从没人听懂到全网刷屏:Skills 这个冷词是怎么火的,gstack 又站在曲线的哪一段
从没人听懂到全网刷屏:Skills 这个冷词是怎么火的,gstack 又站在曲线的哪一段
去年这个时候,你跟一个程序员说“给我装个 Skill”,对方大概率会以为你在说英语四六级。
现在不一样了。掘金上一篇盘点“2026 编程圈最火的 10 个 Skills”的文章,阅读量冲到三万七,收藏两百多;CSDN、知乎、腾讯云开发者社区里,隔三差五就冒出一篇“某某 Skills 深度拆解”。一个原本只在 AI 圈内部流转的术语,硬是在半年里变成了大众词。
而在这波热度里,被反复提起的一个名字是 gstack。它是 Y Combinator 现任 CEO Garry Tan 开源的“AI 虚拟工程团队”,MIT 协议,全部免费。
有意思的地方在于:Skills 这个词火起来是有节奏的,gstack 恰好踩在了一个很微妙的位置上。今天咱们就用大白话聊聊,这条曲线到底长什么样。
一、先说人话:Skills 到底是个啥?
你可以把 AI 想象成一个刚招进来的实习生,脑子很聪明,但不知道你们公司的规矩。
你直接跟他说“帮我做个登录页”,他会给你做,但可能配色辣眼睛、按钮点不动、代码里还埋着三个坑。因为**“会写”和“按流程交付”是两码事**。
Skills 就是给这个实习生发的一本岗位操作手册。
不是随口一句叮嘱,而是一份写死的流程文件:先干什么、后干什么、干到什么程度算合格、哪些红线不能碰。AI 每次接到相关任务,就自动翻到对应那一页,照着做。
所以圈内有个特别形象的对比:普通提示词是“建议”,AI 可以听也可以不听;Skill 是“流程”,AI 得一步一步走完。
一个 Skill 说白了就是一个文件夹,里面放一份 Markdown 写的说明书,可能再带点小脚本和参考文件。不神秘,不烧显卡,本质上是把老师傅的经验,变成了 AI 看得懂的作业指导书。
二、这条曲线的第一段:概念出现,先在小圈子冒烟
2025 年 10 月,Anthropic 把 Agent Skills 做成了一套开放格式:一个文件夹,一份说明书,谁都能写,谁都能装。
那会儿它还是个纯粹的“圈内黑话”。会写的人不多,写得好的人更少,大部分开发者还在忙着跟 AI 聊天、复制粘贴、然后再骂它写错。
但这一年发生的变化是:大家突然意识到,光有好模型不够,还得有好流程。
模型再聪明,每次对话都是失忆的。你今天教它“提交代码前必须跑测试”,明天开个新窗口,它又忘了。Skills 干的事,就是把这些规矩固化下来,让 AI 每次上班都自动带上工牌和纪律。
这就是它从一个技术名词,变成一种“工作方式”的起点。
三、第二段:被模仿,然后开始鱼龙混杂
一个概念真正变热的标志,不是有人夸,而是有人抄,而且抄得铺天盖地。
到今年年中,GitHub 上的 Claude Code Skills 已经数以千计,各路市场加起来条目数十万。各种“十大 Skills 榜单”“必装 Skills 清单”满天飞。
但热闹背后有个扎心的数据:有博主专门测了 100 个社区 Skill,结论是七成不合格。真正能天天用、用了不后悔的,不超过十个。
这其实特别像早年的手机 App 市场。刚开放的时候人人都在做 App,一年之后活下来的只有那么几个。概念被模仿的阶段,注定是泥沙俱下的。
那什么样的人能活下来?答案是:写得足够具体、足够“轴”、足够像真人的经验。
gstack 就是这时候冒头的。它背后不是一群工程师闷头做工具,而是一个当了二十年产品、现在管着 YC 的人,把自己每天真实在用的东西直接开源了。
它干的事听着挺唬人:把 AI 变成一支 23 人的工程团队。CEO、工程经理、设计师、代码审查员、QA、安全官、发布工程师,一个不落。
但落到操作上,其实就一句人话:你不用再跟 AI 说“帮我写个功能”,你说“开个会”,然后它开始按岗位跟你掰扯。
比如你兴冲冲地说“我要做个日历简报 App”,它会先反问你:你到底在解决什么痛?谁疼?疼到什么程度?
然后它会告诉你一句可能不太中听的话:你想做的不是日历 App,你想做的是一个私人幕僚长。
这句话会把你原来的方案整个推翻。但它推得对。
四、为什么偏偏是“设计类技能”先炸了?
这波 Skills 热潮里,最先出圈的几乎都是设计类,不是代码类。
原因特别简单:代码好不好,普通人看不出来;页面丑不丑,一眼就知道。
我让 AI 写一段排序算法,你没法评价。但我让 AI 生成一个落地页,你三秒钟就能说出“这个紫色不行”。
gstack 里有个技能叫 /design-shotgun,中文可以理解为“设计霰弹枪”。你描述想要什么风格,它一口气生成 4 到 6 个不同版本的界面,然后在你浏览器里摊开一张对比板,让你挑。
你说“留白再多点”“标题再狠点”“把那个渐变换了”,它重新生成一轮。来回几轮之后,它甚至开始记住你的口味,越来越懂你要什么。
这个体验对普通人极其友好。因为你不需要会写任何东西,你只需要会看和说。
更关键的一步在后面:它生成的 DESIGN.md 是一种开放格式,另一款设计检测工具 impeccable 能读,Google 的 Stitch 也能读。同一份设计说明书,几家工具通用。
这就是从“我做了个功能”迈向“我参与定了个标准”的分水岭。
据说 gstack 内部把 impeccable 的 61 条设计规则逐条对齐了,同一套规则编号,在代码审查、上线检查、设计审查里通用。听上去很工程,但对用户的好处就一句话:不同的 AI 说同一套人话,不会各说各的。
五、第三段:被标准化,竞争点转向“能不能互相接上”
这是我最想聊的部分,也是 gstack 真正有意思的地方。
概念火到一定程度,就会有人开始抢着定义标准。但你注意观察,现在真正的竞争已经不是“谁的技能更多”,而是**“技能和技能之间能不能接得上”**。
举个特别生活化的例子。
你请了一个设计师、一个工程师、一个测试,三个都是高手。但如果设计师的稿子工程师看不懂,工程师的代码测试不知道从哪下手,这个团队照样翻车。
gstack 的设计思路就是死磕这条“接力线”。
它把整个开发流程拆成七步:想清楚、做方案、写代码、审查、测试、上线、复盘。
重点在于,上一步的产出,会变成下一步的输入。你前面跟它聊出来的设计文档,后面的方案评审会自动读;工程评审定下的测试计划,QA 环节会直接拿去用;代码审查发现的问题,上线环节会回头确认到底修没修。
不是八个工具摆在一起,而是一条能跑通的流水线。
它还有个特别“班主任”的机制:技能可以声明“我干完必须交出哪几样东西”,交不出来,AI 想收工都不行,会被拦一次,告诉它缺什么。
这招挺狠,但解决了一个真实痛点:AI 最擅长的就是干到一半说“已经完成了”。
现场效果有多直观?官方演示里,一句“我想要个日历简报 App”,聊完需求,AI 写出两千多行代码、改了十一个文件,大约八分钟。接着代码审查自动修了两个问题,还揪出一个竞态条件让人类拍板;QA 环节打开真浏览器,一页页点过去,找到一个 bug,当场修好、补上回归测试、再验证一遍。
这才是普通人真正能感知的“AI 帮忙”,而不是“AI 给你一堆看起来很像代码的东西”。
六、兼容性之战:它已经能装进十几种 AI 工具里
如果说前两个阶段的竞争是“谁写得更好”,那现在拼的就是“谁能装到更多地方”。
这一点 gstack 走得很前面。除了 Claude Code,它还能装进 OpenAI Codex、Cursor、Gemini CLI、GitHub Copilot CLI、Kiro、OpenCode,以及 OpenClaw、Hermes 这类新兴的 AI 助手。
对不同平台,它还分了等级:有的叫“完整支持”,意思是真跑过一遍完整流程、有记录可查;有的叫“实验性”,装得上、跑得通,但还没做过完整验收;有的只给说明书,让你自己粘。
这个分级挺诚实。不吹“全都完美支持”,而是明说“这个我还没验过”。
它甚至有一套自动化的“一致性测试”,把每种工具都装进一个干净的临时环境里,检查装到哪、有没有重复、能不能正常升级。
再往深一层,它还考虑了一个大多数人想不到的问题:说明书太厚,AI 也会吃不消。
gstack 的技能说明加起来体量很大,所以它做了“分模型加载”:给能力最强的模型配精简版,给普通模型配完整版。官方的说法是,只有实测证明精简版不掉分,才会真的精简。
Skills 也要减肥,这事儿听着有点荒诞,但特别真实。
七、普通人的真实门槛:一台普通电脑就够了
说到这儿,很多读者最关心的还是那句:我能不能用?
能,而且门槛低到有点意外。
不需要独立显卡,不需要本地跑大模型,不需要懂代码。它跑在你的电脑上,调用的是云端模型,所以一台普通的笔记本就行。
安装过程官方说是三十秒,本质上是让 AI 自己执行两段指令,剩下的它自己搞定。前置条件也就三样:一个 AI 编程工具、Git、还有 Bun 这个运行时。
费用呢?项目本身 MIT 协议,永久免费,没有高级版,没有等待名单。你要花的钱,就是模型调用本身的费用。
那适合谁?
第一类,一个人干活的小团队或创业者。 你既是老板又是产品又是开发,最缺的不是打字速度,而是有人拦你一句“这个方向不对”。
第二类,刚开始用 AI 写代码的新手。 空白对话框最吓人,AI 问你要干嘛,你不知道怎么描述。给你一套现成的岗位和流程,反而容易上手。
第三类,被 AI 代码坑过的老手。 你已经受够了“能跑就行”的代码,想在提交前多一道真正的把关。
至于完全不写代码的朋友,也不是没得玩。设计类的几个技能,本质上是“帮你看方案、帮你挑风格、帮你出图”,用起来的感受更接近请了个审美在线的朋友。
八、一点冷水:数字很炸,但要看清前提
Garry Tan 自己晒过一组数据:六十天里做出三个生产服务、四十多个功能,还是在他全职管 YC 的间隙。他还说,按“逻辑代码变更量”算,2026 年的产出速度是 2013 年的八百多倍。
图我也找来了,是他自己 GitHub 提交记录的对比:


同一个人,十多年后,密度完全不是一个量级。
但这里得说句公道话:AI 会让代码行数虚高,这是行业公认的。 有意思的是,作者本人专门写了一篇长文解释方法论和局限,没有装作这个数字毫无水分。
这也是我对他有点好感的原因。一个工具好不好,不看它吹得多响,看它敢不敢把自己的算法摊开给你看。
九、写在最后:这条曲线,现在走到哪了?
回头再看那个问题:Skills 从冷词变热词,gstack 赶上了哪一段?
我的判断是:它赶上了“被模仿”往“被标准化”过渡的那一段。
概念已经有人认了,模仿者已经铺满街了,接下来拼的不是谁功能多,而是三件事:
一是能不能被别的工具读懂。你写的设计文档、定的规则,别人家的工具认不认。
二是技能之间能不能接力。单个技能再强,接不上就是孤岛。
三是敢不敢承认自己哪里还没做好。分级、实测、写清楚限制,这些都不性感,但决定了一个项目能不能撑过第三年。
gstack 在这三件事上都下了重注,也都有明显短板,比如它终究还是绑在特定 AI 工具生态上,玩不转的人不少。
但这不影响它给整个行业提了个醒:
未来决定 AI 好不好用的,可能不再是模型多聪明,而是你有没有把“怎么干活”这件事,认真写下来。
最后抛个问题给大家聊聊:
如果让你给自己的日常工作写一份“技能说明书”,你最想固化下来的是哪一件事?是每周的周报,还是跟客户扯皮的话术,还是你家孩子写作业的那套流程?
评论区见。