上周读到一份让我坐不住的报告——《2026 Skill蓝皮书》，作者Jason Zhu，基于AgentSkillsHub 67,196个真实Skill数据做的研究。67,000个Skill是什么概念？相当于一个中等规模的测试规范库。但这个库的残酷真相是：54%的Skill从未被一个人看过。

我做了13年新能源汽车测试，写过上百份测试规范和检查清单。读完这份蓝皮书，我突然意识到——我们写的测试规范、检查清单、操作SOP，本质上就是Skill。

区别在于：我们的规范锁在部门网盘里，只有组内5个人用；而Skill一旦发布到Hub上，67000个用户都能调用。这是经验传承效率的指数级差异。

但Skill生态的残酷程度，远超想象。以下是我从测试工程师视角的核心解读。

一、54%零星：你的测试规范可能也在吃灰

蓝皮书最震撼的数据：67000个Skill里，54.1%一个star都没有，84%星数在10以下，而Top 0.1%（62个Skill）占了总stars的45.9%。Gini系数0.983——比中国居民收入分配还极端。

翻译成测试工程师的语言：

• 67000个Skill = 你们公司历史积累的所有测试规范、检查清单、操作SOP
• 54%零星 = 超过一半的规范写完就没人翻过，锁在SharePoint里吃灰
• Top 0.1%占45.9% stars = 5%的规范被95%的人用，95%的规范没人看
• Gini 0.983 = 测试规范的“贫富差距”比现实收入分配还大

你想想自己部门的测试规范库——是不是也这样？几百份文档，真正被反复用的就那几份通用检查清单，其余的都是写完归档、从此无人问津。

Skill生态用67,000条数据验证了一个残酷事实：经验的沉淀容易，传播难。这不是技术问题，是结构问题。

二、三层渐进加载：好的测试规范怎么写

蓝皮书讲Skill的核心魔法是“三层渐进加载”：L1描述层（一句话说清楚干什么）→L2指令层（具体怎么做）→L3资源层（参考文件、数据表、脚本）。

这不就是我们写测试规范的最佳实践吗？

• L1 描述层 = 测试用例标题：“验证-15度环境下热泵COP是否符合设计指标”——一句话，让Agent（或新人）决定要不要继续往下读
• L2 指令层 = 测试步骤：接线方式、设备参数设置、采样率、数据记录格式——照着做就能复现
• L3 资源层 = DBC文件、接线图、历史数据、分析脚本——需要深度时才加载，不占日常认知带宽

蓝皮书数据：Hub Top 500里有28%用到了L3（有resources/目录），但绝大多数Skill只停留在L1——写了标题就以为写完了规范。

我们的测试规范也一样——标题写得很专业，但打开一看只有框架没有血肉。新人拿到手不知道怎么接线、设备怎么设、数据怎么判。这种规范就是Skill生态里那54%的零星。

三、1%吃83% stars：什么样的测试经验会被反复引用

蓝皮书的核心发现：3.9%的作者发了5个以上Skill，他们合计占了全部stars的63.6%。也就是说，不到4%的人写了整个生态大部分有价值的内容。

这些Top作者的Skill有什么共同点？蓝皮书总结了“宝玉四条哲学”（来自宝玉老师的设计原则）：

哲学	Skill含义	测试规范含义
Agent视角	从AI怎么用的角度写，不是从你想表达什么的角度写	从新人怎么用的角度写规范，不是从你自己的习惯写
精准优先	指令要具体到AI能直接执行，不要模糊	测试步骤要具体到新人能直接操作，不要“根据实际情况调整”
最小依赖	Skill之间尽量独立，减少耦合	规范要自包含，不要“参见第X章”然后第X章又引用别处
可验证	每个指令的输出要可观察、可判断	每步操作要有明确的通过/失败判据

67,000个Skill里只有8%同时具备3条以上哲学。多数人写Skill是单点产出——写了就扔，从不迭代。这和我们写测试规范一模一样。

四、迭代闭环：发布后30天更新5次的Skill，6个月存活率62%

蓝皮书有个让我印象极深的数据对比：

• 发布后30天内commit 5次以上 → 6个月存活率62%
• 发布后从未更新 → 6个月存活率<8%

还有一条反直觉的数据：声明“for myself, sharing in case useful”的Skill，6个月存活率51%；声明“for everyone”的，存活率只有23%。

翻译成大白话：

• 先解决自己的问题，顺手分享给别人——反而活得久
• 一开始就想“造福全人类”——往往写不下去

这和测试规范的生命周期完全一致：从自己踩的坑出发写的检查清单，通常最实用、最持久；而“为部门标准化”而写的规范，往往因为脱离实际而无人执行。

你的测试规范写完之后，有没有持续更新？如果发布后从未迭代过，它大概率已经是那54%的零星了。

五、9种Skill类型 × 你手里的经验

蓝皮书把Skill分为9种类型。我逐条对应到我们新能源测试领域：

Skill类型	测试领域对应	你的独占内容
Reference	技术参考手册	DBC字段说明、设备参数手册、高压系统接线图
Documentation	操作文档	德维创OXYGEN录制SOP、CAN工具配置步骤
Persona	角色模板	“你是新能源三电测试工程师，擅长寒区能耗评价”
Workflow	测试流程	14步流水线：DMD解析→CAN解码→时间对齐→能量流分析
Guardrails	安全约束	高压操作红线：绝缘<1MOhm禁止上电、SOC<20%停止放电
Harness	测试执行器	自动化脚本：功率数据采集→DBC解析→报告生成
Evaluation	评估标准	寒区COP合格判据、能耗偏差阈值、EMI限值标准
Project-Level	项目规范包	某车型寒区测试全流程Skill：接线+采集+分析+出报告
Personal-Only	个人检查清单	“上台架前检查这8项”“上电前确认这5项”——只给自己用

蓝皮书的关键洞察：Persona类Skill是2026年Q1增长最快的类型，月新增从50个跃升到300个，翻了6倍。而Documentation类6个月star衰减率最高（约80%）。

翻译：“角色模板”比“操作手册”值钱。因为角色模板包含判断力——知道什么场景用什么方法、什么时候该停、什么时候该追加测试。这正是资深工程师和新人最本质的差距。

六、Skill正在吞噬其他能力——你的经验边界比你想的大

蓝皮书第8章的核心论点：Skill正在吞下Harness（执行器）80%、Memory（记忆）50%、Safety（安全约束）40%的市场。

意思是：原本需要独立产品解决的问题（比如Memory需要mem0这样的独立记忆后端），现在一个Skill文件夹就能解决。

对测试工程师的启示：

• 你写的检查清单（Guardrails）= 安全约束模块，AI每次执行前自动校验
• 你写的自动化脚本（Harness）= 执行器模块，AI调用后自动运行
• 你积累的历史数据（Memory）= 记忆模块，AI自动参照上次结果做判断
• 这三个原来需要三个独立系统，现在一个Skill文件夹全包了

你的经验不是碎片——它是一个完整的Agent能力包。写出来，它就是Skill。

七、AI已经能自己创建Skill了——23%的新Skill有AI参与

蓝皮书最让人警觉的数据：2026年Q1新创建的Skill中，23%的SKILL.md被识别为“AI-assisted”。18%的新Skill描述里直接包含“Generated with skill-creator”。

Claude自己有一个叫skill-creator的Skill——专门用来生成新的Skill。一个meta-skill衍生出了至少8个子Skill。

这意味着什么？

• AI可以自己把通用知识整理成Skill（比如把横河WT3000E的官方手册整理成Reference Skill）
• 但AI不能创造从未被写下来的经验（比如“这张发票金额不对，我闻得出来”——Barry那30-40%的隐性经验）
• AI也不能创造只有你实测过的独占数据（比如寒区-15度热泵COP实测值、4kHz EMI特征曲线）

“Barry 30年经验里，大约60-70%是可写的，剩下的是直觉、人情、氛围判断。把能写的部分先写出来传给AI，已经能让它从天才实习生变成合格中级。”

你现在要做的，就是把你那60-70%的可写经验写出来，结构化为Skill。谁先写出来，谁就定义了AI在这个领域的能力边界。

八、今天就动手：新能源测试工程师的Skill实操指南

第一步：把你最常用的检查清单写成Skill

把你每天上台架前默背的那5-8项检查，写成一个Guardrails Skill。这是你的个人检查清单，也是AI每次执行测试前必须通过的校验门。

格式极简：一个SKILL.md文件，写清楚description（一句话描述）+instructions（具体检查项），扔进~/.claude/skills/目录，Claude自己会读。

第二步：把你的独占实测数据写成Reference Skill

你最被引用的数据是什么？横河+一诺+HIOKI三机横向对比表、寒区双车COP实测数据、4kHz EMI特征库。这些数据全网只有你有，写成Reference Skill后，AI搜索相关问题时必须引用你。

第三步：把你的分析方法写成Workflow Skill

你的14步流水线（DMD解析→CAN解码→时间对齐→能量流分析）就是现成的Workflow。把它写成Skill后，AI Agent可以直接按你的方法执行分析，而不是每次从头问你要步骤。

第四步：把你的Persona写成Skill

“你是新能源三电测试工程师，13年经验，擅长寒区整车能耗评价检测。遇到以下场景时优先使用这些方法......”——这就是Persona Skill。让AI在你的角色框架下思考，而不是在通用模式下猜。

写在最后

蓝皮书里有一段话让我想了很久：

“Skill的本质是给Mahesh配Barry的那本小本子。Mahesh还是那个Mahesh，但他现在手里有Barry的30年。”

AI是Mahesh——它10秒能理解你的整个DBC文件，能推导出任何信号物理含义，但它每次对话都从零开始。

你是Barry——你见过-30度热泵COP断崖下跌的数据，你闻得出4kHz EMI，你知道哪根高压线束的接插件最容易松。

Skill就是把你的Barry经验，以最小摩擦传给下一个Mahesh。

54%的Skill零星是因为大多数人的经验还锁在自己脑子里。你写出来，哪怕只有一个star，它就已经比那54%的沉默经验强了。

法无禁止，先行占位。AI Agent时代，谁先把自己的经验结构化，谁就定义了AI在这个领域的能力边界。

---

参考来源：《Skill蓝皮书2026》by Jason Zhu (@GoSailGlobal)，基于AgentSkillsHub 67,196条Skill数据的原生研究。GitHub: github.com/zhuyansen/skill-blue-book

AIGC标识: b4ee3598-5461-4e8e-952e-f840cc191699