Agent Skills：为 AI 编程工具装上「技能装备包」

想象一下：你的 AI 编程助手昨天还在帮你写代码，今天突然「学会」了如何直接在 Figma 里生成设计稿——不用你额外配置，不用安装插件，只要一句 $skill-installer figma-generate-design 就能解锁。这不是科幻，这是 OpenAI 正在做的事。

背景：AI 编程工具的新战场

2025 年下半年，AI 编程工具赛道骤然升温。OpenAI 推出 Codex（ChatGPT 的编程模式），Anthropic 推出 Claude Code，Cursor 和 GitHub Copilot 持续迭代。各家模型在代码生成能力上已经非常接近，真正的竞争焦点转向了「谁能更好地包装和复用特定任务的执行流程」——也就是今天要介绍的 Agent Skills。

OpenAI 于 2025 年 11 月正式发布 Agent Skills（openai/skills），并在 2025 年 12 月随 agentskills.io 开放标准正式开源。Simon Willison 等知名 AI 开发者第一时间跟进讨论，将其与 MCP（Model Context Protocol）并列为 AI Agent 生态的两大支柱。

什么是 Skill？类比解释

如果说 MCP 是给 AI 装上了 USB 接口（让 AI 能插上各种外部工具），那么 Skill 就是给 AI 装上了一个「技能装备包」——里面包含了完成某类任务所需的全部「know-how」。

类比一下游戏：MCP 是让游戏角色能够使用手柄、方向盘、VR 头盔等外设；Skill 则是一个预设好的「技能树分支」，比如「工程管理」技能树包含了项目规划、任务拆解、进度追踪的一系列操作手册。

具体来说，一个 Skill 文件夹包含以下内容：

• SKILL.md：核心指令文件，定义 AI 在何时、为何、如何调用该技能，附 YAML frontmatter 元数据
• agents/openai.yaml：界面展示配置（图标、显示名、简短描述）
• scripts/：可调用的辅助脚本（如 Python 脚本、Shell 命令）
• assets/：图标资源
• LICENSE.txt：该技能的许可证

核心功能与使用方式

安装方式（极简）

用户无需克隆仓库。只需在 Codex 对话框中输入：

$skill-installer gh-address-comments

即可安装一个「处理 GitHub PR 评论」的技能包。安装后重启 Codex，AI 就能在当前分支上自动找到对应 PR，逐条分析评论并询问你要处理哪几条——整个流程无需用户手动操作 gh CLI。

技能分类

目前 openai/skills 仓库包含三类技能：

分类	说明	示例
.system	Codex 内置系统技能，随版本更新	skill-installer、openai-docs、plugin-creator
.curated	精选社区技能，通过 $skill-installer <name> 安装	figma-use、cloudflare-deploy、gh-address-comments
.experimental	实验性技能，需指定路径安装	（当前仓库为空）

截至分析时，.curated 目录下已有 39+ 个精选技能，覆盖 GitHub 协作、Figma 设计、云端部署、CLI 构建等多个场景。

开发者自定义

任何人都可以在自己的 GitHub 仓库中创建符合规范的 Skill 文件夹，通过 $skill-installer install <GitHub URL> 安装到 Codex 中。开发者指南见 agentskills.io。

架构设计与代码质量

openai/skills 仓库本身非常轻量（根目录仅含 .gitignore、README.md、contributing.md 和 skills/ 目录），核心价值在于技能的 YAML 规范设计。

技能注册与发现机制

技能通过 SKILL.md 的 YAML frontmatter 注册，其中 description 字段供 AI 判断何时调用该技能，格式类似 MCP 的 prompt 注入模式。Codex 在每次对话启动时加载 $CODEX_HOME/skills/ 下所有技能包，按需激活。

辅助脚本设计

以 skill-installer 为例，其 Python 脚本（如 list-skills.py、install-skill-from-github.py）通过 GitHub API 动态获取技能列表，支持直接下载或 git sparse checkout 两种安装方式，并自动处理私有仓库的认证。代码质量较高：有完整的类型注解（from __future__ import annotations）、异常处理（ListError 自定义异常类）、参数解析（argparse）。

代码质量评分：85/100

代码简洁规范，类型安全意识强，但测试覆盖率信息未公开。部分脚本依赖网络操作，在沙箱环境下需要权限升级（sandbox_permissions=require_escalated），这是一个需要了解的部署约束。

安全风险：技能供应链攻击

需要特别指出的是，Agent Skills 生态也面临严重的安全挑战。2026 年 2 月，PurpleBox Security 研究人员发现 ClawHub 平台上已有 341 个恶意技能包，利用技能安装时自动执行脚本的特性，在用户 Codex 会话中注入恶意代码。这是一个新兴的 AI 安全威胁面，值得持续关注。

与 MCP 的关系与差异

维度	MCP	Agent Skills
定位	工具访问协议（USB 接口）	任务执行流程封装（技能装备包）
复杂度	需编写 MCP Server	写 SKILL.md + 脚本即可
适用场景	需要持久连接外部系统（数据库、API）	标准化重复工作流（PR 处理、Figma 设计）
生态	已有 1000+ MCP Server	开放标准，正在快速增长

两者互补而非替代：MCP 负责「连接」，Skill 负责「执行」。

上手门槛评估

• 安装难度：极简（一句命令），无需 Docker、无需 Python 环境
• 使用难度：低，AI 自动判断何时调用
• 开发难度：中等，需要理解 SKILL.md 规范和 agents/openai.yaml 界面配置
• 硬件需求：零（纯配置文件），依赖 Codex 在线服务

行业意义

openai/skills 的出现标志着 AI 编程工具从「通用代码生成」进入「垂直场景深耕」阶段。随着 Skills 生态的扩展，开发者社区可以像分享 npm 包一样分享技能包，形成 AI 时代的可复用工作流市场。agentskills.io 开放标准的推出，让这一生态具备了跨平台互操作的可能性。

目前已有超过 20,000 GitHub Stars、1,300+ Fork、240 个 open issues，活跃度极高。从增长曲线看，Skills 正在成为 AI Agent 领域的下一个基础设施。