Skills生态：mattpocock-skills、Agent-Skills-for-Context-Engineering、Claudeception、SkillRouter

mattpocock-skills开源GitHub197K Star17K Fork技能合集。如handoff降低下一轮接手成本SKILL.mdWrite a handoff document summarising the current conversation so a fresh agent can continue the work. Save to the temporary directory of the users OS - not the current workspace. Include a suggested skills section in the document, which suggests skills that the agent should invoke. Do not duplicate content already captured in other artifacts (specs, plans, ADRs, issues, commits, diffs). Reference them by path or URL instead. Redact any sensitive information, such as API keys, passwords, or personally identifiable information. If the user passed arguments, treat them as a description of what the next session will focus on and tailor the doc accordingly.翻译交接文档要单独写出来而不是继续埋在线程里。要有推荐技能也就是明确告诉下一位智能体这件事接下来更适合用哪些技能不要重复已有需求文档、计划、架构决策记录、issue、commit或diff的内容而是直接引用路径或链接Agent-Skills-for-Context-Engineering一个面向智能体系统的开源GitHub17.7K Star1.5K Fork技能工具集核心聚焦于智能体的上下文工程、多智能体架构设计以及生产级智能体系统落地三大方向专门服务于智能体系统的构建、优化与调试场景。参考上下文工程。设计理念渐进式加载每个技能都围绕高效利用上下文来设计智能体启动时只加载技能的名称和简要描述只有当任务需要用到某个技能时才会加载它的完整内容跨平台适配这些技能聚焦通用原则而非特定厂商的实现方式。所采用的模式适用于Claude Code、Cursor以及任何支持技能机制或允许自定义指令的智能体平台理论基础与实践示例结合通过脚本和示例来阐释核心概念所有代码均采用Python伪代码编写无需安装特定依赖即可理解与应用梳理成五大核心技能模块提供一套系统的知识体系与实践指南基础技能为所有后续工作奠定基础。SkillDescriptioncontext-fundamentals理解上下文的定义、价值以及智能体系统中上下文的结构context-degradation识别上下文失效的常见模式中间遗忘、信息污染、干扰冲突context-compression设计长期运行会话(long-running sessions)的上下文压缩策略并评估效果架构技能聚焦智能体系统的架构设计提供可复用的结构模板SkillDescriptionmulti-agent-patterns掌握指挥者模式Master Orchestrator、点对点模式、分层模式等多智能体协作架构memory-systems设计短期记忆、长期记忆、图结构记忆tool-design构建智能体高效调用工具long-horizon-prompting长时自主Agent的伪正式任务简报filesystem-context文件系统做动态上下文发现、工具输出卸载、计划持久化hosted-agents沙箱VM后台编码Agent运维技能关注智能体系统的持续运行与优化。SkillDescriptioncontext-optimization应用上下文压缩、遮蔽、缓存策略evaluation搭建智能体系统的评估框架advanced-evaluation掌握大模型裁判的评估技术直接打分、成对比较、评分标准生成、偏差缓解bias mitigationlatent-briefing任务引导的KV缓存压缩共享orchestrator状态给workerself-improvement-loops以Harness本身为优化目标的循环harness-engineering自主Agent Harness锁定指标、持久日志、新颖性门控、回滚、人工审批开发方法论涵盖构建可靠的LLM项目所需的系统性方法和流程。SkillDescriptionproject-development从需求到部署全面设计并构建LLM项目包括任务与模型匹配分析、流水线架构以及结构化输出设计认知架构技能涵盖面向理性智能体系统 rational agent systems的认知建模SkillDescriptionbdi-mental-states新增用BDI本体模式将外部RDF上下文转化为智能体的心智状态信念,愿望,意图实现可解释的推理源码结构├── .claude-plugin/ # Claude插件配置 ├── .plugin/plugin.json # Open Plugins清单 ├── CLAUDE.md # CC配置 ├── skills/ # 17个技能核心 ├── examples/ # 6个完整示例系统 ├── researcher/ # 自进化研究操作系统 ├── template/ # 技能规范模板 ├── CONTRIBUTING.md ├── LICENSE (MIT) └── requirements-dev.txt6个示例示例做什么用到的技能digital-brain-skill创始人/创作者的个人OS6模块4自动化脚本7个技能联动x-to-book-system监控X账户每日合成书籍的多Agent系统5个技能llm-as-judge-skillsTypeScript实现19个测试通过的生产级评估器4个技能book-sft-pipeline训8B模型模仿任意作者风格GertrudeStein案例$2成本4个技能interleaved-thinking推理轨迹优化器捕获失败模式并生成技能4个技能long-horizon-prompt-lab生产级教育网站方法指南模板提示重写审计4个技能实战Claude Code用户注册插件源/plugin marketplaceaddmuratcankoylan/Agent-Skills-for-Context-Engineering通过命令直接安装/plugininstallcontext-engineering-fundamentalscontext-engineering-marketplace /plugininstallagent-architecturecontext-engineering-marketplace /plugininstallagent-evaluationcontext-engineering-marketplace /plugininstallagent-developmentcontext-engineering-marketplace /plugininstallcognitive-architecturecontext-engineering-marketplaceClaudeception开源GitHub2.4K Star28 ForkCC技能。设计灵感Voyager是首个在开放世界Minecraft中实现终身学习的Agent其核心贡献在于证明Code as Policies的可行性不依赖模型微调而是通过编写、执行和迭代JavaScript代码来掌握新技能代码片段被存入向量数据库构成可复用的技能库Reflexion提出语言强化Verbal Reinforcement的概念当Agent失败时不只是收到负分而是强制生成自我反思将试错过程中的隐性信息转化为显性的语言反馈极大提升后续决策的成功率CASCADE提出Meta-Skills元技能概念Agent可通过网络搜索、代码提取和内省来自主掌握复杂工具强调递归式的自我增强能力SEAgent将战场拓展到完全陌生的软件环境通过World State Model和Curriculum Generator进行自主探索强调从经验中学习Learning from ExperienceClaudeception融合这些研究的精髓Voyager的技能库、Reflexion的反思循环、CASCADE的元技能、SEAgent的经验学习作为元技能Meta-Skill专门用来将开发经验转化为可复用技能库。让AI在帮你解决问题的同时自动提炼出有价值的经验教训下次遇到类似场景时直接复用。在提取技能时需要满足以下标准可复用对未来任务有帮助而非仅针对本次实例非平凡是需要发现的知识而非简单查阅文档即可具体能准确描述触发条件和解决方案已验证解决方案实际有效而非理论可行自动触发条件非显而易见的调试解决方案需要深入调查且文档中找不到错误解决错误消息具有误导性根本原因不明显变通方案发现工具/框架限制的绕过方法配置洞察发现项目特定的非标准配置试错成功尝试多种方法后才找到解决方案提取流程语义分析回顾对话历史提取核心因果关系网络验证可选搜索最新最佳实践确保知识不过时结构化写入生成标准化的Markdown技能文件实战基于GitHub安装gitclone https://github.com/blader/Claudeception.git ~/.claude/skills/claudeception# 配置自动触发钩子mkdir-p~/.claude/hookscp~/.claude/skills/claudeception/scripts/claudeception-activator.sh ~/.claude/hooks/chmodx ~/.claude/hooks/claudeception-activator.sh配置自动触发vim ~/.claude/settings.json{hooks:{UserPromptSubmit:[{hooks:[{type:command,command:~/.claude/hooks/claudeception-activator.sh}]}]}}执行命令/claudeceptionTypeScript循环依赖问题现象TypeScript编译通过没有任何报错运行时崩溃TypeError: Cannot read properties of undefined诡异现象交换import语句顺序错误可能消失或转移检测工具madge --circular --extensions ts,tsx src/问题模式服务层互调Service A调Service BService B又调Service A桶文件陷阱在index.ts导出所有内容子文件又从index.ts导入解决策略提取共享接口依赖注入不在头部直接import而是在构造函数中传入使用import type// 仅用于类型检查运行时会被擦除importtype{SomeType}from./module;SkillRouter论文开源GitHub235 Star23 Fork一个面向大规模技能注册的实用检索系统在消费者级硬件上实现高效的技能路由。指标数值候选技能池~8w开源技能评估集75个专家验证查询主模型0.6B编码器0.6B重排序器核心结果74.0% Hit1平均命中率部署目标消费者级硬件/本地推理传统Agent系统在技能选择阶段通常只暴露技能名称和描述。核心发现在高度重叠的技能池中完整技能正文才是决定性的路由信号。架构图采用经典的向量检索精细重排序retrieve-and-rerank架构阶段一使用0.6B编码器在全技能池中进行粗筛从8w技能中快速缩小到Top-50候选目标高召回率低延迟阶段二使用0.6B重排序器对Top-20候选进行深度分析利用完整技能文本内容进行精确匹配目标高准确率高质量排序模型清单模型角色下载链接SkillRouter-Embedding-0.6B全技能池第一阶段检索HuggingFaceSkillRouter-Reranker-0.6B完整技能文本的Top-20重排序HuggingFace评估基准托管在HF。小型高效仅0.6B参数适合消费者级硬件可在单GPU甚至CPU上运行推理延迟低适合实时应用精度与效率的平衡在80K技能池上实现74% Hit1双阶段设计兼顾召回率和准确率适合本地部署和隐私敏感场景数据组成文件说明tasks.jsonl查询集relevance.json基准测试相关性标签和分级相关性generic_only评分时跳过报告预测为task_id到排名skill_id列表的JSON映射。基准层级说明easy基础测试层级hard高难度测试层级适用场景大型Agent系统当Agent拥有数百甚至数千个技能时提供高效的路由能力本地隐私场景0.6B模型可在本地运行适合对数据隐私要求高的场景技能市场平台为技能商店提供智能推荐和匹配功能企业知识库在企业内部知识库中快速定位相关技能和工具仓库结构├── README.md ├── assets/ │ └── readme/ # 文档图片 ├── data/ │ └── eval_core/ # 评估核心数据 ├── evaluation/ # 评估脚本和说明 ├── manifests/ # 清单文件 ├── scripts/ # 工具脚本 └── src/ # 核心源代码技术亮点元数据快速过滤名称、描述快速匹配正文深度分析重排序阶段使用完整技能文本向量语义匹配0.6B编码器学习技能语义空间实战基于源码安装python3-mvenv .venvsource.venv/bin/activate pipinstall-rrequirements.txt注意脚本假设本地机器支持CUDA。对于大规模运行在调用Shell包装器前设置CUDA_VISIBLE_DEVICES。下载数据集bash scripts/download_eval_data.sh评估bashscripts/evaluate_open_models.sh# 或makeeval-open-models这会运行发布的0.6B嵌入模型和重排序器在easy和hard基准测试层级上执行检索和重排序输出检索输出outputs/open_model_eval/retrieval/重排序输出outputs/open_model_eval/reranked/汇总指标outputs/open_model_eval/summary.json使用本地检查点SKILLROUTER_EMB_MODEL_OR_PATH/path/to/SkillRouter-Embedding-0.6B\SKILLROUTER_RERANK_MODEL_OR_PATH/path/to/SkillRouter-Reranker-0.6B\bashscripts/evaluate_open_models.sh导出预测python3-msrc.export_retrieval\--encoder_model_or_path/path/to/your/encoder\--data_rootdata/eval_core\--output_diroutputs/custom_eval\--tierseasy hard默认导出保留 Top-50 候选。评估单层级bashscripts/evaluate_predictions.sh\--predictionsoutputs/custom_eval/retrieval/easy.json\--tiereasy检索 重排序流水线python3-msrc.run_open_model_eval\--data_rootdata/eval_core\--encoder_model_or_path/path/to/your/encoder\--reranker_model_or_path/path/to/your/reranker\--tierseasy hard\--output_diroutputs/custom_pipeline_eval默认流水线使用flat-full提示词对Top-20检索候选进行重排序。