文章作者、来源：SkillsMaster

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。

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。

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。

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。

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？

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。

两年内的吞噬记录

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。

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。

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。

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。

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