AI能力体系三层结构解析：如何区分OpenSkills、AgentSkills与Anthropic Skills

在深入探索AI Agent、AI组织与协作时，总会遇到三个容易混淆的概念：OpenSkills、AgentSkills和Anthropic Skills。你是否也困惑于它们究竟是不同的解决方案，还是同一事物的不同表述？厘清这三者的关系，是构建清晰、可扩展的人工智能能力体系的关键。本文将把它们置于一个三层的系统框架中，一次性讲透各自的定位与区别。

OpenSkills：技能描述与交换的“协议层”

首先从最易被误解的OpenSkills谈起。其核心要解决的问题是：现实世界中，人类对“技能”的描述（如“精通Python”）对计算机系统而言是模糊且不可计算的。

OpenSkills的定位，是技能领域的“Schema”或“协议层”。它旨在将技能像数据一样进行结构化、标准化定义，从而实现跨系统的交换与验证。你可以将其类比为：

• JSON Schema：之于数据
• OpenAPI：之于Web服务

它主要关心的是：

• 技能如何被标准化地描述？
• 技能是否有清晰的输入、输出和边界定义？
• 技能定义能否在不同平台和工具间流转？

而它刻意不关心：

• 技能由谁或什么来执行（是人、Agent还是API）。
• 执行的成功率与效率。
• 执行过程的安全与权限控制。

因此，OpenSkills的本质是定义“能力的语言”，而非“能力的执行”。

AgentSkills：面向AI Agent的“可执行能力接口”

如果说OpenSkills是“描述能力”，那么AgentSkills则进入了完全不同的维度——“执行能力”。

当我们构建实际的AI Agent系统时，会遇到一个核心工程问题：一个宣称拥有“数据分析”能力的Agent，系统如何知道它具体能做什么、需要什么工具、以及执行的成功率与成本如何？这正是AgentSkills要解决的。

AgentSkills的本质，是一个可执行、可评估、可调度的能力接口。它描述的不仅仅是“会不会”，更是一个包含以下要素的、可供系统调度的“任务单元”或“微服务”：

• 输入（Input）：明确的任务参数与格式。
• 输出（Output）：预期的结果类型与格式。
• 依赖工具（Tools）：完成任务需要调用的具体API、函数或资源。
• 约束条件（Constraints）：执行的超时、成本、权限等限制。
• 评估指标（Metrics）：如何量化本次执行的成功与否。

AgentSkills面向的是“系统决策与调度”，它让调度系统（或上级Agent）能够基于这些结构化信息，决定是否分配任务、如何分配资源，并预测执行结果。

Anthropic Skills：模型安全与治理的“能力边界”

第三个概念Anthropic Skills最容易引起混淆。看到Anthropic讨论Skills，很多人会误以为这是另一套工程化的Agent能力标准，实则不然。

Anthropic Skills的关注点并非技能的工程化实现或交换，而是模型能力的安全、评估与治理。其核心目标在于：

• 模型能力评估：系统性地评估大语言模型（LLM）是否具备某种抽象能力（如复杂推理、长期规划）。
• 安全边界界定：识别某种能力（如说服、社会影响）可能被滥用的风险。
• 风险控制与对齐：决定是否需要以及如何限制、削弱或延迟模型对某些高风险能力的获取与使用。

例如，Anthropic可能会研究模型的“说服能力”水平，并探讨是否需要在产品层面对其进行约束。这属于“模型能否被允许拥有或展现某种能力”的治理问题。

因此，Anthropic Skills属于模型治理层（Model Governance Layer），与技能交换标准（OpenSkills）或执行接口（AgentSkills）不在同一范畴。

总结：三层能力体系框架

将三者置于同一张系统分层图中，关系便一目了然：

这是一个自上而下、从抽象到具体、从治理到执行的清晰分层：

1. Anthropic Skills（治理层）：定义“能力的伦理与安全边界”。回答“模型是否应该/被允许拥有这种能力？”
2. OpenSkills（协议层）：定义“能力的通用描述语言”。回答“这种能力叫什么？它的标准化定义是什么？”
3. AgentSkills（执行层）：定义“能力的可执行实例”。回答“哪个Agent能用什么工具，以何种代价执行这个能力？”

举例说明：以「网页信息检索与总结」为例

同一个能力主题，在三层体系中有完全不同的处理方式：

• Anthropic Skills层：关注这种检索与总结能力是否可能被用于制造虚假信息或侵犯隐私，从而考虑是否需要施加安全护栏。
• OpenSkills层：关心如何标准化定义“网页信息检索与总结”这个技能类别，包括其输入（URL）、输出（摘要文本）、前提条件（网络访问）等通用元数据。
• AgentSkills层：关心某个具体的“新闻摘要Agent”如何实现这个能力，它可能调用哪个爬虫工具、使用哪个LLM模型进行总结、预计耗时和Token成本是多少。

许多系统在设计初期陷入混乱，正是因为没有区分这三层，例如试图直接用Agent的工具定义（Tool/Prompt）来充当通用的技能描述（Skill Schema），导致技能不可复用、能力不可比较、系统行为难以解释。

理解并遵循这一三层结构，是构建未来模块化、可互操作、且安全可控的AI能力生态系统的基石。