2026 年 8 月，一组数据把「AI 技能」这件事推到了新阶段：腾讯 SkillHub 已挂 7.8 万个技能，7 月上线 SkillPay 按调用次数计费，首次打通了 AI 技能分发、调用、支付的全链路——业内普遍把它类比为技能版的 App Store 逻辑。
同一时期的信号并不孤立：小红书推出 RED Skill 等工具，内测一个月涌现 7300 多个原创技能；商汤 Seko 3.0 签约超头部创作者，把编剧、分镜经验封装成独家 Skill。技能正在从「配置文件」变成「可定价、可分发、可交易的资产」。
Step 1：判断哪些经验值得资产化
7.8 万个技能里，真正被高频调用的是少数。值得投入封装成本的经验通常同时满足四条：
| 筛选维度 | 合格标准 | 反例 |
|---|---|---|
| 可重复 | 同类任务反复出现 | 一次性的特殊处理 |
| 可结构化 | 能写成明确的步骤与判断规则 | 纯直觉、说不清的手感 |
| 结果可判定 | 产出好坏有客观标准 | 「感觉更有品味」 |
| 有稀缺性 | 模型默认做不好，需要专门知识 | 通用模型已经做得很好的事 |
自测：给候选经验打分（每项 0-2 分）
可重复 □□
可结构化 □□
结果可判定 □□
有稀缺性 □□
≥ 6 分 → 值得封装
4-5 分 → 先写成文档，观察调用频次再说
≤ 3 分 → 别浪费时间「有稀缺性」这一条最容易被高估。很多人花大力气封装的技能，其实通用模型加一句提示词就能达到同等效果。封装前先做对照实验：不用技能包，直接让模型做一遍，看差距有多大。差距不明显的，就没有资产价值。
Step 2：封装规范——让别人敢调用
一个值得付费的技能包，必须把「不能做什么」写清楚。开源项目「女娲.skill」（GitHub 约 2.9 万星标，据报道腾讯、Kimi、智谱的 Agent 产品已默认内置）在这一点上做了个好示范——它给每个 skill 都标了边界，明确说明蒸馏不了直觉、捕捉不了改变主意之后的本人、公开表达不等于真实想法。
技能包最小规范（六段式）
① 一句话定位
这个技能在什么场景下、替谁、干什么
② 触发条件
什么情况该调用它，什么情况不该
③ 输入契约
需要哪些信息，缺了会怎样
④ 执行步骤
可复现的流程，不是笼统的原则
⑤ 输出规格
产出什么格式，包含哪些必要字段
⑥ 边界声明 ← 最容易被省略，也最重要
明确列出：做不到什么、什么情况会失效、
什么场景禁止使用Step 3：定价模型怎么选
SkillPay 的核心是按调用次数计费。这与传统的一次性售卖有本质区别：
| 模式 | 收入特征 | 适合的技能 | 风险 |
|---|---|---|---|
| 一次性买断 | 前高后无 | 低频、高价值、结果一次到位 | 后续维护没有收入支撑 |
| 按调用计费 | 随使用量增长 | 高频、可持续产生价值 | 调用量不起来就没收入 |
| 订阅制 | 稳定可预测 | 需要持续更新的技能 | 用户感知不到更新就会流失 |
| 免费 + 增值 | 先规模后变现 | 需要口碑扩散的通用技能 | 转化率不确定 |
定价的一条基本逻辑：
单次调用价格 < 用户自己做这件事的成本 × 0.3
举例：一次合同条款初筛
人工耗时 40 分钟，折算成本约 100 元
技能定价上限参考 30 元
实际定价往往还要更低，因为要和
「用户自己写提示词」这个免费选项竞争
按调用计费的隐藏要求：
你必须持续维护
模型升级、场景变化都可能让技能失效
收入是持续的，责任也是持续的Step 4：组织级 Skill——把资深员工经验沉淀下来
当前主流企业级 Agent 平台都在做「组织级 Skill」能力：把资深员工的经验一键沉淀为团队可复用技能，降低企业知识传播的边际成本。这件事的逻辑非常硬——传统的知识传承靠带教，一个师傅带三个徒弟就到极限；技能包一旦沉淀，全公司都能调用。
企业落地四步
① 找出「只有某几个人会」的高频流程
判断标准：这人休假，事情就卡住
② 让本人参与封装，而不是旁人观察记录
旁人记录会漏掉大量隐性判断
③ 小范围试用 + 收集失效案例
重点收集「技能给出了错误建议」的案例
④ 审核后再晋升为组织级
错误的技能一旦全员调用，伤害是放大的第②步的执行难度远超预期。被要求「把自己的经验交出来」的资深员工，配合意愿往往不高——这不是态度问题，是合理的利益判断。如果没有对应的激励设计（署名、分成、晋升挂钩），封装出来的技能大概率是应付了事的空壳。先把激励谈好，再谈封装。
Step 5：归属与合规——目前最大的空白
技能资产化跑得比法律快。有报道指出：某公司要求 HR 合法合规地把员工经验沉淀下来，HR 翻遍知识产权条例找不到可用判例，最后只能考虑在劳动合同里约定 Skill 归属。天元律所也提到：Skill 开发者的行业知识和实操经验被封装成数字资产后，法律归属是空白，劳动者能否主张对价没有定论。
相关的公开动向有两条方向不同但指向同一件事：
| 时间 | 事件 | 指向 |
|---|---|---|
| 2026 年 4 月 | 杭州中院判决：某 AI 大模型质检主管被以「岗位可被 AI 替代」为由调整降薪，拒绝后被解除合同，法院认定违法，判赔 26 万元 | 事后赔偿 |
| 2026 年 3 月 | 美国加州提交 AB-2222 法案，要求用 AI 替代员工的企业须向州政府提交过渡期安置方案；全美 20 多个州在推类似 AI 劳动法案 | 事前申报 |
合同里建议写清的五件事（企业与个人都该看）
① Skill 的著作权 / 使用权归属
② 员工离职后，已沉淀 Skill 能否继续使用
③ Skill 被调用产生收益时的分配方式
④ 署名权与保真度声明责任
⑤ 员工能否把同类经验用于其他场景
注意：判决保护的是「被违法解除合同」，
被蒸馏的经验，判决书一个字都没提。
目前的法律认识「人」，还不认识「经验」。还有一类情况连雇佣关系都不需要。据报道，已有开源项目基于公开资料蒸馏公众人物的思维方式做成技能包，整个流程无需通知本人。这类做法的合规边界目前极不清晰。如果你在做类似的事，至少要做到三点：只用公开合法来源、明确标注是「基于公开资料的再加工」而非本人授权、不做误导性的身份暗示。
Step 6：维护——技能资产会折旧
技能折旧的四个常见原因
① 模型升级
新模型原生就会做了，你的技能变成多余的中间层
② 场景变化
业务流程改了，技能里的步骤对不上
③ 依赖失效
引用的工具、API、数据源变了
④ 竞品替代
出现更好的免费版本
维护节奏建议
每月：看调用量趋势与失败率
每季：跑一遍回归用例，验证输出质量
模型大版本更新后：立即重测
连续两个月零调用：考虑下线，别留着占信任一句话总结：技能资产化已经从概念走到了收费环节——分发、调用、支付的链路通了，剩下的瓶颈是质量规范与权属规则。个人要想清楚「我交出去的经验换回了什么」，企业要想清楚「怎么让人愿意交」，两边都得靠合同而不是默契。文中数据来自公开报道，具体平台规则与分成政策请以官方最新说明为准。