Больше AI-навыков — не всегда лучше: запущены каталог и магазин Cola

默认进入交互式安装；也支持非交互命令。Node.js `18.17+` 环境下，这是当前最推荐的标准入口。 启动安装：`npx qiushi-skill` 定向安装：`npx qiushi-skill install --target claude-code --scope user` 统一验证：`npx qiushi-skill validate` Claude Code ### 官方 Marketplace 直接安装 仓库已提供 `.claude-plugin/marketplace.json`，可直接从 GitHub 仓库发现并安装。 `/plugin marketplace add HughYau/qiushi-skill` `/plugin install qiushi-skill@qiushi-skill` 安装后仍可用 `npx qiushi-skill validate` 自检 原生入口 ### Codex / OpenCode / OpenClaw / Hermes 按文档接入 这些平台已经分别提供独立的安装说明，按各自原生能力加载 `skills/`、`commands/` 或对应 bundle 即可。 Codex：`.codex/INSTALL.md` OpenCode / OpenClaw / Hermes：各自 `INSTALL.md` 细节文档见 `docs/README.\.md` 通用 ### 源码手动接入与兜底验证 如果不走标准安装器，也可以直接复用仓库内的 `skills/` 与 `commands/`，并用仓库脚本做平台兜底校验。 [...] ### 📖 分析外行指导内行问题 来自用户分享。 ### 🤖 ZZZ 白话讲 AI —— 用“求是方法论”写一本零基础 AI 认知书 以“求是”方法论组织 AI 入门知识。 ### 🛠️ Harness Ralph Qiushi 结合求是调查研究与矛盾分析法，构建可靠的长线 Agent 交付循环工作流。 澄清边界 这不是什么 ## 讲清方法论的边界，才能避免误读。 本项目仅提炼经实践检验的方法论，将其转化为可执行的认知工具，以实现取法其上、用之于今，以期借前人之光，照当下之路。 其一 ### 这不是 Politics或者

比如这个著名的Manim项目，是一个用于精确程序化动画的引擎，专为创建解释性数学视频而设计。 我就直接一句话扔到OpenCode里，说要帮我做成整合包。 在规划完，用各种agent和这个skill，列了20个ToDoList。 又开发了十几分钟之后。 一个本地的整合包就完成了，解压，运行脚本，打开前端项目。 然后...就报了个错。 不过无所谓，把错误日志，复制回去，直接让AI解决一下。 再打开，搞定。 现在，我可以直接把大多数的Github上的没有前端项目，直接生个前端，给我这种小白用... 完 美的解决了我这种编程小白又菜又想用各种大佬的开源项目的痛点。 看完我们的case之后，相信你也大概能明白，Skill能做什么有趣的东西了。 说实话，到现在我也依然觉得，Skills这玩意的价值，还是被大大低估了。 无论你是专业者，自己把自己的经验和workflow封装成各种各样的skill，还是跟我一样的普通小白，把一个一个的需求封装成skill方便未来持续调用。 这玩意，都有莫大的潜力。 首先，非常简单的跟大家收一下，Skills到底是个啥。 Skills这玩意，是去年也就是2025年10月，Anthropic在Claude Code上支持的特性。 后面之所以爆了，是因为12月18号，他们把Skills当做一个标准，直接开放了，所以，大家纷纷接入。 目前除了Claude Code自己之外，我昨天推荐的OpenCode也完 美兼容Skill，Codex、Cursor、Codebuddy等一些编程工具，也基本上都兼容了。 技能不同于传统的Prompt只有一个markdown的文本，在里面，其实包含了各种各样的东西，比如有Promtp、参考文档、脚本之类的在Agent需要时可以加载的资源的文件夹。 [...] 这样不仅可以确保用户不会被新信息淹没，还可以逐步分解、引导用户在认知负荷最 低的情况下，处理任务。 本质上，其实就是人的瞬时记忆区太小了，一瞬间只能接受最多7±2个信息块，而AI因为受限于Token，其实在本质上，是一模一样的。 所以渐进式披露放到Skills上，就变成了，先放目录，再放章节，最后放附录。 Skill的元信息先加载一小段，让模型知道“有这么个手册，适用范围是啥”。 当它判断这次任务真用得上，再把完整的SKILL.

然后我在社群里逛了一圈，发现有类似困惑的人不少： 有人觉得装得越多覆盖面越广，也有人反馈装多了之后，小龙虾反而经常调错 Skill，干了不该干的事。 为了搞清楚这件事，我把「小龙虾是否 Skill 技多不压身」问题拆成了三个子问题： 第一，Skill 到底是不是越多越好？ 第二，如果不是越多越好，假如有一个相对合理的装 Skill 的数量区间，大概是多少？ 第三，我们日常使用中，该怎么管理和使用 Skill？是否有什么最佳实践？ 然后我上周花了五天的时间，翻了最近几篇跟 Agent Skill 直接相关的学术研究，也结合自己这段时间的使用经验，我试着把这三个问题理一理，然后给大家做个报告。 ### 越多越好？不，装多了效果会变差 先说结论，根据两项最新的学术研究： Skill 并非越多越好，在某些情况下，装多了反而会让效果变差。 第一项研究叫《SkillsBench: Benchmarking How Well Agent Skills Work Across Diverse Tasks》，它是由俄亥俄州立大学、斯坦福、卡内基梅隆等二十多家机构联合发布。 这是目前第一个系统评估「智能体技能到底有没有用」的基准测试，覆盖了 86 项任务和超过 7000 条测试。 几个关键发现值得注意： 1、Skill 的效果不是越多越好，是一条倒 U 型曲线：三个最好。 只配 1 个 Skill 时，通过率提升了 17.8 个百分点。配 2 到 3 个的时候提升最多，达到 18.6 个百分点。但超过 4 个 Skill 之后，提升幅度骤降到 5.9 个百分点。 2、有接近 1/5 的任务用了 Skill 性能反倒下降了。 在全部 84 项测试任务中，有 16 项在使用 Skill 之后性能反而下降了，最大降幅达到 39.3 个百分点。 [...] 53AI Brain 53AI Studio 53AI Hub 53AI Agents 政府央国企 能源矿业 电子科技 贸易流通 制造行业 企科数服 生物医药 地产与消费品 【智能问答】场景案例 【应用智改】场景案例 【智能工单】场景案例 【智能问数】场景案例 工作对话 内容创作 方案撰写 魔法菜单 微信分身 海外客服 官网客服 抖音客服 数字老师 数字督导 智能服务台 智能问数 智

这不是洁癖。 这是为了避免 Agent 的能力系统变成垃圾场。 ## 结尾：高手不是装更多 Skill，而是让大部分 Skill 不出现 很多人以为 Agent 能力建设是在做加法： `多装 Skill 多写规则 多塞 Prompt 多加工具` 但真正落地之后会发现，关键不是加法，而是选择系统。 哪些能力常驻？ 哪些能力按需出现？ 哪些能力只能手动调用？ 哪些能力必须隔离执行？ 哪些能力应该归档删除？ Skill 的本质不是“更多说明”。 Skill 的本质是“更好的能力组织方式”。 下一次你想往系统 Prompt 里塞一大段流程时，可以先问自己一句： 这段内容是全局原则，还是特定任务的操作流程？ 如果是全局原则，放系统 Prompt。 如果是操作流程，做成 Skill。 如果很长，拆成 Resources。 如果高危，禁止模型自动调用。 如果容易污染上下文，Fork 出去。 如果长期没人用，归档。 最后记住一句话： 不要把 Skill 当成系统 Prompt 的扩写包。Skill 应该是可检索、可隔离、可治理的能力索引。 真正成熟的 Agent，不是 Skill 越堆越多，而是能力系统越来越清晰。 冲突skill很恶心的，遇到过 我之前装了一堆，结果一半都没用过 一开始我也疯狂装，后来发现常用的就那几个 装多了反而冲突，挑常用的几个就够 Skill装多了容易冲突，按需选才合理 装太多反而干扰判断，挑用得上的就行 我的经验是宁缺毋滥，留十几个真正常用的就够了 由 Discourse 提供技术支持，启用 JavaScript 以获得最佳体验 [...] # Skill是不是越多越好？不断安装Skill是否正确 Skill越多，Agent是不是能力越强？答案是否定的，Skill不是越多越好，因为部分skill之间可能还会冲突，容易让Agent变笨，下面就来详细说说原因。 image image1613×882 335 KB image ## 一、Skill 越多，Agent 为什么反而更笨？ “我的 Agent 装了很多 Skill，为什么反而越来越笨？” 这是很多团队在落地 Agent 时都会遇到的问题。 一开始，大家会很自然地把 Skill 当成能力增强包：会写代码就加

# Thread 160 views kanisleo328's profile picture kanisleo328 A Threads user's profile picture 「Skill 要設的精準，不是越多越好」這個觀念很多人都忽略了，裝了一堆 skill 結果互相打架反而讓 Claude 更混亂。這個健檢 prompt 的設計蠻實用的，特別是檢查 description 太模糊導致不會被觸發這點，很多人裝了卻從來沒被 AI 主動叫出來用過。 Translate 1 Log in or sign up for ThreadsSee what people are talking about and join the conversation. Log in with username instead

當多個技能在語義上過於接近，即使技能數量尚未極端膨脹，模型也會開始無法穩定區分，錯誤會快速累積。 技能不是越細越好，也不是越多越強。 語義空間一旦擁擠，選擇機制就會直接瓦解。 這也解釋了為什麼層級式結構不是工程上的權宜之計，而是必要條件。 先做高層分類，再在子集合中進行技能選擇，本質上是在壓縮選擇空間、降低語義衝突。論文中的初步層級式路由實驗，也驗證了這個方向。 這篇論文真正指出的不是「單一代理人能不能取代多代理人」，而是更底層的一件事： 當能力與技能不斷堆疊時，選擇本身會成為系統瓶頸。 而且這個瓶頸不是線性惡化，而是突然崩潰。 理解這個臨界點，比繼續加技能更重要！👍 [ 相關連結 ] [ Will 保哥的部落格 - The Will Will Web ] [ Will 保哥的技術交流中心 ] (Facebook 粉絲專頁) [ Will 保哥的推特 ] 2 comments ### Transcript: [...] # 規模化懸崖：當更多 Agent Skills 讓 AI 變笨時 ## Will 保哥 25000 subscribers 54 likes ### Description 1402 views Posted: 10 Jan 2026 這篇論文在談的，其實不是架構選型，而是「選擇」本身的極限。 在複雜推理任務上，多代理人系統長期有效，原因很單純：分工清楚、溝通明確。不同代理人各自負責一段認知工作，透過顯式訊息交換完成整體推理。 代價也同樣明確。Token 成本高、延遲高、系統協調複雜，而且隨規模放大，負擔只會更重。 論文提出一個關鍵轉換： 如果把代理人之間的「溝通」，改寫為單一代理人內部的「技能選擇」，是否能把多代理人系統編譯成等效的單一代理人＋技能庫 (Agent Skills)？ 在技能數量仍可控制的情況下，答案是肯定的。 實驗顯示，單一代理人搭配技能庫，在多項推理基準上能維持接近多代理人系統的準確率，同時大幅降低 Token 使用量與推理延遲。 在這個區間內，效率與效能都成立。 真正的問題出現在技能開始擴張之後。 研究發現，技能選擇的效能並不是隨著技能變多而慢慢下降，而是呈現明顯的臨界行為： 在某個技能規模之前，準確率幾乎不變；一旦跨過門檻，表現會突然崩潰。 這不是平滑退化，而是一種類似「相變」的