Agent Skills 平台对比：OpenAI、Anthropic、GitHub、Cursor 全面解析

引言

2026 年，Agent Skills 成为 AI 领域的标准配置。各大平台纷纷推出自己的 Skills 实现方案。本文深度对比主流平台的 Skills 机制，帮助开发者选择最适合的工具。

一、平台对比总览

二、OpenAI Skills 详解

核心特点

• 渐进式披露（Progressive Disclosure）：Codex 先加载元数据（name/description/path），必要时再读正文
• 多层级扫描：支持仓库级、用户级、管理员级、系统级技能
• 安装器/创建器：支持 $skill-installer 和 $skill-creator 工具

目录结构

.agents/skills/          # 仓库级
~/.agents/skills/        # 用户级
/etc/codex/skills/       # 管理员级
内置技能                  # 系统级

API 集成

通过 POST /v1/skills 上传并版本化，运行时通过 tools[].environment.skills 引用。

💡 配置技巧：在 ~/.codex/config.toml 中可禁用指定技能，便于应急回滚。

三、Anthropic Skills 详解

核心特点

• 文件系统 + 代码执行环境：Claude 在带文件系统访问的虚拟机中运行技能
• 预置技能库：官方提供文档处理类技能（pptx/xlsx/docx/pdf）
• API 要求：需开启 code execution 容器及多个 beta header

目录结构

.claude/skills/          # 项目级
~/.claude/skills/        # 个人级

与 MCP 的协同

Anthropic 强调：Skills 可将”裸工具访问”变成可靠、优化过的工作流。MCP 负责工具连接，Skills 负责流程编排。

四、GitHub Skills 详解

核心特点

• 开放标准：GitHub 明确宣称 Agent Skills 是开放标准
• 项目级 + 个人级：支持 .github/skills 或 .claude/skills
• 智能注入：Copilot 根据 prompt 与技能 description 决定是否注入 SKILL.md

典型应用

1. CI 失败排查：使用 GitHub MCP Server 工具列出 workflow run、总结日志失败点
2. PR 自动化：自动审查代码、生成测试用例
3. 终端/IDE 场景：可复用流程封装

五、Cursor Skills 详解

核心特点

• Rules vs Skills：Rules = 永久在线文档，Skills = 按需加载
• Hooks 机制：支持在 agent 行为前后运行脚本
• MCP 扩展：可连接 Slack、Datadog、Sentry、数据库等外部系统

典型应用

# 自动化测试循环
1. Agent 修改代码
2. Hook 触发测试脚本
3. 失败则返回步骤 1
4. 通过则提交代码

⚠️ 注意：Cursor Skills 目前在 Nightly 渠道提供。

六、Skills 与 MCP 的关系

核心区别

协同工作模式

MCP 解决”能不能接到工具和数据”，Skills 解决”接到了以后怎么用得像个专业人士”。

七、为什么 2026 年突然爆火？

三条底层原因

1. Agent 变成”能干活的进程”：Cursor 官方提到，模型可以跑数小时、做跨文件重构、迭代直到测试通过。这类长任务天然需要”套路化流程”。
2. 开放标准形成网络效应：SKILL.md 这种”极简文件夹协议”被多平台采纳，团队自然把它当作新的”可移植知识载体”。
3. 分发层产品化：Vercel 在 2026-01 发布 skills CLI，推出 skills.sh 用于发现、排行与统计，技能具备”安装、更新、传播”的工具链。

八、工程化建议

SKILL.md 最佳实践

---
name: "ci-failure-analyzer"
description: >-
  分析 GitHub Actions CI 失败原因，定位错误日志。
  触发：CI 失败、workflow 报错、构建失败
trigger_keywords:
  - CI 失败
  - workflow 报错
  - 构建失败
version: "1.0"
author: "你的团队"
compatibility:
  - git
  - gh-cli
allowed-tools:
  - gh workflow run
  - gh run view
---

## 执行流程
1. 获取最近失败的 workflow run
2. 下载并分析日志
3. 定位失败步骤和错误信息
4. 给出修复建议

Token 预算建议

• 元数据：约 100 tokens
• SKILL.md 正文：建议 <5000 tokens
• 其他资源：按需加载

安全治理

1. 使用相对路径引用资源，避免深层”套娃式”引用链
2. 在配置文件中明确禁用高风险技能
3. 企业环境建议建立技能审批流程

九、未来趋势

• Skill 创作者经济：专家将经验封装为 Skill 出售
• 企业级 Skill 市场：内部知识资产化（客服应答、财报分析等）
• 自动化工作流：AI Agent + Skills 替代大量重复性白领工作
• 标准化协议：Anthropic 推动的 Agent Skills Spec 成为行业标准

总结

选择平台建议：

• 编码工作流 → OpenAI Codex
• 文档自动化 → Anthropic Claude
• GitHub 生态 → GitHub Copilot
• IDE 深度集成 → Cursor

无论选择哪个平台，掌握 Skills 的核心思想——将专业方法论封装为可复用模块——才是关键。

参考来源：各平台官方文档、工程博客、更新日志

YUANLEISVIP

收藏 链接