Skills 已经多到看不过来的程度了。
仅仅在 OpenClaw 的官方技能商店 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 的官方技能商店 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 官网
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。
01 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。
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。
02 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、不愿依赖官方商店的关键。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。
03 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。
长宏网配资提示：文章来自网络，不代表本站观点。
