我做了一个 AI Agent Skill 云：用 MCP 在 Claude Code、Codex、OpenCode 之间同步技能

前言：AI 会写代码以后，我开始管理 AI 的“技能”

这两年，我使用 Claude Code、Codex、OpenCode 等 AI Agent 的频率越来越高。

一开始，我会把常用提示词放在文档里。后来，提示词逐渐变成包含说明、脚本和参考资料的完整 Skill。一个 Skill 可以规定代码审查流程，也可以封装发布步骤、项目规范或某类重复任务。

Skill 的数量变多之后，新的问题出现了：

• Skill 分散在不同电脑和不同 Agent 的目录中；
• 修改后无法确认哪一份是最新版；
• 想把一组 Skill 分享给同事，需要手动压缩和传输；
• 新电脑要重新配置一遍；
• Skill 越来越多，却缺少统一分类和检索；
• 不同 Agent 的安装目录和使用格式并不完全一致。

这并不是“再写一个提示词管理器”就能解决的问题。Skill 已经开始接近一种需要存储、版本、授权、同步和分发的工程资产。

因此，我做了Skill-Everywhere：一个面向 AI Agent Skill 的私有云和公开市场。

官网：Skill-Everywhere — Private AI Skill Cloud & MCP Marketplace
公开市场：Skill-Everywhere — Private AI Skill Cloud & MCP Marketplace

一、什么是 AI Agent Skill？

在这个项目中，Skill 是一个可复用的 Agent 能力包。它的核心是SKILL.md，也可以携带脚本、参考资料和其他资源。

一个简化的 Skill 目录可能是：

my-skill/ ├── SKILL.md ├── scripts/ │ └── run.py └── references/ └── conventions.md

SKILL.md可以包含 YAML frontmatter：

--- name: release-checker description: Check a project before a production release version: 1.2.0 ---

它与一段临时 Prompt 的区别在于：

1. 可复用：同一套工作流可以反复调用；
2. 可组合：说明、脚本和知识材料可以放在一个包中；
3. 可版本化：内容可以持续迭代；
4. 可分发：可以交给其他人或同步到其他 Agent；
5. 可治理：可以授权、分类、审计和撤销访问。

当团队把 Agent 用于真实工程流程时，这些能力会比“收藏几个提示词”更重要。

二、Skill-Everywhere 解决什么问题？

1. 私有 Skill 云

每个用户拥有独立的私有 Skill 库。Skill 默认不会公开，只有所有者主动发布后才会进入公开市场。

上传的是标准 ZIP Skill 包，服务端会解析SKILL.md的name、description和version等信息。除了保存文件，还可以围绕 Skill 建立分类、版本、分享和授权关系。

2. 多级分类与 AI 自动整理

Skill 多起来以后，手动分类也会成为负担。平台支持多级分类树，并可调用 OpenAI 兼容模型进行自动分类：

• 只整理尚未分类的 Skill；
• 或忽略旧分类，重新整理全部 Skill。

这类功能的重点并不是“让 AI 替我起个标签”，而是让长期积累的 Skill 库保持可检索状态。

3. 分享，但不破坏双方的独立性

用户可以按邮箱分享单个或多个 Skill。接收方把 Skill 加入自己的库后，会得到独立副本。

这样既能共享成果，也不会因为原作者继续修改而意外破坏接收方正在使用的版本。

4. 公开 Skill 市场

适合公开的 Skill 可以发布到 Marketplace，供其他用户搜索、查看、收藏、评价和安装。

私有库解决个人与团队的资产管理，公开市场则解决发现与传播问题。二者并不是互相替代，而是同一条 Skill 生命周期中的不同阶段。

三、为什么选择 MCP？

Skill-Everywhere 提供 Model Context Protocol（MCP）端点。用户创建 API Key 后，可以限定该 Key 能访问全部 Skill，或者只能访问选定的 Skill。

当前核心工具包括：

这里有一个很重要的设计选择：

MCP 不在运行时代理 Skill 的执行，而是负责把已授权的 Skill 同步到本地。同步完成后，由 Claude Code、Codex、OpenCode 等 Agent 使用各自的原生机制加载 Skill。

这样的好处是：

• Agent 使用 Skill 时不必持续依赖远端运行时；
• 本地文件可以直接检查和调试；
• 云端负责管理和同步，Agent 负责原生执行；
• API Key 可以精确控制同步范围；
• 更换设备时可以重新拉取授权内容。

MCP 配置示例：

{ "mcpServers": { "skill-everywhere": { "type": "http", "url": "https://skill-everywhere.cn/mcp", "headers": { "X-Api-Key": "sk_live_xxxxxxxx" } } } }

请勿把真实 API Key 提交到 Git 仓库、文章截图或公开配置中。

四、一次完整的使用流程

第一步：建立 Skill 库

注册后，可以把本地 Skill 打包为 ZIP 并上传。包内至少应有SKILL.md，也可以包含脚本和参考资料。

第二步：整理与授权

在 Web 页面中建立分类，或者让 LLM 自动整理。随后创建 API Key，并选择它可以同步哪些 Skill。

对不同设备或不同用途，可以建立不同的 Key。例如：

• 个人电脑：允许全部个人 Skill；
• 工作电脑：只允许工作相关 Skill；
• 演示环境：只允许一组可公开展示的 Skill。

第三步：通过 MCP 同步

让支持 MCP 的 Agent 调用update_skills，平台就会把该 Key 已授权的 Skill 同步到指定目录。

目前可适配 Claude Code、Codex、OpenCode 等工作流。不同 Agent 的默认目录不同，也可以通过base_dir指定自定义目录。

第四步：持续更新

修改 Skill 并发布新版本后，再次同步即可拉取更新。云端成为版本和授权的来源，本地仍然保留 Agent 原生、透明的文件形态。

五、技术实现概览

Skill-Everywhere 采用前后端分离但可单进程部署的结构：

后端按 Domain、Application、Infrastructure、Api 分层。SQLite 模式可以零配置启动，生产环境可以切换 MySQL；文件存储通过抽象接口保留了迁移到对象存储的空间。

前端构建产物由 ASP.NET Core 的wwwroot托管，因此最简单的部署方式只需要运行一个后端进程。

六、它与提示词收藏夹有什么不同？

Skill-Everywhere 更适合已经把 Agent 纳入日常工作流，并开始长期积累 Skill 的个人开发者或团队。

七、我对 Agent Skill 的判断

随着 Agent 能力增强，模型本身不会是唯一资产。围绕模型建立的工作流、约束、工具调用方式和领域经验，也会逐渐成为可复用资产。

未来，一个成熟的 Agent 工作环境可能包括：

• 模型；
• MCP 工具；
• Skill / 指令包；
• 项目上下文；
• 权限与凭证；
• 可观测和评估机制。

其中，Skill 位于“模型能力”和“具体工作”之间。它既比临时提示词稳定，又比重新开发一个完整工具轻量。因此，Skill 的管理、同步和分发值得成为独立基础设施。

结语

Skill-Everywhere 想解决的是一个很具体的问题：

当你已经积累了很多 AI Agent Skill，怎样让它们不再散落，能够安全地保存、整理、分享，并同步到不同 Agent 中继续使用？

如果你也在使用 Claude Code、Codex 或 OpenCode，并且开始维护自己的 Skill，可以访问：

• 官网：Skill-Everywhere — Private AI Skill Cloud & MCP Marketplace
• Skill 市场：Skill-Everywhere — Private AI Skill Cloud & MCP Marketplace

欢迎体验后反馈真实使用场景。相比功能数量，我目前更关心的是：大家究竟如何组织 Skill，以及多端同步中最容易出问题的环节是什么。