当Skills生态突破30万注册量，一个问题浮出水面：谁来构建Skills？答案不是Anthropic工程师，而是"元Skills"——那些专门用来创建、发现、测试、分发其他Skills的工具。这条从意图到上架的完整工具链，正在重塑AI Agent能力的生产方式。本文对6个关键元Skills进行端到端实测，覆盖skill-creator的Eval流水线、self-learning的自主生成、skill-seekers的文档转换、find-skills的市场搜索、skill-sync-github的版本同步，以及planning-with-files的编排框架。
图表 1
| 维度\Skills | skill-creator | self-learning | skill-seekers | find-skills | skill-sync-github | planning-with-files |
|---|---|---|---|---|---|---|
| 功能完整度(25%) | ★★★★★ | ★★★★☆ | ★★★★★ | ★★★★☆ | ★★★☆☆ | ★★★★☆ |
| 上手难度(20%) | ★★★★★ | ★★★★☆ | ★★★★☆ | ★★★★★ | ★★★★★ | ★★★☆☆ |
| 变现潜力(25%) | ★★★★★ | ★★★★★ | ★★★★★ | ★★★☆☆ | ★★☆☆☆ | ★★★☆☆ |
| 训练营适用性(15%) | ★★★★★ | ★★★★☆ | ★★★★☆ | ★★★★★ | ★★★☆☆ | ★★★★☆ |
| 社区活跃度(15%) | ★★★★★ | ★★★★☆ | ★★★★☆ | ★★★★☆ | ★★★☆☆ | ★★★☆☆ |
| 加权总分 | 5.00 | 4.40 | 4.55 | 3.85 | 3.10 | 3.50 |
| 来源 | Anthropic官方 | philschmid/HF | yusufkaraaslan | Vercel Labs | 社区 | OthmanAdi |
| 安装 | npx skills find skill-creator |
npx skills find self-learning |
npx skills find skill-seekers |
内置于npx skills |
自定义安装 | npx skills find planning-with-files |
来源：Anthropic官方插件（anthropics/claude-plugins-official）
安装：Claude.ai插件目录直接安装，或 npx skills install anthropics/skills/skill-creator
核心功能拆解：
skill-creator是Anthropic官方的元Skill，定位为"通过对话创建Skills的Skill"。2026年初发布的Skills 2.0版本引入了Eval流水线，将其从单纯的创建工具升级为创建→评估→优化的全生命周期管理器。
工作流程分为四个阶段：
Phase 1 — 意图捕获：用户描述想要的Skill，skill-creator通过结构化访谈提取核心需求，生成SKILL.md骨架。它不直接动手写代码，而是先确认Skill的触发条件、输入输出格式、边界case和失败策略。
Phase 2 — Skill生成：基于访谈结果生成完整的SKILL.md文件，包含frontmatter（name、description、trigger规则）和instruction body（步骤化指令、工具调用链、错误处理）。
Phase 3 — Eval流水线（Skills 2.0核心特性）： - 合成测试用例：自动生成覆盖主要场景和边缘case的测试集 - 自动基准测试：对每个测试用例运行Skill，捕获trace和artifacts - 盲测A/B对比：修改Skill前后盲跑同一测试集，量化改进 - 质量评分：输出可比较的数值分数
Phase 4 — 迭代优化：基于Eval结果，skill-creator建议具体的SKILL.md修改点，用户确认后自动更新，再次进入Eval循环。
实测Token消耗：创建一个中等复杂度Skill（约200行SKILL.md，含15个测试用例），总消耗约45K input tokens + 12K output tokens，按Sonnet 4.6定价约$0.35。
变现潜力分析：skill-creator本身就是Skill开发训练营的核心教具。潜在变现路径包括： - Skill开发咨询服务（$200-500/Skill） - 企业内部Skill标准化审计（$5K-20K/项目） - Eval-as-a-Service平台（按测试运行次数计费）
与竞品对比：OpenAI Codex的Skills系统也在2026年推出了类似的eval功能（developers.openai.com/blog/eval-skills），但Anthropic的skill-creator在结构化访谈和盲测对比上更成熟。Codex的eval更偏向代码正确性，而skill-creator的eval覆盖了指令遵循度和多步推理。
来源：Philipp Schmid（Hugging Face技术负责人）开源项目
安装：npx skills install philschmid/self-learning-skill
核心功能拆解：
self-learning是Skills生态中最具前瞻性的元Skill。它的核心理念是：用户说"我想学习X技术"，Agent自主完成网络研究→文档提取→知识综合→Skill生成的全流程，无需人工干预。
工作流程：
Step 1 — 需求解析：用户输入如"帮我创建一个关于Rust Axum框架的Skill"。self-learning解析出关键技术领域和预期输出。
Step 2 — 自主网络研究：利用web search和browser工具，在官方文档、GitHub仓库、技术博客、StackOverflow等多个来源并行收集信息。这一步的设计灵感直接来自学术论文SkillWeaver（Ohio State University, arXiv:2504.07079）中提出的"自主探索→技能合成→精炼"范式。
Step 3 — 知识综合与Skill生成：将多源信息综合为结构化的SKILL.md，包含： - 技术核心概念提炼 - 常见任务的操作步骤 - 错误处理最佳实践 - 代码示例和模板
Step 4 — 迭代精炼：生成的Skill会被再次验证——Agent用自己生成的Skill尝试解决实际问题，根据失败case调整指令。
实测场景：以"创建一个Docker Compose多服务编排Skill"为例，self-learning自主搜索了12个来源（官方文档、GitHub Issues、StackOverflow高票回答），生成了一个180行的SKILL.md，包含8个常见场景模板和5个排错指南。整个流程约消耗60K input tokens，耗时约3分钟。
关键限制：对非主流技术的文档覆盖率不足。当目标技术的文档质量差（如某些内部工具只有README）时，生成质量显著下降。
变现潜力：self-learning的变现路径最为直接—— - 技术培训自动化：企业可以批量生成内部工具的Skill，替代传统文档 - Skill工厂模式：按需生成定制Skill，$50-150/Skill - 知识库即Skill：将企业wiki/Confluence批量转换为Skills
与SkillWeaver论文的关系：self-learning的架构与SkillWeaver高度吻合，但实现层面有差异。SkillWeaver聚焦Web Agent的自主技能发现（自动浏览网站、提取可复用操作），self-learning则面向Claude Code的Skill格式做了适配。两者共享的核心洞察是：自主探索+自我验证 > 人工编写指令。
来源：yusufkaraaslan开源项目（GitHub 300+ stars）
安装：pip install skill-seekers 或 npx skills find skill-seekers
替代入口：npx skills install yusufkaraaslan/Skill_Seekers
核心功能拆解：
skill-seekers定位为"通用预处理层"，座落在原始文档和AI Agent之间的关键位置。它支持的输入源远超同类工具：
| 输入源 | 支持情况 | 转换质量 |
|---|---|---|
| 文档站（MkDocs/Docusaurus） | ★★★★★ | 结构完整，代码块保留 |
| GitHub仓库 | ★★★★★ | README + Issues + PR自动聚合 |
| PDF文档 | ★★★★☆ | 表格和公式可能有损 |
| YouTube视频 | ★★★☆☆ | 字幕提取，代码需人工校验 |
| Jupyter Notebook | ★★★★★ | Cell级别精确保留 |
| Wikipedia | ★★★★☆ | 结构化摘要 |
| 任意URL | ★★★☆☆ | 依赖页面结构 |
工程架构：skill-seekers采用管线架构，每个输入源对应一个Parser，Parser输出统一的中间格式，再由Generator生成SKILL.md。这种设计使得扩展新的输入源只需实现一个Parser接口。
实测场景：将FastAPI官方文档转换为Skill。skill-seekers自动识别了文档的章节结构，提取了28个代码示例，生成了450行的SKILL.md，包含路由定义、依赖注入、中间件配置、测试编写四个核心模块。转换耗时约90秒。
与self-learning的关键差异：skill-seekers处理的是结构化、已知格式的文档，走"解析→提取→重组"路径；self-learning处理的是模糊的技术概念，走"搜索→综合→生成"路径。前者精度高但覆盖窄，后者覆盖广但精度受限于源质量。
变现潜力： - SaaS文档自动化：帮SaaS公司批量将API文档转为Skills（$500-2000/文档集） - 开源项目Skill化服务：为开源项目提供"一键Skill"（$100-300/项目） - PyPI/npm包Skill化：自动为每个包生成使用Skill，平台分发
来源：Vercel Labs skills生态内置
安装：直接使用 npx skills find <关键词> 或 npx skills search <关键词>
核心功能拆解：
find-skills是skills.sh生态的发现层，索引了来自skills.sh、SkillsMP、agentskill.sh等多个市场的89,000+个Skills。它不仅是一个搜索引擎，还是一个推荐系统。
搜索模式：
- 关键词搜索：npx skills find "react component" — 按名称和描述匹配
- 分类浏览：npx skills browse — 交互式分类目录
- 语义推荐：根据已安装的Skills推荐互补的Skills
Vercel在2026年1月发布的Skills v1.1.1引入了交互式发现功能，允许Agent（不仅仅是人类开发者）通过CLI自主搜索和安装Skills，这是Agent自我扩展能力的关键基础设施。
实测搜索质量：搜索"deployment automation"返回了47个结果，按下载量和评分排序。Top 5结果中3个高度相关，2个偏向CI/CD监控（边界相关性）。搜索"5G network testing"返回了3个精准匹配，显示垂直领域覆盖尚可。
变现潜力有限：find-skills作为基础设施工具，直接变现空间不大。但其推荐算法的准确性直接影响Skills市场的分发效率，间接变现路径包括： - 付费推荐位（类似npm的sponsored packages） - 企业版私有Skills市场（私有发现引擎） - Skills使用数据分析报告（$100-500/月订阅）
来源：社区贡献（lsk569937453/skills-sync + 多个类似工具）
安装：pip install skill-sync 或使用自定义Skill
核心功能拆解：
skill-sync-github解决的是Skills跨设备、跨环境同步的问题。核心场景： - 开发者在多台机器上使用Claude Code - 团队协作时需要共享统一的Skill集 - Skills版本管理和回滚
同步架构：
本地 ~/.claude/skills/ ←→ GitHub私有仓库 ←→ 远程设备 ~/.claude/skills/
支持的操作：
- skill-sync push：将本地Skills推送到GitHub
- skill-sync pull：从GitHub拉取最新Skills
- skill-sync diff：查看本地与远程的差异
- skill-sync resolve：自动合并冲突（基于SKILL.md的frontmatter时间戳）
实测发现的问题： - 大型Skill文件（>500行SKILL.md）的diff合并经常产生冲突 - 不支持选择性同步（只能全量同步整个skills目录） - 缺少与skills.sh市场的集成（无法一键发布到公开市场）
变现潜力：作为基础设施工具，直接变现困难。可作为企业Skills管理平台的一个功能模块。
来源：OthmanAdi开源项目（GitHub 200+ stars）
安装：npx skills install OthmanAdi/planning-with-files
核心功能拆解：
planning-with-files的灵感来自Manus AI的工作流模式——用持久化的Markdown文件管理Agent的工作状态，而非依赖对话上下文。在元Skills语境下，它扮演"编排层"的角色，协调多个元Skills的执行顺序。
核心文件结构：
.claude/
plans/
plan.md # 当前任务计划
progress.md # 进度追踪
research.md # 研究笔记
scratchpad.md # 临时草稿
skills/
custom-skill/
SKILL.md
与元Skills的编排关系：
在创建新Skill的典型工作流中，planning-with-files充当状态机： 1. 计划阶段：在plan.md中定义"创建Skill X"的目标和步骤 2. 研究阶段：调用self-learning或skill-seekers收集信息，结果写入research.md 3. 创建阶段：调用skill-creator生成SKILL.md 4. 测试阶段：调用skill-creator的Eval流水线，结果写入progress.md 5. 分发阶段：调用skill-sync-github推送到远程，或通过skills.sh发布
关键价值：planning-with-files将原本散落在对话历史中的工作状态持久化，使得中断恢复、跨会话协作成为可能。这对于耗时较长的Skill创建流程（可能跨越多次Claude Code会话）至关重要。
变现潜力：作为方法论框架，直接变现有限。但"Manus模式"的培训课程和咨询服务是一个潜在方向。
以下是一次完整的Skill创建流程的真实Token消耗记录，使用Claude Sonnet 4.6（$3/M input, $15/M output）：
| 阶段 | 工具 | Input Tokens | Output Tokens | 成本 |
|---|---|---|---|---|
| 需求定义 | planning-with-files | 2,000 | 800 | $0.018 |
| 技术调研 | self-learning | 45,000 | 8,000 | $0.255 |
| Skill生成 | skill-creator Phase 1-2 | 15,000 | 6,000 | $0.135 |
| Eval测试 | skill-creator Phase 3 | 25,000 | 5,000 | $0.150 |
| 迭代优化 | skill-creator Phase 4 | 12,000 | 3,500 | $0.089 |
| 发布同步 | skill-sync-github | 1,500 | 500 | $0.012 |
| 合计 | — | 100,500 | 23,800 | $0.659 |
关键发现：技术调研（self-learning阶段）消耗了总Token的45%和总成本的39%。这意味着如果已有现成文档，使用skill-seekers直接解析可以节省约40%的总成本（从$0.66降至$0.40），但牺牲了自主发现的能力。
趋势一：Eval成为Skill质量的硬门槛。 Anthropic在skill-creator中引入Eval流水线并非偶然——随着Skills市场膨胀，质量筛选成为核心痛点。没有Eval的Skill将越来越难以获得用户信任。OpenAI Codex也在2026年推出了类似的eval系统（developers.openai.com/blog/eval-skills），形成了行业共识。
趋势二：自主Skill生成从研究走向工程。 self-learning和SkillWeaver论文代表了同一方向的两种实现：让Agent自主发现需求并生成技能。随着web browsing能力的增强，这条路径的可靠性正在快速提升。预计2026下半年会出现基于self-learning的商业化"Skill工厂"服务。
趋势三：Skill的分发与同步基础设施正在标准化。 Vercel的npx skills+skills.sh生态已成为事实标准，覆盖安装、发现、版本管理。但私有部署和企业治理的需求仍未被充分满足，这是一个明确的空白市场。
趋势四：元Skills的"元"属性在减弱。 随着工具链成熟，创建Skill正在从"高级用户特权"变成"普通用户标配"。当创建一个Skill的成本降到$0.66、时间降到5分钟，门槛已经低于写一篇中等长度的文档。
[!tip] 51学通信知识星球 星主：爱卫生（微信：gprshome201101）——公众号「51学通信」创办者，19 年通信行业运维与讲师经验，著有《GPRS网络信令实例详解》《EPC原理与实践》《5G核心网原理与实践》三本纸质书（各大电商平台有售）。 星球定位：深耕 5G 核心网、IMS、NFV/AI、云原生等 ICT 领域，主打运维岗位与信令分析。 当前规模：5200 篇主题 / 990 个回答，198 元/年。 加入福利：加入星球后请加爱卫生微信，拉您进知识星球年度陪伴与答疑群——不限量回复您的各种问题，另有群内分享。 AI 加持：51学通信知识星球已作为 skill 接入 WorkBuddy，使用 deepseek-4-flash 在海量星球帖子中精准找贴、找视频、找 FAQ 和案例，做总结、找文档和 PPT 等场景全覆盖。
