# 能力取得革命 ## 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： 1. 接受正式教育； 2. 跟隨教師或師傅實作； 3. 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： 1. 解釋目標； 2. 補足必要條件； 3. 拆解任務； 4. 搜尋 Skill、套件與開源專案； 5. 建立執行計畫； 6. 操作工具並處理錯誤； 7. 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： 1. 讓 Agent 根據需求建立原型； 2. 觀察資料、前端與部署的關係； 3. 在錯誤處學習 JSON、API、版本控制或權限； 4. 修改生成的程式； 5. 建立測試與部署流程； 6. 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： 1. 選擇值得學習的任務； 2. 設計能力樹； 3. 指定不能被自動化的核心節點； 4. 建立評量與驗證； 5. 提供反例與失敗案例； 6. 判斷學習者何時需要離開 Skill； 7. 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： 1. 找到專案； 2. 閱讀 README； 3. 建立環境； 4. 理解程式碼； 5. 找到可貢獻問題； 6. 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： 1. 靜態教材組； 2. 一般 Agent 組； 3. 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 1. 只有 README； 2. README＋一般 Agent； 3. 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。 1. 《從「我不會」到「如何取得能力」：Agent 時代的可實作性預設》 2. **《能力取得革命：Skill、GitHub 與 Agent 如何重構學習》** 3. 《風險分級審閱：當人類不再逐字閱讀 AI 產出》 4. 《人類對 AI 的耐心分化：從閱讀耐心到委任耐心》 5. 《從幻覺爭論到可靠性工程：前沿 AI 風險敘事的轉移》 6. 《AI 認知生產階級：同一模型下的不平等擴張》 7. 《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》