Theory Ventures 合伙人 Tomasz Tunguz 定义"Skills 是用英语写的程序"，OpenClaw 几天内 16 万 stars，Anthropic 和 DeepLearning.AI 联合推出 Agent Skills 课程——多个信号指向同一个方向。但"AI 竞争从模型转向工具"已经是共识。70+ Claude Skills 的一手实践告诉我，真正值得关注的是一个更底层的变化：隐性知识第一次有了可编码、可执行、可传递的载体。但并非所有知识都适合变成 Skill，这条路上的坑比想象中多。
上周看到一组数据，觉得有必要写点什么。
OpenClaw——一个开源 AI 助理项目——几天内在 GitHub 上拿到了 16 万 stars。最大的 MCP 聚合器，8.1 万 stars。Anthropic 官方的 Skills 仓库，6.7 万 stars。Cursor Rules，3.8 万。OpenClaw 的社区 Skills 列表已经收录了 3000 多个。
同一周，Theory Ventures 的管理合伙人 Tomasz Tunguz 写了一篇短文，核心观点只有一句话：Skills are programs written in English. Karpathy 在 Vibe Coding 一周年时提出了新概念 Agentic Engineering。Anthropic 和 DeepLearning.AI 联合推出了 Agent Skills 课程。
这些事件单独看都只是热闹。放到一起，表面上指向"AI 竞争从模型层转向工具层"——但这个判断 2024 年底就是共识了。真正值得关注的是一个更底层的变化：知识工作者的隐性经验，第一次有了可编码、可执行、可传递的载体。
这不是我的推测。去年 10 月 Anthropic 发布 Skills 功能后，我第一时间用同一个字幕处理流程分别跑了 Claude Skills、OpenAI Agent Builder 和 Make，还专门写了一篇万字长文来拆解。结论很明确：Skills 和传统自动化工具根本不是一个赛道。四个月下来，系统里已经跑着 70 多个 Claude Skills。这些外部信号和我的一手体感高度吻合。
今天这篇文章，我想结合几篇最近读到的好文章和自己的实践，聊聊这个变化到底意味着什么——以及它的边界在哪里。
"Skills 是用英语写的程序"
Tunguz 用了一个《黑客帝国》的类比。Neo 问 Trinity："你能开那个东西吗？"Trinity 说："还不能。"几秒后，Tank 把一个直升机驾驶程序直接上传到她脑子里。她走进驾驶舱，起飞了。
Tunguz 说，Skills 就是这种感觉。你不需要学习一个界面，你直接获得一种能力。Skills 把机构知识编码成可执行的形式。培训变得不再必要，因为能力可以瞬间转移。
这个类比有一个地方值得多想一步。Trinity 是自己学会了开直升机——能力长在她身上。但 AI Skill 不一样：能力在 AI 身上，不在你身上。你并没有学会什么新东西，你只是多了一个能替你执行的助手。这不是掌握，是委托。
但 Tunguz 抓住了一个真实的变化。传统软件时代，企业按角色配应用——销售用 Salesforce，营销用 HubSpot，分析师用 Tableau。在 Skills 时代，企业配置的不再是应用，而是能力。 FP&A 团队不需要学 Excel 透视表，他们得到一个 Skill，能自动从 NetSuite 拉数据、按 CFO 喜欢的格式出报告。
Tunguz 还有一个观察特别到位：每一次平台转移都在压缩用户到价值之间的距离。 Web 需要 URL 和浏览器，移动端需要下载，Skills 只需要一句话。
四个独立信号，同一个方向
Tunguz 的文章之所以让我觉得值得写一篇来聊，不是因为他一个人这样说，而是因为上周至少有四个独立信号指向同一个方向。
Karpathy 在 Vibe Coding 一周年时回顾说，一年前 Vibe Coding 还只能做"好玩的一次性项目和 demo"——他的原话是"It was good fun and it almost worked"。一年后，通过 Agent 编程正在成为专业人士的默认工作流。他给这个新阶段起了个名字：Agentic Engineering——99% 的时间不是在写代码，而是在编排 Agent 并担任监督。
Anthropic 和 DeepLearning.AI 联合推出了 Agent Skills 课程。当一个平台方为某个概念做课程的时候，通常意味着他们判断这东西已经准备好被大规模采用了。
OpenClaw 16 万 stars 的背后是一个快速膨胀的生态——Clawhub 已经上线了恶意软件自动扫描，各种变体涌现，社区里每天都有新 Skill 发布。而 ben's bites 最新一期列出了好几个新的 Agent 安全工具——当安全工具开始专门为某个生态而生，说明这个生态已经大到值得攻击了。
70+ Skills 之后，我看到了什么
去年 10 月 Skills 功能发布后我就开始做。到现在，系统里跑着 70 多个 Skill，覆盖了从视频字幕处理、配图生成到知识管理的几乎所有内容生产环节。
Tunguz 说 Skills 把"机构知识编码成可执行的形式"。这句话我有非常具体的体感。
字幕处理：把判断逻辑变成可执行指令
我有一套 Skill 处理视频字幕的全流程：从 SRT 原始文件到校对、断句、格式化、章节生成，一条龙。核心不是代码，是我反复试错后沉淀下来的判断逻辑——中英文混排时术语怎么处理？什么样的断句在手机屏幕上读起来自然？哪些口语化表达该保留、哪些该删？"呃"和"嗯"什么时候是语气词该删、什么时候是有意义的停顿该留？
这些东西以前只存在我脑子里。现在它们变成了一个可执行、可版本化、可迭代的资产。
Obsidian Visual Skills：设计判断的系统化
另一个例子是我开源的 Obsidian Visual Skills——三个 Skill 分别生成 Excalidraw 手绘图、Mermaid 结构图和 Obsidian Canvas。这个项目在 GitHub 上拿到了 1300 多个 stars。
它的核心不是"帮你画图"，而是把设计判断编码成规则。比如 Mermaid 有一个极其隐蔽的语法陷阱：你写 [1. Perception]，一个点号后面跟空格，解析器会把它当成列表语法，直接报错。正确写法是 [1.Perception]，去掉那个空格。类似的陷阱还有不少，全是踩坑后积累下来的。
还有：8 种语义色板（浅蓝=输入、浅绿=成功、浅橙=警告），字号下限（标题最小 20px，正文最小 16px），文字居中的估算公式（中文字符宽度是英文的两倍）。这些过去是"有经验的设计师才知道"的隐性知识。1300 多个 stars 说明一件事：把个人经验编码成可执行的规则，对别人确实有用。
Smart Illustrator：六个角色的知识融合
我最近开源的另一个 Skill 是 Smart Illustrator——一个自动配图系统。它编码了至少六个不同角色的隐性知识：信息图设计师的构图判断、UI 设计师的可读性标准、营销专家的 3 秒法则、内容排版师对阅读节奏的把控、平台运营的尺寸规范、AI 调教师的 prompt 经验。
其中最有趣的一部分是"AI 味审美"禁忌清单：蓝紫霓虹渐变、全息半透明人形、飘散的粒子光点、发光的波浪线——一共列了 7 条。我发现，告诉 AI "不要做什么"比告诉它"应该做什么"更能保证输出质量。
做了 70 多个 Skills 之后最大的体会：Skills 的真正价值不是自动化，而是把你的隐性知识变成可执行的资产。
用我的术语说，这是一条资产化路径：隐性知识 → 显性化 → 模块化 → 资产化。 每一步都在增加可复用性，也在增加 Asset Fidelity（资产保真度）——确保你的判断逻辑在传递过程中不走样。
写 Skill 的过程本身就是一次强制性的知识显性化。你必须把"我感觉应该这样做"变成"在 X 条件下执行 Y 步骤"。这才是 Tunguz 说的"能力瞬间转移"真正成立的地方——转移的不是人的直觉，而是被结构化之后的判断逻辑。
这条从隐性知识到可执行资产的路径，我在 Agent Skills 完全指南里做了完整的方法论拆解。
不是所有知识都适合变成 Skill
但 70 多个 Skills 做下来，一个同样重要的认知是：Skill 有它的边界。
我有一个 Skill 曾经尝试过一种自动匹配的功能，让 AI 在已有素材中自动挑选最合适的内容。测试下来成功率极低，直接废弃了。问题在于：这类判断高度依赖语境，同样的素材在不同场景、不同位置、面向不同读者，"合适"的标准完全不同。AI 可以给你候选方案，但从中挑出那个最对的，目前还是人类的活。
Skill 适合编码"已经稳定的判断逻辑"，不适合编码"还在探索中的直觉"。 如果你自己手动做这件事的时候还在犹豫、每次做不同的选择，那说明时机还没到。Skill 放大的是你已有的清晰度，不是帮你从零建立清晰度。
分发距离越短，攻击面越大
Tunguz 文章的最后一段同样重要。一项近期分析在 4,784 个 AI Agent 仓库中发现了嵌入的恶意软件——凭证窃取、伪装成监控工具的后门。OpenClaw 有 18,789 个网关处于暴露状态，零认证，可能导致 shell 访问和 API 密钥泄露。
Skills 的分发距离被压缩到一句话，这是巨大的效率提升。但也意味着一个恶意 Skill 和一个正常 Skill，对用户来说可能完全没有区别——直到你的凭证被窃取。
这和 Karpathy 的 Agentic Engineering 形成了一个对照。他强调"engineering"是因为这里面有专业深度。但"engineering"也意味着责任——你编排的 Agent 调用的每一个 Skill，你需要知道它在做什么。
从玩具到基础设施
去年 Skills 还是少数极客的玩具。今年，Anthropic 开课教它，VC 写文章分析它的商业逻辑，OpenClaw 的 Skill 商店日活在爆发，安全公司开始专门做这个方向的产品。
从"随便写点 Prompt"到"构建可复用的知识资产"——工具在变成基础设施，玩法在变成工程。
这场竞争已经不在模型层了。模型是巨头的游戏。而在工具层，你最大的优势不是会用 AI，是你有值得变成 Skill 的东西。
本期推荐
这篇讲的"隐性知识变成可执行资产"，背后需要一套系统方法论，包括怎么拆任务、怎么设计架构、怎么让 Skill 之间可组合。MAPS 课程从方法论到落地，把这条路径拆解得很清楚。
→ 看看 MAPS 课程
Responses