Google开源Stitch Skills：AI Agent技能标准化新实践

从工具调用到技能封装：Agent开发的新范式

Google Labs近日开源的 stitch-skills 项目在GitHub上迅速走红，单日新增101颗星，累计Star数已突破6500，Fork超过900。这个由TypeScript编写的项目定位清晰：它是一个专为 Stitch MCP服务器 设计的Agent技能库，并遵循 Agent Skills开放标准。

项目的意义不在于代码量本身，而在于它所代表的方向——将AI Agent的能力从零散的工具调用，升级为可复用、可组合的标准化技能模块。对于长期关注AI编程和Agent生态的开发者而言，这是一个值得深入研究的信号。

什么是Agent Skills开放标准

技能与工具调用的本质区别

过去一年，MCP（Model Context Protocol，模型上下文协议）逐渐成为连接大模型与外部工具的事实标准。MCP是由Anthropic于2024年底提出并推动的开放协议，旨在为大语言模型与外部工具、数据源之间建立标准化的通信接口。在MCP出现之前，各家AI产品厂商各自定义工具调用格式，OpenAI有Function Calling，各类Agent框架有自己的插件系统，生态高度碎片化。MCP通过统一的JSON-RPC协议，定义了Server（工具提供方）与Client（模型/Agent）之间的标准交互方式，使得一个MCP服务器可以被任意支持该协议的AI客户端调用。2024年底至2025年初，Cursor、Claude Desktop、Zed等主流AI开发工具相继宣布支持MCP，标志着该协议快速走向事实标准地位。

但MCP解决的主要是「大模型如何调用外部能力」的问题，而 Agent Skills 更进一步，试图定义「一段可被Agent理解和执行的完整能力单元」应该长什么样。如果说MCP定义的是「工具的接口形态」，那么Agent Skills定义的是「可执行任务单元的完整规范」。一个符合标准的Skill通常以结构化的描述文件（如JSON或YAML）声明其元数据、输入输出契约、依赖的MCP工具列表以及执行语义，Agent运行时可以据此自动发现、理解并调度技能。这种设计思路借鉴了软件工程中「面向接口编程」的理念——将「能做什么」与「怎么做」分离，使得技能的消费方（各类Agent）无需了解底层实现细节即可调用。

简单来说，一个「技能」不只是一个函数调用，它通常包含：

• 触发该能力所需的上下文与提示词模板
• 调用底层工具（通过MCP）的逻辑
• 处理返回结果、进行多步推理的编排流程
• 与用户或其他Agent交互的约定

stitch-skills 的核心价值在于，每个技能都严格遵循这一开放标准，从而保证了跨平台的兼容性。与OpenAPI之于REST API的关系类似，Agent Skills标准试图为AI能力的发布与消费建立一套通用语言。

开放标准为何重要

开放标准最大的意义是避免生态碎片化。当每家厂商都用私有格式定义Agent能力时，开发者就得为不同平台重复造轮子。统一标准意味着「一次编写，多处运行」，大幅降低迁移和集成成本。Linux基金会、CNCF（云原生计算基金会）等组织的成功历史已充分证明了这一点：在基础设施层推动开放标准，往往能让整个生态以指数级速度扩张。

广泛兼容主流编程Agent

根据项目说明，stitch-skills 中的技能可与以下主流编程类AI Agent协同工作：

• Antigravity：Google自家的AI编程环境
• Gemini CLI：Google Gemini的命令行工具
• Claude Code：Anthropic推出的编程Agent
• Cursor：广受欢迎的AI原生代码编辑器

这份兼容列表颇有深意。它跨越了Google、Anthropic乃至第三方厂商（Cursor）的产品边界，表明这套技能标准并非封闭花园，而是希望成为行业通用的能力载体。

Google在这里既是标准推动者，又主动兼容竞争对手Anthropic的Claude Code——这种「开放竞合」姿态在当下AI基础设施竞争中愈发常见。这一模式并不新鲜：在基础设施层主动开放、吸引竞争对手共同参与标准建设，往往能让标准推动方获得更大的生态话语权。对Google而言，让Claude Code、Cursor等产品支持stitch-skills，意味着基于Stitch MCP服务器构建的能力可以被更广泛的开发者触达，间接扩大了Google云服务和AI基础设施的影响范围。而对竞争对手而言，支持该标准也能让自身产品获得更丰富的技能生态，双方形成正和博弈。这种「以开放换生态」的打法，本质上都是在争夺开发者心智和生态标准的主导权，正在成为大厂争夺AI开发者的主流路径。

Stitch MCP服务器的架构角色

三层架构设计

从架构角度理解，整个体系可以拆分为三层：

1. 底层能力层：Stitch MCP服务器，负责暴露具体的工具和资源
2. 技能封装层：stitch-skills技能库，将底层能力包装成标准化的、面向任务的技能
3. Agent执行层：Gemini CLI、Claude Code、Cursor等实际运行技能的编程Agent

这种分层设计让职责边界更清晰：MCP服务器专注于「提供什么能力」，技能库专注于「如何优雅地使用这些能力」，各类Agent则专注于「在什么场景下调用哪些技能」。

为什么选择TypeScript

项目选择TypeScript作为主要语言并不意外。TypeScript的强类型系统天然适合定义技能的输入输出Schema——通过接口（Interface）和类型（Type）精确描述工具参数与返回值，配合Zod等运行时验证库，可以在开发阶段就捕获大量接口不匹配问题。在AI Agent领域，工具调用的参数格式错误是导致Agent失败的主要原因之一，强类型约束能显著提升可靠性。此外，TypeScript/JavaScript运行时（Node.js、Deno、Bun）在跨平台部署上的成熟度，以及npm生态超过200万个包的丰富度，都为技能库的依赖管理提供了良好基础。相比Python虽在AI/ML领域占主导，但在构建结构化协议实现和面向开发者工具时，TypeScript的工程化优势更为突出。对一个希望被广泛采用的开放标准而言，降低开发者接入门槛至关重要，而JavaScript/TypeScript生态的普及程度恰好满足了这一需求。

对AI Agent开发者意味着什么

可复用的技能生态正在成形

stitch-skills 的走红，折射出社区对「标准化Agent能力」的强烈需求。以往构建AI应用时，大量精力消耗在编写胶水代码、调试提示词、处理工具调用边界情况上。技能库模式让这些最佳实践沉淀下来，变得可复用、可分享。

可以预见，未来会出现越来越多的「技能市场」，开发者可以像安装npm包一样直接引入成熟的Agent技能，无需从零搭建。这一类比揭示了Agent能力标准化的终极形态——npm生态之所以成功，在于它解决了三个核心问题：版本管理（语义化版本控制）、依赖解析（自动处理依赖树）和发现机制（统一的注册中心）。成熟的Agent技能市场同样需要解决这三个问题：技能的版本迭代如何保持向后兼容、技能之间的调用依赖如何声明和解析、如何让开发者高效发现和评估可用技能。当前的stitch-skills更接近于npm生态早期阶段——少数高质量包由权威来源维护，尚未形成开放的社区贡献生态。从这一视角出发，衡量该项目成功与否的关键指标，不是GitHub Star数，而是未来是否有足够多的第三方开发者按标准贡献新技能，以及是否形成可持续的技能发现和分发机制。

理性评估，实验心态接入

当然，标准之争的最终走向仍不明朗。Agent Skills开放标准能否真正被业界广泛采纳，取决于是否有足够多的厂商和开发者持续投入。当前的高Star数更多反映社区关注热度，而非成熟度的证明。

建议想要尝鲜的团队以实验心态接入，重点评估：技能的稳定性、文档完整度，以及与现有Agent工具链的适配成本。

小结

stitch-skills 是AI Agent生态走向标准化、模块化的一个缩影。它把「技能」这个抽象概念落到了可运行、可复用的工程实践上，并通过开放标准连接了多个主流编程Agent。

在MCP之后，Agent Skills或许会成为下一个关键的基础设施层。无论最终标准花落谁家，这种推动能力标准化的努力对整个开发者社区都是利好。感兴趣的读者不妨前往GitHub仓库，深入研究其技能定义的具体实现。

核心要点