真正的Skill商店为何转向微信公众号与小红书平台
我们正处在一个技能大爆发的时代，但面对海量的选择，却常常感到无从下手。
技能的数量已经多到看不过来的程度了。
仅仅在 OpenClaw 的最新技能商店 ClawHub 里，Skills 数量已经突破了 5 万个，覆盖内容创作、数据处理、自动化办公等全场景。
OpenClaw 的最新技能商店 ClawHub｜图片来源：ClawHub
与此同时，互联网大厂与 AI 公司纷纷布局 Skill 商店，比如腾讯的 SkillHub，字节扣子的技能商店，阿里版「龙虾」JVS Claw 内置的技能库等等。
腾讯的 SkillHub，为中国用户优化的 AI Skills 社区｜图片来源：SkillHub 正式
按理说，这应当是继 AppStore 之后的又一次「分发革命」，大厂和 AI 公司们也都试图在积极抢占这个新的 AI 能力分发入口。
但现实并不如预期。
从用户反馈来看，各种「Skill 商店」的使用率并不高，许多平台上充斥着重复、低质量或无人访问的技能页面。反而，在过去两个月里，「微信公众号」和「小红书」成为了最主要的 Skills 发现与传播渠道。
越来越多人，换掉了去「商店」搜索的习惯，而改成在社交平台刷内容找 Skills。
很多时候，真正让某个 Skill 爆火、被广泛使用的关键来自于：一篇公众号文章、一条小红书的「工具推荐」、或者一篇 X 上的帖子。
换句话说，一个本该由「应用商店」承载的分发体系，现在却被内容平台接管了。
为什么是微信公众号和小红书，接住了这波流量？
如果我们去复盘一个 Skill 是如何火起来的，会发现一个比较清晰的路径，它们往往不是「被搜索」，而是「被种草」。
一个典型链路大概是这样的：
某个创作者、博主在公众号写了一篇类似《我用这个 AI 工具，把一周工作压缩到一天》、《最实用的职场 Skills 清单》的文章；或者在小红书发了一篇《这 5 个 AI 工具让我效率翻倍》的帖子。诸如此类。
小红书上关于 Skills「种草」的帖子｜图片来源：小红书 App
而后，这些文章和帖子被大规模收藏、点赞、转发，大量用户再去安装相应的 Skills。
Skills 的传播没有像 App 那样可以靠搜索、靠排名。
一方面，这可能是因为传统 App 商店的分类方式是「工具类型」：社交、效率、游戏、摄影等等。但 Skills 的真实入口，是「具体问题」，比如，我今天要写方案，我要做汇报，我要剪视频——这些需求是高度个性化的、模糊的，不容易被分类和搜索。
另一方面，用户更加追求结果导向，而不是过程导向。过去，用户会关心一个 App 的界面是不是好看、交互是否友好，但用户大多并不关心 Skills 相关的 UI 界面是否漂亮、优美、简洁，大家只关心它输出的结果好不好。
因此，一个 Skill 是否被传播，取决于一个非常简单的问题：
它能不能给出一个「肉眼可见的结果」？
也就是，输出质量和任务成功率。比如：一键生成 10 条爆款标题、30 秒做出一份完整 PPT 等等。这些内容天然适合在内容平台展示，因为它们具备「展示性」。
而传统的「应用商店」，很难在内容里直接证明自己的价值。在微信公众号和小红书上，创作者们可以先展示 Skills 的工作结果，再引导使用。这使得内容平台成为天然的分发渠道。
还有一个关键要素，是信任背书。
在 AppStore 时代，用户愿意信任平台机制：下载量、评分、排名。但在 Skills 时代，这套机制几乎失效了。用户更愿意相信的是：某个 KOL 的推荐、某个创作者的真实体验，或者某个同行的使用案例。
也就是说，信任从「平台」转移到了个体。其中一部分原因在于，Skills 的工作机制不透明，像个「黑箱」，用户只知输入输出，不知其分析指令、调用工具、做出决策的过程。
这不仅降低可靠性，还存在安全隐患——部分 Skills 存在投毒风险，可窃取密码、部署木马，而用户因不了解工作机制，难以提前识别。
这可能也是为什么公众号、小红书会成为 Skills 传播的核心阵地——它们本质上在承担「信任分发网络」的角色。
将以上三个原因叠加在一起，我们会发现，Skills 的分发，本质上更像内容消费，而不是软件分发。
用户不是在下载、安装一个工具，而是在「购买一种能力」。而内容平台，正好是能力被理解、被信任、被传播的地方。
Skills 的未来，卡在了「评估体系」
越来越多的专业人士正将自己的工作经验、工作流、方法论，提炼开发为一个个 Skill，散落在各处。如果把时间拉长来看，今天的 Skills 生态面临的挑战，是一个更大的问题：
这些 Skills 如何被评估和交易？
移动互联网时代，AppStore 能成功，是因为它建立了明确的反馈和信号：下载量、评分、排名。这些数据形成了可执行的市场机制——好应用能上升，差应用被淘汰。
Skills 市场却缺乏这种「质量标准」。
原因首先在于，Skills 的性质与 App 完全不同，它属于一种「黑箱能力」，输出不可标准化，结果难以直接对比。
App 的功能基本都是确定性的：一个拍照 App，画质好不好可以直接比较。但 Skills 的结果，往往是开放性的：文案有没有「感觉」？分析有没有「洞见」？策略是否「可执行」？这些都高度主观。
其次，输出结果「好不好」高度也依赖上下文。
一个 Skill 在某个场景下表现很好，在另一个场景下可能完全失效。例如，对中文语境优化很好，但英文表现一般；对某个行业数据熟悉，但换个行业就不行。
另外，Skill 的运行是否足够经济。一个 Skill 调用了什么模型，完成一个任务要消耗多少 token，目前也很难量化。
当以上问题叠加，就会导致一个结果，传统应用商店的评分机制也很难评判哪个 Skill 更好。
这带来的直接后果，就是低质量泛滥。在多个 AI 平台的「Skill 商店」中，大量技能功能重复、标题党式命名，例如 10 个不同版本的「万能写作助手」，但 90% 的逻辑都相同。同时，优质技能因缺乏曝光难以被发现。
这也是用户宁愿相信博主、不愿依赖最新商店的关键。而市场反馈机制缺失，对于开发者来说，也缺乏参考标准改进产品，只能「凭感觉」迭代更新。
如果说，未来我们交易的可能是一个写报告的能力，一个做分析的能力，一个自动执行任务的能力。那么，要让这种交易成立，至少要满足：
能被理解（用户知道它能做什么）；
能被信任（用户相信它会做好）；
能被比较（用户知道哪个更好）；
公众号和小红书解决的是第一个和第二个问题，但第三个问题——让 Skills 被比较、被定价的评估体系——仍然相对空白。
目前，各种「Skill 商店」只是一个看起来像市场，实际上却还没有评估体系、价格机制的地方，很难被用户真正接纳。
如何评估 Skills？
因为 Skills 的评估体系，目前还相对空白，我们可以试着推演几个可能的评判维度。
第一个，针对于 Skills 的评判，可能更需要的是能力图谱。
一个 Skills，不是好或不好，而是在什么任务上表现好，在什么任务上表现差。这更接近一个「能力图谱」，而不是只打几颗星。
第二个，可能需要引入「成本维度」。
在 AI 时代，一个不同的变量是「成本」，这是 App 时代不需要考虑的。同样完成一个任务，A Skills 消耗 500 tokens，B Skills 消耗 5000 tokens。在大规模使用时，这会变成巨大的差异。
因此，未来的评估体系，必须同时考虑：成功率、成本、延迟。这有点类似于对于云计算的考核标准，而不是传统软件。
第三，可能需要引入「可解释性」和「安全审计」维度。
因为随着 Skills 开始接入更多真实世界能力（邮件、文件、支付等），风险问题会迅速放大。或许需要某种「第三方评测、审计机构」来评估 Skills 的数据使用方式、检测潜在安全风险等等。
因此，未来可能出现一种新类型的平台，即「AI 能力评测与认证机构」，负责为各类 Skills 出具「能力报告」，包含准确率、能耗、安全级别、兼容性等指标。
当然，也有一种可能，「Skill 商店」在 AI 时代并不会是一种很重要的角色。
极客公园编辑部近期对多位创业者的访谈当中，一个普遍被提及的观点是，Skills 可能是「中间态」，个性化的端侧模型是未来。
也就是说，未来个人数据，可以通过后训练的方式训练进一个专属的端侧模型中。
现在的 AI 记忆主要通过外部数据库（如 RAG）提取，而未来端侧模型可以直接内化这些记忆和技能。这样模型在理解用户信息、记忆调取速度以及执行技能的泛化能力上，都会有质的提升。
不过，无论是哪种可能，如今创作者通过体验和验证，弥补了市场机制的缺位，通过内容来制造了「信任」。
而未来，如何评估 Skills？它如何通向未来的生产力重构？都是一个值得探讨的开放式问题。
*头图来源：极客公园
相关攻略
在智能体（Agent）开发与功能扩展领域，Skills（技能）和 MCP（模型上下文协议）是两个至关重要的概念。它们虽然都与“能力”相关，但扮演着完全不同的角色。简单来说，Skills 是智能体执行具体任务的功能模块，例如“查询天气”或“分析数据”；而MCP 是由 Anthropic 提出的一套开放
上海交通大学与小红书团队提出MMSkills，将技能库升级为多模态程序性知识，使视觉Agent能识别关键状态并决策。该方法通过状态卡片、多视角关键帧和分支加载机制管理多模态信息，减少干扰。实验证明其在多个视觉任务中有效提升性能。
最近，关于“Skills + CLI 将取代 MCP”的讨论在社区里沸沸扬扬。自从 OpenClaw 带火了这套组合，似乎到处都能听到类似的论调。 平心而论，在本地开发 Agent 的场景下，Skills + CLI 的优势确实明显。一个 SKILL md 文件加上一行命令，比起配置一个完整的 MC
在人工智能领域，一个能够自主思考、规划并执行任务的智能体，已经远远超越了传统问答机器的范畴。它更像是一位数字化的战略指挥官，能够解析复杂目标、拆解任务步骤，并驱动整个系统协同完成。本文将深入解析构成现代AI智能体系统的四大核心要素：智能体（Agent）、工具（Tools）、技能（Skills）与模型
在智能体（Agent）生态系统中，技能（Skill）正迅速演变为一个关键的安全攻击面。其根本原因在于：当前大量智能体依赖社区贡献的技能来扩展功能，而一个技能包通常不仅包含自然语言说明文档，还可能内嵌可执行脚本、依赖声明以及权限请求。它表面上看似一个简单的“功能插件”，但实际上可能获取智能体的核心执行
热门专题
热门推荐
今年三月，谷歌DeepMind高级科学家Alexander Lerchner发表了一篇重磅论文，其核心结论清晰而深刻：基于算法的符号操作在结构上注定无法产生真正的意识——无论未来模型规模如何庞大、架构如何精巧，甚至是否为其配备仿生身体，这一根本性限制或许都无法被跨越。 仔细审视这一论断，它并非一个关
研究针对AI助手难以执行复杂屏幕操作的问题，构建了CUActSpot评测基准，通过代码渲染自动生成含精确坐标的多样化训练数据，并训练了一个40亿参数模型。实验表明，提升训练数据多样性比单纯扩大数据规模更能有效增强模型通用操作能力，并展现出跨任务泛化潜力。
《迷你世界》于2026年5月15日发布全新激活码，玩家可凭兑换码领取酷炫角色装扮、迷你币及稀有道具，请及时复制有效激活码前往游戏内使用。
《我的世界》于2026年5月17日发布免费兑换码EMMMyxhjVHMApsb2，可兑换游戏道具与装饰。兑换码常有时间或次数限制，请尽快使用。更多兑换码可查看官方汇总页面。