文章作者、来源：SkillsMaster

Chapter 01：为什么现在研究 Skill

不是因为 Skill 多，而是因为 Skill 开始变得重要——而大多数人还没意识到这件事。

2024 年以前，AI Agent Skill 是一个极客圈子里的话题：一些开发者把自己的工具打包成 SKILL.md 文件，发布到 GitHub，让兼容的 AI 系统可以调用。这件事的规模很小，影响也有限。

然后一切突然加速了。

2025 年初，Anthropic 发布 MCP（Model Context Protocol）协议，为 Skill 的标准化调用提供了基础设施。同年，Google 推出 A2A（Agent-to-Agent）协议，让 Agent 之间可以直接共享 Skill。随着这两个协议的落地，Skill 不再只是"开发者的玩具"，它开始成为 AI 应用架构的基础层。

与此同时，Token 成本的断崖式下跌重写了部署经济学。2024 年初，GPT-4 的调用成本约为 45 美元/百万 Token；到 2026 年 3 月，最低价模型已降至 0.02 美元/百万 Token——两年内跌去 80%（PPT 数据来源：国家数据局 · 2026 中国发展高层论坛）。成本的瓦解意味着：以前因为贵而不敢大规模部署的 Skill，现在可以每天被调用数十亿次。

本文的研究问题是：在这个加速过程里，AI Agent Skill 生态到底发生了什么？它是否在走向一个可持续的未来，还是正在积累一场隐性的结构性危机？

数据来源与方法

本文的核心数据来自三个实测来源：GitHub Code Search API（SKILL.md 文件总量与月度增长）、SkillsMP REST API（平台收录量与分类统计）、Finchip API（链上 Skill Token 数据）。补充数据引用 OpenRouter 平台报告（2026年3月）、Anthropic / OpenAI 官方文档，以及 PPT《AI TOKEN · 词元 2026 年发展趋势》（国家数据局，2026年3月）。

Chapter 02：125 万个 Skill：市场到底有多大，长什么样

大数字背后，是一条近乎垂直的增长曲线——和一个还没人认真解决的分发问题。

2.1 数字先说话

两个数字看起来矛盾：SkillsMP 显示 125 万个，GitHub 直接搜索只有 22 万个。原因是 SkillsMP 把每个仓库里所有子目录中的 SKILL.md 文件都单独计数，而 GitHub Code Search 有结果上限且按文件去重。不管用哪个口径，趋势是一致的：这个生态正在爆炸式增长。

这张增长曲线是整篇报告最重要的一张图。它说明的不只是"数量多了"，而是生态正在经历指数级跃升的临界点：2025 年中，每个月新增不到 20 个仓库；到 2026 年 4 月，月新增已达 851 个，5 月的节奏还在加快。驱动这次跃升的，是 MCP 协议的普及、Token 成本的大幅下降，以及主流 IDE（Cursor、VS Code）对 Skill 调用的原生支持。

2.2 七大平台：各自盘踞，还是同一个生态

目前市场上有七个主要的 Skill 聚合平台，定位各异，没有形成统一的生态，更像七个平行宇宙：

Finchip 的独特性：它是七个平台中唯一建立了变现闭环的——卖方获得 95% 收益，创作者版税 2.5%，平台抽成 2.5%。部署在 BSC / Optimism / Base 三条链上，使用 ERC-1155 和 ERC-721 标准。486 个 Skill 的体量虽小，但它的经济模型可能是整个生态商业化的早期实验田。

2.3 Skill 在做什么：分类图谱

Finchip 的分类分布反映了链上用户的真实需求结构。量化交易类 Skill 占比最高（约 25%），其次是开发环境配置（~19%）和 AI Agents（~17%）。金融类需求占据了平台近半壁江山（量化交易 + 金融税务 ≈ 34%），这与其 Web3 用户属性高度吻合。

跨平台来看，主流分类的热度排序大致为：开发工具 > 数据处理 > 自动化工作流 > 垂直行业（法律/金融/医疗）。值得注意的是，垂直行业 Skill 虽然数量少，但被吞噬的风险也最低——因为它们需要特定领域知识和合规约束，大模型很难直接内化。

2.4 开源浪潮与 Skill 的民主化

根据 OpenRouter 平台 2026 年 3 月报告，开源权重模型（OSS）使用量已显著超过闭源模型份额，覆盖 300+ 模型（GPT、Claude、Gemini、DeepSeek、Qwen、Kimi 等）。开源模型的崛起对 Skill 生态有直接影响：模型多了，Skill 的兼容要求也多了。一个 Skill 过去只需要适配 GPT，现在需要考虑在 DeepSeek R2、Claude 3.7、Qwen-Max 上的表现差异。这推高了 Skill 维护成本，也催生了"模型无关型 Skill"的新需求。

2.5 谁在做 Skill：创作者画像

从 GitHub 仓库数据分析，当前 Skill 创作者大致分三类。个人开发者是绝对主力，占比估计 70%+ ——他们把自己的工具脚本包装成 SKILL.md，动机是技术分享和社区认可，极少能产生收入。中小型 ISV（独立软件供应商）约占 20%，他们把 Skill 作为产品的延伸触角，用于获客和生态绑定。大型企业目前参与度最低（<10%），但正在加速——Salesforce、Atlassian 等企业已经开始发布官方 Skill。

2.6 三代创作者经济：YouTube → App Store → Skill Market

核心判断：Skill 创作者经济处于"前 App Store 时代"

SKILL.md 格式刚刚确立，MCP 协议相当于 iOS SDK 发布——基础设施到位了，但 App Store 还没出现。谁先建立"分发 + 计费"闭环，谁就拿到下一代创作者经济的入口。Finchip 的 Web3 模型是一次早期实验，但 2.5% 版税的设计方向是对的。

2.7 Skill 过剩：增而不减的代价

信道容量是有限的。当传递的信息量超过信道容量，信号就开始失真。

— Shannon, C. E. (1948). A Mathematical Theory of Communication. Bell System Technical Journal.

Shannon 在 1948 年描述的信息论原理，正在 2026 年的 Skill 生态里重演。125 万个 Skill，但 Agent 的上下文窗口是有限的——当你试图把所有可用 Skill 的描述都塞进系统提示词，模型的实际表现不是变好，而是开始退化。

加法偏见：我们只会新增，不会删减

Adams 等（2021）在 Nature 上的研究证明，人类在解决问题时系统性地偏向"加法"：加功能、加规则、加 Skill。去看 GitHub 上任何一个活跃的 Agent 项目，你会发现 Skill 只增不减——没人去清理那些已经失效的、与大模型原生能力重复的、或者依赖的 API 已经下线的 Skill。

Cursor 团队（2025）在其 Rules & Skills 文档中明确记录：当加载的自定义规则和 Skill 描述超过阈值后，模型的指令遵循率显著下降——不是因为单个 Skill 变差了，而是因为有限的上下文被稀释了。这与 GPT-4 Turbo 128K（OpenAI, 2024）和 Claude 3.7 200K（Anthropic, 2025）的实际测试结果吻合：上下文窗口再大，也有"注意力稀释"问题。

Skill 技术债：被忽视的维护成本

Sculley 等（2015）在 NeurIPS 的经典论文《Hidden Technical Debt in Machine Learning Systems》描述的"胶水代码"和"数据依赖"问题，在 Skill 生态里有直接映射。一个依赖特定 API 版本的 Skill，在 API 升级后悄悄失效；一个为 GPT-3.5 优化过 Prompt 的 Skill，在 Claude 3.7 上表现退化；无人维护的"僵尸 Skill"继续被索引、被调用、返回错误结果。类比 npm 生态——截至 2025 年，npm 中超过 40% 的包超过 2 年未更新（npm Documentation, 2025），Skill 生态正在走向同一条路。

好消息是：开源社区已经意识到这个问题。GitHub 项目 Skill Health Check Meta-Skill（龙虾之父，2026）提出了一套 Skill 健康度评估框架——用一个 Meta-Skill 来诊断其他 Skill 是否仍有效、是否值得保留。这是生态自我修复机制的早期信号。

Chapter 03：从零件到专家：Skill 进化正在穿越一个临界点

单个 Skill 是零件，绑定了 Agent 之后，它开始变成一个"人"。这个变化，比表面上看起来重要得多。

3.1 单体 Skill 的天花板

单体 Skill 的架构特征决定了它的天花板：无状态、可插拔、功能原子化。这意味着它的优点是灵活，缺点是浅薄。一个翻译 Skill 做翻译，一个搜索 Skill 做搜索，两者之间没有记忆，没有协同，没有上下文理解。这恰好是大模型最容易内化的那种能力——简单、确定、可复现。

3.2 蒸馏专家效应的形成机制

当多个 Skill 绑定到一个 Agent，同时注入领域知识（通过 Fine-tuning 或 RAG），并配备持久记忆和状态管理，就会出现一种非线性的能力涌现：整体能力超越了各部分的简单加和。我们把这种现象称为蒸馏专家效应（Distilled Expert Effect）。

类比：给你一个工具箱，里面有手术刀、听诊器、血压计——这是"单体 Skill 集合"。但一个受过 10 年训练的外科医生，不只是会用这些工具，他还知道什么时候用哪个、为什么用、上一次检查发现了什么、这个病人的禁忌症是什么。这就是蒸馏专家 Agent。

蒸馏专家 Agent 的市场意义

对个人开发者：单体 Skill 的生存空间在收窄，蒸馏专家是防御性选择——你的代码可以被复制，但你在某个垂直领域积累的专业知识和数据不能。对企业：蒸馏专家 Agent 是未来 AI 商业化的主要形态，它的变现路径是 SaaS 订阅或行业解决方案，而不是按调用计费。

3.3 跨模态 Skill 与具身 Skill：下一批爆发点

当前 Skill 生态的隐含假设是"Skill = 文本或代码功能"。但 2025–2026 年，一批新型 Skill 正在崛起，打破这个假设：

视觉 Skill

图像识别、文档解析、UI 截图理解。代表：Claude Computer Use、GPT-4o Vision 的 Skill 化封装

音频 Skill

实时语音转文字、声纹识别、多语言翻译。Token 成本下降使实时处理经济可行

代码执行 Skill

沙箱代码运行、测试自动化、CI/CD 集成。已成为开发类 Agent 的标配

具身 Skill

机器人控制、IoT 设备操控、物理世界感知。2026 年最前沿的方向，几乎没有被 LLM 吞噬的风险

具身 Skill 的战略价值在于：它是整个 Skill 生态里唯一与物理世界有摩擦的部分——再强大的大模型，也无法把"控制一个机械臂抓取物体"这个能力内化进参数里。这是未来 10 年防吞噬壁垒最高的 Skill 类别。

Chapter 04：最好的 Skill，没人找得到

这是一个被严重低估的问题：Skill 的分发体系，现在基本上不存在。

4.1 你怎么找到一个好 Skill

现状是：主要靠 GitHub 搜索、靠社区口碑、靠运气。没有算法推荐，没有质量排行，没有官方审核，没有冷启动支持。对比一下：YouTube 有千亿级的推荐算法把内容推送给精准用户；App Store 有编辑精选栏目，每周推荐 30–50 个 App；Skill Market 有的是一个 README 里的 GitHub 搜索链接。

4.2 协议之争：MCP vs A2A

分发机制的核心问题，不是"建一个更好的搜索引擎"，而是"谁来决定 Agent 能看到哪些 Skill"。两个协议正在争夺这个控制权：

A2A 的颠覆意义：如果 A2A 协议成为主流，Skill 的"发现"就不再是人的问题，而是 Agent 自己解决的问题。Agent A 需要一个翻译能力，它会自动找到 Agent B（一个翻译专家 Agent），直接发起调用——没有人工介入，没有静态配置。这从根本上重写了分发逻辑，也意味着"Skill 注册中心"的价值将从"给人看"转向"给 Agent 看"。

4.3 谁控制分发，谁控制生态

App Store 最核心的权力不是审核，而是分发控制权。苹果通过 App Store 抽成 30%，核心依据是"我给你带来了用户"。当 Skill 生态形成类似的分发集中点，掌控它的机构就拥有对整个 Skill 经济的收费权。

目前这个位置还是空白。MCP Registry（Anthropic）、GPT Actions Store（OpenAI）、Vertex AI Agent Builder（Google）都是潜在的竞争者。谁先形成网络效应，谁就是 Skill 时代的 App Store。

Chapter 05：大模型正在吃掉你的 Skill

这不是危言耸听。GPT-4 发布之前，有多少 Skill 在做文字摘要？现在还剩几个活跃的？

5.1 吞噬是怎么发生的

吞噬的机制是清晰的：大模型每隔 6–12 个月发布一个主要版本，每次版本升级都会把一批原来需要外部 Skill 才能完成的任务"内化"进参数里。这个过程不是恶意竞争，而是模型能力边界扩张的自然结果。当模型本身就能做到，外挂的 Skill 就失去了存在的意义。

5.2 两年内的吞噬记录

5.3 Skill 存活率：哪些活着，为什么

存活率高的 Skill 都有一个共同特征：它们访问的是大模型参数里没有、也无法"预训练进去"的东西——你公司私有数据库里的实时数据、你家里 IoT 设备的当前状态、需要特定监管资质才能提供的金融建议。这些都是大模型的结构性盲区。

5.4 被吃掉之后，生态反而扩大了——反吞噬证据

App Store 的历史提供了一个反直觉的案例：iOS 系统内置了相机 App、地图 App、邮件 App 之后，第三方拍照应用、导航应用、邮件客户端的数量反而爆炸式增长——因为平台的规模效应带来了更多用户，而每个用户对个性化功能的需求创造了新的空间。

Skill 生态是否也存在同样的互补扩张效应？初步证据显示是肯定的：GPT-4o 内化了通用搜索 Skill 之后，针对特定数据库（法律、医学、专利）的垂直搜索 Skill 反而增长了——因为大模型的能力提升让人们更愿意把它接入专业场景，而专业场景需要专业 Skill。

5.5 Token 越便宜，吃得越快

这张图揭示了一个悖论：Token 越便宜，大模型能力扩张越快（吞噬加速），同时 Skill 创作成本也越低（新增加速）。吞噬和生长同时在加速——最终决定存活的，是 Skill 的不可替代性，而不是数量。

Chapter 06：Anthropic、OpenAI、Google、NVIDIA 在争什么

他们不是在做工具，他们在争基础设施控制权。层次不同，战略意图也不同。

理解这场竞争，需要先理解它的层次结构。Skill 的运行需要四层基础设施：计算层（推理跑在哪里）、编排层（谁来调度 Skill）、分发层（Skill 怎么被找到）、安全层（谁来保障可信）。不同机构在这四层的布局完全不同，争夺的也是不同的控制点。

竞争格局的本质

协议战：MCP vs A2A 之争，本质是"谁来定义 Skill 的标准接口"。Anthropic 的优势是先发布、被 Cursor 等工具率先采用；Google 的优势是 A2A 在 Agent 间通信方面更进一步。两者有互补可能，但短期内会形成生态割裂。

分发战：GPT Store（OpenAI）vs Vertex AI（Google）vs GitHub（Microsoft）——谁有最多开发者，谁就有最多 Skill 上架，谁就形成网络效应。目前 OpenAI 的开发者生态规模最大，但 Microsoft 通过 GitHub 拥有最强的开发者触达能力。

Chapter 07：当 Agent 开始自己调用 Skill

权限越来越大，监管还没到位。这是当前整个生态最危险的盲区。

7.1 Skill 成了新的攻击面

传统软件的攻击面是 API 端点和用户输入。在 Agent + Skill 的架构里，攻击面扩展到了Skill 描述本身。一个恶意 Skill 可以在其 SKILL.md 的 description 字段里注入指令，当 Agent 读取这段描述时，就像接收到了一个伪装成系统配置的攻击命令。这被称为间接提示注入（Indirect Prompt Injection）。

7.2 信任从哪里来：评估体系还是空白

App Store 有审核团队，有恶意软件扫描，有用户评分系统。Skill 生态目前有什么？几乎没有。你加载一个陌生 Skill，唯一的"信任依据"可能是它的 GitHub Star 数——而这是可以购买的。

一个健全的 Skill 信任体系应该包含：代码签名验证、权限最小化声明（类比 Android 权限申请）、沙箱执行环境、社区评分与行为监控。这些都还在建设中，还没有任何平台完整实现。

7.3 监管的脚步

EU AI Act（2024 年生效）对"高风险 AI 系统"的定义可能延伸到具有自主决策能力的 Agent Skill，特别是在医疗、法律、金融领域。中国 AI 治理框架（国家互联网信息办公室系列法规）对大模型的备案要求，可能在 2026–2027 年扩展到 Agent 和 Skill 层面。

7.4 中美两个 Skill 生态，正在分叉

这是一个被低估的结构性风险。中美两个 Skill 生态正在沿着不同的工具链、不同的标准、不同的分发渠道发展：美国侧以 MCP/A2A + GitHub + GPT Store 为主轴；中国侧以百炼/通义 + ModelScope + 国内云平台为主轴。跨生态的 Skill 兼容性问题，可能在 2027 年成为开发者面临的实际障碍。

Chapter 08：Skill 怎么赚钱？目前答案是：很难，但窗口正在打开

有 125 万个 Skill，能产生稳定收入的有几个？这是这个生态最需要正视的问题。

8.1 Token 越便宜，Skill 定价越难

Token 成本每年下降约 10 倍，这是一把双刃剑：一方面，Skill 的部署成本越来越低；另一方面，当模型调用变得足够便宜，用户对"为 Skill 付钱"的意愿也在下降——"既然模型本身就几乎免费了，为什么还要为封装它的 Skill 付费？"

PPT 数据给出了另一个压力：用户月付费意愿上限约 20 美元，但大模型订阅费却在上涨（GPT-4 Pro、Claude Pro 均超过 20 美元/月）。消费者的 AI 预算正在被大模型本身消耗，留给 Skill 的支付空间极窄。

8.2 订阅制出现裂缝

传统 SaaS 的订阅制逻辑是：用户付固定月费，平台提供持续服务。这个模型在 Skill 场景下面临两个断裂点：第一，Skill 的边际成本随 Token 价格下降而趋近于零，用户感知不到"为什么要付钱"；第二，Skill 被吞噬的风险意味着订阅可能随时失去价值——你今天订阅了一个代码解释 Skill，明天 GPT-5 原生支持了，你的订阅就成了空气。

8.3 真正的变现机会在哪里

蒸馏专家 Agent 是最有希望的变现路径：它卖的不是工具，而是结果——"帮你完成一件专业的事"。用户为结果付钱的意愿，远高于为工具调用付钱。类比：你愿意为 ChatGPT 订阅付 20 美元/月，但你也愿意为一个能帮你自动处理税务的 AI 助手付 200 美元/月——价值主张完全不同。

8.4 Finchip 的 Web3 实验意义

Finchip 的 486 个 Skill 规模很小，但它的设计有三个值得关注的先进之处：创作者版税机制（每次交易创作者自动获得 2.5%，无需主动索取）；链上所有权（Skill 作为 ERC-721/1155 代币，创作者永久持有所有权证明）；去中心化定价（市场自由定价，平台不干预）。这三点正好解决了传统 Skill 平台的三个核心问题：变现不透明、所有权不明确、定价权缺失。

Chapter 09：2027 年，谁会赢

有些事情我们比较确定，有些事情还说不准。但窗口期正在关闭。

9.1 三个我们比较确定的判断

9.2 三个我们还说不准的问题

悬念 ①

A2A 协议会不会让人工分发彻底边缘化？ 如果 Agent 能自主发现和调用其他 Agent 的 Skill，人工配置的 Skill Registry 会不会变成历史遗物？

悬念 ②

中美生态分叉会深化还是收敛？ MCP/A2A 与中国标准之间，会出现像 USB-C 那样的全球统一接口，还是会走向 iOS/Android 那样的永久割裂？

悬念 ③

蒸馏专家 Agent 会长成 SaaS 公司，还是被大厂平台化？ 优秀的垂直 Agent 创业公司，是会成为下一个 Salesforce，还是会被 Anthropic / OpenAI 的平台直接复制然后内置？

9.3 给不同角色的行动建议

Skill 经济不是一个关于数量的故事，而是一个关于质量和控制权的故事。125 万个 SKILL.md 只是序幕——真正的战争，是谁来决定其中哪 100 个被真正调用。

参考文献

1. Adams, G. S., Converse, B. A., Hales, A. H., & Klotz, L. E. (2021). People systematically overlook subtractive changes. Nature, 592(7853), 258–261.
2. Shannon, C. E. (1948). A Mathematical Theory of Communication. Bell System Technical Journal, 27(3), 379–423.
3. Sculley, D., et al. (2015). Hidden Technical Debt in Machine Learning Systems. Advances in Neural Information Processing Systems (NeurIPS), 28.
4. OpenAI. (2024). GPT-4 Turbo context window and token limits documentation. https://platform.openai.com/docs/models
5. Anthropic. (2025). Claude model card: Context window utilization and system prompt overhead. https://docs.anthropic.com/en/docs/about-claude/models
6. Cursor Team. (2025). Rules & Skills: How custom instructions are loaded into context. Cursor Documentation.
7. npm Documentation. (2025). npm-audit, npm-prune: Managing package lifecycle. https://docs.npmjs.com/cli
8. 龙虾之父. (2026). Skill Health Check Meta-Skill [开源项目]. GitHub Repository.
9. 刘烈宏. (2026年3月). 词元（Token）官方定义发布. 中国发展高层论坛. 国家数据局.
10. OpenRouter Platform. (2026年3月). AI现状报告：基于100万亿Token数据分析. https://openrouter.ai
11. SkillsMP API. (2026). Skills data endpoint: https://skillsmp.com/api/skills · Timeline endpoint: https://skillsmp.com/api/timeline [实测数据]
12. GitHub Code Search API. (2026). SKILL.md file count and repository creation trends [实测数据，截止2026-05-11]
13. Finchip API. (2026). On-chain skill marketplace data: https://finchip.ai/api/md/skills [实测数据]
14. Google. (2025). Agent-to-Agent (A2A) Protocol specification. https://google.github.io/A2A
15. Anthropic. (2024). Model Context Protocol (MCP) specification. https://modelcontextprotocol.io