如果你用过 AI 智能体，大概率对同一件事解释过不止一遍。
每周状态更新怎么做、发布说明怎么写、项目怎么跟进、工单怎么创建。这些任务你讲了一遍又一遍，但每次换个 agent 都要重新讲。问题不在于 agent 不够聪明，而在于这些本来就是可复用的重复劳动，却被当成一次性对话来处理。
亚马逊的答案是把它们“编码”下来。在 AWS Quick 里，这类重复任务不再靠每次重新描述，而是通过 agents 和 skills 变成可复用的资产。你教一次，它记住；下次再来，直接执行。
现象层：Quick 到底是什么，为什么需要 skill
AWS Quick 的定位很直接，它是一项 AI 驱动的服务，用来自动化任务、分析数据、构建 Web 应用、做研究。用户用自然语言和它说话，Quick 则在后台调动 AI agents，对着你连接的数据源和应用处理请求。
它没打算把你按在聊天框里。Quick 有网页应用，也有 Chrome、Firefox 浏览器扩展，还嵌进了 Microsoft Outlook、Teams 和 Word，出现在你本来就在干活的地方。这个产品姿态很关键，它不是让你“和 AI 聊天”，而是让 AI 在你现有的工作流里把事做完。
但真正让这件事可规模化的，不是模型，而是 skill。
想象一个场景，你是个团队负责人，每周一都要收齐成员的进度，汇总成状态更新发给上级。用普通 agent，你每周都要重复一遍“去 Jira 拉数据、按这个模板写、发到 Slack 这个频道”。有了 skill，这套流程被写成一份可复用的指令包，agent 每次调用的是同一份“岗位说明书”，而不是你临时口述的新要求。
什么是 skill：一份机器可读的岗位说明书
一句话定义，skill 是一组可复用的指令，用来教会 agent 如何做一件具体的事。它也是 Quick 里 agent 行为方式和完成工作的基础。
skill 能干的活比想象中多。它可以产出一个交付物，比如按你的模板生成每周状态更新；可以跨连接器自动化一个工作流，比如收集本周的 Jira 更新，把摘要发到 Slack；甚至可以跑 Python 脚本做计算，再用 JavaScript 把结果画成图。
技术上，Quick skills 遵循 Agent Skills specification。这套规范最初由 Anthropic 开发，并作为开放标准发布。AWS Quick 桌面版 2026 年 4 月开启预览，同年 9 月正式通用可用，用的就是这套规范。
每个 skill 遵循开放的 AgentSkills.io 标准：一个 SKILL.md 文件，带 YAML frontmatter（name、description）和 markdown 指令，可选配 scripts/、references/、assets/ 目录。换句话说，一份 skill 本质上是一份机器可读的文档包。人类写得出来，agent 读得懂，还能带着脚本和参考资料一起跑。
架构层：渐进式披露，解决注意力经济学
Quick 里的 agent 跑在一个 harness 里，也就是一个托管的 agent 循环，遵循 ReAct（reasoning and acting）模式。你给 Quick 一个 prompt，agent 就用自己的工具和指令去完成目标、给你结果。Strands Agents SDK 这类 agent 框架，围绕的也是同样的模型驱动循环。
这套架构里最容易被忽略、却最值得细看的设计，是渐进式披露（progressive disclosure）。skill 的元数据先注入，大约 100 个 token；完整指令不是一股脑塞进上下文窗口，而是 agent 需要时再通过工具调用按需加载。
为什么这个细节重要？因为 context window 是 agent 系统里最贵、也最稀缺的资源。如果每个 skill 的完整指令都预先塞进去，agent 很快会被自己用不上的指令淹没，既慢、又贵，还容易分心出错。渐进式披露让 agent 只加载当下需要的东西，本质上是在用架构手段解决注意力经济学问题。
这也解释了 skill 为什么能堆很多而不崩：一个企业可以沉淀几十上百个 skill，但每次执行只唤醒相关的那几个。规模化的前提不是更大的上下文，而是更聪明的加载策略。
行业层：为什么亚马逊押 Anthropic 的标准
Quick 选择 Anthropic 的 Agent Skills 规范，不是随便选的。
Anthropic 在 2025 年 12 月把 Model Context Protocol（MCP）捐给了 Linux Foundation 旗下的 Agentic AI Foundation，共同发起方包括 Block 和 OpenAI，支持方还有 Google、Microsoft、AWS、Cloudflare 和 Bloomberg。这个基金会的使命是托管多个开放规范，而 Skills 天然契合这场标准化浪潮。
标准化的信号已经体现在竞争对手身上。开发者 Elias Judin 在 2025 年 12 月发现，OpenAI 的 ChatGPT 里已经出现了一个 /home/oai/skills 文件夹，Codex CLI 也合并了 skills 支持，时间甚至早于 Anthropic 正式发布开放标准。Anthropic 在 2025 年 12 月 18 日发布规范后，微软很快把它集成进 VS Code，OpenAI 也把它加进了 ChatGPT 和 Codex CLI。到 2026 年初，已有数十款来自不同公司的工具支持该规范，包括 Google Gemini CLI、JetBrains Junie、AWS Kiro、Block Goose 等。
当一家公司的开放标准被对手用相同的文件结构“致敬”，这件事的意义已经超出单个产品。它意味着 agent 生态正在从“每家一个封闭体系”走向“技能可移植”。对亚马逊来说，押注开放标准等于押注生态：skill 越容易迁移和复用，Quick 的护城河就越不在模型本身，而在企业沉淀下来的那套可复用工作资产。
模型可以换，但一套写好的周报 skill、发布说明 skill、工单 skill，迁移成本不低。这才是 Quick 真正的粘性来源。
客户层：可复用值多少钱
亚马逊拿出的早期客户数据，恰好验证了这套逻辑。
- Propulse Lab（营销自动化公司）用 Quick 简化客服工作流，处理工单的平均时间减少 80%；按计划扩展后，预计每年节省超过 24,000 小时
- DXC Technology 计划在超过 120,000 名用户中部署 Quick
- Vertiv（关键数字基础设施供应商）计划 2026 年将用户规模扩大 25% 以上
- Jabil 用自然语言研究监管更新、优化账户催收和报价请求（RFQ）提交；仅账户催收和 RFQ 这两项自动化，预计每年节省约 400,000 美元
Quick 驱动的多层 AI 架构整合了聊天机器人和信息源，提升了我们的制造速度和灵活性。
这句话来自 Jabil 的 CIO May Yap。这些数字背后是同一件事：企业买的不是“更聪明的对话”，而是把重复流程固化成 skill 之后，边际执行成本趋近于零。工单处理时间降 80%，不是因为 agent 突然变聪明了，而是因为流程被写死了，不再依赖人的临场发挥。
结论：亚马逊的赌注不在模型
AWS Quick 的 skill 机制揭示了一个判断：职场 AI 的胜负手，可能不在谁的模型更强，而在谁能把重复劳动最快变成可复用资产。
过去几年，大厂们把大部分弹药投向了模型本身，更大的参数、更长的上下文、更低的推理成本。这些当然重要，但它们是水电煤，是基础设施。skill 才是沉淀下来的岗位说明书，是真正区分“用过 AI”和“用 AI 把事做完”的分水岭。
当一个企业的周报、发布说明、工单流程都被写成 skill，换模型的成本很低，但替换整套 skill 资产的成本很高。亚马逊在 Quick 里押注 Agent Skills 开放标准，表面是让技能可移植，深层是让企业愿意把核心工作流沉淀在 AWS 的生态里。
对开发者和企业来说，值得关注的方向很明确：不要只训练 agent“回答问题”，要把那些你解释过三遍以上的工作，写成 skill。
AI 打工人的终点不是更会聊天，而是你说过一遍的事，再也不用说第二遍。
快报