文章作者、来源：SkillsMaster

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）。

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。

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。

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。

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。

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。

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。

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。

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。

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。

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。

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"。

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。

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