Anthropic 捐出 Agent Skills，AI 技能庫有了共同維護者

2026 年 10 月 22 日，Anthropic 宣布將 Agent Skills 捐贈給 Linux 基金會旗下的智能體人工智能基金會 AAIF。此次移交包括項目名稱、標識、GitHub 組織和官方域名，後續由來自多家企業的工程師共同維護。

Agent Skills 把一類工作的操作方法保存成 AI 執行任務時能夠讀取的文件。團隊把步驟、模板、參考資料和必要的腳本整理成一個技能包，運行工具再按任務加載相關內容。原本需要用戶反覆解釋的工作要求，因而有了可以保存、修改和重複調用的形式。

對許多已經使用 AI 辦公的人來說，這件事很容易理解：模型已經能夠寫出不少東西，真正耗時間的卻常常是反覆糾正它的做法。文件應該放在哪裡，哪個版本可以用，什麼事情需要先確認，同一種錯誤為什麼下次還會出現。技能包試圖把這些具體經驗留下來，而這次捐贈進一步回答了這套格式由誰維護、不同平台怎樣一起使用的問題。

▌ 一、把工作方法放進一個文件夾

設想一個編輯團隊，每週需要完成資料檢索、文章寫作、配圖和審稿。團隊已經有固定的標題習慣、圖表字號、資料核驗辦法和交付目錄。若每次都把這些要求重新寫進對話，不僅耗時，還容易遺漏其中一兩條。

團隊可以把它們整理為一個技能包。包裡有一份說明，告訴 AI 什麼時候應該使用這套流程、先讀哪些材料、按什麼順序完成工作；旁邊再放上版式模板、檢查清單和處理文件的小程序。以後遇到相同任務，AI 就能沿著已有方法推進。

在 Agent Skills 規範中，這份核心說明叫作 SKILL.md。它首先包含技能名稱與用途描述，後面用普通文字寫操作方法。需要更多材料時，可以另外保存參考文件、腳本和素材，再從說明中指向它們。編輯可以讀懂流程內容，開發人員也能繼續補充自動處理部分。

這種組織方式讓團隊有機會把隱性的經驗寫清楚。比如，"圖表要適合手機閱讀"仍然比較籠統；進一步寫成最小字號、每張圖的信息量、預覽尺寸和檢查方法，執行時就更容易得到一致結果。技能包是否好用，很大程度上取決於這些經驗能否被整理成可操作的要求。

其中還應該保留任務的結束條件。編輯流程可以規定，正文達到約定長度、來源能夠追溯、圖片已經插入並完成預覽後，才進入審稿。AI 因此可以檢查自己的交付是否完整，用戶也能按同一標準驗收，減少"看起來已經做完"與實際可用之間的落差。

團隊在使用過程中發現新的錯誤，可以回到同一份技能包中修改。下週繼續執行時，改進後的方法仍然存在。對於反覆發生的業務，這種持續修訂比每次臨時提醒更容易積累效果。

還可以給技能配上一個已經通過驗收的示例。比如一份排版完整的報告，旁邊注明正文、圖片和來源文件分別對應什麼位置。AI 執行時有具體參照，人工審查時也能發現輸出偏離發生在哪一步。示例中的客戶信息和過期事實需要提前處理，只保留值得復用的方法與結構。

▌ 二、AI 怎樣找到合適的技能

技能多起來之後，另一個問題隨之出現：每次任務都把全部說明交給模型，會佔用大量上下文，也會讓無關要求干擾當前工作。Agent Skills 採用分層讀取的思路，先讓 AI 看到技能名稱和用途，在匹配任務後再加載完整說明，必要時繼續讀取相關文件。

例如，用戶只要求"整理合同中尚未解決的修改意見"，AI 可以先識別合同審閱技能，而無需同時讀取做封面、統計流量或整理票據的全部規則。等到實際處理合同，再按說明打開對應模板和條款清單。

這裡的匹配依賴用途描述是否清楚。"處理文件"覆蓋範圍太大，"整理已有合同的修訂意見並生成待確認清單"就更容易確定使用場景。對於大型團隊，技能庫的維護工作也包括合併重複技能、清理失效步驟，以及說明相鄰流程如何分工。

參考資料同樣需要拆分。常用要求放在主說明中，篇幅較長的法條、客戶模板或技術文檔按需讀取。這樣能夠減少模型在大量材料之間來回尋找的時間，也便於更新某一部分內容，而不必把整套流程重新複製一遍。

當流程需要執行腳本時，還要看運行環境是否具備相應工具。比如，一個技能要求把表格轉換為圖表，實際執行仍然需要可用的數據處理程序、字體和輸出位置。技能包描述了方法，平台負責提供執行條件，二者需要在使用前接好。

因此，跨平台遷移最適合從一小組真實任務開始測試。同一份技能換到另一套 AI 工具後，文件路徑、可用接口、審批方式和輸出格式都可能發生變化。把這些差異記錄下來，團隊才能逐步形成真正可復用的技能庫。

按需讀取可以讓常用方法與詳細參考資料分開管理。

▌ 三、這次捐贈改變了誰來維護規則

Agent Skills 最初來自 Anthropic 的產品實踐，2025 年 10 月推出後，於同年 12 月發布為開放標準。此次公告稱，已有超過 70 個智能體平台支持這一格式。這個數字體現的是廠商公佈的生態接入情況，實際使用效果仍要結合具體任務觀察。

隨著參與者增多，格式的修改會影響更多團隊。一個字段怎樣解釋，新版本是否兼容舊技能，平台能否增加自己的擴展，都可能影響企業已經積累的工作流程。將項目移交 AAIF 後，這些問題獲得了共同討論和維護的組織基礎。

Anthropic 公佈的安排是，由多家公司的工程師以個人身份參與維護，並由 David Soria Parra 和 Mahesh Murag 擔任首席維護者。使用標準或提交貢獻，無需先成為基金會會員。項目也提出了版本發布、正式提案流程和安全指引等後續方向。

對於企業用戶，版本管理尤其值得關注。一個經過團隊確認的技能，應當能夠說明自己依賴哪一版規範、哪一版模板和哪些工具。更新以後出了問題，也應有辦法回到此前正常工作的版本，而不是依靠聊天記錄拼湊舊要求。

對於平台開發者，共同維護則有助於減少重複設計。不同平台可以圍繞同一種文件結構提供加載、驗證和管理工具，再在自己的產品體驗上繼續改進。企業已有的流程資料也更容易被保留下來，遷移成本主要集中在環境適配和結果驗證上。

標準治理的效果會逐漸體現在日常維護中。問題由誰受理，變更如何討論，安全缺陷如何通報，舊版本保留多久，都是用戶能實際感受到的內容。隨著路線圖落地，企業可以據此調整內部技能的更新頻率和審批方式。

AI 生成示意

▌ 四、連接工具與整理流程各有作用

談到智能體基礎設施，另一個經常出現的名稱是 MCP，即模型上下文協議。它幫助 AI 應用連接外部工具和資料來源。Agent Skills 則更適合保存完成某類工作的步驟與經驗，兩者可以在同一項任務中配合使用。

仍以編輯工作為例，AI 通過連接工具讀取資料庫中的文章，通過技能了解哪些來源優先、怎樣記錄核驗結果、什麼時候進入寫作。前者提供可訪問的內容和操作，後者組織任務的執行方法。

這種分工也適用於客戶服務。工具負責查詢訂單、讀取物流狀態、創建工單；技能說明遇到不同問題時先查什麼、如何判斷處理路徑、哪些請求需要人工接手。企業可以分別更新系統接口和服務規則，而不必讓每次流程調整都變成一次軟件開發。

在法律工作中，技能可以保存合同審查順序、條款分類和意見輸出格式。執行時仍需讀取當前合同、適用法律與客戶需求。團隊把穩定的方法與每次變化的事實分開管理，才能避免把上個項目的具體結論帶入新的事項。

這一點也關係到知識更新。適用日期、地區和文件版本，應當隨參考資料一起保存。政策改變後，維護者可以替換對應文件，並檢查哪些技能引用了它。對監管研究和法律服務團隊，這比單純堆積一大批文檔更容易控制錯誤傳播。

技能庫還有一個組織層面的用途：讓新人看到熟練員工如何完成工作。很多流程過去只存在於個人經驗中，交接時只能口頭說明。整理技能的過程，會促使團隊把容易出錯的環節、例外情況和驗收方法寫下來，供人和 AI 共同使用。

MCP 與 Agent Skills 可以在同一任務中協作。

▌ 五、安裝技能也是引入新的工作依賴

技能包中既可能有普通說明，也可能包含腳本、外部鏈接和調用工具的要求。它一旦被 AI 選中，就可能影響文件讀取、數據傳輸和實際操作。因此，企業引入外部技能時，需要同時檢查內容來源與運行權限。

一個看似用於整理發票的技能，可能要求訪問整個文檔目錄；一個用於生成報告的腳本，可能連接外部伺服器。審核人員需要知道這些訪問與任務有什麼關係，是否可以縮小範圍，以及執行記錄保存在哪裡。把權限限制在實際需要的文件和工具上，能夠降低錯誤操作的影響。

OWASP 在提示詞注入風險指引中討論了外部內容改變模型行為的問題。AI 讀取網頁、文檔或其他材料時，可能遇到夾帶的操作指令。如果這些內容被當成可信要求執行，模型就可能偏離用戶原本交代的任務。

技能使用也會接觸這類問題。團隊既要檢查技能本身，也要讓運行環境區分工作要求與外部資料。付款、發郵件、修改生產系統等操作應設置適當的人工審核，文件和網絡權限則由實際運行系統控制，避免只靠一段文字維持邊界。

當前規範中的 allowed-tools 字段仍標為實驗性內容，其支持方式取決於具體平台。因此，企業可以在技能說明中列出所需工具，同時到平台權限設置裡核對真實可用範圍。測試時再觀察工具調用記錄，確認執行過程與設計一致。

引入外部技能時，還要單獨查看使用許可。規範允許作者填寫 license 字段或指向許可文件，但這一字段並非必填。團隊應確認代碼、模板和隨包資料分別允許怎樣使用，保存許可證及對應版本；缺少許可說明的部分，先聯繫作者確認再納入內部流程。

外部技能的更新也應留有記錄。團隊可以先固定使用已經檢查的版本，再定期評估更新內容。若某個技能突然新增聯網動作、依賴新的程序或要求更大權限，維護者就有機會在上線前理解變化，而不必等到出現異常後追查。

對於客戶資料較多的機構，還需要檢查技能中的模板和示例是否包含保密內容。將內部經驗整理為公開技能時，具體客戶名稱、合同片段和身份信息應當經過處理。公開流程與內部資料可以分別保存，減少誤傳整份項目文件的機會。

▌ 六、企業可以先整理一項反覆發生的工作

建立技能庫可以從頻繁、邊界清楚、交付容易檢查的任務開始。例如整理周報、歸檔合同意見、生成會議待辦，或按照固定格式準備文章審稿包。團隊先把現有做法寫清楚，再讓 AI 執行幾輪，通常比一開始追求完整覆蓋全部業務更容易發現問題。

準備材料時，可以從最近一次成功交付倒推。輸入是什麼，工作人員查過哪些資料，完成了哪些步驟，最後怎樣判斷結果可以交付。把真實流程整理出來之後，再補上出錯時的處理辦法，技能就有了可靠的起點。

測試材料也應該包含常見例外。合同缺頁、來源鏈接失效、表格字段不一致、圖片沒有授權記錄，這些情況會直接影響交付。團隊需要觀察 AI 能否發現缺口、保留已有成果並說明下一步，而不是在條件不足時繼續生成一份看似完整的文件。

評估可以圍繞實際工作量展開：完成同一任務需要多少人工補充，哪些錯誤重複出現，交付文件是否齊全，修改後能否穩定改善。保存少量有代表性的任務與結果，就可以在技能或模型更新後重新執行，判斷新的組合是否仍然適合業務。

維護責任也要明確。誰可以修改步驟，誰核對法律或業務依據，誰決定新版本何時投入使用，都應當有固定安排。涉及多個部門的技能，可以保留共同審閱記錄；只用於個人整理的技能，則可以採用更輕便的管理方式。

團隊還可以約定一個簡單的修改記錄格式：本輪出現了什麼問題，修改了哪一步，用什麼任務驗證。這樣，一段新增要求背後的原因可以被後來接手的人理解。長期沒有使用、與其他技能重複或依賴已經停用工具的內容，也能在定期檢查時清理，避免技能庫越積越大，執行反而越來越慢。

當同一技能服務多個客戶時，通用步驟與客戶偏好宜分別保存。通用部分規定怎樣核驗和交付，客戶部分記錄名稱、格式和特定審批要求。新項目開始時只加載相應客戶資料，更新公共流程時再檢查它對現有項目的影響。這種安排有助於保持方法一致，也能降低誤用另一位客戶資料的機會。

一輪測試通過後，維護者可以把技能版本、模板版本、驗收樣例和已知限制一並保存。下次更新模型或工具時，先重跑這組樣例：文件是否齊全、權限是否合適、關鍵核驗步驟是否執行。出現差異，就能找到需要調整的環節，日常工作也有一個可以退回的穩定版本。

技能維護可使用少量真實任務持續驗證效果。

本文僅用於法律、政策及行業研究交流，旨在對數字金融、穩定幣、數字資產及相關監管動態進行客觀分析，不構成任何形式的投資建議、法律意見、稅務意見或其他專業建議，也不構成任何金融產品、數字資產或商業項目的推薦、宣傳或招攬。文中涉及的監管規則、市場數據及機構信息主要來源於公開資料，可能因法律法規、監管政策、市場環境及項目進展變化而發生調整，請讀者結合最新公開信息獨立判斷，並遵守所在國家或地區適用的法律法規。作者及發布平台不對任何因依賴本文內容所產生的投資、交易或其他商業決策承擔責任。