GitHub 熱門「技能包」：探究其究竟是提示工程創新，抑或僅是包裝策略？

• 文章深入探討 GitHub 趨勢上爆紅的 AI「技能包」，質疑它們究竟代表著提示工程的實質創新，抑或僅是內容的包裝策略。 • 作者檢視了幾個熱門儲存庫，發現 Andrej Karpathy 技能包主要由簡潔的行為規則組成，而 Matt Pocock 的技能包則呈現為模組化的程序性工作流程。 • 儘管部分專案包含評估標準和自動提取等提示工程相關的基礎設施，但就提示詞本身而言，並無顯著新技術。 • 結論指出，這些「技能包」的成功，主要源於其分發形式的創新。SKILL.md 格式化了提示詞，使其成為可發布、版本化與安裝的單元，極大地提升了提示詞的可交付性。 • 唯一值得稱道的提示工程創新是透過前置描述匹配實現的條件式注入。這項技術允許系統根據當前任務選擇性地載入相關技能，有效節省了 token，本質上是基於模型路由的提示詞 RAG。 • > 作者認為：「模型改進已將許多提示工程表面區域壓縮成『清楚地表達你想要什麼』。」 • 因此，「技能包」更多是作為一種分發慣例而存在，而非複雜提示技巧的革新。 • 這引發了提示工程社群的思考：在模型能力日益增強的背景下，技巧導向的提示是否仍有顯著回報，或者一切都正趨向於聲明式行為指令？