技术深度解析
Agent Skills 构建在一个看似简单的理念之上：一个技能就是一个自包含、有版本号、经过加密签名的包，定义了AI编码代理可以调用的一组能力。在底层，其架构更为精妙。
技能包结构： 每个技能是一个目录，包含一个 `skill.yaml` 清单文件、一个 `handler` 脚本（通常用 Python 或 TypeScript 编写）以及一个 `tests` 文件夹。清单文件声明了元数据（名称、版本、作者）、依赖项（特定代理 SDK 版本、外部 API）、权限（文件系统读写、网络访问、环境变量访问）以及暴露的函数列表。这种声明式权限模型至关重要。与传统的 npm 包不同——其中 `require('fs')` 可以做任何事情——Agent Skills 强制技能作者明确请求诸如 `filesystem:write:/tmp/*` 或 `network:http:api.github.com` 之类的功能。
验证管道： 核心创新在于验证管道。当技能提交到注册中心时，它会经历自动化静态分析（SAST），使用 Semgrep 和 CodeQL 等工具检测常见漏洞模式（命令注入、路径遍历、不安全的反序列化）。然后，它会在沙盒环境（gVisor 或 Firecracker 微虚拟机）中运行，动态分析会监控系统调用、网络连接和文件操作，并与声明的权限进行比对。任何偏差都会导致验证失败。这比大多数代理框架使用的典型“linting”方法前进了一大步。
执行模型： 技能通过一个轻量级运行时在代理的上下文中执行，该运行时通过 gRPC 进行通信。代理发送一个包含技能名称、函数和参数的请求。运行时加载技能，根据注册中心的公钥验证其签名，对照用户的本地策略（可能比技能声明的权限更严格）检查权限请求，然后在沙盒中执行处理程序。结果被序列化并返回。这种设计确保即使技能被攻破，爆炸半径也受到限制。
GitHub 仓库（tech-leads-club/agent-skills）： 该仓库组织良好，包含清晰的 `CONTRIBUTING.md`、详细说明技能格式的 `SPEC.md` 以及不断增长的示例技能集。初始提交显示了对开发者体验的关注，附带一个用于创建、验证和发布技能的 CLI 工具（`agent-skills-cli`）。该项目已经吸引了知名开源开发者的贡献，包括一位前 npm 安全工程师提交的 PR。
基准数据： 早期基准测试将 Agent Skills 与未经验证的技能执行进行了比较，结果显示在安全方面有显著改进，且性能开销极小。
| 指标 | 未经验证的技能执行 | Agent Skills（已验证） | 开销 |
|---|---|---|---|
| 恶意技能检测率 | 12%（基本正则） | 94%（SAST + 动态分析） | — |
| 误报率 | 8% | 3% | — |
| 平均冷启动延迟 | 50ms | 120ms | +70ms |
| 平均执行延迟（缓存后） | 30ms | 45ms | +15ms |
| 内存占用（每个技能） | 5MB | 12MB | +7MB |
数据要点： 94% 的恶意技能检测率相比当前大多数代理依赖用户判断的现状是一个巨大的改进。70ms 的冷启动开销对于企业级安全来说是一个合理的权衡，缓存机制已经在开发中，旨在将常用技能的延迟降至接近零。
关键参与者与案例研究
Agent Skills 生态并非凭空出现。几个主要参与者已经在塑造这一格局。
Antigravity： 这是最突出的早期采用者。Antigravity 是一家构建自主编码代理的初创公司，已将 Agent Skills 作为其默认扩展机制。其 CEO 表示，“信任是自主代码生成的瓶颈”，Agent Skills 使他们能够专注于核心推理，同时将领域特定任务（例如，部署到 AWS、运行数据库迁移）委托给经过验证的技能。Antigravity 的代理“Gravity”现在附带了一套精选的 20 多个技能，用于云部署、测试和 CI/CD 集成。
Claude Code（Anthropic）： Anthropic 采取了更为谨慎的态度。虽然他们尚未正式认可 Agent Skills，但其内部研究团队正在评估将其作为 Claude Code 的潜在插件系统。Anthropic 对安全性的关注与 Agent Skills 的安全优先设计相一致。然而，他们也在开发自己的专有技能系统“Claude Actions”，这直接构成了竞争。开放（Agent Skills）与封闭（Claude Actions）之间的较量将是一个关键叙事。
Cursor： AI 优先的 IDE Cursor 已在其最新测试版中宣布对 Agent Skills 的实验性支持。他们的方法是允许用户安装技能来扩展编辑器的能力——例如，一个技能