首份智能体技能生态报告：100 万个技能、2.8 亿次安装，暴露出供需错位
skills.sh 注册表上线七个月，技能数量突破 100 万，累计安装接近 2.8 亿次。基于这批数据产出的首份生态报告回答了三件事：人们在教智能体做什么、哪些技能被装得最多、价值正流向哪里。三个答案指向同一处错位——供给端高度偏技术，需求端却分散得多，每 8 次安装里约有 7 次装的是跨行业通用技能。
先搞清楚：技能到底是个什么东西
「技能」（skill）这个词听着抽象，说白了就是一段写给 AI 智能体、可以反复使用的指令，用来完成某一类具体任务。它甚至可以简单到只是一份用自然语言写成的文件。
为什么需要它？因为智能体本身能力很强、也很通用——它能做很多事，却不知道某个人、某个团队、某家公司究竟是怎么做这些事的。技能补上的，正是这块缺失的背景信息。
时间线很清晰：Anthropic 在 2025 年 10 月推出 Agent Skills，三个月后 Vercel 上线 skills.sh 注册表。此后七个月，注册表里的技能数量达到 100 万，累计安装接近 2.8 亿次。
这个速度不妨横向比一比：
- GitHub 花了 27 个月才攒到 100 万个仓库；
- 苹果 App Store 用了五年多才到 100 万个应用；
- npm 用了九年多才到 100 万个包。
技能的本质：把专业知识变成软件
写一个技能，本质上是被迫把一项工作背后的判断讲清楚：要遵循哪些步骤、什么样的结果算好、最终产出该怎么评估。
由于智能体和它调用的工具已经提供了大部分底层能力，技能只需要补充「针对这份具体工作的判断和指令」。这让它比传统软件更容易上手，也更快能做出来。
真正的爆发力来自供给端的变化：能说清「这活该怎么干」的人，远远多于能写代码让计算机去干的人。而且技能写一次就能直接分发安装，不必针对每个智能体重写一遍。海量的非程序员创作者，加上软件本身的复用能力，就是这个生态迅速膨胀的原因。
对写代码的人来说，这套逻辑并不陌生——它和插件、扩展点一脉相承，只是这次的「插件」可以用大白话写。对正在实践 AI 编程、氛围编程的团队而言，技能正在成为继提示词、工具调用之后，又一个值得纳入管理的资产形态。
供给偏技术，需求却散得很开
报告把安装量最高的技能按「帮智能体做什么工作」做了分类，这些技能合计占全部安装量的五分之四以上。
这里要区分两个视角：
- 上架列表代表供给：作者们愿意写什么；
- 安装量代表需求：人们真的想让智能体学会什么。
供给端明显偏技术：超过一半的上架技能集中在软件工程、智能体工作流、数据、基础设施或安全这几块，其中软件工程一项就占了约四分之一。
需求端却分散得多，没有任何一个类别的安装量超过总量的五分之一：
- 软件工程仍是第一，占 18%；
- 智能体工作流 15%；
- 业务运营和写作各占近 11%。
换个角度，用「每个技能的平均安装量」来看各类别相对自身规模的表现，差距更直观：
- 业务运营平均比整体均值高 74%，写作与文档高 50%，云与基础设施高 42%——这些领域的活儿集中在少数几个技能上，单个技能分到的份额自然更大；
- 软件工程平均低约 30%，教育与生产力低 39%，研究低 55%——写的人多，把平均值摊薄了。
这种错位有个朴素的解释：写技能需要你理解一份工作，装技能只需要你想把这活干完。技能生态起源于开发者工具，所以供给偏技术；但智能体已经渗进公司的每个环节，所以安装行为覆盖的工种要宽得多。
值得注意的是，教智能体「怎么工作」的技能本身排名很靠前。智能体工作流与自动化占已分类数据集安装量的 14.8%，仅次于软件工程；在安装量超过 10 万的技能里，它是最大的类别。这类技能教智能体如何规划、分配任务、调用工具、自动化浏览器操作——合同审查技能只能用于合同，而规划技能适用于智能体接手的任何任务，合同只是其中之一。
换句话说，人们正在用智能体改进智能体。而智能体本身也能帮忙写技能，于是技能库的扩张，靠的正是「改进构建技能库的这套机制」。
安装量高度集中：0.04% 的技能吃掉 62%
安装活动的集中程度很高，近一半的技能只被安装过一次。
另一端同样极端：
- 375 个技能，只占注册表的 0.04%，却拿下 62% 的安装量；
- 排名前 1.2% 的技能，占据 94% 的安装量。
不过，集中并不等于垄断。即便是安装量最高的那个技能，占比也不到全部安装量的 1%。
原因是技能在「各自的工种内部」竞争，却能「跨工种累积」。一个团队选定了某个报销单技能，就没有理由再装第二个报销单技能；但它完全可以一边用这个，一边搭配别的技能来做表格、做调研、做演示。每个工种都会选出自己的赢家，这些赢家加起来，就构成了安装量的大头。
通用技能赢面是行业专用技能的 3.6 倍
报告还按适用性做了另一层切分：这个技能的工作是跨行业通用，还是只服务某个行业？
清理表格、部署网站这类任务，在银行和医院会出现，在律所和餐厅也会出现。这类跨行业技能占已分类技能总数的 66%，却占安装量的 87.5%——也就是每 8 次安装里，大约 7 次装的是通用技能。平均算下来，同一个跨行业技能的安装量是行业专用技能的 3.6 倍。
关键要点
- 技能就是一段写给智能体的可复用自然语言指令，用来补齐它不知道的「具体工作怎么做」，写一次即可分发复用。
- skills.sh 七个月积累 100 万技能、近 2.8 亿次安装，增速远超 GitHub、App Store 和 npm 的同期表现。
- 供给端超过一半集中在软件工程、智能体工作流、数据、基础设施与安全；需求端却分散在业务运营、写作等更宽的工种上。
- 「教智能体怎么工作」的元技能表现突出：智能体工作流与自动化占已分类安装量的 14.8%，在 10 万+ 安装量的技能中是最大类别。
- 安装量极度集中在头部：0.04% 的技能拿走 62% 的安装量，前 1.2% 占 94%，但单技能占比都不足 1%。
- 跨行业通用技能占技能总数 66%、安装量 87.5%，平均安装量是行业专用技能的 3.6 倍——这处供需错位，正是当下技能生态最值得注意的特征。
七个月里，技能注册表 skills.sh 从零涨到 100 万条技能、累计安装近 2.8 亿次，扩张速度远超 GitHub、App Store 和 npm 的早期记录。但拆开结构看，供给端集中在技术岗位，需求端却分散在全公司，安装量还极度集中在极少数头部技能上。
现状：写技能的人偏技术，装技能的人遍布全公司
先厘清技能到底是什么。技能是一份写给智能体的可复用指令文件——把「这件事该怎么做」这种原本只存在人脑子里的判断，用自然语言写下来，变成可以反复调用的说明。它的门槛比写传统软件低得多。
承载这些技能的是 skills.sh，一个技能注册表，也就是集中存放和分发技能的地方。七个月里，它从零涨到 100 万条技能，累计安装接近 2.8 亿次。作为对比：GitHub 用了 27 个月、App Store 用了五年多、npm 用了九年多才走到同量级的里程碑。
但把结构拆开看，供给和需求并不匹配。
- 供给偏技术：单是软件工程一类，就占了上架技能的四分之一左右。
- 需求很分散：没有任何一个类别的安装量能超过总量的五分之一。
- 安装量高度集中：0.04% 的技能拿走了 62% 的安装量，前 1.2% 覆盖了 94%。不过单个头部技能在总量中的占比都不到 1%，还谈不上垄断。
- 通用技能占主导：跨行业通用技能只占已分类技能的 66%，却贡献了 87.5% 的安装量，单个技能的平均安装量是行业专用技能的 3.6 倍。
换个角度，按平均安装量来算，差距更直观：业务运营类高出 74%，写作与文档类高出 50%，云与基础设施类高出 42%；而软件工程类低了 30%，研究类低了 55%。写技能的人集中在技术岗位，装技能的人却遍布全公司。
还有一个现象值得注意：「教智能体怎么工作」的元技能排名靠前。这类工作流技能教智能体如何规划、如何调用工具，占已分类安装量的 14.8%，在安装量超过 10 万的技能里是最大的一类。换句话说，智能体正在改进智能体本身。
下一代技能：从「大家都懂的」到「只有你懂的」
技能真正的价值在于可迁移：既能跨工种搬——同一套智能体工作流换个岗位照样能用，也能跨行业搬。安装量最高的那些技能，说到底就是最多人用得上的技能。
第一批上百万条技能，教给智能体的都是「所有人都知道的东西」；接下来的一百万条，要教的则是「只有你知道的东西」。
当公开技能库配上越来越强的模型，通用专业知识会被送到每个团队手里，它也就从优势退化成及格线——人人都有，等于人人都没有。真正拉开差距的地方会转移到公司自己的判断上：什么情况下该给客户退款，哪类货物不必复核就能直接发出。
衡量技能的标准也会跟着变，从「受欢迎」转向「有没有用」。眼下最可靠的信号仍然是安装量；但随着模型变强，门槛会抬高——一个技能只有让智能体做得比不用它时更好，才立得住。技能也会慢慢配上测试和基准，专门用来验证这件事。
第一代技能把专业知识变成了软件。下一代的课题是：让公开技能目录继续增长的同时，让供给慢慢追上需求。
对开发者来说，这意味着两件事。一是写「通用的、大家都懂的」技能已经很难形成差异化，值得投入的是自己业务里的隐性判断。对用 AI 编程工具做氛围编程的团队来说，真正能沉淀下来的资产，往往就是这些写满了内部判断的技能文件。二是技能一旦沉淀下来，它的价值要用「智能体用了之后是否真的更好」来衡量，而不是看它上架了多少个。