Loading...

GitHub 上最火的 Agent Skill，我看了一圈后觉得它火得挺合理

Jensen 随心帖 技术, Git

前言

这两天我去 GitHub 上搜了一圈 Agent Skill 相关项目。这里说的 Skill，不是简历里写的“技能”，而是给 AI 编程助手用的一套工作流说明。它通常是一组 Markdown 文件，里面写清楚什么时候触发、怎么做、做到什么程度算完成。

如果只按 Star 数看，目前最显眼的是 addyosmani/agent-skills。截止到 2026-07-11，我看到它在 GitHub 上有 77.1k Star、8.3k Fork。这个热度已经不是“小工具火了一下”的程度了。

顺手对比一下几个相关项目：

  • openai/skills：23.5k Star，不过仓库 README 已经提示它废弃了，当前 Codex skill 和 plugin 示例应该看 OpenAI Plugins 仓库。
  • VoltAgent/awesome-agent-skills：27.8k Star，定位更像 Agent Skill 导航站，收集了 1000+ 技能，兼容 Claude Code、Codex、Gemini CLI、Cursor 等工具。
  • ComposioHQ/awesome-codex-skills：14.8k Star，主要收集 Codex 相关的实用技能，偏工作流自动化。

这些项目都挺有价值，但如果问“现在 GitHub 上最火的 Agent Skill 项目是哪一个”，addyosmani/agent-skills 基本就是答案。

下载 (1).svg

从 spec、plan、build 到 test、review、ship，Skill 把一次编码任务拆成了更稳定的流程。

它到底是什么？

addyosmani/agent-skills 的定位很直接：Production-grade engineering skills for AI coding agents。

翻成人话就是：把高级工程师平时做项目的习惯，拆成一套套 AI 能执行的工作流。它不是单纯告诉 AI “你要写好代码”，而是把需求澄清、拆任务、写代码、补测试、做 Review、上线检查这些动作拆开，让 AI 每一步都有章法。

这个项目里一共有 24 个 skills，其中 23 个覆盖软件开发生命周期，还有一个用于判断当前任务应该调用哪个 skill。它不是堆一堆提示词，而是更像一套“工程流程说明书”。

我觉得它火的原因

以前很多人用 AI 写代码，方式很简单：把需求扔进去，然后等它给答案。这样能跑，但不稳定。小需求还好，需求一复杂，就容易出现几个问题：一上来就写代码，需求没问清；改了很多文件，但没有拆成可验证的小步骤；测试说补了，其实只是补了几行看起来像测试的代码；Review 看起来很客气，真正的问题没抓住。

agent-skills 解决的不是“AI 会不会写代码”的问题，而是“AI 能不能按工程习惯做事”的问题。这点挺关键。它把开发流程拆成 Define、Plan、Build、Verify、Review、Ship 几个阶段。比如：

  • /spec：先写清楚要做什么，不急着开工
  • /plan：把需求拆成小任务
  • /build：按薄切片实现
  • /test：用测试证明代码真的能跑
  • /review：合并前做质量检查
  • /ship：上线前做发布检查

这些东西看起来普通，但普通才是重点。真正让项目少出问题的，往往不是某个神奇技巧，而是这些重复、无聊、但必须做对的动作。

几个值得单独看的 skill

spec-driven-development

它要求在正式写代码前先把目标、命令、目录结构、代码风格、测试方式和边界写清楚。这个思路很朴素，但很有用。因为很多 AI 生成代码的问题，根源不是模型不会写，而是上下文太散，需求也没有收束。

test-driven-development

它不是简单说“请添加测试”，而是强调 Red-Green-Refactor，还区分测试金字塔、测试命名、mock 的边界。这类约束对 AI 很重要，因为 AI 很容易写出“看上去像测试，其实没测到关键行为”的代码。

code-review-and-quality

这个 skill 把 Review 从一句“帮我看看代码”变成了更具体的检查过程。比如改动大小、风险点、可维护性、测试覆盖这些都要看。对于团队开发来说，这种结构化 Review 比一句泛泛的“LGTM”靠谱得多。

debugging-and-error-recovery

AI 很容易在报错后开始猜。这个 skill 的价值在于，它要求先复现、再定位、再缩小范围，最后再修。这个顺序很像正常工程师排查问题的思路，也能减少 AI 越修越乱的情况。

与普通 Prompt 的区别

普通 Prompt 更像一次性指令。你说一句，AI 做一次。上下文变了，效果也会变。Skill 更像可复用的工作习惯。它把“这类任务应该怎么做”固定下来，下次遇到类似问题，AI 不需要你重新解释一遍。

举个简单例子

你可以每次都跟 AI 说：“请先理解需求，再拆任务，每一步都写测试，不要大改，最后总结风险。”这当然可以。但你说多了会烦，AI 也未必每次都记得住。

如果把这些要求写成 skill，它就变成一套稳定流程。你触发这个 skill，AI 就按这套流程走。这就是它和普通提示词最大的不同。

下载 (2).svg

一个 Skill 通常以 SKILL.md 为入口，再按需加载 references、scripts 等补充资源。

普通开发者能学到什么

我觉得 agent-skills 最值得学的地方，不是它里面某一个具体 skill，而是它对 AI 编程的态度。它默认 AI 不是一个“更聪明的自动补全”，而是一个需要流程约束的协作者。你不能只给它目标，还要给它边界、检查点和验收方式。这和我们平时带新人有点像。你不会只说“把这个功能做了”，然后两天后等结果。你会说清楚需求、拆任务、看中间结果、要求测试、再做 Review。AI 也是一样。

所以我更愿意把 Skill 理解成“给 AI 的工程规范”。它不神秘，也不玄学。写得好的 skill，就是把你平时脑子里的开发习惯翻译成 AI 能执行的步骤。

结语

GitHub 上现在 Agent Skill 相关项目不少，但 addyosmani/agent-skills 火起来并不意外。它踩中了一个很实际的问题：AI 已经能写不少代码了，但能不能稳定地按工程流程写好代码，还是另一回事。

如果你只是想收集各种技能目录，可以看 VoltAgent/awesome-agent-skills 或 ComposioHQ/awesome-codex-skills。如果你想研究“怎么把 AI 写代码这件事变得更像工程实践”，那 addyosmani/agent-skills 更值得细看。

我自己看完后的感觉是：未来 AI 编程拼的不只是模型能力，也会拼这些 workflow。谁能把流程写清楚，谁就更容易让 AI 稳定地产出结果。


参考链接

https://github.com/addyosmani/agent-skills

https://github.com/openai/skills

https://github.com/VoltAgent/awesome-agent-skills

https://github.com/ComposioHQ/awesome-codex-skills

0

回到顶部