文章探讨了 AI 编程助手（Agent）在技能扩展方面的认知误区。作者引用了 Vercel 针对 Next.js 新 API 处理的严谨实验对比，发现单纯安装 Skills 却不进行显式强调时，AI 的测试通过率甚至会低于基线水平。实验证明，在项目根目录设置 `AGENTS.md` 文件，将关键知识和规则直接写入其中，能让 AI 的 Build、Lint 和 Test 通过率达到 100%。作者分析认为，AI 的思考方式具有类人性，存在决策成本和工具遗忘风险，因此“无决策点、始终可用”的上下文约束在实践中远优于灵活但依赖主动调用的工具系统。
原创 刘小排 2026-01-30 00:13 北京
装了一大堆Skill以后，我一直在思考一个问题： 我的AI Coding Agent编程能力，会因为Skill装得多，编程能力就自动提升了吗？
哈喽，大家好，我是刘小排。
Skills真是一个伟大的发明，相信你也和我一样，对各种新奇的Skills爱不释手。
装了一大堆Skill以后，我一直在思考一个问题： 我的AI Coding Agent编程能力，会因为Skill装得多，编程能力就自动提升了吗？
正好，最近Vercel做了一个严谨的实验，很好的解答了我的疑惑。
如果没有耐心，我先告诉你省流版答案： 答案是NO！装再多Skill，AI的编程能力都不会自动提升！ 但是你可以“显示声明”要调用的Skill，更好的方法是写到AGENTS.md里进行强调，能得到明显提升。
我想，这可能是因为AI的思考方式比较像人。有时候，你让人去完成一个什么任务，他也往往会忘记自己已经拥有的某个工具，除非你特别强调。
以下是实验数据。看到第二行没有？
装了 Skill，默认情况下，跟没装一样。 甚至 Test 通过率还降了 5 个点。
就算你在提示词里显式告诉它"先探索项目，再调用 Skill"，也只能到 79% 的综合通过率。
而一个 markdown 文件，直接拉满到 100%。
我一个来自明星AI创业公司的朋友，他在看完文章后直言：「什么“渐进性暴露”，都是白扯！」
Vercel的实验？
Vercel的实验特别聪明。
想解决一个很现实的问题：AI 编程助手的训练数据是有截止日期的，新出的框架 API 它根本不知道。比如 Next.js 16 刚出的 'use cache'、connection()、forbidden() 这些新 API，你让 Claude 或者 GPT 去写，十有八九写错。
怎么办？两条路：
-
Skills —— 一套打包领域知识的开放标准，包含文档、提示词、工具，Agent 需要的时候自己去调用
-
AGENTS.md —— 在项目根目录放一个 markdown 文件，把关键知识写进去
听起来 Skills 更高级对吧？毕竟是一套完整的系统，按需加载，模块化设计，很工程化。
结果呢？
开头你也看到了。
感兴趣的同学可以阅读原文
https://vercel.com/blog/agents-md-outperforms-skills-in-our-agent-evals
为什么 Skill 拉胯了？
Vercel 团队的分析很到位，但我想换一个更直白的说法：AI 大模型的思考方式，其实很像人。
你想想，你是不是也经常这样：
-
买了一堆效率工具，Notion、Obsidian、Flomo、滴答清单……最后还是用微信收藏
-
订阅了一堆 newsletter，从来没打开过
-
收藏了一百个「稍后阅读」，从来没有「稍后」
-
学了一堆快捷键，干活的时候还是用鼠标点
你手上明明有工具，但你就是想不起来用。
除非有人在你耳边反复念叨："用那个工具！用那个工具！"
AI 也一样。
Skills 的设计理念很美好：当Agent发现问题，可以自己去找发现工具来解决问题。
但这个链条有太多环节可以出错：
-
它可能根本没意识到自己需要帮助（"这个 API 我会啊"——然后写错）
-
它知道有 Skill，但忘了调用（人类程序员看了都觉得亲切）
-
调用的时机不对（先写了一半代码，再去查文档，改起来更麻烦）
-
调用的措辞稍微变一下，结果就完全不同（Vercel 原话："wording was fragile"）
这就是为什么 Skill 在"默认行为"下跟没装一样。
你以为它会主动用，但它就是不用。
AGENTS.md 为什么能 100%？
答案简单到让人怀疑人生：因为它不需要 Agent 做任何决策。
AGENTS.md 就放在项目根目录，Agent 每一轮对话都能看到。不需要它判断"要不要调用"，不需要它选择"什么时候调用"，不需要它纠结"调用哪个"。
它就在那儿，避无可避。
Vercel 总结了三点：
-
No decision point —— 没有决策点
-
Consistent availability —— 始终可用
-
No ordering issues —— 没有顺序问题
翻译成人话：不给它选择不看的机会。
这让我想起一个管理学的老梗：
不要考验人性。
同理，不要考验 AI 的主动性。
与其相信它会主动做正确的事，不如直接把正确的信息塞到它脸上。
我的思考
这个实验结果，其实揭示了一个更深层的问题：
我们对 AI Agent 的期待，可能从一开始就错了。
我们总想着让 AI 变得更"智能"、更"自主"、更"会判断"。所以我们给它装各种插件、各种 Skill、各种工具，期待它能像一个资深工程师一样，知道什么时候该用什么。
但现实是，它就是会忘，就是会漏，就是会判断错误。就和人一样。这不是AI的Bug，这是AI的本性。
你给它越多选择，它越容易选错。
反而是最笨的方法——直接把信息塞进上下文，不给它任何选择的余地——效果最好。
少即是多，约束即自由。