ARTICLE · 1246720
AI Skills正式成为开放标准:文科生以后不必反复教AI做事了
人文社科AI自救指南｜AI前沿观察
你有没有遇到过这样的情况？
上周刚刚花了半个小时，把ChatGPT调教成一个还算合格的「文献阅读助手」。你告诉它如何提取研究问题、如何识别理论框架、如何整理文献矩阵，甚至反复强调：不要编造参考文献，不要把作者的推论当成研究结论。
终于，AI输出的结果让你满意了。
但几天后，当你打开另一个对话框，准备阅读一批新的论文时，却发现自己又得从头解释一遍。
它依然可能遗漏页码，依然可能混淆研究方法，依然会用几句漂亮但空洞的话总结一篇复杂的学术论文。
于是，你又开始复制提示词、补充要求、纠正错误。
明明是为了提高效率而使用AI，结果相当一部分时间却花在了反复教AI如何工作上。
有没有一种办法，让AI记住的不是某次聊天的具体内容，而是你已经验证过的一套工作方法？
最近，AI行业发生的一件事情，或许正在让这个想法变成现实。
01｜一个不起眼的文件夹，为什么值得关注？
2026年10月22日，Anthropic宣布了一项决定：将其主导开发的Agent Skills开放标准，正式捐赠给Linux基金会旗下的Agentic AI Foundation（AAIF，智能体人工智能基金会）。
同一天，Linux基金会也发布公告，确认Agent Skills成为AAIF新接收的四个项目之一。另外三个项目分别来自OpenAI、Hugging Face和阿里巴巴。
对于不熟悉这些技术组织的读者而言，这听起来可能只是一条普通的开源新闻。
但这件事的意义，可能比又发布了一款新模型更值得关注。
先澄清一个容易产生误解的地方。
Agent Skills并不是2026年10月22日才变成开放标准的。
它的发展经历了三个重要节点：
2025年10月16日，Anthropic正式推出Skills功能，最初主要服务于Claude生态。
2025年12月18日，Anthropic将Agent Skills发布为开放标准，允许其他AI平台采用同样的技能文件格式。
2026年10月22日，Anthropic进一步将这套标准移交给AAIF，推动它在更加中立的组织治理框架下发展。
也就是说，这次新闻的关键不是「Anthropic突然决定开放自己的技术」，而是一套已经开放的AI技能标准，正在从企业主导走向多方共同治理。
根据Anthropic当天披露的数据，目前已有超过70个智能体平台集成Agent Skills，包括ChatGPT、Cursor、GitHub Copilot和VS Code等。Anthropic还表示，生态中已发布约100万个Skills，累计安装量接近2.8亿次。
这些数字属于企业官方披露，尚不能直接等同于独立核验的活跃使用规模。但至少说明，Skills已经不再是某一家AI公司的内部实验。
为什么各大平台愿意采用一套共同的技能格式？
答案可能就藏在一个极其简单的文件名里：
SKILL.md。
02｜Skills究竟是什么？为什么不直接保存提示词？
如果你去查看Agent Skills的官方规范，会发现它在技术形式上相当朴素。
一个最基本的Skill，其实就是一个文件夹，里面放着一份叫作SKILL.md的Markdown文件。
这个文件负责告诉AI三件事：这项技能叫什么、应该在什么情况下使用，以及具体应该怎样执行任务。
有需要的话，文件夹里还可以放入Python脚本、参考资料、写作模板、示例文件等。
例如，一个专门负责学术论文阅读的Skill，可以包含：
SKILL.md：规定文献阅读和信息提取的工作步骤。 references/：保存研究方法分类标准、术语表和编码规则。 assets/：保存文献矩阵Excel模板。 scripts/：保存用于整理数据或生成文件的程序。
但这里最重要的变化，并不是AI终于可以读取一个Markdown文件。
毕竟，我们早就能把几十条提示词写进文档，再上传给ChatGPT。
真正值得关注的是，Skills试图让这些工作指令变成一种可以被AI识别、按需调用、反复使用的标准化资源。
按照官方规范，支持Skills的平台通常采用一种叫作「渐进式披露」（Progressive Disclosure）的机制。
你可以把它理解为三个阶段。
首先，AI只需要知道自己有哪些技能，以及这些技能分别适用于什么任务。
比如，它知道你安装了一个「文献精读」Skill、一个「访谈编码」Skill，以及一个「公众号排版」Skill。
当你提出「帮我分析这篇论文」时，系统便可能根据技能描述，判断应该调用文献精读Skill。
接着，它再读取这项技能的完整说明，必要时调用其中的参考资料、模板或者脚本。
这样一来，AI不必在每次对话开始时，都把所有工作规则重新加载一遍。
更重要的是，同一套经过验证的规则，可以被不同任务重复调用。
这与传统提示词有什么区别？
普通提示词更像一次性的工作指令，Skill则更接近一份可以反复调用的标准操作手册。
当然，这种区别并非绝对。如果你此前已经把提示词制作成结构清晰、可以复用的模板，那么实际上已经完成了Skills最重要的前半部分工作。
Skills不是推翻提示词工程，而是尝试为这些已有的工作经验提供统一的组织和调用方式。
它也不意味着AI真的通过训练「学会了」你的专业知识。多数情况下，Skill只是让模型在执行特定任务时，获得更多明确的操作指令与辅助资源。
理解这一点很重要。
因为我们讨论的并不是模型能力突然发生了什么神奇的跃升，而是人们终于开始认真解决另一个问题：怎样让已经具备的AI能力，更稳定地服务于具体工作。
03｜对于人文社科生，真正有价值的不是省下一段提示词
过去两年，关于AI辅助科研的讨论，主要集中在模型本身。
哪款模型阅读PDF更准确？哪款模型更擅长写作？哪款模型能够处理更长的上下文？
这些当然重要。
但如果你长期使用AI完成真实的学术任务，就会发现，决定最终结果的往往不只是模型聪不聪明。
还取决于你有没有把任务说清楚。
举个例子。
假设现在有两名公共管理专业研究生，都使用同一款大模型阅读30篇有关基层治理的学术论文。
第一名学生只提出一个要求：
「请帮我总结这些文献的主要内容，并形成综述。」
第二名学生则建立了一套完整的阅读规则：
先提取每篇论文的研究问题和理论框架，再识别研究对象、数据来源、研究方法与主要发现；严格区分作者的经验发现和理论推论；所有重要判断都要对应原文证据；无法核实的信息必须标记，而不能自行补充。
最后，再依据主题关联和研究争议组织文献综述，而不是简单按作者和年份逐篇介绍。
即使两个人使用完全相同的模型，得到的结果也很可能存在明显差异。
区别在哪里？
表面上是提示词长短不同。
但更深层的区别在于，第二名学生已经把自己的研究经验转化成了一套可执行的工作程序。
过去，这套程序往往只存在于研究者自己的脑海中，或者零散地保存在多个聊天记录里。
Skills提供了一种新的可能：将其整理为能够重复使用、持续修改，甚至在不同AI平台之间迁移的工作资源。
这意味着，我们或许需要改变一个习惯。
不再把每次成功使用AI视为一次偶然完成的任务，而是把其中有效的方法沉淀下来。
例如，当你发现某种文献阅读方式特别有效时，可以把它保存成Skill；当导师对你的文献矩阵提出新的要求时，可以修改对应的工作规则；当你发现AI经常错误识别定性研究方法时，可以为这一类错误增加专门的判断标准。
这样，AI辅助科研就不再只是不断积累聊天记录，而是逐渐形成自己的工作方法库。
这对于研究任务高度重复、但专业要求又相当复杂的人文社科生而言，尤其值得尝试。
04｜三个真实的科研场景，可能最适合先做成Skill
那么，哪些科研任务值得制作成Skill？
我的判断是，首先应该考虑那些需要重复执行、流程相对稳定、结果能够检查的任务。
而不是一上来就试图制作一个能够自动完成整篇论文的超级Skill。
场景一：文献阅读与文献矩阵
这可能是最适合研究生入门的场景。
从本科毕业论文到博士阶段的课题研究，文献阅读几乎贯穿整个科研过程。
如果每次阅读新文献，都要重新说明研究问题、理论框架、研究方法和研究发现应该如何提取，那么这些重复劳动完全可以尝试交给Skill处理。
一个合格的文献阅读Skill，不应该只规定输出哪些栏目。
更应该规定：
遇到无法判断的研究方法应该怎么办？如何区分作者的观点与文献引用？如果PDF缺少页码，应该如何标记？哪些内容必须回到原文核对？
这些看似琐碎的要求，恰恰是普通AI总结最容易出问题的地方。
最终，我们希望得到的并不是一篇看起来漂亮的摘要，而是一张具有可追溯证据、能够支持后续综述写作的文献矩阵。
场景二：访谈资料整理与初步编码
定性研究同样适合探索Skills。
例如，在处理社区治理、乡村振兴或者公共服务研究中的访谈材料时，我们经常需要反复完成一些基础工作：
整理原始访谈文本，识别受访者编号，提取重要陈述，记录可能的初始概念，再按照既定的理论框架整理材料。
这些程序性的要求，可以写进一个访谈分析Skill。
但这里必须注意一个边界。
让AI按照固定规则整理访谈材料，不等于让AI替研究者完成理论分析。
尤其是在扎根理论、反思性主题分析等研究中，编码不仅是把句子归入类别，更涉及研究者对情境、意义与概念关系的解释。
Skill可以帮助我们建立统一的证据记录规则，也可以生成供研究者审查的初始编码建议，却不能凭借文件中的几条指令就保证研究结论成立。
场景三：学术论文格式检查与投稿准备
相比前两种任务，论文格式检查往往更容易实现较为稳定的自动化。
比如，目标期刊要求摘要采用特定结构、参考文献遵守指定规范、表格与图片单独提交，正文中还必须保留图表插入位置。
这些规则可以整理进一个专门的投稿检查Skill。
之后，每次修改论文，都可以让AI依据相同的规则检查稿件，并输出问题清单。
需要强调的是，期刊要求可能更新，因此Skill必须能够区分已经核实的投稿规定与需要重新确认的信息。
这也解释了为什么一项优秀的Skill不能只是几段措辞漂亮的提示词。
它应当明确任务边界、必要输入、工作步骤、输出形式和验证方式。
05｜普通文科生怎么上手？从一个最小Skill开始
看到这里，你可能会担心：
这是不是意味着以后使用AI，还要先学会Python、编程和软件开发？
其实未必。
Agent Skills的标准格式本身并不复杂。对于只涉及文本阅读、信息提取和固定流程的任务，最初完全可以不用编写任何程序。
我们以「文献矩阵生成助手」为例。
首先，建立一个名为literature-matrix的文件夹。
然后，在文件夹中创建一份名为SKILL.md的文件。
文件内容可以从下面这份简化示例开始：
SKILL.md 示例
---
name: literature-matrix
description: 用于阅读用户提供的学术论文PDF并提取文献矩阵；不用于缺少原文的论文总结。
---
# 文献矩阵生成助手
## 任务目标
根据原始论文建立可核验的文献矩阵。
## 工作流程
1. 识别文献基本信息，包括题目、作者、年份。
2. 提取研究问题、理论框架、方法、数据及结论。
3. 区分经验发现、理论解释与研究建议。
4. 为核心结论提供原文证据及可定位的页码。
5. 无法确认的信息标注“待核实”，不得编造。
## 输出要求
生成包含上述字段的结构化表格。
另列出信息缺失、证据不足和需要人工复核的项目。
## 边界
不编造文献，不补写不存在的结论。
不将AI生成的解释冒充作者原意。
严格来说，这还只是一个基础版本。
但它已经具有Skills的核心结构：通过name和description说明技能的身份及适用范围，再通过正文规定执行方法。
接下来，你可以逐渐加入经过验证的文献矩阵模板、常用研究方法术语表，以及自己在实际阅读中总结出来的判断规则。
至于如何安装和调用，需要根据具体平台决定。
在Claude中，用户可以使用其Skills功能；在ChatGPT桌面端和Codex等支持的平台中，也存在相应的Skills使用或创建方式。
但要注意：支持Agent Skills标准，并不意味着每个平台的安装步骤完全相同。
例如，某些平台可以直接管理Skill文件夹，另一些平台可能需要特定目录、安装工具或者插件机制。不同产品对脚本执行、文件访问和联网权限的支持也不完全一致。
如果你使用的AI产品暂时无法安装独立Skill，也不必因此放弃这套方法。
可以先把上述规则当成固定的任务模板使用，等到需要跨对话复用、接入文件资源或进行自动调用时，再按照平台说明封装成真正的Skill。
还有一个建议：不要写完Skill就急着投入正式研究。
可以先找5篇自己已经精读过的论文进行测试。
看看它能否正确识别研究方法，能否找到原文证据，是否出现编造页码或者混淆结论的情况。
发现问题，就修改规则，再用相同的材料重新测试。
当一份Skill经过多轮修正，能够在不同论文上表现得相对稳定时，它才真正开始具有使用价值。
从这个意义上说，制作Skill更像是在建立和改进一个小型研究工具，而不是追求一次性写出完美的提示词。
06｜Skills与MCP有什么关系？它们不是同一种东西
如果你关注过AI智能体的发展，可能还听说过另一个术语：MCP。
2025年以来，MCP逐渐成为AI工具生态中的重要开放协议，现在Agent Skills也进入了同一个基金会体系。
这两个东西容易被混淆，但解决的问题并不相同。
简单来说：
MCP主要解决「AI如何连接外部工具和数据」，Skills主要解决「AI应该按照什么程序完成任务」。
例如，你希望AI帮助整理Zotero中的文献。
首先，AI必须能够获取文献数据库中的相关信息。这涉及软件接口、连接器或者其他数据访问机制，MCP可以用于其中的标准化连接。
但是，成功读取文献，不代表AI就知道怎样根据你的研究目的完成综述。
应该提取哪些字段？如何识别理论争议？什么情况下必须核对PDF原文？
这些属于工作程序和专业判断规则，正是Skills试图封装的内容。
可以作一个不太严格但方便理解的比喻：
MCP像是帮助AI连接设备的接口；Skill则像是告诉AI如何使用设备完成工作的操作手册。
二者可以结合，也可以分别使用。
并不是所有Skill都需要MCP，也不是安装了Skill就自动获得访问Zotero、学校数据库或者本地文件的权限。
如果将来能够更加顺畅地组合这两种技术，一个研究者或许可以用相同的研究工作规则，在不同AI平台之间切换，而不必每次都重新建立完整的工作流程。
当然，这仍然是一种发展方向，而不是今天已经完全实现的现实。
07｜越容易安装的技能，越需要警惕它的风险
说到这里，我们还需要讨论一个经常被忽视的问题。
既然Skills可以通过文件夹传播，甚至能够包含可执行脚本，那么下载别人制作的Skill，是否就像下载一个普通的提示词一样安全？
答案显然是否定的。
2026年1月，一项题为《Agent Skills in the Wild: An Empirical Study of Security Vulnerabilities at Scale》的研究预印本，对两个技能市场中收集的数万项Skills进行了安全分析。
研究人员实际分析了31,132项Skills，发现其中约26.1%被检测出至少一种安全漏洞模式，涉及提示词注入、数据泄露、权限提升和供应链风险等问题。
这项研究使用了自动化检测方法，样本也只覆盖特定平台，因此不能据此认定所有Skills中都有相同比例的漏洞。
但它揭示的风险值得认真对待。
一个来自陌生开发者的Skill，可能要求AI读取不必要的本地文件，也可能夹带未经检查的执行脚本。
对于研究者而言，问题还不止于电脑安全。
如果Skill处理的是尚未公开的访谈资料、受访者身份信息、调查问卷原始数据或未发表的论文，那么不当的数据访问与外部传输还可能涉及科研伦理和保密义务。
因此，我更建议人文社科研究者从自己编写的纯文本Skills开始，尽可能选择经过核实的官方来源。对于第三方Skills，至少应当检查文件内容、脚本行为及其所需权限。
不要因为它被称为「技能」，就默认它是可靠的。
同样，也不要因为安装了某个「学术写作Skill」，就认为AI已经具备了研究者的学术判断能力。
08｜比学会安装Skill更重要的，是学会描述自己的工作
写到这里，我想提出一个与普通工具教程稍有不同的看法。
Skills真正有意思的地方，或许不是让AI变得更加自动化，而是让我们开始重新认识自己的知识劳动。
过去，我们谈论科研能力，经常会想到文献阅读能力、理论分析能力、研究设计能力和学术写作能力。
这些能力当然不是一份文件就能够替代的。
但它们之中，也确实包含大量可以被明确描述、反复执行和持续优化的程序性知识。
例如，为什么我们要求阅读论文时必须回到原文？为什么研究设计需要区分研究问题与研究假设？为什么访谈编码必须保留原始证据？
对于有经验的研究者而言，这些要求可能已经成为习惯。
而Skills的制作过程，恰恰要求我们把原本隐含在工作习惯中的规则表达出来。
这就引出了一个值得思考的问题：
当研究者能够把自己的工作程序转化为AI可以调用的文件时，究竟是AI掌握了专业能力，还是研究者把部分专业经验转化成了可复用的技术资源？
我更倾向于后一种理解。
而且，并不是所有专业能力都能被这样转化。
具体研究情境中的问题意识、复杂材料之间的理论联系、对社会现象的解释，以及研究过程中的价值判断，都不可能仅靠几份标准化操作说明获得可靠解决。
从这个角度看，Skills反而提醒我们重新区分两件事：
一件是研究中的程序性工作，另一件是研究者必须承担的解释性判断。
前者具有更多标准化和自动化的空间；后者即使获得AI辅助，也不能轻易放弃研究者自身的责任。
真正成熟的AI科研工作流，不应该以消除人的判断为目标，而应该通过减少重复性操作，为研究者保留更多思考和检验的时间。
写在最后：不要只收藏提示词，开始积累自己的研究方法
过去，我们习惯于把一条特别好用的提示词收藏起来。
后来，提示词越来越长，逐渐变成了模板、工作流，甚至是一份完整的操作说明。
如今，Agent Skills正在为这些分散的工作经验提供一种更加标准化的保存和调用方式。
它并不意味着提示词工程已经过时，也不意味着未来所有人都必须学习编程。
更不能保证使用同一个Skill的不同AI模型，必然产生完全相同的结果。
但是，它提供了一个值得尝试的方向：
以后，我们或许不必每次打开AI，都从头教它如何完成自己已经做过无数遍的工作。
对于普通人文社科生而言，最值得做的事情，未必是立即下载几十个号称能够提高科研效率的Skills。
不妨先从自己最熟悉、最重复的一项任务开始。
可能是整理文献矩阵，可能是清洗问卷数据，也可能是按照目标期刊要求检查论文格式。
把工作步骤写下来，把常见错误记录下来，把检查标准保存下来。
再通过真实任务不断检验和改进。
久而久之，你积累的就不只是一段段提示词，而是一套真正属于自己的、能够持续迭代的AI科研工作方法。
AI模型会不断更新，工具也可能随时更换。但一套经过认真验证的研究方法，应该有机会跟随使用者，而不是被困在某一次对话里。
这或许才是Agent Skills走向开放标准，最值得文科生关注的意义。
