热门智能体技能实测：安装量不等于效果

skills.sh 按安装量为 Agent skill 排名。安装量能说明一个 skill 很受欢迎，却不能说明它是否改变了 Agent 实际写出的内容。

因此，我们从 10 月 17 日的 skills.sh 快照中选取了排名前 20 的 skill，让每个 skill 在相同任务上分别接受两组测试：一组加载 skill，另一组不加载。负责回答的两个模型是 Claude Sonnet 5.5 和 Claude Opus 5.5，评判模型是 Claude Haiku 5.5。一共得到 40 项结果。

20 个 skill 中，有 11 个在两个模型上都带来了明确改善。

安装量排名第一的 find-skills（vercel-labs/skills），在两个模型上都造成了明确退步。两次都是同一个搜索请求任务出了问题：加载 skill 后，回答得分约为 0.75；不加载时，得分则在 0.92 到 0.95 之间。find-skills 是一个路由 skill，负责引导 Agent 使用其他 skill。我们测试的是它写出的回答，而不是它转交任务后调用的那些 skill。

reddit-automation（flowkit-labs/skills）：在排序任务上，两个模型都出现了明确退步；在回复任务上，Sonnet 也出现了明确退步。

grill-with-docs 和 hyperframes：仅在 Sonnet 上出现了明确退步。

hyperframes-registry（heygen-com/hyperframes）：Sonnet 的得分从不加载时的 0.43 提升到加载后的 0.98；Opus 则从 0.62 提升到 0.97。

prototype（mattpocock/skills）：Opus 的得分从 0.36 提升到 0.93。

triage（mattpocock/skills）：加载 skill 后，两个模型都拿到了 1.00 的满分；不加载时，得分约为 0.7。

无法下结论的结果

40 项结果中，有 10 项被判定为“回答样本不足，无法判断”。grill-me、tdd，以及 Anthropic 自己的 frontend-design，在两个模型上都属于这一类。

这不等于“没有效果”。它的意思是，即使每组最多生成了 10 次回答，不同次生成之间的回答差异仍然太大，无法判断 skill 究竟带来了改善还是退步。我们宁愿如实写出无法判断，也不愿公布一个重新运行就可能翻转的数字。

对于每个 skill，我们都根据它自身的描述和 README 编写了三个文本任务，并在所有测试开始前固定下来。

每个任务都分别在加载和不加载 skill 的情况下生成回答，每组生成 3 到 10 次，每个回答评分 5 次。

“明确改善”的定义是：至少有一个任务的两组得分区间（均值加减一个标准差）互不重叠，且差距至少为 0.05，同时没有任何任务出现明确退步。只要有一个任务出现明确退步，就优先据此判定，即便其他任务有所改善。

每个 skill 只测试三个纯文本任务，任务由我们编写，而非 skill 作者编写。测试不涉及工具调用、生成的媒体内容或已部署的服务。

这里所说的受欢迎程度，依据的是平台报告的安装量，并不代表质量。

如果你认为某个任务不公平，或者某项结果有误，每个 skill 页面都提供了申请重新测试的链接，而且所有测试凭据、任务集和保留的回答都已公开。

完整表格：每个 skill 都有单独的页面。

第 015 号报告。

利益披露：我是 Driftproof 的维护者，这些结果由这款开源工具生成。

如需采取进一步行动，你可以考虑屏蔽此人和／或举报滥用行为。