ARTICLE · 1280887
装 Skill 的尽头是卸载,我只留了 8 个
装 Skill 的尽头是卸载,我只留了 8 个我把 WorkBuddy 技能市场的 21 万个 Skill 按安装量从头翻到尾，最后留下 8 个。这篇不按名次排，按你实际会遇到的问题分。 
上周我让它给项目加个字段，它把三个月前定好的接口名全改回去了，我得从头再讲一遍规范。 那一刻我才反应过来，问题不在模型。34 个 Skill 挂在那儿，一句话进去，它得先猜该调哪个，猜错了我就得重说，重说三遍我就想手动改代码。装得越多，误触发越多，这是概率问题，不是玄学。 花一晚上清到 8 个之后，同一句话它不再反问"你要用哪个技能"。下面按三类麻烦讲：它老忘事、你找不到该用哪个、找到了但活干不利索。每个都写清治什么、治不了什么，也不替它们说好话。 换更贵的模型解决不了这个。它每次开新会话都是一张白纸，你在对话框里教的规则，窗口一关就没了。 上个月让它给订单接口加个字段，它顺手把我三个月前定好的命名规范改回了原样。我盯着 diff 看了几秒，又把规则从头讲了一遍——这已经是第四遍。 它干的活其实很土：把你说过的"不对"记下来。你纠正它一句，或者它某条命令跑挂了，它把这条教训写进项目里的 .learnings/ 目录，下次开工前先翻一遍再动手。 从那之后，我不必每次从零讲起。 文件是普通 markdown，能直接打开看，写歪的条目自己删掉。这点我认可，记忆没藏在黑盒里。 星标 4,539，是第二名（1,807）的两倍半。被"重复教 AI"烦到过的人有多少，这个数字比任何推荐语都直白。 提醒一句：别期待装完立刻变聪明。前两次任务几乎没差别，第五次之后才开始有感觉。 同一个方向的另一个做法。它把记忆从散落的 markdown 变成有类型的图谱：人物、项目、任务、事件、文档分类存，彼此能连边、能查依赖。 区别在于共享。你手上有好几个技能在协作时，A 技能记下的项目背景，B 技能写周报要能查得到，散装文件做不到这件事。 单个技能自己用的话，装它有点重。我先留着占位，等真有多技能协作再加。 能记住你的 AI，比能回答你的 AI 值钱。这句话我越用越确认。 这是第二个坑。技能越多，你越记不住哪个能干哪件事，最后又回去手动写提示词。 用法很直接：说"我想做个海报""帮我找个处理 Excel 的技能"，它按安装量和匹配度列几个出来，附上安装指令。等于给技能市场加了个听得懂人话的搜索框。 这里有个榜单不会说的事：它在 WorkBuddy 里是默认装好的，新用户不用动手就有。所以这 7.6 万次里，有多少是用户自己点进去装的，拆不干净。 当"被验证过的高频需求"看没问题，当"用户主动投出来的第 2 名"看就勉强了。看排名的时候这条折扣得打进去。 找到之后还有个问题：你敢装吗？ Skill 本质是一段提示词加可能的脚本，来源是社区，没人保证里面写了什么。有的要求读环境变量，有的会在说明里塞一句"顺手执行这条命令"。 Vetter 的流程很死板：先看来源、下载量、更新时间，再强制通读全部文件，检查权限范围和可疑写法，重点盯提示词注入。 它不保证安全，只保证你不是闭着眼睛装。三万七千人装了它，说明担心这事的不是我一个人。 剩下四个都在这类。它们的共同点是替 AI 补上"手"和"校对"，不改变它想什么。 单次能塞 10 万字，支持 txt、md、docx、pdf，也能直接丢 URL 让它抓正文，抓的时候会去掉广告和导航栏。 命令行两种写法，summarize --file report.md，或者 summarize --url https://...。 我拿它读别人的技术文档和竞品说明。十分钟的活压到两分钟，真正省下的不是时间，是你判断它有没有漏掉关键结论的那份注意力。 装机量在这 8 个里排第 7，但在我这用得最多，所以提前说。 它照着一份清单改稿。维基百科上有篇 "Signs of AI writing"，把 AI 写东西的毛病列了几十条：动不动"不仅仅是……而是……"，三段式排比强行凑齐，破折号当逗号用，词汇上"赋能""助力""生态""深度"不分场合地往外扔（英文那边对应的是 delve、landscape、testament）。 空说看不出区别，直接上例子。改之前： 改之后： 同一个意思，后者短了一半多，也没在替自己鼓掌。Humanizer 干的就是这个：把清单做成改写规则，逐条对照，命中的地方挑出来重写。 副作用要说清楚：改完通常更短、句子长短更不齐，读起来像人写的，但你想强调的地方有时会被一起磨平，得自己回看一遍。 给 AI 一个能真正开浏览器的命令行。开页面、填表单、点按钮、截图、抓表格、登录后台，都能做。 它的隐藏用处是测试。前端写完让它自己点一遍，哪个按钮没反应、哪个请求 500，截图直接丢给你。 也能挂 Electron 应用，VS Code、Figma 那些。我试过让它读 Slack 未读，能跑通，就是慢。 把 gh 包了一层。用自然语言让它查 PR 的 CI 状态、看哪一步挂了、拉失败步骤的日志。 前几天 CI 又红了。两万多行日志，红字夹在中间，滚轮滑了半天才找到。教它一句 gh run view --log-failed，它只把失败那一段贴回来，不用我在两万行输出里找红字。 天天敲 gh 的人可以跳过，你手速比它快。装到 AI 这边主要省掉"复制链接、切窗口、粘回来"这套动作。 我这半年最没用的一类操作，就是看到推荐就装。 装 Skill 的尽头是卸载。技能不是装得越多越强，是留得越少越准。 现在留的 8 个：self-improving agent 打底，Find Skills 找东西，Humanizer 和 Summarize 天天开，Vetter 装一次图个安心，ontology、Agent Browser、Github 三个用得少但删了会缺——留着兜底，不算浪费。 装法一句话：在 WorkBuddy 对话里说"安装 skill 加名字"，或者左侧技能市场搜名字点加号。 
你现在挂了多少个 Skill？评论区报个数字，我猜一半人超过十个，真正常用的不到三个。 觉得这份清理清单有用，点个"在看"，下次想清理的时候找得到。 数据来源：WorkBuddy 技能市场公开接口，2026-10-29 取数，站内共 210,761 个技能，按安装量从高到低排。数字会变，趋势不太会。
一、它老忘事，缺的不是更强的模型
self-improving agent｜装机 86,140
ontology｜装机 29,080
二、装了三十个，找不到，也不敢乱装
Find Skills｜装机 75,956
Skill Vetter｜装机 37,273
三、找得到，但活干不利索
Summarize｜装机 45,959
Humanizer｜装机 33,756
这不仅仅是一次功能更新，而是对整个协作方式的重塑——它赋能团队、提升效率、释放潜能，为业务增长提供有力支撑。
这次更新只办了一件事：任务可以直接派给下一个人。
Agent Browser｜装机 36,434
Github｜装机 35,756
最后
附：8 个 Skill 数据
