2025 年底至今，AI Agent Skills 成为 AI 领域的热门赛道，尤其在 OpenClaw 生态中，官方 ClawHub 的注册技能数已突破 7800+。低门槛的开发特性让各类 Skills 层出不穷，但这些看似实用的技能包，真的能提升 AI Agent 的任务执行能力吗？
近期《SkillsBench: Benchmarking How Well Agent Skills Work Across Diverse Tasks》论文给出了颠覆性结论：AI 模型自生成的 Agent Skills 不仅毫无增益，还会略微降低任务成功率，而只有人类专业打造的技能包，才能真正赋能 Agent。这一研究通过标准化基准测试，彻底揭开了当前 Agent Skills 生态的真实价值面纱。
先明确：到底什么是 Agent Skills？
论文中对 Agent Skills 的定义进行了精准界定，它并非简单的提示词、RAG 检索或工具文档，而是一种结构化的程序性知识包，核心是告诉 Agent「怎么做」而非「是什么」。
典型的 Agent Skills 以文件夹形式存在，包含核心的 SKILL.md 流程操作步骤，还可配套脚本、模板、参考资料、示例等资源，强调可复用的工作流与 SOP，同时具备跨模型可移植、可执行的特性。
为了开展针对性测试，研究还将 Skills 分为两类：
-
Curated Skills（人工精修技能）：由专业人员提前设计的结构化操作指南 + 资源包，是可落地执行的完整 SOP；
-
Self-generated Skills（模型自生成技能）：模型在接收任务后，先自行编写技能文件，再基于该文件执行任务，用于验证模型自身知识能否替代人类设计的专业技能。
SkillsBench 基准测试：用真实场景验证技能价值
为了客观评估 Agent Skills 的实际效果，研究团队打造了专门的 SkillsBench 基准测试体系，全程以确定性验证结果（Pass/Fail） 为评判标准，拒绝主观打分，确保测试结果的真实性和参考性。
三大测试阶段，打造高可信度基准
-
技能生态收集：从开源仓库、Claude Code 生态、企业伙伴三大渠道收集超 4.7 万个独特技能，由 322 位贡献者提交 105 个候选任务，覆盖真实的 AI Agent 应用场景；
-
严格质量筛选：通过自动化检查（结构有效性、验证器稳定性、防 AI 水任务、泄漏审计）+ 人工审查（数据有效性、任务真实性、技能质量、防作弊），最终筛选出84 个有效任务、11 个核心领域；
-
多场景对比测试：将 84 个任务按人类完成时间划分难度（Core<60min、Extended1-4h、Extreme>4h），在无技能、人工精修技能、模型自生成技能三种条件下，基于 7 种 agent-model 配置、3 套商业执行框架运行，最终生成 7308 条任务轨迹，用 pytest 完成自动化验证。
核心测试结果：天差地别的技能价值表现
测试结果呈现出鲜明的两极分化，人工精修技能与模型自生成技能的效果截然不同，甚至超出预期：
-
无技能基线：84 个任务的平均通过率为 24.3%；
-
人工精修技能：平均通过率飙升至 40.6%，平均收益 + 16.2pp，成为唯一能显著提升 Agent 能力的方式；
-
模型自生成技能：平均通过率仅 21.0%，较无技能基线还下降 3.3pp，平均收益 - 1.3pp，整体呈现负向效果。
不同模型的自生成技能表现也高度一致：除 Claude Code Opus 4.6 有微弱正向增益（+1.4pp）外，其余模型均为平级或负向，其中 Codex+GPT-5.2 的表现最差，通过率直接下降 5.6pp。而人工精修技能则对所有模型均有显著提升，其中 Gemini 3 Flash 的提升幅度最大，通过率从 31.3% 升至 48.7%。
模型自生成技能为何会拖后腿？两大核心失败模式
研究通过轨迹分析发现，模型并非「不会做任务」，而是无法可靠写出自己执行任务时真正需要的程序性知识，简单来说就是「会做但不会说」，最终导致自生成技能沦为无效指南，主要存在两大失败模式：
-
知识表达泛化且不完整：模型明知任务需要领域知识，但写出的技能步骤过于笼统，缺乏关键细节。比如仅提示「用 pandas 处理数据」，却未给出核心 API 用法、避坑点、验证方法和边界条件，这类技能对实际执行毫无指导意义；
-
缺乏领域技能认知：在制造、金融等高领域知识要求的任务中，模型无法识别任务所需的专业 SOP，习惯性用「通用解法」硬莽，直接跳过关键的行业流程步骤，导致任务执行偏离核心要求。
简言之，模型自生成的技能要么是「看起来像指南的废话」，要么是「抓不住重点的无效内容」，不仅无法为 Agent 提供助力，反而会增加其执行干扰，拉低整体效率。
而这一问题也直接击中了当下 Skills 生态的一个常见场景 ——Claudeception（技能自进化），该模式试图让模型在执行任务中自动提炼踩坑经验，转化为可复用的 Skills，但根据本次研究结论，AI 现阶段无法可靠地完成技能的自我维护和迭代。
与之形成鲜明对比的是，人类精修的 Curated Skills 包含明确的步骤顺序、工具命令模板、数据格式约束、验证检查点、常见错误修复路径，且融入了领域专属知识，能精准为 Agent 提供可执行的行动指南。
高质量 Agent Skills 的设计准则：少而精，忌大而全
除了验证技能的来源价值，研究还针对 Skills 的设计要素展开分析，得出了两个关键结论，为打造高效 Agent Skills 提供了明确指引：
技能数量：2-3 个模块为最优解
技能并非越多越好，过多的技能模块会给 Agent 带来认知负担和流程冲突，反而降低执行效率。测试显示：
-
1 个技能模块：通过率提升 17.8pp；
-
2-3 个技能模块：通过率提升 18.6pp，为最优配置；
-
4 个及以上技能模块：通过率仅提升 5.9pp，效果大幅衰减。
文档复杂度：聚焦型远胜大全型
技能文档的核心是「清晰指导下一步行动」，而非堆砌所有相关信息，测试将技能文档分为四类，效果差异显著：
-
详细型（Detailed）：通过率提升 18.8pp，精准且有深度的指导效果最佳；
-
精简型（Compact）：通过率提升 17.1pp，简洁高效的步骤指引次之；
-
标准型（Standard）：通过率提升 10.1pp，常规表述的指导效果一般；
-
大全型（Comprehensive）：通过率反而下降 2.9pp，堆砌信息的百科式技能会产生大量噪声，干扰 Agent 执行。
核心结论：高质量 Skills 是 Agent 的「搜索空间压缩器」
本次研究彻底厘清了 Agent Skills 的核心价值：系统的技能包确实能显著增强 Agent 能力，但关键在于「人类专业设计」，而非「模型自我生成」。
真正的高质量 Agent Skills，本质是 Agent 的「搜索空间压缩器」—— 通过限定决策路径、减少无效探索、提供验证锚点、显式化领域隐性流程，让 Agent 精准聚焦任务核心，提升执行效率和成功率。而那些模型自生成的、大而全的、数量过多的技能，只会成为 Agent 的执行负担。
这一结论也为当下 AI Agent Skills 的开发和使用指明了方向：与其让模型自行生成技能凑数，不如投入精力打造少而精的人工精修技能；与其堆砌大量百科式的技能内容，不如聚焦任务核心，设计清晰、可执行、带检查点的结构化 SOP。
毕竟如果发现添加 Skills 后，你的 AI Agent 反而变得「更傻了」，不用怀疑，大概率是无效的技能包拖了后腿。