Harness生态下的Skills本质：从人工编写到AI自生成的演进之路

在AI Agent开发领域，一个核心命题正在浮出水面：如何让AI系统真正具备可复用的知识资产？随着大模型能力的持续进化，业界逐渐形成了一个共识——未来的AI系统应当采用"Thin Harness, Fat Skills"的设计理念。Harness是借来的，Skill才是自己的。本文将深入剖析Skill的本质、五种主要形态、以及从人工编写到AI自动生成的技术演进路径。

五种Skill形态横向对比

理解Skill的本质，需要首先厘清它与相关概念的边界。Skill不是简单的prompt——prompt是每次调用时传递给模型的临时文本，用完即消耗；而Skill是被持久化存储、可被多个Agent重复读取的知识文档。Skill也不是工具函数——工具是确定性的可执行代码，参数和输出都是确定的；而Skill是概率性的判断与流程描述，同样的输入在不同上下文下可能产生不同结果。 Skill的本质是"可复用的知识单元"——它将"如何完成某类任务"的判断逻辑和执行流程编码成文档，使Agent能够读取并遵循。这与function最本质的区别在于：function的弹性来自参数配置，而Skill的弹性来自底层模型。同一个Skill在不同代际的模型上会产生不同效果——更强的模型能够更精准地执行Skill指令，做出更细腻的判断。这意味着当模型升级时，Skill会自动变强，因为Skill是描述性的、不锁死具体实现细节，模型越强，Skill的潜力上限就越高。

Skill的全生命周期管理

当前主流项目中，Skill呈现出五种主要形态，各有侧重。第一种是Anthropic官方的SKILL.md格式，采用YAML frontmatter加Markdown主体的结构，已成为Claude Code生态的事实标准，所有社区插件都在此基础上构建。第二种是Superpowers的强制触发Skill，每个Skill有明确的触发条件，如"在代码编写之前触发"或"设计审批之后触发"，这种强制执行机制确保了工程纪律的有效落地。第三种是ECC的SKILL.md加Instinct双层体系，静态的SKILL.md经过审核确认，动态的Instinct则通过学习产生，两者并存形成了最完整的Skill工程化pipeline。 第四种是Hermes的自动生成模式，当Agent调用工具超过5次后自动生成Skill并支持运行时patch更新，这种方式最为轻量但缺乏质量控制机制。第五种是gbrain的重度封装模式，将完整工作流编码进Skill（触发条件、检查逻辑、串联方式、质量标准），同时允许Skill调用确定性的TypeScript代码来处理不应由LLM判断的部分。这五种形态没有绝对优劣，选择取

自动生成的三条技术路径

在企业级应用中，Skill不是写完就完事的孤立存在，而是拥有完整的生命周期。编写阶段需要遵循SKILL.md格式规范，Superpowers提供了专门的writing-skills Skill来指导如何写好Skill，ECC则通过skill-stocktake来审计现有Skill质量，识别过时、重复或低质量的内容。测试阶段尤为关键——Skill是Agent行为的依据，必须经过验证。Superpowers将TDD方法论融入Skill编写过程，为每个Skill编写测试用例；ECC维护着997个内部测试用例，覆盖Skill库的核心行为。 分发环节决定了Skill的可达性，Anthropic官方Plugin Marketplace提供了一行命令安装的便捷方式，ECC的GitHub App则能从git历史批量生成SKILL.md。团队场景下的复用需要Skill能够跨成员流通，ECC的instinct-export/import机制支持团队间Skill共享。淘汰机制同样重要，过期或错误的Skill需要及时清理，ECC的prune命令可清除超过30天的instinct，Hermes的auto-

未来展望与行业趋势

Skill从何而来？三条技术路径给出了不同答案。第一条是ECC的git history反向工程路径——从历史提交信息、PR描述、代码变更中抽取模式生成SKILL.md，这是"从过去做过的事情中学习"，特别适合已有多年代码积累但缺乏文档化的团队，能够将隐性知识从git历史中挖掘出来。第二条是Hermes的tool call trace在线学习路径——Agent在工作过程中自动发现模式并生成Skill，这是"从当前正在做的事情中学习"，适合快速迭代的个人开发场景，但需要做好质量参差的心理准备。 第三条是gbrain的dream cycle离线综合路径——Agent在后台扫描所有对话记录、丰富缺失的实体信息、修复断裂的引用、整合记忆碎片，这是"从已积累的全部知识中综合学习"，适合需要周期性整理和升级的大规模知识系统。这三条路径代表了三种不同的知识资产积累哲学——向后看、向现在看、向存量看，最终都在服务于"Thin Harness, Fat Skills"这一核心命题。

如有侵权，请联系删除。