接受度也更高。咱们就说大模型，天天更新的VSCode到现在还得靠第三方插件来支持其他的模型。而MCP的整合则是更折腾，尤其是去年一连串的MCP安全漏洞事故之后，现在稍微专业一点的平台对于MCP的接入都加上了很多层的验证机制。我之前试过把AWS上面的一个AI服务接上GitHub的MCP，从查资料到生成各种密钥，搞了接近一个小时才搞好。
而skill则是用一种最简单的方法解决了这些问题，那就是完全本地运行。所有代码都在本地储存，所有指令都在本地运行，一切都是公开透明的。没有跨网络通讯，自然也不会存在RPC漏洞之类的安全问题。
我认为skill的出现是第一次让prompt engineering这个概念真正像一个“工程”。而在此之前，我们对提示词的使用更像是在做实验。因为还没有摸清楚大模型这个生物的特征，我们就在这儿给它一点酸，在那儿给它一点碱，然后再观察它有什么反应。而现在大模型对function call之类的基本机制都已经稳定下来后，skill这种有结构、有规模的软件工程范式才可以真正的普及开来。
对我这种软件工程师，它的出现是一种契机。因为在大模型迭代的上半场，主角是那些算法科学家。上半场的那些概念，我们看都看不懂，只能乖乖地当个用户。而现在进入了应用落地的下半场，软件工程的理念会更加发挥作用，我们就变成了懂行的那个了。
为了搞清楚现在的skill生态，我找遍了互联网，搜集了大约300个开源skill，覆盖了文件处理、数据分析、网页生成、安全检测、项目管理等各个领域。全部都安装到了IDE里。因为现在还没有npm这种包管理框架，所以这些skill还得一个个导入，略显繁琐。
之所以要一股脑地把所有的skill都安装进去，而不是用什么装什么，是因为我们永远都不会知道在什么时候需要用上什么skill。比如说我们这里让AI去做一个完整的数据可视化项目，它经过对于需求的拆解、分析之后，得出的设计方案里面就包括了需要处理CSV这个数据源，需要用D3.js这个可视化框架，需要用Playwright做前端测试。正因为我把什么都装进去了，这些我都有对应的skill，所以AI就会在系统提示词里面发现它们之后，直接去到对应的那个skill里，导入相关的提示词和参考代码。
那么，假如下次AI出的方案里面还包括了要用Excel作为数据源，又或者它把可视化框架换成了echarts，又或者它要用property based testing做测试，我也不需要着急，因为这些skill也都被安装好了。这种按需导入的机制就决定了我们在安装skill的时候，要遵守“宁滥勿缺”的原则。能找到多少就安装多少，找不到的就自己造，因为造这个东西比想象中的更容易。就像那些只有一行代码的Node.js工具包，你的skill也可以是只有一句话的一个markdown文档，然后在此之上，你再去逐步的拓展你的skill内容，增加步骤、增加可执行的脚本、补充更多的案例。
比如我前些天做了这个用来分析CVE漏洞和各种漏洞事故的skill。在一开始就是很简单的：找到官方报告，提取里面出漏洞的代码和官方解释，最后生成总结。后面我陆续地补充了更详细的拆解要求，而在让它做分析的时候，也专门指出那些要关注的点，并且引导AI去做更有针对的解读。再后来，我还给一些步骤加上了执行脚本，比如在收集官方报告的时候，我指定它用什么脚本去爬取网页，可以保证这个数据获取的准确性。
后面有了这个漏洞分析的skill，在平时问AI一些技术问题的时候，它就能给我更专业的回答。因为没有这个skill的时候，它就只会像播报新闻那样，给我一个很笼统的漏洞分析。
作为一个实用主义者，在我看来，skill最大的价值是对输入的token数量有了可控度。因为在没有skill的情况下，你完全无法控制AI要花多少token，爬取多少外部网页，导入多少参考代码，才会完成一个小动作。而在skill的基础上，你能够精确地控制每一个输入的字符。你如果想要更细致的操作，那你就多一点提示；你要想要它的输出更稳定，那你就多一些参考案例。反之亦然。你也可以在不影响输出效果的前提下，适当地削减一些提示词，减轻token的负担。
最近我在粉丝群里面听到最多的抱怨就是“token额度又没了”、“基础套餐完全不够用”。我自己还好，因为我连基础套餐都不买的，专门挑那些免费来薅，要不然实在是耗不起。你就说GPT、Gemini、Claude这些国外大模型，每一个烧的都是美元，而且一个个都是token吞噬者，我都怀疑他们是不是故意的。
所以我大胆地推测，以后skill的发展会有点像大模型那样，开始出现不同等级的分类。比如更节省token的Lite Skill，提示词更详细的Pro Skill，完全不差钱的Max Skill之类的。而像我这种羊毛党，就会用着免费的IDE，跑着最省钱的Lite Skill，做个勤俭持家的好男人~