能力取得革命

Q: 十九、討論：能力取得是否會取代教育？

不會。更合理的判斷是：

Skill、GitHub 與 Agent 如何重構學習

版本： v0.1
日期： 2026-07-26
研究場域： EveMissLab 實驗站
研究發起與核心命題： Neo.K
協作整理： EveMissLab AI

摘要

傳統教育與技術訓練通常假設：個體必須先吸收知識、理解原理、接受練習，再逐步形成能夠獨立完成任務的能力。這條路徑仍然重要，但隨著 AI Agent、Agent Skill、GitHub 開源專案、雲端開發環境、規格驅動工作流與自動化驗證逐漸結合，另一種能力取得方式正在形成。個體可以先取得一個可執行的工作方法，讓 Agent 協助安裝、說明、執行與修改，再從實際任務、錯誤、測試與重構中補足理解。

本文將此現象稱為能力取得革命。其核心不在於 AI 替人學習，而在於知識、程序、工具、範例、測試與限制條件開始被封裝成可發現、可載入、可執行、可修改與可再發布的能力物件。Skill 使專門工作程序具備可攜性；GitHub 使程式碼、規格、歷史紀錄、議題與測試形成全球性的能力記憶；Agent 則充當自然語言意圖與技術資產之間的翻譯、執行與調適層。

在此架構下，學習的基本單位可能從「一門課」部分轉向「一個可驗證任務」，學習順序則可能從「先完整理解、後實作」部分轉為「先調用、再觀察、於失敗處深入、最後修改與封裝」。然而，能力可搬運不等於理解可搬運；能執行也不等於能診斷、能治理或能承擔責任。本文因此提出能力取得循環、可執行教材、反向課程、能力來源鏈與理解深度分級等概念，並討論黑箱依賴、技能退化、供應鏈風險、授權、過時依賴與新型認知不平等。

關鍵詞： Agent Skill、GitHub、開源教育、能力取得、可執行教材、反向課程、規格驅動、能力來源鏈、人機協作

一、前言：教育正在從知識傳遞轉向能力組裝

人類長期以來主要透過三種方式取得能力：

接受正式教育；
跟隨教師或師傅實作；
閱讀文件並自行反覆嘗試。

這三種方式都需要個體將外部知識內化，再轉換成可執行行動。其基本模型可寫為：

K_{\mathrm{external}} \rightarrow K_{\mathrm{internal}} \rightarrow P_{\mathrm{practice}} \rightarrow C_{\mathrm{human}}

其中：

$K_{\mathrm{external}}$ ：書籍、課程、教師與文件中的外部知識；
$K_{\mathrm{internal}}$ ：被個體理解與記憶的知識；
$P_{\mathrm{practice}}$ ：練習與實作；
$C_{\mathrm{human}}$ ：個體形成的穩定能力。

這條路徑並未失效。然而，Agent 時代增加了另一條可能路徑：

K_{\mathrm{external}} + P_{\mathrm{encoded}} + T_{\mathrm{available}} + V_{\mathrm{test}} \xrightarrow{\mathrm{Agent}} C_{\mathrm{usable}}

其中：

$P_{\mathrm{encoded}}$ ：被文件、Skill、腳本或規格編碼的程序；
$T_{\mathrm{available}}$ ：現成工具、套件、API 與開源專案；
$V_{\mathrm{test}}$ ：測試、範例、驗證器與完成條件；
$C_{\mathrm{usable}}$ ：尚未完全內化，但已可被調用與使用的能力。

這裡出現了一個重要差異：

人類可能在尚未完整內化全部底層知識前，先取得一項可運作、可觀察、可修改的能力。

這不代表學習被取消，而是學習與使用的時間順序開始重組。

二、從知識可取得到能力可取得

網際網路曾大幅降低知識取得成本。搜尋引擎、百科、線上課程與開源文件使大量資訊可以被快速找到。

但「知道資料在哪裡」和「能完成工作」之間，長期存在巨大距離。

可以將兩者區分為：

A_K(x) = \text{能否取得關於任務 }x\text{ 的知識}

以及：

A_C(x) = \text{能否取得完成任務 }x\text{ 的可用能力}

在傳統網路環境中，常出現：

A_K(x)\approx 1, \qquad A_C(x)\ll 1

也就是說，教學文章、程式碼與文件都存在，但使用者仍然無法完成安裝、設定、除錯、整合與部署。

Agent、Skill 與現代開源工作流正在縮短這段距離：

A_C(x) = f( A_K, P, T, E, V, G )

其中：

$P$ ：程序是否被清楚表示；
$T$ ：工具是否可調用；
$E$ ：執行環境是否可重現；
$V$ ：結果是否可驗證；
$G$ ：Agent 是否能協調前述資源。

因此，能力取得革命的真正變化不是資訊更多，而是：

資訊開始與程序、工具、環境及驗證條件共同封裝，使知識更容易轉化為實際行動。

三、能力物件：什麼東西可以被「安裝」？

在軟體世界中，人們早已習慣安裝應用程式、套件與外掛。但 Agent Skill 所帶來的新變化，是工作方法本身也開始具有可安裝性。

Agent Skills 的開放規格把 Skill 定義為一個以 SKILL.md 為核心的資料夾；其中至少包含名稱、描述與工作指令，也可以附帶腳本、參考資料、模板與其他資源。[1][2] 官方快速入門進一步指出，相容的 Skill 可以在多種 Agent 工具中使用，而不只綁定單一產品。[3]

本文將能力物件表示為：

S = ( M, I, K, P, T, R, V, L )

其中：

$M$ ：中繼資料與觸發條件；
$I$ ：任務指令；
$K$ ：領域知識；
$P$ ：工作程序；
$T$ ：工具、腳本與命令；
$R$ ：參考文件、範例與模板；
$V$ ：驗證方式與完成判準；
$L$ ：限制、授權與相容條件。

一個 Skill 如果只有文字說明，仍然只是較有組織的提示；若同時具備工具、模板、測試與完成條件，它便更接近一個可執行的能力單元。

能力物件至少具有六種性質：

3.1 可發現性

Agent 能根據名稱與描述判斷何時應載入某項 Skill。Agent Skills 官方文件指出，描述欄位是 Agent 判定 Skill 是否應觸發的重要機制，因此描述過窄或過寬都會影響實際使用。[4]

3.2 可載入性

Skill 可在適當情境載入 Agent 的工作上下文，而不必把所有專門規則永久塞進每次對話。

3.3 可執行性

Skill 能指示 Agent 執行命令、使用腳本、讀取參考資料或套用模板。[5]

3.4 可修改性

使用者可以根據自己的環境、風格與限制修改 Skill，而不是只能接受封閉產品的預設行為。

3.5 可版本化

Skill 可以和程式碼一樣進入版本控制，記錄變更、分支、回退與協作歷史。

3.6 可再封裝性

一次成功完成的任務，可以被整理成下一次可重用的工作程序，使個人經驗轉化為持續性能力資產。

因此，Skill 的意義可以概括為：

\text{經驗} \rightarrow \text{表示} \rightarrow \text{封裝} \rightarrow \text{調用} \rightarrow \text{修改} \rightarrow \text{再發布}

四、GitHub：從原始碼倉庫到全球能力記憶

GitHub 的價值過去主要被描述為程式碼託管、版本控制與協作平台。但在 Agent 時代，儲存庫中真正有價值的內容已不只原始碼，還包括：

README 與技術文件；
Issue 與需求討論；
Pull Request 與修改歷史；
測試；
CI/CD 工作流；
開發環境設定；
範例資料；
錯誤紀錄；
授權條款；
貢獻規範；
Agent 指令。

這些內容共同構成一項能力的「外部記憶」。

可以將一個開源儲存庫表示為：

R = ( C, D, H, Q, E, V, G )

其中：

$C$ ：程式碼；
$D$ ：文件；
$H$ ：歷史紀錄；
$Q$ ：需求與問題；
$E$ ：執行環境；
$V$ ：測試與驗證；
$G$ ：治理與協作規範。

傳統學習者必須自行閱讀並重建這些元素之間的關係。Agent 則能協助研究儲存庫、建立實作計畫、跨檔案修改、執行測試並產生可供人類審閱的變更。GitHub 對 cloud agent 的官方說明已把這類工作描述為儲存庫研究、規劃、分支修改、迭代與 Pull Request 流程。[6]

此外，AGENTS.md 類型的開放格式開始為 coding agents 提供可預測的專案入口，包括安裝命令、測試方式、風格與專案慣例；其官方網站目前稱已有超過六萬個開源專案採用。[7]

這使 GitHub 逐漸形成三層能力記憶：

第一層：成果記憶

保存「最後做出了什麼」。

第二層：過程記憶

保存「為什麼這樣做、曾經失敗什麼、如何修正」。

第三層：Agent 可讀工作記憶

保存「下一個 Agent 應如何進入、執行、測試與遵守專案規則」。

因此，GitHub 的教育作用不再只是提供可閱讀的範例，而是提供可被 Agent 與學習者共同操作的能力現場。

五、Agent：自然語言與技術資產之間的能力編譯器

Skill 與 GitHub 並不會自行變成使用者的能力。它們仍需要一個中介層，把人的意圖轉換成技術操作，並把技術結果轉譯回人能理解的狀態。

本文將 Agent 的這項作用稱為能力編譯：

\mathcal{C}_{A}: I_{\mathrm{human}} \rightarrow W_{\mathrm{executable}}

其中：

$I_{\mathrm{human}}$ ：自然語言意圖、目標與限制；
$W_{\mathrm{executable}}$ ：可執行工作流。

能力編譯至少包含七步：

解釋目標；
補足必要條件；
拆解任務；
搜尋 Skill、套件與開源專案；
建立執行計畫；
操作工具並處理錯誤；
提供結果、證據與下一步。

Claude Code 的官方文件將其描述為能讀取程式碼庫、編輯檔案、執行命令並整合開發工具的 agentic coding tool。[8] GitHub 也允許 coding agents 非同步接受任務、建立修改並要求人類審閱。[9] 這類能力說明 Agent 已不只是提供文字建議，而開始參與實際工作環境。

但「編譯」並不代表一定正確。自然語言意圖可能模糊，Skill 可能過時，專案可能缺乏測試，Agent 也可能誤解限制。因此，更完整的能力編譯應為：

I \xrightarrow{\mathrm{specification}} S_p \xrightarrow{\mathrm{planning}} W \xrightarrow{\mathrm{execution}} O \xrightarrow{\mathrm{verification}} O^{*}

其中：

$S_p$ ：可檢查的規格；
$W$ ：工作流；
$O$ ：原始輸出；
$O^{*}$ ：通過驗證的輸出。

這解釋了規格驅動開發在 Agent 時代的重要性。GitHub 所介紹的 Spec Kit，把規格、計畫、任務與實作流程明確分開，目的正是讓 Agent 的產出受可追蹤需求約束，而不是只靠一次提示直接生成。[10][11]

六、學習順序的反轉：從先理解到先調用

傳統教育的理想順序通常是：

\text{理解} \rightarrow \text{練習} \rightarrow \text{應用}

但實際上，很多人是在使用工具、遇到錯誤後，才真正理解原理。

Agent 與 Skill 使這條反向路徑更容易被系統化：

\text{調用} \rightarrow \text{觀察} \rightarrow \text{失敗} \rightarrow \text{追問} \rightarrow \text{理解} \rightarrow \text{修改} \rightarrow \text{再驗證}

本文將此稱為反向課程。

反向課程不是取消理論，而是讓理論在任務需求中被定位。學習者不必一開始吸收所有可能相關的內容，而是在遇到具體障礙時深入必要節點。

例如，一名非專業使用者希望建立資料視覺化網站。他可以先：

讓 Agent 根據需求建立原型；
觀察資料、前端與部署的關係；
在錯誤處學習 JSON、API、版本控制或權限；
修改生成的程式；
建立測試與部署流程；
把成功方法封裝為自己的 Skill。

此過程中，他未必成為完整的軟體工程師，但確實取得了完成特定任務的能力，並可能逐步擴大理解範圍。

反向課程的核心不是「不用學」，而是：

先以任務形成認知需求，再以 Agent 協助把抽象知識定位到實際障礙。

七、可執行教材：教材不只告訴你，還能陪你做

傳統教材主要提供敘述、範例與習題。Agent 時代的教材可以進一步包含：

可直接啟動的環境；
已配置的依賴；
Skill；
起始程式碼；
測試；
自動回饋；
範例輸入輸出；
錯誤案例；
評分標準；
Agent 指令與限制。

本文把這類教材稱為可執行教材：

E_{\mathrm{exec}} = ( K, X, S, T, F, V )

其中：

$K$ ：知識內容；
$X$ ：可重現環境；
$S$ ：工作 Skill；
$T$ ：任務；
$F$ ：即時反饋；
$V$ ：驗證與評量。

GitHub Skills 已提供在 GitHub 內進行的互動課程與自動回饋；其內容模型甚至建議把與學習目標無關的步驟自動化，只讓學習者親自執行真正需要學習的任務。[12][13] GitHub Classroom 與 Codespaces 則允許教師提供瀏覽器中的預先配置開發環境，使學生免於先處理大量本機設定，即可開始作業。[14]

這些機制本身並非由生成式 AI 創造，但 Agent 使它們能被進一步個人化：

解釋學習者剛剛做了什麼；
根據錯誤調整說明；
提供不同難度的任務；
把成功流程封裝成 Skill；
讓學習者比較 Agent 解法與自己的解法；
追蹤哪些部分是理解、哪些只是照做。

因此，可執行教材不應只是「一鍵得到答案」，而應使執行過程可觀察、可中斷、可修改與可反思。

八、能力取得循環

本文提出一個七階段能力取得循環：

\mathcal{A} = D \rightarrow L \rightarrow E \rightarrow O \rightarrow M \rightarrow V \rightarrow P

其中：

$D$ ：Discover，發現能力；
$L$ ：Load，載入 Skill、文件與環境；
$E$ ：Execute，執行；
$O$ ：Observe，觀察過程與結果；
$M$ ：Modify，修改；
$V$ ：Verify，驗證；
$P$ ：Package，重新封裝。

8.1 發現

找到現成 Skill、開源專案、套件、範例或相關工作流。

8.2 載入

把必要指令、工具與上下文引入 Agent，並確認相容性與權限。

8.3 執行

依照任務目標運行程序。

8.4 觀察

查看 Agent 做了什麼，而不只接收最終答案。

8.5 修改

改變規格、程式、模板或程序，使其符合自己的情境。

8.6 驗證

透過測試、資料、人工審查或外部標準判定是否正確。

8.7 封裝

將成功做法保存為可再次使用的 Skill、模板、腳本或教學案例。

完成一次循環後，下一次的取得成本會降低：

C_{n+1} < C_n

但只有在結果被整理與保存時，這種下降才會持續。若每次對話都從零開始，Agent 只會提供一次性便利，不會形成能力資本。

九、能力樹取代線性課綱

傳統課綱常將知識排成固定線性順序：

K_1 \rightarrow K_2 \rightarrow K_3 \rightarrow K_4

但真實任務往往需要多條支線：

G_C=(N,E)

其中：

$N$ ：能力節點；
$E$ ：前置、依賴、替代或組合關係。

例如，建立一個簡單網站可能涉及：

基本 HTML；
CSS；
JavaScript；
版本控制；
部署；
網域；
資料格式；
安全與隱私。

其中某些節點可由現成工具替代，某些可暫時由 Agent 處理，某些則必須由使用者理解。

因此，每個能力節點可以標記為：

n_i \in \{ H, A, S, T, X, V \}

其中：

$H$ ：人類已掌握；
$A$ ：Agent 可暫時代理；
$S$ ：Skill 可提供；
$T$ ：工具或服務可提供；
$X$ ：需要外部專家；
$V$ ：必須由人類或制度驗證。

這種能力樹允許學習者先完成目標，再逐步決定哪些被 Agent 代理的節點值得內化。

教育因而不必只有一種固定順序，而可以依照：

任務需求；
風險；
興趣；
已有能力；
可取得工具；
未來目標；

動態生成學習路徑。

十、理解不是單一狀態：能力深度分級

能力取得革命最容易造成的誤解，是把「做出來」等同於「已經會了」。

本文將理解與能力分為五級：

L0：調用級

能要求 Agent 或 Skill 完成任務，但無法解釋過程。

L1：操作級

能調整參數、替換輸入並處理常見情況。

L2：修改級

能修改部分程序、規則、程式或模板。

L3：診斷級

能定位錯誤、比較方案並判斷輸出品質。

L4：重建級

在沒有原 Skill 或工具時，能依原理重新建立主要能力。

L5：創新與治理級

能提出新方法、設計驗證制度、處理高風險例外並承擔責任。

這種分級表明：

\text{可執行} \neq \text{可理解} \neq \text{可診斷} \neq \text{可重建} \neq \text{可治理}

Agent 可以讓大量使用者迅速到達 L0 或 L1，也可能協助部分人進入 L2 與 L3；但 L4、L5 仍需要深度知識、長期經驗與責任判斷。

教育不應因為學生能透過 Agent 完成作品，就直接判定其已掌握全部能力。相反地，教育需要明確標示：

哪些步驟由人完成；
哪些由 Agent 完成；
哪些規則來自 Skill；
哪些結果已通過測試；
哪些部分仍無法解釋。

十一、教師、學習者與 Agent 的角色重分配

能力取得革命並不會使教師自動消失，但教師的價值可能從重複講授內容轉向：

選擇值得學習的任務；
設計能力樹；
指定不能被自動化的核心節點；
建立評量與驗證；
提供反例與失敗案例；
判斷學習者何時需要離開 Skill；
教導來源、授權、安全與責任。

學習者的責任則從單純記憶，轉向：

提出問題；
閱讀 Agent 的行動；
比較不同方案；
修改並驗證；
說明自己真正理解的範圍；
保存可重用成果。

Agent 的合理角色是：

解釋者；
示範者；
執行者；
除錯協作者；
文件導航者；
反饋提供者；
個人化課程編排者。

Agent 不應成為：

永遠替學生完成所有核心工作的代寫者；
隱藏錯誤與不確定性的答案機器；
無授權取得或複製他人成果的工具；
在高風險領域取代專業責任的主體。

因此，較理想的教育分工是：

\text{教師設計邊界} + \text{學習者形成意圖} + \text{Agent 執行與解釋} + \text{測試提供證據}

十二、開源教育將從閱讀資源走向參與式能力取得

傳統開源教育常要求學習者：

找到專案；
閱讀 README；
建立環境；
理解程式碼；
找到可貢獻問題；
提交修改。

對初學者而言，任何一步都可能成為中斷點。

Agent 可以降低部分中斷成本：

解釋專案目的；
建立環境；
導覽程式碼；
找出適合新手的 Issue；
建議修改範圍；
執行測試；
解釋審查意見。

但真正具有教育價值的，不是讓 Agent 自動完成貢獻，而是讓學習者進入真實專案的能力生產過程。

GitHub Education、Classroom、Community Exchange、Codespaces 與互動課程已建立一套由學習、環境、作品集到開源參與的基礎設施。[14][15] Agent 可以在其上再加入即時翻譯、個人化解釋與程序導航。

因此，未來的開源教育可能從：

閱讀別人公開的成果。

轉向：

在 Agent 協助下進入公開的能力生產鏈，理解、修改、驗證並留下自己的版本。

十三、能力來源鏈：每項能力從哪裡來？

當 Skill、程式碼與 Agent 生成內容大量混合後，能力來源追蹤會變得重要。

本文提出能力來源鏈：

\Pi(S) = ( O, A, V, D, M, L, T )

其中：

$O$ ：原始作者或組織；
$A$ ：Agent 或模型；
$V$ ：版本；
$D$ ：依賴；
$M$ ：修改歷史；
$L$ ：授權；
$T$ ：測試與驗證狀態。

一個可被信任的 Skill 不應只宣稱「能完成什麼」，還應提供：

來源；
適用版本；
所需權限；
網路需求；
執行腳本；
已知限制；
測試方法；
授權條件；
更新日期。

Agent Skills 規格已提供 license、compatibility 等可選欄位，用以表達授權與環境需求。[2] 但若 Skill 生態快速擴大，仍需要更完整的簽章、審查、信任評分與依賴掃描制度。

否則，「安裝能力」也可能變成新的供應鏈攻擊面。

十四、能力取得革命的主要風險

14.1 黑箱能力

使用者能取得結果，卻不知道 Agent 做了什麼，也無法在異常時介入。

14.2 技能退化

若所有基本操作都被長期代理，使用者可能失去診斷與重建能力。

14.3 惡意 Skill

Skill 可能要求過度權限、執行危險命令、竊取資料或植入不可信依賴。

14.4 依賴腐化

開源專案可能停止維護，API 可能改版，套件可能出現安全問題。

14.5 上下文競爭

Agent Skills 的官方最佳實務指出，啟用後的 Skill 內容會與其他上下文共同佔用模型注意力，因此過長、重複或互相矛盾的 Skill 可能降低執行品質。[16]

14.6 授權錯置

Agent 能讀取與改寫程式碼，不代表所有衍生使用都符合原授權。

14.7 假完成

Agent 可能生成外觀完整的成果，但沒有真正執行測試、部署或驗證。

14.8 新型認知階級

能選擇高品質 Skill、建立驗證、取得算力與持續封裝能力的人，可能快速累積優勢；其他人則停留在一次性問答。

十五、能力取得與認知不平等

能力可安裝看似會降低差距，但它也可能產生新的乘法不平等。

可以把有效能力表示為：

C_{\mathrm{effective}} = A \times D \times O \times V \times P

其中：

$A$ ：Agent 與工具取得；
$D$ ：任務定義與拆解；
$O$ ：開源與 Skill 導航；
$V$ ：驗證能力；
$P$ ：保存與複用能力。

一個使用者即使擁有最強模型，若不會描述需求、不知道如何尋找資源、沒有驗證能力，也不保存成果，其長期能力增長仍有限。

相反地，能完成能力取得循環的人會產生複利：

C_{t+1} = C_t + \Delta S_t + \Delta K_t + \Delta V_t

其中：

$\Delta S_t$ ：新增 Skill 與工具；
$\Delta K_t$ ：新增理解；
$\Delta V_t$ ：新增驗證能力。

因此，AI 時代的教育公平不能只提供聊天模型帳號，還必須提供：

可執行環境；
高品質開源資源；
Skill 導航；
基本測試與安全教育；
版本控制能力；
來源與授權教育；
將成果保存為公共能力的機會。

十六、可檢驗假說

假說一：Skill 能提高首次任務完成率

在任務明確且具可測試結果的情境中，使用高品質 Skill 的組別，首次完成率高於只使用一般對話 Agent 的組別。

假說二：可執行教材能降低環境中斷率

使用預先配置環境、測試與 Agent 指導的學習者，因安裝與設定問題中斷的比例低於只閱讀靜態教材者。

假說三：反向課程提高短期動機

先建立可運行成果、再補理論的組別，在短期內可能具有較高的持續參與率。

假說四：純調用不會自動提高診斷能力

只使用 Skill 取得答案而未觀察、修改與驗證者，其診斷能力不會隨完成次數等比例提高。

假說五：重新封裝能提高長期遷移

將成功流程整理成自己的 Skill、說明與測試者，在相似新任務中的遷移表現優於只保留最終產物者。

假說六：來源透明度提高合理信任

顯示 Skill 來源、版本、權限、依賴與測試狀態，會使使用者的信任判斷更接近其真實風險。

十七、建議實驗

實驗 A：三種學習模式比較

將受試者分為：

靜態教材組；
一般 Agent 組；
Skill＋Agent＋測試組。

比較：

首次完成時間；
中斷率；
錯誤率；
一週後重做能力；
新情境遷移能力；
對過程的解釋能力。

實驗 B：先理論與先實作比較

比較：

\text{理論} \rightarrow \text{實作}

與：

\text{原型} \rightarrow \text{失敗} \rightarrow \text{理論} \rightarrow \text{修改}

觀察短期完成率、長期理解與自我效能差異。

實驗 C：Skill 透明度測試

對同一 Skill 提供不同程度的來源資訊：

無來源；
只有作者；
完整版本、權限、依賴、測試與授權。

測量使用者的安裝意願、風險判斷與實際錯誤。

實驗 D：能力封裝效應

要求一組受試者在完成任務後，把流程整理為 Skill；另一組只提交成品。數週後提供相似任務，比較兩組重新完成速度與品質。

實驗 E：理解深度分級

針對同一任務分別測量：

能否調用；
能否調參；
能否修改；
能否診斷；
能否重建；
能否設計新方法。

藉此避免只用「作品是否完成」作為單一能力指標。

十八、實驗站可先執行的最小方案

由於本文定位為實驗站研究，不必一開始進行大規模正式實驗。可以先採用小樣本、可重現任務。

任務範例

建立一個能把 Markdown 文件轉換成靜態網站的簡易工具。

三組條件

只有 README；
README＋一般 Agent；
README＋專用 Skill＋預設測試。

記錄項目

完成時間；
Agent 對話輪數；
安裝錯誤數；
是否通過測試；
受試者能否說明架構；
是否能修改一項新需求；
是否能將流程再封裝。

最低樣本

每組三至五人即可作為探索性實驗，不宣稱統計代表性，只用於發現問題與改進量測方法。

十九、討論：能力取得是否會取代教育？

不會。更合理的判斷是：

能力取得將重構教育的順序、單位與責任。

教育仍需處理 Agent 與 Skill 不容易自動提供的部分：

基礎概念之間的深層關係；
長期記憶與可遷移理解；
價值判斷；
錯誤診斷；
研究問題選擇；
高風險責任；
對工具與制度的批判能力。

但教育若繼續要求學習者先完成大量與目標無直接關係的環境設定、格式記憶與重複操作，也可能浪費 Agent 已可承擔的部分。

因此，新的教育問題不是：

AI 能不能替學生做？

而是：

哪些步驟應由 Agent 代理，哪些步驟必須由學習者親自形成，哪些步驟需要共同完成？

可以將任務分配表示為：

T = T_A \cup T_H \cup T_{H+A} \cup T_V

其中：

$T_A$ ：適合 Agent 自動執行；
$T_H$ ：必須由人類形成的核心能力；
$T_{H+A}$ ：適合協作；
$T_V$ ：必須獨立驗證。

教育設計的品質，將取決於這四者是否被正確劃分。

二十、結論

Skill、GitHub 與 Agent 的結合，正在使「能力」獲得一部分過去只有軟體才具有的性質：

可發現；
可安裝；
可執行；
可觀察；
可修改；
可版本化；
可分享；
可再封裝。

這使學習不再只能從抽象知識開始。學習者可以先進入一個可運行系統，在任務、錯誤與修改中逐步形成理解。

其基本路徑是：

\text{發現} \rightarrow \text{載入} \rightarrow \text{執行} \rightarrow \text{觀察} \rightarrow \text{修改} \rightarrow \text{驗證} \rightarrow \text{封裝}

GitHub 在其中不只是儲存程式碼，而是保存能力的成果、過程、環境、測試與治理記憶；Skill 把專門程序轉換成可攜能力物件；Agent 則把人的自然語言意圖編譯成可執行工作流。

然而，能力可取得不等於理解已完成。未來教育必須清楚區分調用、操作、修改、診斷、重建與治理。若只追求快速產出，能力取得革命可能導致黑箱依賴、技能退化與新的認知階級；若同時建立來源鏈、測試、反思與重新封裝制度，它則可能成為大規模普及技術創造能力的基礎。

本文的中心命題因此是：

AI 時代的學習，不再只是把知識放進人的腦中，也開始包括把外部知識、程序、工具與驗證組裝成可由人與 Agent 共同調用的能力。

而真正成熟的學習，不是在 Skill 能運作時結束，而是在使用者能夠理解其限制、修改其結構、驗證其結果，並在必要時離開它重新建構能力時完成。

參考資料

[1] Agent Skills. “Agent Skills Overview.”
https://agentskills.io/home

[2] Agent Skills. “Specification.”
https://agentskills.io/specification

[3] Agent Skills. “Quickstart.”
https://agentskills.io/skill-creation/quickstart

[4] Agent Skills. “Optimizing skill descriptions.”
https://agentskills.io/skill-creation/optimizing-descriptions

[5] Agent Skills. “Using scripts in skills.”
https://agentskills.io/skill-creation/using-scripts

[6] GitHub Docs. “About GitHub Copilot cloud agent.”
https://docs.github.com/en/copilot/concepts/agents/cloud-agent/about-cloud-agent

[7] AGENTS.md. “A simple, open format for guiding coding agents.”
https://agents.md/

[8] Anthropic. “Claude Code overview.”
https://docs.anthropic.com/en/docs/claude-code/overview

[9] GitHub Docs. “About third-party coding agents.”
https://docs.github.com/en/copilot/concepts/agents/about-third-party-coding-agents

[10] GitHub Blog. “Spec-driven development with AI: Get started with a new open source toolkit.” 2025-09-02.
https://github.blog/ai-and-ml/generative-ai/spec-driven-development-with-ai-get-started-with-a-new-open-source-toolkit/

[11] GitHub Blog. “Spec-driven development: Using Markdown as a programming language when building with AI.” 2025-09-30.
https://github.blog/ai-and-ml/generative-ai/spec-driven-development-using-markdown-as-a-programming-language-when-building-with-ai/

[12] GitHub Docs. “Git and GitHub learning resources.”
https://docs.github.com/en/get-started/start-your-journey/git-and-github-learning-resources

[13] GitHub Skills. “Content Model.”
https://skills.github.com/content-model

[14] GitHub Docs. “Using GitHub Codespaces with GitHub Classroom.”
https://docs.github.com/en/education/manage-coursework-with-github-classroom/integrate-github-classroom-with-an-ide/using-github-codespaces-with-github-classroom

[15] GitHub Docs. “About GitHub Education for students.”
https://docs.github.com/en/education/about-github-education/github-education-for-students/about-github-education-for-students

[16] Agent Skills. “Best practices for skill creators.”
https://agentskills.io/skill-creation/best-practices

系列位置

本文為「AI 耐心、認知階級與能力取得革命」系列第二篇。

《從「我不會」到「如何取得能力」：Agent 時代的可實作性預設》
《能力取得革命：Skill、GitHub 與 Agent 如何重構學習》
《風險分級審閱：當人類不再逐字閱讀 AI 產出》
《人類對 AI 的耐心分化：從閱讀耐心到委任耐心》
《從幻覺爭論到可靠性工程：前沿 AI 風險敘事的轉移》
《AI 認知生產階級：同一模型下的不平等擴張》
《AI 時代的能力、耐心與認知階級：從幻覺下降到智能生產分層》

能力取得革命_Skill_GitHub與Agent如何重構學習_v0.1