文章总结： 本文探讨Skill在AI发展中的定位，认为Skill只是过渡产物，真正终局是自主智能。核心观点是AI能力上限不取决于Skill数量，而在于模型能否自主判断何时需要能力、选择哪种能力并组合成最短可靠执行路径。过多Skill会增加上下文负担、路由复杂度和治理成本，建议Skill应少而精、按需发现、可组合，由Harness统筹权限、状态、验证和审计。 综合评分： 75 文章分类： AI安全

Skill 只是 AI 发展的过渡产物，真正的终局是自主智能

原创

ITPAPA ITPAPA

ITPAPA

2026年9月14日 12:21 江苏

在小说阅读器读本章

去阅读

在公众号小说中沉浸阅读

为什么过多的 Skill 反而可能限制 ChatGPT 6 的能力发挥

从大模型、Agent、工具调用到 Harness 的下一代能力架构思考

| | | — | | 核心观点：AI 的能力上限不再主要取决于拥有多少 Skill，而越来越取决于模型能否自主判断何时需要能力、选择哪种能力，并把多个能力组合成最短、最可靠的执行路径。 |

一、Skill 正从“固定脚本”走向“动态能力模块”

传统 Agent 常把 Skill 看成预先写好的工作流程：用户提出任务，模型从 Skill 库中寻找匹配脚本，再按脚本执行。这个模式简单、稳定，但当模型自身的推理、规划、工具使用和计算机操作能力持续增强后，过度堆叠 Skill 可能开始产生反作用。

传统：任务 -> 大型 Skill 库 -> 匹配脚本 -> 执行

下一代：任务 -> 模型推理 -> 按需发现能力 -> Skill/MCP/API -> 执行 -> 验证

二、为什么 Skill 太多可能限制模型能力

1. 上下文负担：每个 Skill 都可能包含描述、触发条件、参数、步骤和约束。数量增加后，工具说明会占用更多上下文，模型需要处理的候选信息也随之增加。

2. 工具路由复杂度：多个 Skill 可以完成相似任务时，模型面对更大的选择空间，可能出现错误选择、重复调用、无效调用或工具链过长。

3. 指令冲突：不同 Skill 可能具有不同的输入格式、流程要求和限制条件。规则越多，模型越需要先解决约束冲突，再解决用户真正的问题。

4. 路径依赖：过度流程化的 Skill 容易把模型从“解决问题”变成“执行脚本”。开放式任务需要探索和调整时，固定步骤反而可能降低灵活性。

5. 历史包袱：Skill 库会不断积累旧流程、重复能力和过时工具。如果缺少版本治理和淘汰机制，系统会越来越像复杂菜单，而不是高效智能体。

三、真正应该优化的是“有效能力密度”

| | | | | | — | — | — | — | | 维度 | Skill 较少 | Skill 过多 | 理想状态 | | 上下文 | 轻量 | 工具说明占比高 | 按需加载 | | 路由 | 选择空间小 | 候选能力过多 | 动态发现 | | 执行 | 能力可能不足 | 容易机械化 | 模型自主规划 | | 治理 | 简单 | 冗余和冲突增加 | 版本化、分层、淘汰 |

示意关系（非实测基准）：Skill 从少量增加到合理规模时，系统能力通常受益；超过合理规模后，上下文、路由和治理成本可能上升，边际收益下降。

四、GPT-5.x 到 GPT-6：部分 Skill 正在被模型原生能力“吃掉”

公开资料显示，OpenAI 的模型能力正在从文本生成向原生计算机操作、复杂任务规划、工具调用、研究、编码和多步骤执行演进。由此可以推论：过去需要通过 Skill 固化的一部分能力，正在逐渐成为模型与 Agent Harness 的原生能力。

| | | | | — | — | — | | 阶段 | 公开能力方向 | 对 Skill 的启示 | | GPT-5.4 | 原生计算机使用、复杂任务执行 | 减少把每个操作步骤写成固定 Skill | | GPT-5.5 | 更强规划、工具使用、检查和端到端任务完成 | Skill 更适合提供专业能力，而非包办全部流程 | | GPT-5.6 | 程序化工具调用、多 Agent 等能力方向 | 能力应可组合、可编排、按需调用 | | GPT-6 Astra | 公开定位为新一代通用前沿智能，覆盖软件工程、浏览、计算机使用、科学和专业工作等 | Skill 更适合成为能力模块，而不是能力总流程 |

五、下一代 Skill：少而精、按需发现、可组合

能力模块化：Skill 只负责专业能力，不强行规定完整任务路径。

动态发现：模型先理解任务，再决定是否需要 Skill、MCP、API 或其他工具。

分层加载：把核心能力、领域能力和低频能力分层，避免所有能力同时进入上下文。

版本治理：对 Skill 做版本、权限、质量、调用成功率和淘汰管理。

Harness 统筹：由 Harness 负责权限、状态、重试、验证、审计和多 Agent 协作。

| | | — | | 推荐架构：Model（理解与推理） -> Capability Discovery（动态发现） -> Skill/MCP/API（专业能力） -> Harness（权限、状态、验证、审计） -> 结果 |

六、结论

AI 早期阶段，Skill 越多，往往意味着系统“会做的事情越多”；进入更强的 Agentic AI 阶段后，过多 Skill 可能增加上下文、路由和治理成本，并限制模型自主规划。

真正重要的指标，不是 Skill 有多少，而是模型能否在需要时找到正确能力，并以尽可能少的调用完成可靠任务。

| | | — | | 一句话总结：不是 Skill 越多越强，而是模型越会选择、组合、调用和淘汰 Skill，智能系统才越强。 |

免责声明：

本文所载程序、技术方法仅面向合法合规的安全研究与教学场景，旨在提升网络安全防护能力，具有明确的技术研究属性。

任何单位或个人未经授权，将本文内容用于攻击、破坏等非法用途的，由此引发的全部法律责任、民事赔偿及连带责任，均由行为人独立承担，本站不承担任何连带责任。

本站内容均为技术交流与知识分享目的发布，若存在版权侵权或其他异议，请通过邮件联系处理，具体联系方式可点击页面上方的联系我。

本文转载自：ITPAPA ITPAPA ITPAPA《Skill 只是 AI 发展的过渡产物，真正的终局是自主智能》