3张图5000字,认真聊聊什么才是好的Skill
2008年7月,苹果App Store上线,首批应用500个,一年后突破10万。后来人们把这一年称为“移动互联网的供给侧元年”,能力的生产者,第一次从科技公司转向了普通开发者。
十八年后,同样的曲线正在AI应用层重演,且门槛更低。截至2026年5月,仅SkillHub一家平台的Skill数量就突破5万个,距离Anthropic推出Agent Skills不过半年。这一次的生产者,甚至不需要是开发者,会用自然语言和AI交互就可以。
回看这场爆发的起点,是2024年11月Anthropic发布的MCP(Model Context Protocol,模型上下文协议)。它相当于给大模型行业立了一个“USB接口”,任何工具只要按MCP规范封装一次,就能被所有支持MCP的模型调用。协议发布时,官方仓库的参考实现只有100余个;到2026年初,全网MCP Server累计已突破2万个。
真正让生态再上一个量级的,是Anthropic随后推出的Agent Skills。如果说MCP Server是“开发者写代码做的工具盒”,Agent Skills则把工具盒进一步简化:一个文件夹,加一份SKILL.md说明文档,就是一个Skill。
这是过去一年AI应用层最被低估的一次基础设施变化:能力供给的主体,从开发者转向了普通用户。
但与之对应的“质量基础设施”几乎是空白。面对成千上万个Skill,用户能依赖的判断依据只有下载量和星标。这两个数字看不出Skill实际效果好不好、跑得稳不稳定、看不出它会消耗多少token、花费多少时间,更看不出它是否安全。
基于此,5月21日,腾讯科技、 SkillHub与腾讯玄武实验室联合发布 TRACE 严选框架,为快速增长但缺乏统一标准的 AI Skill 市场建立一套可参照的评测体系。它是一个包含安全扫描、no-skill对照实验、证据包审计、触发率测试、资源代价评估的系统性严选框架,也是国内首个面向Skill真实使用场景的严选评测体系。
作为媒体,腾讯科技将持续推动TRACE框架的行业认知和普及,并将基于该框架,以每月一期、每期 10 个 Skill 的节奏,产出“编辑精选”榜单,为行业提供优秀Skills的案例及实用参考。
作为平台,SkillHub以国内最丰富的技能池为样本来源,充分采纳业界通行的 Agent Skill 构建规范与设计,根据行业生态和技术演进,持续迭代 TRACE 评测体系。
腾讯玄武实验室作为腾讯旗下安全实验室,负责搭建自动化评估系统,尤其为 TRACE 评分中的 Effectiveness(效果增益)维度,通过对照实验、AI 沙盒环境等创新方式,给出立体评价。
TRACE严选的设计,把AI Skill的真实使用链路拆成一套可持续运行的严选机制:先看安全红线,判断 Skill 是否存在越权访问、数据泄露、远程执行、代码混淆等不可接受风险;再看运行证据和规范性,确认Skill是否能被稳定加载、运行、复现和审计;随后通过no-skill 参照组判断 Skill 是否真正带来结果增益;在测评中也会评估触发率和资源代价,判断它是否能在该用时被自然调用,以及这种提升是否值得用户付出额外上下文、耗时和工具调用成本。
它区别于单次体验测评、下载榜或单项 benchmark,更接近一套面向真实用户使用场景的Skill质量评估与推荐机制。
01
大模型的能力越来越强,我们为什么还需要Skill?
正式详细解读TRACE之前,需要先回答一个关键的问题。大模型的能力越来越强,我们为什么还需要Skill?
Skill可以解决三个问题:
第一,降低重复沟通成本。用户不用每次重新解释任务背景、质量标准和禁忌。
第二,提高结果稳定性。同一类任务可以按同一套流程执行,减少“跑三次三个结果”的概率性波动。
第三,让经验可以组织化。个人的使用经验可以被团队复用、评测、改进和版本管理。
所以,Skill是给 Agent 建立一套工作习惯。工具解决“能做什么”,Skill 解决“什么时候做、怎么做、做到什么标准”。
但是现实中我们要完成的任务、场景千差万别,每个Skill也千差万别。如何能够判断一个Skill是不是真的安全好用,成为现实中真实的痛点。同时,我们也重视Skill的多样性,绝对的打分体系并不能看出Skill的好坏排名。
因此,Skill框架选出的Skill首先保证它值得推荐,并通过雷达图,看出它基于Skill框架的相对强弱项,提供持续使用迭代的参考,但并不强调或给出具体的、绝对的评分。
02
TRACE严选五维全景
我们希望框架能回答一个更具体的问题:一个好Skill应该是什么样的?
T(Trust,安全可信)
衡量 Skill 在安全、合规和可控性方面是否可信,是整个评估体系中的红线维度。
该维度重点关注 Skill 是否可能引入依赖来源不明、系统命令滥用、外部通信与数据泄露、越权文件访问、指令干扰与提示词攻击、远程内容执行、代码混淆或隐藏逻辑等风险,并关注其他可能影响用户数据、系统环境或执行安全的潜在隐患。
R(Reliability,运行可靠)
衡量 Skill 在评测运行中的稳定性、可复现性和交付可靠性。
该维度重点关注 Skill 是否能在标准评测环境中正常加载和运行,运行过程是否稳定,输出是否完整,交付物是否可收集、可打开、可进入后续评审;同时关注是否存在超时、异常退出、工具失败、依赖缺失、产物缺失、路径错误或日志解析失败等影响评测有效性的问题。
A(Adaptability,场景适用)
衡量 Skill 是否适合其声明的使用场景,以及在真实候选环境中是否容易被正确识别和调用。
该维度重点关注:当用户请求落入某个 Skill 的适用范围时,agent 是否能够自然识别并加载目标 Sk…