Agent Skills是什麼？從業界知識蒸餾趨勢到學生學習歷程課題

AI Agent 時代不少企業正在默默做一件事—把資深員工的隱性知識蒸餾成 AI 可執行的 Skills，讓原先繁複、需要經驗積累的任務不再依賴特定的人，轉化為可供 AI 執行的穩定流程，正巧在同一個時間，台灣高中生每年花費數百小時整理學習歷程檔案，向大學端說明自己在高中自由探索中的學習軌跡，兩件事看似毫不相關，卻共享同一個根本問題：

這份記錄或這個蒸餾，究竟是在提煉真正的知識，還是在包裝預期中的形象？

Agent Skills 是什麼？AI Agent 為何需要 Skills

要理解 Skills 在 AI Agent 架構中的角色，首先需要了解一般聊天機器人（Chatbot）和 AI 代理人（Agent）的差異，當你使用聊天機器人，每一次對話都是全新的開始；你必須重新說明背景、指定格式、解釋目標，然後希望 AI 這次的輸出剛好符合你的需求，這種模式缺少一個穩定的「執行框架」，聊天機器人就只是「光說不練」而已。

AI Agent 的設計則試圖解決這個問題，一個完整的 Agent 架構由四個組件構成：

• Model（核心語言模型）：理解、推理、生成
• Workspace（知識庫）：存放任務相關的脈絡資料
• Skills（技能包）：把可重複執行的任務邏輯包裝為可調用的流程
• Orchestration（任務調度）：決定何時呼叫哪個組件、如何交付結果

其中的 Skills 就是讓 Agent 從「每次都要重新說明」升級為「代理執行工作流程」的關鍵。Skills 本質上就是將重複性行為中的關鍵邏輯提取並加以組織，把可重複執行的任務邏輯，如：步驟順序、判斷條件、輸出格式，濃縮成一個可調用的流程包，有了 Skills，AI 不需要每次從零推理，而是直接套用已驗證過的執行路徑，可以簡單類比為 AI Agent 的「肌肉記憶」：不需要思考，直接執行，而且每次執行任務的產出品質都趨於一致。

但這邊有一個容易被忽略的關鍵前提：一個有效的 Skills 是真正做過並驗證過的工作流程知識。一個從未真正執行過、建立在空想規劃的流程，包裝成 Skills 後只會穩定地輸出錯誤。

業界正在把人類經驗知識蒸餾成 Agent Skills

隨著 OpenClaw（俗稱「龍蝦」）、Hermes（俗稱「愛馬仕」）、Codex、Claude code 等 Agent 的架構逐漸成熟，企業們爭相將 Agent 導入，面臨的首要挑戰即是「到底要讓 AI 代理到什麼程度？」而 AI 代理的程度則受到其可運行 skills 的影響，換言之，要讓 Agent 有效代理工作，就必須先把員工的知識提取出來。這個過程業界稱之為「知識蒸餾」（Knowledge Distillation）。此處的「知識蒸餾」並非機器學習中的模型壓縮技術，而是借用此概念，指將人類隱性知識系統化、可操作化的過程。

2025 年 10 月，Anthropic 推出 Agent Skills 開放標準，定義 Skills 為：可重複使用的指令集，用來把特定工作流程、標準與領域知識「教給」AI，讓個人的工作經驗成為整個團隊都能調用的執行攻略。截至 2026 年初，在 GitHub 上已有超過 85,000 個公開 Skills 上線，Vercel、Stripe、Supabase 等 27 個主要企業平台都發布了官方 Agent Skills。與此同時，Gartner 預測，2026 年底，40% 的企業應用程式將內建任務型 AI Agent，而 2025 年的比例還不到 5%。

隨著這波浪潮，企業也開始系統性地把員工的隱性知識（tacit knowledge）提取出來，蒸餾成 AI 可執行的 Skills。想像一位在公司工作十年的資深客服專員，她處理客訴時的應對節奏、判斷升級時機的直覺、安撫客戶情緒的話術，都是在無數次真實互動中磨出來的經驗積累。

當企業要把她的工作邏輯蒸餾成 AI Skills，第一步就是讓她把自己的流程展開、結構化：什麼情況下升級投訴？什麼語氣讓客戶平靜？哪些問題絕對不能承諾？同樣的蒸餾過程正發生在法務部門、行政流程管理等各個領域，PwC 宣布將訓練旗下 3 萬名專業人員使用 Anthropic Claude，讓 PwC 的顧問把自身的專業判斷流程，如：風險評估邏輯、客戶溝通標準、報告撰寫框架，轉化為企業級 Skills，讓 AI Agent 能夠穩定代理執行。

然而不少企業在蒸餾過程中發現，「做得好」和「說得清自己為何做好」是截然不同的兩回事。

很多表現出色的資深員工，當要求他們把流程語言化、結構化時，對他們而言並不容易，因此多數的蒸餾容易產出缺乏判斷邏輯的 Skills，只能處理標準案例，碰到例外就束手無策，Deloitte 的調查指出，74% 的企業計畫在未來兩年內中度至高度使用 Agentic AI，但其中只有 21% 建立了成熟的治理模型。

這樣的蒸餾難題揭示的現實是：「把事情做好」和「真正理解自己在做什麼」並不是同一件事。能蒸餾自己知識的員工，展現的是對工作本質的掌握；無法蒸餾的員工，即使做得再熟練，在 Agent 時代的協作體系中也會遭遇瓶頸。有研究指出，到 2029 年，至少 50% 的知識工作者將需要發展新技能，以便與 AI Agent 協同工作。「能否把你的知識打包成 Skills」，正在成為一種新的職場能力門檻。

學習歷程的設計初衷與現場的蒸餾困境

台灣 108 課綱下的學習歷程檔案，其設計初衷相當明確：讓學生在高中三年間，記錄真實的學習過程，展現成長軌跡，而非只靠一次考試定輸贏。其初衷很好，然而問題出在執行端，導致對學生真實學習概況的記錄產生蒸餾失真，只要在教育現場待過的老師，都觀察得到學習歷程的常見失真問題：

學習歷程的真正問題不是「做沒做」，而是蒸餾的對象搞錯了，現在多數學生把學習經驗與知識蒸餾成符合「審查委員期待」的形象（常見文句：「教授要看的歷程是……，而不是……」），而不是蒸餾成能積累「未來自己的成功經驗」的真實記錄。為滿足審查委員，需要呈現清晰、整齊、符合評分標準的內容；給未來的自己，需要真實、具體、包含失敗與困惑，當目標受眾是審查委員，學生自然會最佳化包裝，而不是最佳化省思，進而形成了失真學習歷程。

這一套邏輯按 AI Skills 的蒸餾概念，問題一目了然：一個為了應付檢驗而製作的 Skills，輸出看起來符合格式，實際上遇到真實情境就會失效。一份為了通過審查而整理的學習歷程，讀起來有模有樣，對學生自身的學習積累卻貢獻有限，更令人擔心的是這樣的錯誤經驗可能一路被帶到職場，進而成為弱化學生個體競爭力的陋習。

你在為誰蒸餾？AI 時代最重要的能力是什麼？

這不只是教育現場的問題，而是即將進入職場的學生未來能否在 AI 時代立足的核心課題。AI Agent 領域對於高品質 skills 有一個簡單的判斷標準：「一個好的 Skill，讓執行者下次能更好地完成同一類任務。」如果一個 Skills 無法讓下一次執行更穩定、更有效率，那它本質上是個無效的蒸餾，同樣的標準，可以直接套用在學習歷程上：「一份好的學習歷程，讓學生下一次的學習站在更高的起點。」

如果學習歷程整理完，學生對自己的學習邏輯沒有任何新的理解，對下次如何做得更好沒有任何具體想法，那它蒸餾的不是真實的知識，而是一個符合大眾期待的空殼，也是 AI 時代下最容易喪失價值的存在。

當我們要求學生記錄學習歷程，我們究竟是在培養「能持續積累的蒸餾能力」，還是在篩選「能將蒸餾成果包裝得體的展示能力」？這兩件事，長期下來塑造的學生，會是截然不同的人，AI Agent 時代最稀缺的能力，不是會用工具，而是能讓自己的判斷力持續積累的人。這種積累，靠的是真實的省思，學習歷程如果做對了，它本身就是一種 Skills 蒸餾的練習——讓每一次遭遇困難、做出選擇、承擔結果的過程，都成為下一次行動更可靠的基礎。那個基礎不是給大學看的，是給自己用的。