本文针对AI agent在执行时从市场或其他agent获取的技能（包含提示指令、可执行代码和工具声明）的身份标识问题。现有加密哈希（如SHA）对微小改动敏感，无法反映技能之间的相似性，不利于技能治理和注册。作者提出一种紧凑的局部敏感指纹方法：将技能的三个组件（prompt、code、tools）分别通过多库SimHash投影到固定120字节的签名，并通过汉明距离进行常数时间比较。核心创新在于保持每个组件的独立指纹（三元组），而非汇总为单一分数。这使得指纹能够：1）当某组件共享而其他组件经过改写、重命名、重构或受控代码翻译时，仍能恢复技能家族身份；2）定位哪个组件被重用；3）区分独立的多语言重实现（不恢复身份）。该方法强调“血缘关系”而非行为等价，为技能注册表提供结构化的身份轴线，与行为验证互补。在4950对比较中，指纹的AUC达到0.974（95% CI [0.956, 0.994]），且使用比特数仅为所近似嵌入的1/77。在906个技能注入基准测试中，指纹能识别被注入的技能为已知基础的篡改副本并定位变化。本文适合AI安全工程师、agent平台开发者、以及关注LLM应用供应链安全的研究人员阅读。