“Skills 不就是腳本套個殼嗎？我十幾年前就玩 AutoIt 了”
整理版優先睇
Agent Skills 唔係單純腳本，而係用自然語言指令俾 AI Agent 自主執行，降低自動化門檻，但需要正視安全風險。
呢篇文章出自一位有經驗嘅程序員，佢想回應成日聽到嘅質疑：「Skills 唔係腳本換個殼咋？」作者先用自身經驗講明，自己都覺得 Skills 好似用 Python 半個鐘就寫到嘅 script，但深入比較後發現本質唔同。
腳本係固定動作，遇錯就停，等你手動處理。Agent Skills 係一個技能包，核心係 SKILL.md 說明文檔，AI Agent 會自己判斷幾時用、點樣用，出錯時仲會自己裝依賴、改 code、重跑，好似有個 AI 程序員跟你部機。Skills 用自然語言編排工作流，唔需要 if-else 呢啲 code，大大降低門檻，連非技術人都可以寫自動化。
作者引用 Rich Sutton《苦澀的教訓》，指出通用方法最終贏過專家硬編碼。Skills 嘅流行係因為分享成本低，Agent 自己識處理兼容問題，而且反饋循環短，可以一路用一路改。最後提醒，Skills 係新嘅攻擊面，一定要審計來源先好裝。
- Skills 同腳本最大分別係 Agent 可以自主除錯同適應，唔似腳本一錯就停喺度。
- Skills 用自然語言寫說明，唔使寫 code，產品經理、設計師都做到自動化。
- 確定性步驟用腳本，模糊任務用 Skills，兩者互補，唔係取代。
- Skills 分享門檻低，Agent 會自動修復兼容問題，社羣貢獻 PR 令技能進化更快。
- 安全係硬傷，Skills 引入新攻擊面，要審計內容先好用，唔好亂裝來源不明嘅技能。
程序員嘅第一反應：咪又係腳本
成日聽到程序員話：「Skills 咪又係腳本，我做 AutoIt 嗰陣你都未出世。」作者都試過用 Python 半個鐘手搓一個 Claude Code 嘅 script，覺得仲穩定啲，點解要搞咁多花臣？
但佢深入比較之後發現，Skills 同腳本好似智能手機同計數機，打電話都得，但本質完全唔同。
三個關鍵差異
腳本固定行 A→B→C，Agent Skills 係一個 SKILL.md 說明文檔加上可能嘅 script，Agent 自己決定幾時用、點樣執行。
- 1 腳本對 Skills 唔係必須：例如「寶玉寫作風格」嘅 Skill 得一個說明檔，冇 script，腳本做唔到呢種語意任務。
- 2 Skill 嘅腳本由 Agent 調度：傳統腳本出錯就停，Agent 會自己裝依賴、轉換方式、改 code 重跑，好似有 AI 程序員跟你部機。
- 3 Skill 用自然語言編排工作流：唔使寫 if-else，直接講「用流程圖定係概念圖」，Agent 自己理解執行，門檻降到非程序員都得。
確定性 vs 不確定性：點樣揀
作者提出一個實用原則：確定嘅事交俾 code，唔確定嘅交俾 Agent。例如佢寫作工作流入面，引號轉全形、中英文加空格呢啲步驟就用 script，因為規則明確又穩定。
用銀行櫃枱同項目經理做比喻：櫃枱要標準動作，項目經理要處理模糊需求，Skills 適合後者。
點解 Skills 突然 hit 咗？
- 寫腳本成本高：就算係專業程序員，都唔會頻密寫自動化，因為將諗法變 code 好煩瑣。而家藉助 Agent，幾句自然語言就得，非程序員好似麻瓜突然有魔法。
- 分享腳本成本更高：以前幾乎唔會公開 script，因為得自己用到。Skills 嘅 Agent 自動修復兼容問題，仲有網友開 PR 改善，知識傳遞變得好簡單。
- 反饋循環短：Skills 可以一邊用一邊改，Agent 知道全盤 context，即時根據反饋調整，唔似傳統軟件要等好耐先更新。
唔好忘記安全
Skills 本質係腳本加說明書打包分發，成為新嘅攻擊面。惡意 Skills 可能引漏洞、外聯、甚至洩漏資料。
一定要裝可靠來源嘅 Skills，安裝之前審計文件同腳本內容，呢個係基本底線。
程序員見到 Agent Skills，好多人第一個反應就係：“呢個咪即系腳本換個殼啫？我用 Python 半個鍾就寫得出，仲更加穩定。”
比如：
我點解覺得而家 Skills 曬命嘅功能，基本上我好快就可以用 Claude Code 手搓一個 Python 程序搞掂，仲更加穩定、更快、隨時可以調整訂製。當然 Skills 簡化咗同 AI 嘅互動，不過我覺得佢增加咗嘅不確定性、控制力弱、延遲等問題，大過佢帶來嘅好處。
仲有更加直接嘅：
就佢老母一堆自動化嘅 bat shell 腳本，JB 吹到上天。嘔咗。我十幾年前就玩 AutoIt 喇。
攞部分場景嚟比功能，的確冇錯。但系將 Skills 等同於腳本，就好似將智能手機等同於打得電話嘅計算器，功能有重疊，本質變咗。
腳本同 Skills 到底爭啲乜？
先講定義。
腳本呢個系：你寫一段代碼，叫電腦先做 A，再做 B，最後做 C。固定動作，逐步執行，遇到錯誤停低等你。
Agent Skills即系畀 AI Agent 嘅技能包。核心系一個 SKILL.md 說明文檔，寫清楚咩情況應該用、點樣做更專業、邊啲步驟要調代碼。仲可能會引用其他文檔或者腳本。Agent 讀懂之後，自己決定應唔應該用、點樣用。
三個關鍵差異：
1. 腳本對 Skills 唔系必須嘅。 比如我整咗一個“寶玉寫作風格”嘅 Skill，只有一個 SKILL.md寫清楚風格要求，冇任何腳本。呢樣嘢你叫腳本做，真系做唔到。
2. Skill 裏面嘅腳本系 Agent 在調度。 傳統腳本：你寫代碼 → 你調用 → 遇到問題停低等你。Agent + Skills：你講目標 → Agent 理解 → Agent 調用 → 遇到問題 Agent 自己解決。
攞處理 PDF 做例子。冇 pdfplumber 庫？腳本報錯退出，Agent 自己裝一個。PDF 格式有問題？腳本報錯退出，Agent 換個解析方式。代碼有 bug？腳本報錯退出，Agent 讀報錯信息，改代碼重新跑。
相當於你電腦上配咗一個 AI 程序員，睇得明報錯、裝依賴、改代碼、調試。
3. Skills 用自然語言編排工作流。 腳本用 if-else、for 循環、try-catch 編排，你要將諗法翻譯成代碼。Skills 用自然語言：咩情況下用、注意啲乜、出錯點算。
呢個降低咗門檻。以前得程序員可以寫自動化，而家產品經理、運營、設計師，需求講得清楚就做得。
亦提高咗靈活性。比如我寫咗個“文章配圖”嘅 Skill，唔使用代碼判斷文章類型，淨系喺 SKILL.md 裏寫：配圖服務於內容理解，技術內容優先流程圖，觀點內容優先概念圖。Agent 自己判斷當前文章應該用邊種。
確定性嘅嘢交畀代碼
Skills 同腳本唔系二揀一。確定嘅嘢讓代碼做，唔確定嘅讓 Agent 做。
我嘅寫作工作流裏面有個格式化步驟：中文引號換全角、中英文之間加空格。規則明確，我寫咗個腳本。AI 潤色完文章之後自動調用，比讓 AI 做更加穩定，成本亦更低。
點樣判斷應該用邊個？諗下銀行櫃枱和項目經理嘅區別。
銀行櫃枱：每一步有標準動作，合規嚴格，輸出必須可預測。呢種場景用腳本，Agent 反而搞亂檔。
項目經理：需求模糊，步驟隨時調整，中間冒出各種意外。呢個先系 Agent 嘅舞台。
點解 Skills 突然之間咁流行？
喺 Agent Skills 之前，我本身就係腳本自動化愛好者，寫咗唔少小工具。但繫有兩個問題一直未解決。
寫腳本嘅成本唔低。 我係專業程序員，都冇寫太多自動化腳本，因為將諗法變成代碼太繁瑣。而家藉助 Agent，幾句話就自動搞掂。非程序員更加直接受益，就好似《哈利波特》裏面麻瓜突然之間得到咗魔法。以前自動化系少數“魔法師”嘅專利，而家人人都做到。
分享腳本嘅成本更加高。 我嘅腳本好少分享，因為基本得自己用到。寫兼容代碼同文檔嘅成本太高，唔值得。
而家唔同喇。我嘅 baoyu-skills 啱發佈嗰陣好多喺 Windows 下運行得唔順，但網友運行時 Agent 會主動修復兼容問題。熱心網友仲將修改提成 PR，幫到更多人。
Skills 嘅進化都好快。 一方面背後嘅 Agent 模型在不斷變強。另一方面，Skills 嘅反饋循環短得多。傳統軟件要行產品經理 → 開發 → 測試嘅長鏈條，用戶拿到可能唔系想要嘅。Skills 系每個人量身訂製，一邊用一邊改，Agent 知道全部上下文，遇到問題即刻定位，根據反饋實時調整。
“苦澀嘅教訓”
強化學習之父 Rich Sutton 喺 2019 年寫過一篇著名文章《The Bitter Lesson》。核心觀點：70 年人工智能研究證明，通用方法最終總是贏。
佢回顧咗國際象棋、圍棋、語音識別、計算機視覺嘅歷史，發現一個規律：研究者試圖將專家知識硬編碼入系統，短期有效，長期卻停滯甚至阻礙進步。真正嘅突破嚟自讓機器自己搜索同學習。
腳本系“將你嘅思考過程固化成代碼”，Skills 系“話畀 AI 目標同約束，等佢自己諗辦法”。前者系 hard-coded，後者系 learned。
“我十幾年前就玩 AutoIt 喇”，冇錯。但系今日變咗：AI 理解得自然語言、可以動態規劃、可以從錯誤中學習。
唔好唔記得安全
Skills 將腳本加說明書打包分發，本質上系新嘅依賴生態，新嘅攻擊面惡意 Skills 可能引入漏洞、誘導外聯，甚至數據外泄。只裝可信來源嘅 Skills，裝之前審計文件同腳本內容。
真正嘅分野
“我用 Python 半個鍾就寫得出”，冇錯。但系寫完之後得你自己用到，你願意花時間寫文檔、做兼容、處理邊界情況嗎？大概率唔願意。
“十幾年前就玩 AutoIt 喇”，都冇錯。但系十幾年過去咗，AutoIt 仲系嗰批人喺度用。
Skills 嘅意義唔系在於做到啲乜新嘢，而系在於邊個可以做呢啲嘢。以前自動化系程序員嘅特權，而家系每個人嘅工具。以前寫腳本要考慮十幾種邊界情況，而家 Agent 幫你兜底。以前分享腳本系技術輸出，而家分享 Skills 系知識傳遞。
程序員睇 Skills 覺得冇技術含量，就好似廚師睇預製菜覺得冇靈魂。但系餐飲業嘅變革唔系讓每個人都變成廚師，而系讓唔識煮飯嘅人都可以食到還可以嘅餸。
Sutton 嗰篇文章叫做“苦澀嘅教訓”。苦澀喺邊？研究者花幾十年精心設計嘅專家系統，被暴力計算加通用學習碾壓咗。嗰啲精巧嘅領域知識、引以為傲嘅工程技巧，喺算力同數據面前不值一提。
你花十年練成嘅腳本技巧，可能正在俾一種你唔繫好睇得起嘅新範式取代。承認呢一點的確苦澀，但系早啲睇清楚，總好過後知後覺。
程序員看到 Agent Skills，很多人第一反應是：“這不就是腳本換個殼嗎？我用 Python 半小時就能寫出來，還更穩定。”
比如：
我怎麼覺得現在 skills 炫耀的功能，基本上我很快就可以用 Claude Code 手搓一個 Python 程序完成了，而且更穩定、更快、隨時可調整訂製。當然 Skills 把和 AI 的互動簡化了，不過我覺得它增加的不確定性、控制力弱、延遲等問題，超越了它帶來的好處。
還有更直接的：
就他媽一堆自動化的 bat shell 腳本，JB 吹上天。吐了。我十幾年前就玩 AutoIt 了。
拿部分場景來比功能，確實不算錯。但把 Skills 等同於腳本，就像把智能手機等同於能打電話的計算器，功能有重疊，本質變了。
腳本和 Skills 到底差在哪？
先說定義。
腳本：你寫一段代碼，告訴電腦先做 A，再做 B，最後做 C。固定動作，按步執行，遇錯停下等你。
Agent Skills：給 AI Agent 的技能包。核心是一個 SKILL.md 說明文檔，寫清楚什麼情況該用、怎麼做更專業、哪些步驟要調代碼。還可能引用其他文檔或腳本。Agent 讀懂之後，自己決定該不該用、怎麼用。
三個關鍵差異：
1. 腳本對 Skills 不是必須的。 比如我做了一個“寶玉寫作風格”的 Skill，只有一個 SKILL.md，寫清楚風格要求，沒有任何腳本。這活你讓腳本做，還真做不了。
2. Skill 裏的腳本是 Agent 在調度。 傳統腳本：你寫代碼 → 你調用 → 遇到問題停下來等你。Agent + Skills：你說目標 → Agent 理解 → Agent 調用 → 遇到問題 Agent 自己解決。
拿處理 PDF 舉例。缺 pdfplumber 庫？腳本報錯退出，Agent 自己裝一個。PDF 格式有問題？腳本報錯退出，Agent 換個解析方式。代碼有 bug？腳本報錯退出，Agent 讀報錯信息，改代碼重跑。
相當於你電腦上配了一個 AI 程序員，能看懂報錯、裝依賴、改代碼、調試。
3. Skills 用自然語言編排工作流。 腳本用 if-else、for 循環、try-catch 編排，你得把思路翻譯成代碼。Skills 用自然語言：什麼情況下用、注意什麼、出錯怎麼辦。
這降低了門檻。以前只有程序員能寫自動化，現在產品經理、運營、設計師，需求說得清楚就能做。
也提高了靈活性。比如我寫了個“文章配圖”的 Skill，不用代碼判斷文章類型，只在 SKILL.md 裏寫：配圖服務於內容理解，技術內容優先流程圖，觀點內容優先概念圖。Agent 自己判斷當前文章該用哪種。
確定性的事交給代碼
Skills 和腳本不是二選一。確定的事讓代碼做，不確定的讓 Agent 做。
我的寫作工作流裏有個格式化步驟：中文引號換全角、中英文之間加空格。規則明確，我寫了個腳本。AI 潤色完文章後自動調用，比讓 AI 做更穩定，成本也更低。
怎麼判斷該用哪個？想想銀行櫃枱和項目經理的區別。
銀行櫃枱：每一步有標準動作，合規嚴格，輸出必須可預測。這種場景用腳本，Agent 反而添亂。
項目經理：需求模糊，步驟隨時調整，中間冒出各種意外。這才是 Agent 的舞台。
為什麼 Skills 突然火了？
在 Agent Skills 之前，我就是腳本自動化愛好者，寫了不少小工具。但有兩個問題一直沒解決。
寫腳本的成本不低。 我是專業程序員，也沒寫太多自動化腳本，因為把想法變成代碼太繁瑣。現在藉助 Agent，幾句話就自動搞定了。非程序員更是直接受益，就好比《哈利波特》裏麻瓜突然獲得了魔法。以前自動化是少數“魔法師”的專利，現在人人都能做。
分享腳本的成本更高。 我的腳本很少分享，因為基本只有自己能用。寫兼容代碼和文檔的成本太高，不值得。
現在不一樣了。我的 baoyu-skills 剛發佈時很多在 Windows 下跑不順，但網友運行時 Agent 會主動修復兼容問題。熱心網友還把修改提成 PR，幫到了更多人。
Skills 的進化也快。 一方面背後的 Agent 模型在不斷變強。另一方面，Skills 的反饋循環短得多。傳統軟件要走產品經理 → 開發 → 測試的長鏈條，用戶拿到可能不是想要的。Skills 是每個人量身定製，一邊用一邊改，Agent 知道全部上下文，遇到問題馬上定位，根據反饋實時調整。
“苦澀的教訓”
強化學習之父 Rich Sutton 在 2019 年寫過一篇著名文章《The Bitter Lesson》。核心觀點：70 年人工智能研究證明，通用方法最終總是贏。
他回顧了國際象棋、圍棋、語音識別、計算機視覺的歷史，發現一個規律：研究者試圖把專家知識硬編碼進系統，短期有效，長期卻停滯甚至阻礙進步。真正的突破來自讓機器自己搜索和學習。
腳本是“把你的思考過程固化成代碼”，Skills 是“告訴 AI 目標和約束，讓它自己想辦法”。前者是 hard-coded，後者是 learned。
“我十幾年前就玩 AutoIt 了”，沒錯。但今天變了：AI 能理解自然語言、能動態規劃、能從錯誤中學習。
別忘了安全
Skills 把腳本加說明書打包分發，本質上是新的依賴生態，新的攻擊面。惡意 Skills 可能引入漏洞、誘導外聯，甚至數據外泄。只裝可信來源的 Skills，裝之前審計文件和腳本內容。
真正的分野
“我用 Python 半小時就能寫出來”，沒錯。但寫完只有你能用，你願意花時間寫文檔、做兼容、處理邊界情況嗎？大概率不願意。
“十幾年前就玩 AutoIt 了”，也沒錯。但十幾年過去了，AutoIt 還是那批人在用。
Skills 的意義不在於能做什麼新事情，而在於誰能做這些事情。以前自動化是程序員的特權，現在是每個人的工具。以前寫腳本要考慮十幾種邊界情況，現在 Agent 幫你兜底。以前分享腳本是技術輸出，現在分享 Skills 是知識傳遞。
程序員看 Skills 覺得沒技術含量，就像廚師看預製菜覺得沒靈魂。但餐飲業的變革不是讓每個人都變成廚師，而是讓不會做飯的人也能吃上還不錯的菜。
Sutton 那篇文章叫“苦澀的教訓”。苦澀在哪？研究者花幾十年精心設計的專家系統，被暴力計算加通用學習碾壓了。那些精巧的領域知識、引以為傲的工程技巧，在算力和數據面前不值一提。
你花十年練就的腳本技巧，可能正在被一種你不太看得上的新範式取代。承認這一點確實苦澀，但早點看清楚，總比後知後覺強。