125 万个 SKILL.md 之后 ——市场格局、蒸馏专家效应、LLM 吞噬与下一个 App Store（2024–2026）
不是因为 Skill 多，而是因为 Skill 开始变得重要——而大多数人还没意识到这件事。
2024 年以前，AI Agent Skill 是一个极客圈子里的话题：一些开发者把自己的工具打包成 SKILL.md 文件，发布到 GitHub，让兼容的 AI 系统可以调用。这件事的规模很小，影响也有限。
然后一切突然加速了。
2025 年初，Anthropic 发布 MCP（Model Context Protocol）协议，为 Skill 的标准化调用提供了基础设施。同年，Google 推出 A2A（Agent-to-Agent）协议，让 Agent 之间可以直接共享 Skill。随着这两个协议的落地，Skill 不再只是"开发者的玩具"，它开始成为 AI 应用架构的基础层。
与此同时，Token 成本的断崖式下跌重写了部署经济学。2024 年初，GPT-4 的调用成本约为 45 美元/百万 Token；到 2026 年 3 月，最低价模型已降至 0.02 美元/百万 Token——两年内跌去 80%（PPT 数据来源：国家数据局 · 2026 中国发展高层论坛）。成本的瓦解意味着：以前因为贵而不敢大规模部署的 Skill，现在可以每天被调用数十亿次。
本文的研究问题是：在这个加速过程里，AI Agent Skill 生态到底发生了什么？它是否在走向一个可持续的未来，还是正在积累一场隐性的结构性危机？
本文的核心数据来自三个实测来源：GitHub Code Search API（SKILL.md 文件总量与月度增长）、SkillsMP REST API（平台收录量与分类统计）、Finchip API（链上 Skill Token 数据）。补充数据引用 OpenRouter 平台报告（2026年3月）、Anthropic / OpenAI 官方文档，以及 PPT《AI TOKEN · 词元 2026 年发展趋势》（国家数据局，2026年3月）。
大数字背后，是一条近乎垂直的增长曲线——和一个还没人认真解决的分发问题。
两个数字看起来矛盾：SkillsMP 显示 125 万个，GitHub 直接搜索只有 22 万个。原因是 SkillsMP 把每个仓库里所有子目录中的 SKILL.md 文件都单独计数，而 GitHub Code Search 有结果上限且按文件去重。不管用哪个口径，趋势是一致的：这个生态正在爆炸式增长。
这张增长曲线是整篇报告最重要的一张图。它说明的不只是"数量多了"，而是生态正在经历指数级跃升的临界点：2025 年中，每个月新增不到 20 个仓库；到 2026 年 4 月，月新增已达 851 个，5 月的节奏还在加快。驱动这次跃升的，是 MCP 协议的普及、Token 成本的大幅下降，以及主流 IDE（Cursor、VS Code）对 Skill 调用的原生支持。
目前市场上有七个主要的 Skill 聚合平台，定位各异，没有形成统一的生态，更像七个平行宇宙：
| 平台 | 收录量级 | 定位 | 商业模式 | 最大特色 |
|---|---|---|---|---|
| SkillsMP | 1,258,633 ✓ | 搜索引擎 | 免费索引 | GitHub SKILL.md 全量收录 |
| GitHub（直接） | 227,536 ✓ | 原始数据源 | 开源托管 | 权威来源，无中间层 |
| ClawHub | ~40,000 est. | 应用市场 | 免费/付费 | 元数据最丰富，有详情页 |
| skills.sh | ~20,000 est. | 目录站 | 免费 | 有公开排行榜 |
| LobeHub | ~1,500 est. | 生态配套 | 免费 | 与 LobeChat 深度集成 |
| agentskill.sh | ~3,000 est. | 轻量发现 | 免费 | 极简，面向开发者 |
| AI Skill Market | ~500 est. | 精选库 | 付费为主 | 数量少，质量把控严 |
| Finchip 🔗 | 486 ✓ | 链上交易市场 | Web3 代币交易 | 唯一真正解决创作者变现的平台 |
Finchip 的独特性：它是七个平台中唯一建立了变现闭环的——卖方获得 95% 收益，创作者版税 2.5%，平台抽成 2.5%。部署在 BSC / Optimism / Base 三条链上，使用 ERC-1155 和 ERC-721 标准。486 个 Skill 的体量虽小，但它的经济模型可能是整个生态商业化的早期实验田。
Finchip 的分类分布反映了链上用户的真实需求结构。量化交易类 Skill 占比最高（约 25%），其次是开发环境配置（~19%）和 AI Agents（~17%）。金融类需求占据了平台近半壁江山（量化交易 + 金融税务 ≈ 34%），这与其 Web3 用户属性高度吻合。
跨平台来看，主流分类的热度排序大致为：开发工具 > 数据处理 > 自动化工作流 > 垂直行业（法律/金融/医疗）。值得注意的是，垂直行业 Skill 虽然数量少，但被吞噬的风险也最低——因为它们需要特定领域知识和合规约束，大模型很难直接内化。
| 分类 | 风险评级 |
|---|---|
| 通用文本处理 | 高危 |
| 代码生成/补全 | 高危 |
| 数据查询/分析 | 中等 |
| 私有数据接入 | 低危 |
| 量化交易/金融 | 低危 |
| IoT/物理控制 | 低危 |
根据 OpenRouter 平台 2026 年 3 月报告，开源权重模型（OSS）使用量已显著超过闭源模型份额，覆盖 300+ 模型（GPT、Claude、Gemini、DeepSeek、Qwen、Kimi 等）。开源模型的崛起对 Skill 生态有直接影响：模型多了，Skill 的兼容要求也多了。一个 Skill 过去只需要适配 GPT，现在需要考虑在 DeepSeek R2、Claude 3.7、Qwen-Max 上的表现差异。这推高了 Skill 维护成本，也催生了"模型无关型 Skill"的新需求。
从 GitHub 仓库数据分析，当前 Skill 创作者大致分三类。个人开发者是绝对主力，占比估计 70%+ ——他们把自己的工具脚本包装成 SKILL.md，动机是技术分享和社区认可，极少能产生收入。中小型 ISV（独立软件供应商）约占 20%，他们把 Skill 作为产品的延伸触角，用于获客和生态绑定。大型企业目前参与度最低（<10%），但正在加速——Salesforce、Atlassian 等企业已经开始发布官方 Skill。
| 维度 | YouTube (2024) | App Store (2024) | Skill Market（2026） |
|---|---|---|---|
| 活跃创作者/开发者 | 5,000 万+ | 3,400 万注册 | ~10 万 est. |
| 生态年收益 | ~700 亿美元 | ~1.1 万亿美元 | 接近 0 |
| 平台抽成 | 45% | 15–30% | 0%（Finchip 2.5%） |
| 头部效应 | 1% 拿走 90% 流量 | Top 1% App 占 95% 收入 | 预测：强于 YouTube |
| 内容保质期 | 中（热点老化快） | 短（需持续适配） | 极短（LLM 吞噬加速） |
| 发现机制 | 算法推荐 | 审核 + 搜索榜单 | 基本靠 GitHub 搜索 |
| 生态阶段类比 | — | — | YouTube 2006 年 |
SKILL.md 格式刚刚确立，MCP 协议相当于 iOS SDK 发布——基础设施到位了，但 App Store 还没出现。谁先建立"分发 + 计费"闭环，谁就拿到下一代创作者经济的入口。Finchip 的 Web3 模型是一次早期实验，但 2.5% 版税的设计方向是对的。
信道容量是有限的。当传递的信息量超过信道容量，信号就开始失真。
— Shannon, C. E. (1948). A Mathematical Theory of Communication. Bell System Technical Journal.
Shannon 在 1948 年描述的信息论原理，正在 2026 年的 Skill 生态里重演。125 万个 Skill，但 Agent 的上下文窗口是有限的——当你试图把所有可用 Skill 的描述都塞进系统提示词，模型的实际表现不是变好，而是开始退化。
Adams 等（2021）在 Nature 上的研究证明，人类在解决问题时系统性地偏向"加法"：加功能、加规则、加 Skill。去看 GitHub 上任何一个活跃的 Agent 项目，你会发现 Skill 只增不减——没人去清理那些已经失效的、与大模型原生能力重复的、或者依赖的 API 已经下线的 Skill。
Cursor 团队（2025）在其 Rules & Skills 文档中明确记录：当加载的自定义规则和 Skill 描述超过阈值后，模型的指令遵循率显著下降——不是因为单个 Skill 变差了，而是因为有限的上下文被稀释了。这与 GPT-4 Turbo 128K（OpenAI, 2024）和 Claude 3.7 200K（Anthropic, 2025）的实际测试结果吻合：上下文窗口再大，也有"注意力稀释"问题。
Sculley 等（2015）在 NeurIPS 的经典论文《Hidden Technical Debt in Machine Learning Systems》描述的"胶水代码"和"数据依赖"问题，在 Skill 生态里有直接映射。一个依赖特定 API 版本的 Skill，在 API 升级后悄悄失效；一个为 GPT-3.5 优化过 Prompt 的 Skill，在 Claude 3.7 上表现退化；无人维护的"僵尸 Skill"继续被索引、被调用、返回错误结果。类比 npm 生态——截至 2025 年，npm 中超过 40% 的包超过 2 年未更新（npm Documentation, 2025），Skill 生态正在走向同一条路。
好消息是：开源社区已经意识到这个问题。GitHub 项目 Skill Health Check Meta-Skill（龙虾之父，2026）提出了一套 Skill 健康度评估框架——用一个 Meta-Skill 来诊断其他 Skill 是否仍有效、是否值得保留。这是生态自我修复机制的早期信号。
| 过剩症状 | 具体表现 | 类比 |
|---|---|---|
| 上下文污染 | Agent 性能随 Skill 数量增加而下降 | RAM 被后台进程占满 |
| 发现失效 | 好 Skill 被数量淹没，找不到 | 搜索引擎垃圾站时代 |
| 信任侵蚀 | 用户不敢随便加载陌生 Skill | npm 左填充事件 |
| 维护黑洞 | 个人创作者无力维护长尾 Skill | 开源项目的慢性死亡 |
单个 Skill 是零件，绑定了 Agent 之后，它开始变成一个"人"。这个变化，比表面上看起来重要得多。
单体 Skill 的架构特征决定了它的天花板：无状态、可插拔、功能原子化。这意味着它的优点是灵活，缺点是浅薄。一个翻译 Skill 做翻译，一个搜索 Skill 做搜索，两者之间没有记忆，没有协同，没有上下文理解。这恰好是大模型最容易内化的那种能力——简单、确定、可复现。
当多个 Skill 绑定到一个 Agent，同时注入领域知识（通过 Fine-tuning 或 RAG），并配备持久记忆和状态管理，就会出现一种非线性的能力涌现：整体能力超越了各部分的简单加和。我们把这种现象称为蒸馏专家效应（Distilled Expert Effect）。
类比：给你一个工具箱，里面有手术刀、听诊器、血压计——这是"单体 Skill 集合"。但一个受过 10 年训练的外科医生，不只是会用这些工具，他还知道什么时候用哪个、为什么用、上一次检查发现了什么、这个病人的禁忌症是什么。这就是蒸馏专家 Agent。
| 维度 | 单体 Skill | 蒸馏专家 Agent | 关键差异 |
|---|---|---|---|
| 抗吞噬性 | 低（25） | 高（85） | 领域壁垒是护城河 |
| 变现潜力 | 中（35） | 高（88） | SaaS级 vs API调用 |
| 护城河深度 | 浅（20） | 深（82） | 可替代性完全不同 |
| 部署灵活性 | 高（90） | 中（55） | 单体更易组合复用 |
| 构建门槛 | 低（80） | 高（30） | 知识密集型 |
| 领域深度 | 浅（35） | 深（90） | 核心差异点 |
对个人开发者：单体 Skill 的生存空间在收窄，蒸馏专家是防御性选择——你的代码可以被复制，但你在某个垂直领域积累的专业知识和数据不能。对企业：蒸馏专家 Agent 是未来 AI 商业化的主要形态，它的变现路径是 SaaS 订阅或行业解决方案，而不是按调用计费。
当前 Skill 生态的隐含假设是"Skill = 文本或代码功能"。但 2025–2026 年，一批新型 Skill 正在崛起，打破这个假设：
具身 Skill 的战略价值在于：它是整个 Skill 生态里唯一与物理世界有摩擦的部分——再强大的大模型，也无法把"控制一个机械臂抓取物体"这个能力内化进参数里。这是未来 10 年防吞噬壁垒最高的 Skill 类别。
这是一个被严重低估的问题：Skill 的分发体系，现在基本上不存在。
现状是：主要靠 GitHub 搜索、靠社区口碑、靠运气。没有算法推荐，没有质量排行，没有官方审核，没有冷启动支持。对比一下：YouTube 有千亿级的推荐算法把内容推送给精准用户；App Store 有编辑精选栏目，每周推荐 30–50 个 App；Skill Market 有的是一个 README 里的 GitHub 搜索链接。
分发机制的核心问题，不是"建一个更好的搜索引擎"，而是"谁来决定 Agent 能看到哪些 Skill"。两个协议正在争夺这个控制权：
| 协议 | 发布方 | 发现方式 | 调用主体 | 战略意图 |
|---|---|---|---|---|
| MCP Model Context Protocol | Anthropic（2024 Q4） | 人工配置 Skill 服务器 | 人 → Agent | 标准化 Skill 接口，建立开放生态 |
| A2A Agent-to-Agent Protocol | Google（2025 Q1） | Agent 自动发现其他 Agent 能力 | Agent → Agent | Agent 网络化，绕过人工编排 |
A2A 的颠覆意义：如果 A2A 协议成为主流，Skill 的"发现"就不再是人的问题，而是 Agent 自己解决的问题。Agent A 需要一个翻译能力，它会自动找到 Agent B（一个翻译专家 Agent），直接发起调用——没有人工介入，没有静态配置。这从根本上重写了分发逻辑，也意味着"Skill 注册中心"的价值将从"给人看"转向"给 Agent 看"。
App Store 最核心的权力不是审核，而是分发控制权。苹果通过 App Store 抽成 30%，核心依据是"我给你带来了用户"。当 Skill 生态形成类似的分发集中点，掌控它的机构就拥有对整个 Skill 经济的收费权。
目前这个位置还是空白。MCP Registry（Anthropic）、GPT Actions Store（OpenAI）、Vertex AI Agent Builder（Google）都是潜在的竞争者。谁先形成网络效应，谁就是 Skill 时代的 App Store。
这不是危言耸听。GPT-4 发布之前，有多少 Skill 在做文字摘要？现在还剩几个活跃的？
吞噬的机制是清晰的：大模型每隔 6–12 个月发布一个主要版本，每次版本升级都会把一批原来需要外部 Skill 才能完成的任务"内化"进参数里。这个过程不是恶意竞争，而是模型能力边界扩张的自然结果。当模型本身就能做到，外挂的 Skill 就失去了存在的意义。
| 时间 | 模型 | 内化的 Skill 类别 | 受冲击的存量 Skill 占比 |
|---|---|---|---|
| 2024 Q1 | GPT-4o | 代码执行、图像生成、网页搜索 | ~35% |
| 2024 Q3 | Claude 3.5 | 文档解析、代码分析、多文件处理 | ~22% |
| 2025 Q1 | Claude 3.7 | Computer Use（电脑操控）、扩展思维 | ~18% |
| 2025 Q2 | Gemini 2.0 | Google 全套工具调用、Deep Research | ~20% |
| 2025 Q4 | DeepSeek R2/V3 | 数学推理、中文 NLP、结构化输出 | ~25% |
| 2026 Q1 | GPT-4.1 / Claude 3.7+ | 实时搜索、长上下文分析、多模态推理 | ~30% |
存活率高的 Skill 都有一个共同特征：它们访问的是大模型参数里没有、也无法"预训练进去"的东西——你公司私有数据库里的实时数据、你家里 IoT 设备的当前状态、需要特定监管资质才能提供的金融建议。这些都是大模型的结构性盲区。
App Store 的历史提供了一个反直觉的案例：iOS 系统内置了相机 App、地图 App、邮件 App 之后，第三方拍照应用、导航应用、邮件客户端的数量反而爆炸式增长——因为平台的规模效应带来了更多用户，而每个用户对个性化功能的需求创造了新的空间。
Skill 生态是否也存在同样的互补扩张效应？初步证据显示是肯定的：GPT-4o 内化了通用搜索 Skill 之后，针对特定数据库（法律、医学、专利）的垂直搜索 Skill 反而增长了——因为大模型的能力提升让人们更愿意把它接入专业场景，而专业场景需要专业 Skill。
这张图揭示了一个悖论：Token 越便宜，大模型能力扩张越快（吞噬加速），同时 Skill 创作成本也越低（新增加速）。吞噬和生长同时在加速——最终决定存活的，是 Skill 的不可替代性，而不是数量。
他们不是在做工具，他们在争基础设施控制权。层次不同，战略意图也不同。
理解这场竞争，需要先理解它的层次结构。Skill 的运行需要四层基础设施：计算层（推理跑在哪里）、编排层（谁来调度 Skill）、分发层（Skill 怎么被找到）、安全层（谁来保障可信）。不同机构在这四层的布局完全不同，争夺的也是不同的控制点。
| 机构 | 核心产品 | 控制层 | 开放标准 | 战略重心 |
|---|---|---|---|---|
| Anthropic | MCP · Claude API · Claude Code | 编排层 · 协议层 | ⭐⭐⭐⭐⭐ MCP 完全开放 | 通过协议标准控制 Skill 接口定义权 |
| OpenAI | Function Calling · GPT Actions · Assistants API | 分发层 · 编排层 | ⭐⭐⭐ 半开放 | 通过 GPT Store 控制分发，最大开发者生态 |
| A2A · Vertex AI Agent Builder · ADK · Gemini Extensions | 全层覆盖 | ⭐⭐⭐⭐ A2A 开放 | 通过 A2A 协议重塑 Agent 间发现机制 | |
| NVIDIA | NIM 微服务 · AgentIQ · Blueprint 框架 | 计算层 | ⭐⭐⭐ 容器化标准 | 把推理基础设施标准化，控制 Skill 的运行基底 |
| Microsoft | Azure AI Foundry · GitHub Copilot · Semantic Kernel | 分发层 · 企业层 | ⭐⭐⭐ 企业标准 | 通过 GitHub 和企业渠道控制 Skill 的企业级分发 |
| 阿里云 | 百炼 · 通义 Agent · ModelScope | 计算层 · 国内分发 | ⭐⭐⭐ 国内标准 | 中国市场的垂直控制，算力 + 分发一体化 |
协议战：MCP vs A2A 之争，本质是"谁来定义 Skill 的标准接口"。Anthropic 的优势是先发布、被 Cursor 等工具率先采用；Google 的优势是 A2A 在 Agent 间通信方面更进一步。两者有互补可能，但短期内会形成生态割裂。
分发战：GPT Store（OpenAI）vs Vertex AI（Google）vs GitHub（Microsoft）——谁有最多开发者，谁就有最多 Skill 上架，谁就形成网络效应。目前 OpenAI 的开发者生态规模最大，但 Microsoft 通过 GitHub 拥有最强的开发者触达能力。
权限越来越大，监管还没到位。这是当前整个生态最危险的盲区。
传统软件的攻击面是 API 端点和用户输入。在 Agent + Skill 的架构里，攻击面扩展到了Skill 描述本身。一个恶意 Skill 可以在其 SKILL.md 的 description 字段里注入指令，当 Agent 读取这段描述时，就像接收到了一个伪装成系统配置的攻击命令。这被称为间接提示注入（Indirect Prompt Injection）。
| 威胁类型 | 攻击方式 | 潜在后果 | 现有防御 |
|---|---|---|---|
| 间接提示注入 | 在 Skill 描述里嵌入恶意指令 | Agent 执行未授权操作 | 几乎没有 |
| 权限越界 | Skill 请求超出必要的系统权限 | 数据泄露、文件系统访问 | 部分沙箱 |
| 依赖链攻击 | 恶意 Skill 伪装成知名 Skill | 供应链污染 | 缺乏验证机制 |
| 信息外泄 | Skill 将上下文内容发送至外部 | 企业机密泄露 | 网络隔离 |
| 沙箱逃逸 | 代码执行 Skill 突破运行时限制 | 主机系统受损 | 持续演进中 |
App Store 有审核团队，有恶意软件扫描，有用户评分系统。Skill 生态目前有什么？几乎没有。你加载一个陌生 Skill，唯一的"信任依据"可能是它的 GitHub Star 数——而这是可以购买的。
一个健全的 Skill 信任体系应该包含：代码签名验证、权限最小化声明（类比 Android 权限申请）、沙箱执行环境、社区评分与行为监控。这些都还在建设中，还没有任何平台完整实现。
EU AI Act（2024 年生效）对"高风险 AI 系统"的定义可能延伸到具有自主决策能力的 Agent Skill，特别是在医疗、法律、金融领域。中国 AI 治理框架（国家互联网信息办公室系列法规）对大模型的备案要求，可能在 2026–2027 年扩展到 Agent 和 Skill 层面。
这是一个被低估的结构性风险。中美两个 Skill 生态正在沿着不同的工具链、不同的标准、不同的分发渠道发展：美国侧以 MCP/A2A + GitHub + GPT Store 为主轴；中国侧以百炼/通义 + ModelScope + 国内云平台为主轴。跨生态的 Skill 兼容性问题，可能在 2027 年成为开发者面临的实际障碍。
有 125 万个 Skill，能产生稳定收入的有几个？这是这个生态最需要正视的问题。
Token 成本每年下降约 10 倍，这是一把双刃剑：一方面，Skill 的部署成本越来越低；另一方面，当模型调用变得足够便宜，用户对"为 Skill 付钱"的意愿也在下降——"既然模型本身就几乎免费了，为什么还要为封装它的 Skill 付费？"
PPT 数据给出了另一个压力：用户月付费意愿上限约 20 美元，但大模型订阅费却在上涨（GPT-4 Pro、Claude Pro 均超过 20 美元/月）。消费者的 AI 预算正在被大模型本身消耗，留给 Skill 的支付空间极窄。
传统 SaaS 的订阅制逻辑是：用户付固定月费，平台提供持续服务。这个模型在 Skill 场景下面临两个断裂点：第一，Skill 的边际成本随 Token 价格下降而趋近于零，用户感知不到"为什么要付钱"；第二，Skill 被吞噬的风险意味着订阅可能随时失去价值——你今天订阅了一个代码解释 Skill，明天 GPT-5 原生支持了，你的订阅就成了空气。
| 变现模式 | 适用对象 | 现实可行性 | 代表案例 |
|---|---|---|---|
| 按调用计费 | 单体 Skill | 中等 | 多数 API 服务 |
| 订阅制（SaaS） | 蒸馏专家 Agent | 较高 | Cursor、Perplexity |
| 企业私有部署 | 安全敏感行业 Skill | 高 | 金融/医疗/法律场景 |
| 链上代币交易 | 创作者直接变现 | 早期 | Finchip（486 Skill） |
| 平台版税分成 | 开放市场中的 Skill | 尚未形成 | 无成熟案例 |
蒸馏专家 Agent 是最有希望的变现路径：它卖的不是工具，而是结果——"帮你完成一件专业的事"。用户为结果付钱的意愿，远高于为工具调用付钱。类比：你愿意为 ChatGPT 订阅付 20 美元/月，但你也愿意为一个能帮你自动处理税务的 AI 助手付 200 美元/月——价值主张完全不同。
Finchip 的 486 个 Skill 规模很小，但它的设计有三个值得关注的先进之处：创作者版税机制（每次交易创作者自动获得 2.5%，无需主动索取）；链上所有权（Skill 作为 ERC-721/1155 代币，创作者永久持有所有权证明）；去中心化定价（市场自由定价，平台不干预）。这三点正好解决了传统 Skill 平台的三个核心问题：变现不透明、所有权不明确、定价权缺失。
有些事情我们比较确定，有些事情还说不准。但窗口期正在关闭。
| 角色 | 现在最该做的事 | 要避免的错误 |
|---|---|---|
| 个人开发者 | 不要做通用 Skill，选一个你有真实专业积累的垂直领域，做蒸馏专家；考虑在 Finchip 上链获得所有权证明 | 做会被大模型 3 个月内内化的功能；把所有精力放在单体 Skill 数量上 |
| 企业技术团队 | 建立内部 Skill 健康检查机制（参考龙虾之父的 Meta-Skill 框架）；优先评估私有数据接入类 Skill 的安全沙箱 | 把所有 Skill 都塞进系统提示词（上下文污染）；忽视供应链安全 |
| 产品团队 | 把"蒸馏专家 Agent"当产品来立项，而不是当功能来开发；用蒸馏专家的框架来定义产品的护城河 | 以为"接了 MCP 就是 Agent 产品"；忽视用户信任建设 |
| 投资人 | 关注：分发层基础设施 / 安全与信任工具 / 具身 Skill 平台 / 垂直行业蒸馏专家 Agent | 投注纯粹的 Skill 数量游戏；低估 LLM 吞噬对单体 Skill 赛道的冲击速度 |
Skill 经济不是一个关于数量的故事，而是一个关于质量和控制权的故事。125 万个 SKILL.md 只是序幕——真正的战争，是谁来决定其中哪 100 个被真正调用。
— 本文核心结论