结论先甩：Agent Skills 不是什么新东西，但它解决了一个很实在的问题------怎么让 AI 不要找借口，真正把活干完。
我在用 AI 写代码的时候，最烦的不是 AI 写得慢，是 AI 写完之后跟你说"测试我稍后加上"。
然后就没有然后了。
这个问题我遇到太多次了。AI 写的代码逻辑看起来没问题，但测试覆盖率 0%、边界情况没考虑、错误处理是空的。你让 AI 补，AI 说"好的我补"，然后生成一堆看起来像测试的代码，实际上根本没跑通。
直到我看到 Addy Osmani 写的 Agent Skills 文章，我才意识到：问题不在 AI 本身，在于我们给 AI 的技能描述太水了。
什么是 Agent Skills
简单说，Agent Skills 就是给 AI Agent 用的"标准作业指导书"。
传统方式：你给 AI 一段文字描述，告诉它"帮我写一个用户登录功能，需要包含注册、登录、登出，密码要加密，异常情况要处理"。AI 读完，大概知道你想干嘛，然后开始写。写出来的代码能跑，但细节可能一塌糊涂。
Agent Skills 的做法是：把作业指导书变成流程图，而不是说明书。
一个 Skill 长这样：
## 测试技能
### Step 1: 写测试
Checkpoint:
- [ ] 测试覆盖率 > 80%
- [ ] 所有测试通过
- [ ] 无硬编码凭证
未通过？停止执行。
### Step 2: 验证测试确实运行
- 运行 `npm test`
- 截图测试输出
- 检查覆盖率报告
未通过？停止执行。关键差异：AI 不能说"我写了测试"，必须通过 Checkpoint 才能继续。
为什么在 HN 上火了
Addy Osmani 这篇 Agent Skills 文章冲了 303 分，151 条评论。
看完 HN 评论，总结几个要点：
实用派居多。 评论区没有太多人在争论"这是不是颠覆性创新"，而是在讨论"这个设计能不能解决我的具体问题"。说明确实打到了痛点。
对抗 AI 借口文化。 HN 评论区提到最多的一个词是 anti-rationalization------反合理化。
AI 很擅长给自己找借口：
- "这只是原型，先这样吧"
- "测试稍后加上"
- "重构太复杂，先不搞了"
Agent Skills 的做法是：把这些借口直接写进技能文档里，并附上反驳。"我会稍后添加测试"→ 稍后 = 永不，现在写。"能跑就行"→ 能跑不等于可维护。
这个设计太骚了。AI 看到借口，就会想起反驳。相当于给 AI 植入了一个内部监督机制。
渐进式披露节省算力。 传统方式下，AI 每次任务开始都要读取大量背景信息。Agent Skills 采用渐进式披露------AI 只在真正需要时才加载对应技能的知识，对长任务链特别有意义。
跟 MCP 的关系
这是 HN 评论里很多人问的问题。
简单说：MCP 解决"接得上"的问题，Skills 解决"干得对"的问题。
MCP（Model Context Protocol）是工具调用协议------让 AI 能调用外部工具。MCP 负责的是"AI 能不能做到"。
Agent Skills 是流程规范------让 AI 按正确顺序、正确标准完成任务。Skills 负责的是"AI 做的时候会不会偷懒"。
两者是互补关系，不是替代关系。MCP 是基础设施，Skills 是上层规范。
我的踩坑经验
用 AI 写代码这么久，有几个跟 Skills 理念非常吻合的经验：
验收标准必须可量化。 "测试要写得好"是废话，"测试覆盖率 > 80%"才是标准。把"做好"翻译成具体的数字指标，AI 执行起来才不会走偏。
每个节点都要有明确的退出条件。 AI 任务经常虎头蛇尾------开头认真，后面糊弄。给每个步骤设置 Checkpoint，未通过就停止，逼着 AI 在每个节点都交出合格产出。
让 AI 提供执行证据，不要主观判断。 AI 说"测试都通过了"------这是主观判断，不可信。AI 说"运行 npm test，输出显示 15 passed，0 failed，覆盖率 82%"------这是执行证据，可验证。Skills 的 Checkpoint 机制，就是强制 AI 提供证据而不是判断。
什么时候该用 Agent Skills
适合的场景：
- 重复性高的任务流程（代码审查、测试生成、数据清洗）
- 多步骤、长链路的任务（需要按顺序完成，不能跳步）
- 团队需要固化最佳实践（把资深工程师的经验转成 Skills）
- 对输出质量有明确标准的任务
不适合的场景：
- 探索性任务（你都不知道答案是什么，让 AI 自由发挥）
- 一次性小任务（写个 hello world 还要配 Skill 杀鸡用牛刀）
- 创意类任务（写文案、做设计，Skills 规范太死板）
判断与行动建议
Agent Skills 是 2026 年最值得投入的 AI 工程化实践之一。
它的价值不在于技术多先进，而在于解决了一个很实在的问题：怎么让 AI 在实际干活的时候不摸鱼、不糊弄、不找借口。
如果你在带团队做 AI 应用落地，建议把 Skills 设计纳入开发规范：
先从高频任务开始，找到团队里重复执行最多的 3-5 个任务，为它们编写 Skills。把 Checkpoint 当成 CI，不过不了就不能继续------每个 Skill 的 Checkpoint 就是一道质量门。积累团队数字资产，Skills 是可以被版本管理、复用的团队知识，这是 AI 时代最重要的资产之一。