为什么你的 AI 助手什么都知道,却什么都做不好?

你有没有过这种感觉：

AI 写东西又快又好，但一让它干正事就掉链子——改个代码留一堆坑，做个页面长得跟别人的一模一样，让它按公司流程走它总能漏两步。

于是你得出结论：这 AI 不行。

先别急着下结论。我问你一个问题：

你招了个新人，他跟你说"我什么都能干"，但你从没给过他操作手册。他干砸了，是他的问题，还是你的问题？

今天的 AI 助手，大多处于"没拿到手册"的状态。

而过去一个月，整个行业正在疯狂解决这件事。解决办法有个名字，叫 Agent Skills（智能体技能）。

一、这个趋势有多大？看今天的开源榜单

我每天早上都会跑一份数据（用我们自己的脚本抓 GitHub 趋势）。今天的榜单很说明问题——前 14 名里有 7 个都是"给 AI 装技能"的项目。

以下是实测数据（星标数和许可证都是今天现查的，不是估的）：

注意最后一行的分量：这不是某个独立开发者的玩具，Google 亲自做了一个官方技能仓库，而且用的是最宽松的 Apache-2.0 许可证。

当大公司开始做"技能的发行渠道"，说明这已经不是社区玩法，而是基础设施。

二、Agent Skills 是什么？一句话：给 AI 的"操作手册"

你平时用 AI，是不是这样：

"帮我改一下这个页面的配色。"

AI 会给你一个能用的答案，但往往是最平庸的答案——因为它不知道你的项目长什么样、面向谁、公司设计规范是什么。

一个 Skill，就是把"你应该怎么做这件事"写成一份文档，放在 AI 能读到的地方。

它通常就是个文件夹，里面是 Markdown 文件，写着：

• 这件事什么时候该做
• 具体步骤
  是什么
• 该调用哪些工具
• 有哪些坑不能踩

用大白话讲：

模型是"聪明但没经验的新人"，Skill 就是给他的岗位操作手册。

模型决定它有多聪明，技能决定它干得对不对。

而今天发生的关键变化是：这套手册，开始可以被"安装"了。

三、两个具体例子，看完你就懂价值在哪

例子 1：专治"AI 做的界面一个样"——Impeccable

这个项目今天还在更新（最近提交 2026-10-03），它的开场白就戳中痛点。原文大意是：

所有模型都在同一批 SaaS 模板上训练。跳过设计指导，你每个项目都会得到同样几个标志性的"AI 味"。

你肯定见过那些"AI 味"：清一色的字体、千篇一律的紫色渐变按钮、毫无信息层级的卡片。

Impeccable 怎么解决？

它是一份设计指导技能，装好之后你的 AI 编码工具会多出 24 个命令，比如：

• init
   —— 先记录你的产品定位、受众、用途（写进 PRODUCT.md，之后所有命令都读它）
• polish
  （打磨）、audit（审查）、critique（批评）、distill（精简）、animate（加动效）……

更关键的一个设计：它包含 61 条确定性检测规则，不依赖大模型就能跑，在命令行和浏览器插件里都能用。

为什么这很重要？ 因为"用另一个 AI 来检查这个 AI"并不总是可靠，而确定性规则意味着结果可复现。

例子 2：专治"聊几句 AI 就忘了前面"——Context Mode

你要是用过 AI 编码工具，一定遇到过：聊着聊着它就开始胡言乱语，因为它把上下文窗口塞满了。

这个项目的自我介绍是"上下文问题的另一半"，它做三件事：

1. 把工具输出关进沙箱
    —— 号称减少 98%（比如一条命令刷出几千行日志，它只把关键部分喂给模型）
2. 持久化会话记忆
    —— 下次打开还记得
3. 项目页面标注了 Discord 社区，以及"曾上过 Hacker News 头条（570+ 分）"

这两个例子说明什么？

它们解决的都是真实的、每天都会碰到的痛点，而不是学术好奇。这就是为什么这类项目能在榜单上压过一堆模型发布。

四、真能用：安装过程大概是这样的

好消息是：绝大部分技能是免费的、开源的，安装通常就一行命令。

以 Google 官方技能库为例，它的 README 里给的安装方式是：

npx skills add google/skills

执行后，它会列出这个仓库里所有技能让你挑，你选要装哪几个。

那 Google 官方技能库里都有些什么？我翻了一遍，举几个：

• Google Cloud 认证入门
• Google Cloud 基础架构搭建
• 多代理安全（Agent Gateway）
• 企业级 RAG 搜索
  （用 GKE 和 AlloyDB）
• 把 AI 负载迁移到 GKE 推理
• 私有化的 n 层无服务器 Web 应用架构

注意这些技能的性质：它们不是"教你用 AI"，而是"让 AI 按专家步骤帮你把事做对"。

再举个例子，你会发现技能生态已经渗透到很具体的岗位了——今天榜单上还有一个 coreyhaines31/marketingskills，是给 AI 装营销技能的（转化率优化、文案、增长），今天新增 140 星。

给你的三条实操建议：

1. 先说清你要解决什么
   ：别一上来装一堆。你的痛点是"代码质量"还是"界面丑"还是"上下文不够"？按痛点找技能。
2. 优先选有确定性检查的
   ：像 Impeccable 那样带"确定性规则"的，比纯靠模型判断的更可靠、可复现。
3. 看许可证和最近提交
   ：MIT / Apache-2.0 可以放心用；最近一个月没提交的项目别投入——这个领域变化太快。

五、更大的信号：技能正在跨平台通用

这一节是今天最值得记住的。

我看了 obra/superpowers 的 README，它列的支持的 AI 编码工具超过 17 个：

Claude Code、Codex、Cursor、Gemini CLI、GitHub Copilot CLI、Kimi Code、Qwen Code、Devin CLI、OpenCode、Grok Build CLI……

这意味着什么？

同一套技能，可以装在不同的 AI 工具上。

这是从"每家 AI 产品自己关起门来做功能"，走向"技能成为可移植的标准件"。

而且这个标准化不是自发的——我抓到的材料里出现了两个专门的技能分发入口：skills.sh 和 agentskills.io。也就是说，技能的发布、查找、安装，已经开始有公共基础设施了。

参照一下历史：

• 有了 npm，JavaScript 的库才能被几百万开发者复用
• 有了 App Store，开发者做的小工具才能被普通人用到

技能平台之于 AI，大概就是那个位置。

而对你个人的意义很直接：

你不需要会写代码，就能享受别人把专家经验打包好的成果。你也不需要从零摸索工作流——拿去改改就是你的。

回到开头那个问题

为什么你的 AI 助手"什么都知道，却什么都做不好"？

因为模型提供的是通用能力，而你要的是具体做法。这两者之间，缺的正是那份"操作手册"。

而今天，这份手册已经变成了可以一行命令安装的东西，并且正在跨平台通用。

所以别急着换更贵的模型。先看看有没有人已经把你这个活的技能写好了。

一句话带走：决定 AI 好不好用的，越来越不是"模型多强"，而是"你给它装了哪些技能"。