企业官网建设流程全解析

• 人工智能
• 大模型
• AI 评测
• Agent 评测

SkillsBench 是首个专门评估 AI Agent 技能（Skills）使用效果的基准测试项目。本文基于它对各 Agent 框架（harness）的源码级审计，带你快速看懂：Claude Code 和 Codex 到底是如何加载 Skills 的——一个把技能做成"一等工具"，另一个却故意不用工具调用，而是把技能内容直接注入提示词。理解这两种"技能调用面"（skill invocation surface）的差异，是看懂 Agent 技能生态的第一步 🧩。

什么是 Skills，为什么加载方式很重要

Skills 是"模块化文件夹"：由SKILL.md指令文件、脚本和资源组成，教 Agent"该怎么做"某类专业任务，而不是简单地"能用哪个工具"。

听起来简单的 Skills，在不同框架里的"出场方式"却截然不同。这直接决定了两件事：

1. 模型能不能可靠地"用上"技能——技能描述是否始终在上下文中？
2. 评估者能不能"数清"技能被用了——轨迹（trajectory）里有没有可审计的信号？

Claude Code 与 Codex 加载 Skills 的核心差异

先看结论速览表 📊

一句话概括：Claude Code 是参考实现——技能是带权限门的一等工具；Codex 刻意不做工具——技能是"提示词注入"，但拥有最丰富的激活模型（提及 + 命令模式隐式匹配）。

源码级审计：Codex 的"注入式"加载

Codex 的注入逻辑在codex-rs/core-skills/src/injection.rs中：匹配到技能后读取SKILL.md全文，打包成SkillInjection，再以固定标记包裹：

const START_MARKER: &'static str = "<skill>"; const END_MARKER: &'static str = "</skill>"; // 渲染为 user 角色片段：<name>技能名</name><path>路径</path> + 正文

这意味着在对话轨迹里，Codex 的技能使用不会留下工具调用记录。想准确统计它的技能调用次数，只能依赖带外的codex.skill.injected分析计数器——在沙箱化评测中这基本不可得，所以纯轨迹分析会系统性低估 Codex 的技能使用率⚠️。

而 Claude Code 的技能调用则是一条干净利落的Skill(name=…)工具调用事件，评估者直接 grep 轨迹即可，可靠性最高。

实测数据：两种加载方式下 Skills 都有效

加载机制不同，但结论一致：给 Agent 配上 Skills 后，得分普遍提升 13～23 个百分点：

审计文档与延伸阅读

以上对比均出自 SkillsBench 对 5 大 harness（claude-code、opencode、openhands、codex、pi）的源码级审计，审计结论附完整源码证据（文件路径 + 版本），值得逐行研读：

• 审计核心文档：docs/harnesses/skill-invocation-surfaces.md
• 审计方法说明：docs/harnesses/README.md
• 实验配置（claude-code / codex 的 with-skills 与 without 对照）：experiments/configs/
• 任务结构示例（environment/skills 目录约定）：tasks/offer-letter-generator/

对评估者的实用结论

• Claude Code、opencode、openhands：技能调用 = 工具调用事件，轨迹可审计 ✅
• Codex：需 grep user 角色文本中的<skill>标记，且会漏掉隐式命令匹配触发的场景（partial 可靠）
• 这也是 SkillsBench 跨框架对比结果时必须注意的"测量偏差"来源，阅读其排行榜数据时可留意这一点

理解了"技能调用面"的差异，你就掌握了 Agent 技能评估的第一把钥匙——同样的 Skills，在不同框架里既是不同的交互体验，也是不同的测量对象 🔑。

• 人工智能
• 大模型
• AI 评测
• Agent 评测