我們用150個任務測試了30個skill，跑出7個反直覺結論
核心內容
1. Skill效果並非絕對提升，部分甚至不如裸模型。
2. Skill存在「虹吸現象」，可能導致資源過度集中於特定技能，而忽略其他潛在能力。
3. 在Agent MD中設定的instructions，比skills更有可能被agent觸發與遵守，顯示instructions在實際執行中更具優先性。
4. 隨著Skill數量增加，AI Agent的整體性能反而可能下降，顯示過度複雜化會導致效率降低。
5. 部分Skill僅是「看起來很會」，實際上並未帶來有效成果，反映出設計與實踐之間的落差。
6. 自動斷言Skill的實現，可將接口測試的斷言生成時間從平均30分鐘縮短至5秒，顯示簡化設計能大幅提升效率。
7. 在真實任務中，Skill的應用需結合實際情境，而非僅依賴預設模板，否則容易產生「看起來像bug又像不是」的異常結果。
相關研究與實踐
由Vercel團隊進行的agent md與skills測試，發現instructions在實際執行中被觸發的機率更高，顯示其在Agent行為中具有更強的影響力。
OpenClaw實戰指南指出，透過AGENT.md定義執行流程，可調用多個Skill完成複雜任務，如報告生成與自動化部署。
SkillsBench為首個AI Agent「技能」基準測試，透過86個真實任務與11個領域的系統評估，揭示了Skill數量與性能之間的反直覺關係。
實務建議
- 避免過度堆疊Skill，應聚焦於核心任務與關鍵流程。
- 優先設計清晰、可驗證的instructions，以提升Agent行為的穩定性。
- 定期檢視Skill效能，區分「看起來很會」與「實際有效」的差異。