Agent Skill
核心事实
时间轴 (近 90 天)
Agentel团队构建了一个手动的、确定性的n8n工作流，用于在采用Agent Skill前审查其注册版本、声明权限、许可证和证据支撑，该工作流已发布在n8n模板库中。
该工作流不安装Skill、不执行Skill代码、不授予权限，最终只产出一份Skill记录和一份额度收据供人工审阅。
MCPMarkets团队抓取了GitHub上5,945个MCP服务器和6,589个Agent Skill仓库，约92%覆盖率，共12,534个去重仓库。
头部1%的MCP服务器仓库拿走了服务器侧47.5%的Star，Skill侧41.7%；前10%合计约83%。
MCP服务器Star分布的Gini系数为0.867，Agent Skill侧为0.882。
Skill侧37.1%低于100星，78.1%低于1000星，中位数160。
Skill仓库在多项指标上比Server更热：中位Star 160 vs 64，总Star 1417万 vs 321万，近六个月有push 84.6% vs 64.2%，万星俱乐部256个Skill vs 54个Server。
服务器侧20.4%休眠1–2年，Skill侧休眠1–2年比例几乎为零。
服务器侧58.4%为MIT许可证，13.5%为Apache-2.0，宽松型许可证合计73.2%，AGPL加GPL共5.0%；Skill侧MIT 53.5%，宽松型合计66.4%，copyleft仅2.9%。
未标注许可证加NOASSERTION状态在服务器侧覆盖21.8%，在Skill侧高达30.4%。
还有 12 条时间轴事件
全部知识事实 (20)
Agent Skill采用按需加载（懒加载）机制，Agent只先读取每个Skill的元信息（name和description），匹配用户需求后才加载完整指令，因此多个Skill共存不会增加Token消耗
70%已验证assets组件用于管理静态资源，如图片、音频、视频等素材文件
65%已验证scripts组件允许Agent执行Skill时调用特定的脚本工具来辅助完成任务
65%已验证一个Agent可以拥有多个Skill，每个Skill负责一个特定领域的任务
65%已验证Agent Skill 模式在 LangChain、AutoGPT 等 AI 框架中已广泛应用
65%待验证会议总结Agent Skill输出包含会议摘要、核心要点和行动项三个固定模块
90%待验证该会议总结Agent Skill内置了情感分析模块，能判断会议整体的情感倾向为积极、消极或中性
85%待验证Agent Skill通过System Prompt工程、输出Schema约束和Few-shot示例注入来实现对LLM能力的专业化封装
75%待验证Skill可以被不同的Agent加载和复用，而提示词通常是一次性的
70%待验证现代Agent Skill体系可以分为三个核心层次：大脑决策层、技能封装层和执行引擎层
70%待验证references组件为Agent提供执行任务时需要查阅的背景知识和实现细节，如API文档、需求文档等
60%待验证该工作流不安装Skill、不执行Skill代码、不授予权限，最终只产出一份Skill记录和一份额度收据供人工审阅。
50%待验证Agentel团队构建了一个手动的、确定性的n8n工作流，用于在采用Agent Skill前审查其注册版本、声明权限、许可证和证据支撑，该工作流已发布在n8n模板库中。
50%待验证仅28.7%的MCP服务器能从README中提取出可执行安装命令，仅34.5%包含可用的mcpServers配置片段；Skill侧安装命令提取率为100%（统一为npx skillfish add owner/repo/path）。
50%待验证MCPMarkets团队抓取了GitHub上5,945个MCP服务器和6,589个Agent Skill仓库，约92%覆盖率，共12,534个去重仓库。
50%待验证头部1%的MCP服务器仓库拿走了服务器侧47.5%的Star，Skill侧41.7%；前10%合计约83%。
50%待验证MCP服务器Star分布的Gini系数为0.867，Agent Skill侧为0.882。
50%待验证Skill侧37.1%低于100星，78.1%低于1000星，中位数160。
50%待验证Skill仓库在多项指标上比Server更热：中位Star 160 vs 64，总Star 1417万 vs 321万，近六个月有push 84.6% vs 64.2%，万星俱乐部256个Skill vs 54个Server。
50%待验证服务器侧20.4%休眠1–2年，Skill侧休眠1–2年比例几乎为零。
50%