Anthropic 捐出 Agent Skills，AI 技能库有了共同维护者

2026 年 10 月 22 日，Anthropic 宣布将 Agent Skills 捐赠给 Linux 基金会旗下的智能体人工智能基金会 AAIF。此次移交包括项目名称、标识、GitHub 组织和官方域名，后续由来自多家企业的工程师共同维护。

Agent Skills 把一类工作的操作方法保存成 AI 执行任务时能够读取的文件。团队把步骤、模板、参考资料和必要的脚本整理成一个技能包，运行工具再按任务加载相关内容。原本需要用户反复解释的工作要求，因而有了可以保存、修改和重复调用的形式。

对许多已经使用 AI 办公的人来说，这件事很容易理解：模型已经能够写出不少东西，真正耗时间的却常常是反复纠正它的做法。文件应该放在哪里，哪个版本可以用，什么事情需要先确认，同一种错误为什么下次还会出现。技能包试图把这些具体经验留下来，而这次捐赠进一步回答了这套格式由谁维护、不同平台怎样一起使用的问题。

▌ 一、把工作方法放进一个文件夹

设想一个编辑团队，每周需要完成资料检索、文章写作、配图和审稿。团队已经有固定的标题习惯、图表字号、资料核验办法和交付目录。若每次都把这些要求重新写进对话，不仅耗时，还容易遗漏其中一两条。

团队可以把它们整理为一个技能包。包里有一份说明，告诉 AI 什么时候应该使用这套流程、先读哪些材料、按什么顺序完成工作；旁边再放上版式模板、检查清单和处理文件的小程序。以后遇到相同任务，AI 就能沿着已有方法推进。

在 Agent Skills 规范中，这份核心说明叫作 SKILL.md。它首先包含技能名称与用途描述，后面用普通文字写操作方法。需要更多材料时，可以另外保存参考文件、脚本和素材，再从说明中指向它们。编辑可以读懂流程内容，开发人员也能继续补充自动处理部分。

这种组织方式让团队有机会把隐性的经验写清楚。比如，"图表要适合手机阅读"仍然比较笼统；进一步写成最小字号、每张图的信息量、预览尺寸和检查方法，执行时就更容易得到一致结果。技能包是否好用，很大程度上取决于这些经验能否被整理成可操作的要求。

其中还应该保留任务的结束条件。编辑流程可以规定，正文达到约定长度、来源能够追溯、图片已经插入并完成预览后，才进入审稿。AI 因此可以检查自己的交付是否完整，用户也能按同一标准验收，减少"看起来已经做完"与实际可用之间的落差。

团队在使用过程中发现新的错误，可以回到同一份技能包中修改。下周继续执行时，改进后的方法仍然存在。对于反复发生的业务，这种持续修订比每次临时提醒更容易积累效果。

还可以给技能配上一个已经通过验收的示例。比如一份排版完整的报告，旁边注明正文、图片和来源文件分别对应什么位置。AI 执行时有具体参照，人工审查时也能发现输出偏离发生在哪一步。示例中的客户信息和过期事实需要提前处理，只保留值得复用的方法与结构。

▌ 二、AI 怎样找到合适的技能

技能多起来之后，另一个问题随之出现：每次任务都把全部说明交给模型，会占用大量上下文，也会让无关要求干扰当前工作。Agent Skills 采用分层读取的思路，先让 AI 看到技能名称和用途，在匹配任务后再加载完整说明，必要时继续读取相关文件。

例如，用户只要求"整理合同中尚未解决的修改意见"，AI 可以先识别合同审阅技能，而无需同时读取做封面、统计流量或整理票据的全部规则。等到实际处理合同，再按说明打开对应模板和条款清单。

这里的匹配依赖用途描述是否清楚。"处理文件"覆盖范围太大，"整理已有合同的修订意见并生成待确认清单"就更容易确定使用场景。对于大型团队，技能库的维护工作也包括合并重复技能、清理失效步骤，以及说明相邻流程如何分工。

参考资料同样需要拆分。常用要求放在主说明中，篇幅较长的法条、客户模板或技术文档按需读取。这样能够减少模型在大量材料之间来回寻找的时间，也便于更新某一部分内容，而不必把整套流程重新复制一遍。

当流程需要执行脚本时，还要看运行环境是否具备相应工具。比如，一个技能要求把表格转换为图表，实际执行仍然需要可用的数据处理程序、字体和输出位置。技能包描述了方法，平台负责提供执行条件，二者需要在使用前接好。

因此，跨平台迁移最适合从一小组真实任务开始测试。同一份技能换到另一套 AI 工具后，文件路径、可用接口、审批方式和输出格式都可能发生变化。把这些差异记录下来，团队才能逐步形成真正可复用的技能库。

按需读取可以让常用方法与详细参考资料分开管理。

▌ 三、这次捐赠改变了谁来维护规则

Agent Skills 最初来自 Anthropic 的产品实践，2025 年 10 月推出后，于同年 12 月发布为开放标准。此次公告称，已有超过 70 个智能体平台支持这一格式。这个数字体现的是厂商公布的生态接入情况，实际使用效果仍要结合具体任务观察。

随着参与者增多，格式的修改会影响更多团队。一个字段怎样解释，新版本是否兼容旧技能，平台能否增加自己的扩展，都可能影响企业已经积累的工作流程。将项目移交 AAIF 后，这些问题获得了共同讨论和维护的组织基础。

Anthropic 公布的安排是，由多家公司的工程师以个人身份参与维护，并由 David Soria Parra 和 Mahesh Murag 担任首席维护者。使用标准或提交贡献，无需先成为基金会会员。项目也提出了版本发布、正式提案流程和安全指引等后续方向。

对于企业用户，版本管理尤其值得关注。一个经过团队确认的技能，应当能够说明自己依赖哪一版规范、哪一版模板和哪些工具。更新以后出了问题，也应有办法回到此前正常工作的版本，而不是依靠聊天记录拼凑旧要求。

对于平台开发者，共同维护则有助于减少重复设计。不同平台可以围绕同一种文件结构提供加载、验证和管理工具，再在自己的产品体验上继续改进。企业已有的流程资料也更容易被保留下来，迁移成本主要集中在环境适配和结果验证上。

标准治理的效果会逐渐体现在日常维护中。问题由谁受理，变更如何讨论，安全缺陷如何通报，旧版本保留多久，都是用户能实际感受到的内容。随着路线图落地，企业可以据此调整内部技能的更新频率和审批方式。

AI 生成示意

▌ 四、连接工具与整理流程各有作用

谈到智能体基础设施，另一个经常出现的名称是 MCP，即模型上下文协议。它帮助 AI 应用连接外部工具和资料来源。Agent Skills 则更适合保存完成某类工作的步骤与经验，两者可以在同一项任务中配合使用。

仍以编辑工作为例，AI 通过连接工具读取资料库中的文章，通过技能了解哪些来源优先、怎样记录核验结果、什么时候进入写作。前者提供可访问的内容和操作，后者组织任务的执行方法。

这种分工也适用于客户服务。工具负责查询订单、读取物流状态、创建工单；技能说明遇到不同问题时先查什么、如何判断处理路径、哪些请求需要人工接手。企业可以分别更新系统接口和服务规则，而不必让每次流程调整都变成一次软件开发。

在法律工作中，技能可以保存合同审查顺序、条款分类和意见输出格式。执行时仍需读取当前合同、适用法律与客户需求。团队把稳定的方法与每次变化的事实分开管理，才能避免把上一个项目的具体结论带入新的事项。

这一点也关系到知识更新。适用日期、地区和文件版本，应当随参考资料一起保存。政策改变后，维护者可以替换对应文件，并检查哪些技能引用了它。对监管研究和法律服务团队，这比单纯堆积一大批文档更容易控制错误传播。

技能库还有一个组织层面的用途：让新人看到熟练员工如何完成工作。很多流程过去只存在于个人经验中，交接时只能口头说明。整理技能的过程，会促使团队把容易出错的环节、例外情况和验收方法写下来，供人和 AI 共同使用。

MCP 与 Agent Skills 可以在同一任务中协作。

▌ 五、安装技能也是引入新的工作依赖

技能包中既可能有普通说明，也可能包含脚本、外部链接和调用工具的要求。它一旦被 AI 选中，就可能影响文件读取、数据传输和实际操作。因此，企业引入外部技能时，需要同时检查内容来源与运行权限。

一个看似用于整理发票的技能，可能要求访问整个文档目录；一个用于生成报告的脚本，可能连接外部服务器。审核人员需要知道这些访问与任务有什么关系，是否可以缩小范围，以及执行记录保存在哪里。把权限限制在实际需要的文件和工具上，能够降低错误操作的影响。

OWASP 在提示词注入风险指引中讨论了外部内容改变模型行为的问题。AI 读取网页、文档或其他材料时，可能遇到夹带的操作指令。如果这些内容被当成可信要求执行，模型就可能偏离用户原本交代的任务。

技能使用也会接触这类问题。团队既要检查技能本身，也要让运行环境区分工作要求与外部资料。付款、发邮件、修改生产系统等操作应设置适当的人工审核，文件和网络权限则由实际运行系统控制，避免只靠一段文字维持边界。

当前规范中的 allowed-tools 字段仍标为实验性内容，其支持方式取决于具体平台。因此，企业可以在技能说明中列出所需工具，同时到平台权限设置里核对真实可用范围。测试时再观察工具调用记录，确认执行过程与设计一致。

引入外部技能时，还要单独查看使用许可。规范允许作者填写 license 字段或指向许可文件，但这一字段并非必填。团队应确认代码、模板和随包资料分别允许怎样使用，保存许可证及对应版本；缺少许可说明的部分，先联系作者确认再纳入内部流程。

外部技能的更新也应留有记录。团队可以先固定使用已经检查的版本，再定期评估更新内容。若某个技能突然新增联网动作、依赖新的程序或要求更大权限，维护者就有机会在上线前理解变化，而不必等到出现异常后追查。

对于客户资料较多的机构，还需要检查技能中的模板和示例是否包含保密内容。将内部经验整理为公开技能时，具体客户名称、合同片段和身份信息应当经过处理。公开流程与内部资料可以分别保存，减少误传整份项目文件的机会。

▌ 六、企业可以先整理一项反复发生的工作

建立技能库可以从频繁、边界清楚、交付容易检查的任务开始。例如整理周报、归档合同意见、生成会议待办，或按照固定格式准备文章审稿包。团队先把现有做法写清楚，再让 AI 执行几轮，通常比一开始追求完整覆盖全部业务更容易发现问题。

准备材料时，可以从最近一次成功交付倒推。输入是什么，工作人员查过哪些资料，完成了哪些步骤，最后怎样判断结果可以交付。把真实流程整理出来之后，再补上出错时的处理办法，技能就有了可靠的起点。

测试材料也应该包含常见例外。合同缺页、来源链接失效、表格字段不一致、图片没有授权记录，这些情况会直接影响交付。团队需要观察 AI 能否发现缺口、保留已有成果并说明下一步，而不是在条件不足时继续生成一份看似完整的文件。

评估可以围绕实际工作量展开：完成同一任务需要多少人工补充，哪些错误重复出现，交付文件是否齐全，修改后能否稳定改善。保存少量有代表性的任务与结果，就可以在技能或模型更新后重新执行，判断新的组合是否仍然适合业务。

维护责任也要明确。谁可以修改步骤，谁核对法律或业务依据，谁决定新版本何时投入使用，都应当有固定安排。涉及多个部门的技能，可以保留共同审阅记录；只用于个人整理的技能，则可以采用更轻便的管理方式。

团队还可以约定一个简单的修改记录格式：本轮出现了什么问题，修改了哪一步，用什么任务验证。这样，一段新增要求背后的原因可以被后来接手的人理解。长期没有使用、与其他技能重复或依赖已经停用工具的内容，也能在定期检查时清理，避免技能库越积越大，执行反而越来越慢。

当同一技能服务多个客户时，通用步骤与客户偏好宜分别保存。通用部分规定怎样核验和交付，客户部分记录名称、格式和特定审批要求。新项目开始时只加载相应客户资料，更新公共流程时再检查它对现有项目的影响。这种安排有助于保持方法一致，也能降低误用另一位客户资料的机会。

一轮测试通过后，维护者可以把技能版本、模板版本、验收样例和已知限制一并保存。下次更新模型或工具时，先重跑这组样例：文件是否齐全、权限是否合适、关键核验步骤是否执行。出现差异，就能找到需要调整的环节，日常工作也有一个可以退回的稳定版本。

技能维护可使用少量真实任务持续验证效果。

本文仅用于法律、政策及行业研究交流，旨在对数字金融、稳定币、数字资产及相关监管动态进行客观分析，不构成任何形式的投资建议、法律意见、税务意见或其他专业建议，也不构成任何金融产品、数字资产或商业项目的推荐、宣传或招揽。文中涉及的监管规则、市场数据及机构信息主要来源于公开资料，可能因法律法规、监管政策、市场环境及项目进展变化而发生调整，请读者结合最新公开信息独立判断，并遵守所在国家或地区适用的法律法规。作者及发布平台不对任何因依赖本文内容所产生的投资、交易或其他商业决策承担责任.