本文深入探讨了AI Agent的Skills系统设计即如何将人类的专业经验“装进”Agent。文章对比了OpenClaw、Claude Code和Hermes三种框架在Skills来源上的不同策略OpenClaw依赖社区共享Claude Code强调个人经验沉淀而Hermes则让Agent自我进化。每种方法各有优劣如OpenClaw的快速启动与安全风险Claude Code的高成本与渐进式披露以及Hermes的自动化学习与质量挑战。文章最后建议结合多种方法实现高效且安全的AI Agent应用。语言模型是通才。它懂很多但不懂你的公司、你的项目、你的工作方式。你想让 Agent 按你团队的代码规范写代码按你的模板写周报用你摸索出来的方法处理某类任务——这些都需要把你的专业经验装进Agent。Skills 就是这个装载机制。一个 Skill 的格式很简单一个 Markdown 文件写清楚这件事该怎么做、注意什么、常见坑在哪里。Agent 需要时加载进来按照这份说明书工作。但这里藏着一个关键问题这份说明书应该从哪里来这不是一个技术问题而是一个关于Agent 应该如何积累专业能力的根本判断。三个框架赌的是三件完全不同的事OpenClaw 赌社区集体智慧——让最懂每个场景的人写出最好的 Skill分享给所有人Claude Code 赌个人经验沉淀——你最了解自己的工作你写的 Skill 最准确Hermes 赌 Agent 能自我进化——执行过程本身就是最好的经验来源为什么要人来整理这三种赌注决定了三个框架在 Skills 生态上的一切设计选择。OpenClaw赌社区集体智慧ClawHubAgent 界的 npmOpenClaw 的 Skills 来自 ClawHub——一个开放的技能市场。任何人发布任何人安装。规模已经相当大超过 31,000 个 Skills覆盖邮件处理、CRM 管理、代码审查、数据分析……你能想到的工作场景基本都有现成的 Skill 可以安装。这个逻辑和 npm 一样让社区里最懂某个场景的人来写这个场景的 Skill。 懂 GitHub 的工程师写 GitHub Skill懂 Notion 的产品经理写 Notion Skill每个人贡献自己最擅长的部分所有人从中受益。冷启动体验是三个框架里最好的——装上 OpenClaw立刻有数万个 Skills 可用不需要自己从零积累。社区赌注的代价供应链攻击开放生态有开放生态的代价。2026 年 1 月安全研究人员发现 ClawHub 上出现了大规模恶意 Skill——341 个伪装成正常工具的恶意包植入了键盘记录器和信息窃取木马专门针对 OAuth Token、API Key 和浏览器密码。后续审计发现恶意或有安全隐患的 Skill 一度超过总量的 20%。这不是小问题。安装一个 ClawHub Skill本质上是在你的机器上执行陌生人写的代码而这段代码拥有和 OpenClaw 本身完全相同的系统权限。ClawHub 没有强制性的代码审核任何人只要有一个超过一周的 GitHub 账号就可以发布没有代码签名没有沙箱验证没有安全扫描。当你把经验来源交给开放社区你同时也把信任边界交了出去。 这是赌社区智慧必须付出的代价也是 OpenClaw 在企业环境里始终面临的核心安全挑战。Claude Code赌个人经验沉淀Skills 的来源你自己写Claude Code 的 Skills 主要由使用者自己创作——你把自己的工作流程、规范、最佳实践整理成 SKILL.md放进.claude/skills/目录Agent 自动发现并加载。Anthropic 提供了一批官方 SkillsPDF 处理、文档编辑等社区也有大量开源 Skill 库但核心逻辑是Skills 是你的专业经验的外化你写什么Agent 就学什么。这和 OpenClaw 的社区市场形成对比。OpenClaw 是去市场找现成的Claude Code 更强调把自己的经验整理出来。代价是门槛你需要花时间写需要懂得怎么写好一份 Skill对非技术用户不够友好。渐进式披露经验越多成本越低Claude Code 解决了一个实际难题如果你写了 20 个 Skills每次 Session 都把所有 Skills 的完整内容塞进上下文窗口立刻就满了。解法是渐进式披露Progressive Disclosure——Skills 的加载分三层第一层启动时~100 Token每个 Skill 只加载名称 描述Agent 知道有哪些经验可用 ↓ 判断当前任务相关第二层按需加载5,000 Token完整 SKILL.md 内容加载Agent 按照说明执行任务 ↓ 执行时按需引用第三层文件系统直接读取0 Token辅助文件、参考资料、可执行脚本不注入上下文直接运行第三层有一个值得关注的设计scripts/ 里的代码不注入上下文Claude 直接用 bash 执行。 这意味着一个 Skill 可以附带几千行 Python 代码却对 Token 成本没有任何影响——LLM 根本不用读这些代码直接跑。所以 Claude Code 的 Skill 内容实际上几乎无上限完整的 API 文档、几百行的处理脚本、大量的参考模板全部可以打包进一个 SkillAgent 只在真正需要时才加载其他时候对上下文成本没有影响。这解决了一个核心矛盾你积累的个人经验越多Skills 越丰富使用成本却不随之增长。Compaction 后 Skills 的持续性上下文满了会触发 Compaction压缩。Claude Code 对此有专门保护压缩时当前已加载的 Skills 会重新附加到压缩后的上下文每个 Skill 保留前 5,000 Token所有 Skills 共享 25,000 Token 的预算。Skills 里的规则和约束在整个任务周期内持续有效——你花时间写进 Skill 的经验不会因为会话变长而消失。Hermes Agent赌 Agent 能自我进化颠覆前提经验为什么要人来写OpenClaw 和 Claude Code 有一个共同假设Skills 由人来写。Hermes Agent 挑战了这个假设如果 Agent 执行任务的过程本身就是最好的经验来源为什么还需要人来整理Hermes Agent 的做法当 Agent 完成一个复杂任务通常是 5 次以上工具调用系统自动把这次执行过程提炼成一份 Skill 文档——步骤、工具选择、遇到的问题、解决方法——写进~/.hermes/skills/。下次遇到类似任务自动加载这份 Skill不用从头摸索。更关键的是Skill 在使用中自我更新。 Agent 发现更好的方法自动修改 Skill 文档。经验在积累方法在迭代。有用户测试装好 Hermes连续执行几个复杂任务两小时内 Agent 自动生成了三份 Skill再跑类似任务的速度提升 40%。全程没有人工干预。这个赌注难在哪里Agent 自动生成 Skill 的难点不是技术是判断。什么任务值得生成 Skill Hermes 用5 次以上工具调用作为启发式规则。简单直接但不精确——有些两步任务其实很值得沉淀有些十步任务每次情况都不同生成的 Skill 泛化性很差。抽象的层次在哪里 做了一件具体的事怎么提炼成下次可以复用的通用方法太具体下次遇到稍微不同的任务就用不上太抽象执行时没有足够的操作指引。质量谁来把关 Hermes 目前没有内置的 Skill 质量评估机制质量完全取决于生成时那次任务的执行质量。好的执行生成好的 Skill糟糕的执行可能沉淀出错误的经验。这是 Hermes 这个赌注最大的风险自我进化的前提是每次执行都足够好。Skills 的共享跨 Agent 的经验传播Hermes 的 Skills 默认是单个 Agent 私有的。但放进共享目录~/.hermes/skills/的 Skills同一台机器上的所有 Agent 都能读取。PLUR 社区插件更进一步——对一个 Agent 的纠正会自动传播给同项目的其他 Agent。一个 Agent 学到的其他 Agent 也学到了。三种赌注三种取舍没有哪种赌注是绝对正确的。你的任务类型多样需要快速覆盖各种场景 → OpenClaw 的社区生态是最快的路径但要认真审查每一个安装的 Skill。你有特定的专业场景对质量和安全要求高 → 自己写 SKILL.mdClaude Code 的渐进式披露让你可以写得很详细而不担心成本。你的任务类型固定且重复愿意让 Agent 慢慢学 → Hermes时间越长积累越多执行越准。最成熟的做法是组合用社区 Skills 快速启动用自己写的 Skills 覆盖核心场景让 Agent 在使用中自动沉淀新 Skills。Skills 的格式已经走向开放标准agentskills.io三个框架之间的 Skills 可以互相复用——这让跨框架组合成为可能。如何学习大模型 AI 由于新岗位的生产效率要优于被取代岗位的生产效率所以实际上整个社会的生产效率是提升的。但是具体到个人只能说是“最先掌握AI的人将会比较晚掌握AI的人有竞争优势”。这句话放在计算机、互联网、移动互联网的开局时期都是一样的道理。我在一线科技企业深耕十二载见证过太多因技术卡位而跃迁的案例。那些率先拥抱 AI 的同事早已在效率与薪资上形成代际优势我意识到有很多经验和知识值得分享给大家也可以通过我们的能力和经验解答大家在大模型的学习中的很多困惑。我们整理出这套AI 大模型突围资料包✅ 从零到一的 AI 学习路径图✅ 大模型调优实战手册附医疗/金融等大厂真实案例✅ 百度/阿里专家闭门录播课✅ 大模型当下最新行业报告✅ 真实大厂面试真题✅ 2026 最新岗位需求图谱所有资料 ⚡️ 朋友们如果有需要《AI大模型入门进阶学习资源包》下方扫码获取~① 全套AI大模型应用开发视频教程包含提示工程、RAG、LangChain、Agent、模型微调与部署、DeepSeek等技术点② 大模型系统化学习路线作为学习AI大模型技术的新手方向至关重要。 正确的学习路线可以为你节省时间少走弯路方向不对努力白费。这里我给大家准备了一份最科学最系统的学习成长路线图和学习规划带你从零基础入门到精通③ 大模型学习书籍文档学习AI大模型离不开书籍文档我精选了一系列大模型技术的书籍和学习文档电子版它们由领域内的顶尖专家撰写内容全面、深入、详尽为你学习大模型提供坚实的理论基础。④ AI大模型最新行业报告2025最新行业报告针对不同行业的现状、趋势、问题、机会等进行系统地调研和评估以了解哪些行业更适合引入大模型的技术和应用以及在哪些方面可以发挥大模型的优势。⑤ 大模型项目实战配套源码学以致用在项目实战中检验和巩固你所学到的知识同时为你找工作就业和职业发展打下坚实的基础。⑥ 大模型大厂面试真题面试不仅是技术的较量更需要充分的准备。在你已经掌握了大模型技术之后就需要开始准备面试我精心整理了一份大模型面试题库涵盖当前面试中可能遇到的各种技术问题让你在面试中游刃有余。以上资料如何领取为什么大家都在学大模型最近科技巨头英特尔宣布裁员2万人传统岗位不断缩减但AI相关技术岗疯狂扩招有3-5年经验大厂薪资就能给到50K*20薪不出1年“有AI项目经验”将成为投递简历的门槛。风口之下与其像“温水煮青蛙”一样坐等被行业淘汰不如先人一步掌握AI大模型原理应用技术项目实操经验“顺风”翻盘这些资料真的有用吗这份资料由我和鲁为民博士(北京清华大学学士和美国加州理工学院博士)共同整理现任上海殷泊信息科技CEO其创立的MoPaaS云平台获Forrester全球’强劲表现者’认证服务航天科工、国家电网等1000企业以第一作者在IEEE Transactions发表论文50篇获NASA JPL火星探测系统强化学习专利等35项中美专利。本套AI大模型课程由清华大学-加州理工双料博士、吴文俊人工智能奖得主鲁为民教授领衔研发。资料内容涵盖了从入门到进阶的各类视频教程和实战项目无论你是小白还是有些技术基础的技术人员这份资料都绝对能帮助你提升薪资待遇转行大模型岗位。以上全套大模型资料如何领取
