Metadata

name: github-skill-teardown
description: 扫描 GitHub 上的热门 Agent Skill（SKILL.md 生态），按星标建立候选池、逐个拆解设计手法，并针对国内实际给出「可直接抄 / 必须换 / 不能抄」三档改造意见。 Use when the user says 分析 github 热门 skill、拆解 skill、github 上有哪些好的 skill、 skill 竞品调研、看看别人怎么写 skill、对标 skill、github skill teardown，或要做 skill 的竞品分析、给自己写的 skill 找定位、评估某个 skill 值不值得抄。也适用于：蒸馏新视角前先看看同类竞品怎么做。输出：候选池 JSON + 拆解报告（含每条样本的国内改造意见）。
agent_created: true

GitHub 热门 Skill 拆解

这个 skill 解决什么

给定「帮我看看 GitHub 上热门的 skill」这类需求，产出一份有实测数据支撑、逐条拆解、带国内落地方案的报告。不是罗列清单，是回答三个问题：

这个生态真实的形状是什么？（谁热、谁冷、哪块是空白）
每个头部样本具体做对了什么？（引原文，不凭印象）
搬到国内要改什么、不能抄什么？

核心原则（不可跳过）

1. 先扫描，再选样；不凭印象点名单

禁止直接凭记忆列"我知道的热门 skill"。必须先用 API 跑一遍候选池，拿到真实星标后再选。

2. 每条结论必须能指回原文

拆解时不能说"这个 skill 强调简洁"——要引用原文句子。所有引用取自实际拉取的文件，不是二手印象。

3. 选样按星标排序 + 以设计原型去重

纯按星标取前十会得到一堆同质样本。正确做法：按星标排序，然后剔除同原型的（比如已经有了"单文件极简派"，就不再来第二个）。

常见原型（保证每类最多一个）：

方法论框架（改的是流程）
个人工作流直出（卖的是"某人的日常"）
巨型技能库（数量策略）
单文件极简（一份文档）
官方规范参考（定义者自己发的）
单点小工具（一个痛点一个 skill）
基建类（记忆/上下文/路由）
国产模型适配
中文原生垂直领域

4. 必须区分「星标热度」与「真实启用率」

这个生态星标被严重污染——有 12 个仓库超 10 万星，但其中相当一部分是 awesome 清单或无关工具被关键词误伤。 头部 30 个仓库的描述里，只有约 30% 出现 "skill" 这个词。 要在报告里明确提示这一点，别让读者以为星标高就是好用。

5. 每个样本必须写「说实话的问题」

只写优点的拆解没有价值。至少要指出：门槛在哪、什么场景下不适用、有没有商业动机、维护可持续性如何。

执行流程

阶段 1 · 建立候选池

用 scripts/scan_repos.py，多组 topic + 关键词检索、合并去重。

关键 topic/关键词清单（已实测有效）：

topic:agent-skills          topic:claude-skills
topic:claude-code-skills    topic:claude-code+topic:skills
topic:skills+topic:agent    q=skills+claude+in:name
q=SKILL.md+in:readme        q="agent skills"+in:name,description

同时必须另跑一组"国内生态"关键词（这是国内改造建议的事实基础）：

wechat skill / 微信+skill / xiaohongshu / 小红书 / douyin
feishu OR lark skill / dingtalk / deepseek skill / qwen OR 通义 skill
openclaw / agent-skills+中文 / 技能+skill

产出：gh_skill_pool.json（全量）+ cn_skill_pool.json（国内生态）

阶段 2 · 结构探查

用 scripts/scan_tree.py，对候选逐个拉：

默认分支、文件总数、仓库体积
SKILL.md 数量（关键指标，判断是"库"还是"单点"）
.md / 脚本数量、许可证、最近推送时间
SKILL.md 路径清单（判断目录组织方式：根目录 / skills/ / plugins/*/skills/）

产出：gh_skill_tree.log + gh_skill_detail.json

阶段 3 · 抓正文

用 scripts/fetch_bodies.py，对入选样本拉 README + 主 SKILL.md 正文（截断 7000 字符，避免爆上下文）。

抓取策略（避免抓成几万个文件）：

skills = [f for f in files if f.endswith("SKILL.md")]
skills = [s for s in skills if s.count("/") <= 3]      # 只取浅层
root_first = sorted(skills, key=lambda s: (s.count("/"), len(s)))
for s in root_first[:4]: 拉取

产出：gh_skills_raw/ 目录 + gh_skills_raw.json

阶段 4 · 统计与选样

用 scripts/stats.py 算：

星标分档分布
语言 / 许可证分布
活跃度（本月 / 近三月 / 更早）
编程类 vs 非编程类关键词命中数（核心指标，用来证明"某块是空白"）

然后按「星标排序 + 原型去重」定十（或用户指定数量）个样本。

阶段 5 · 逐条拆解

每条固定四段，缺一不可：

### N. owner/repo — 123,456★
**「一句话概括它是什么打法」**

**基本盘**：文件数 / 体积 / 主语言 / 许可证 / 分发通道 / 商业化入口

**它做对了什么**（3–5 点，每点必须引原文或给具体数字）

**说实话的问题**（2–4 点：门槛 / 不适用场景 / 商业动机 / 可持续性）

**国内拆改**
| 档 | 内容 |
|---|---|
| 可直接抄 | … |
| 必须换 | … |
| 不能抄 | … |

阶段 6 · 横向规律 + 国内总纲

见 references/china-adaptation.md（国内约束、可用通道、四条红线、空白位）。横向规律部分要提炼跨样本重复出现的模式，而不是各说各话。

拆解时的几个高频洞察（已验证，可直接复用）

description 陷阱：description 里概括工作流 → agent 会走捷径只读 description。实测案例见 superpowers。→ 只写「什么时候用」，不写「我做什么」。
「一次输出」检验：能用一次输出交付可验证结果的 skill 才活得下来。改流程的（方法论）装了容易闲置。
可调参数 > 判断原则 > 方法论：给配置卡（几个旋钮 + 信号→值映射表）比给方法论有效得多。
好骨架固定：name+desc → When to Use → Principles → Checklist → 硬阈值 → 反模式表 → 失效条件 → 验证判据。国内作者普遍缺最后三行。
渐进式加载是硬要求：metadata（~100 词常驻）→ SKILL.md 正文（触发时）→ references/scripts（按需）。800 行的 SKILL.md 会让用户觉得"装了变慢"。
meta-skill 决策树：skill 超过 3 个就必须有路由图，否则没人用。

环境陷阱（Windows + WorkBuddy 沙箱，已实测）

Bash 工具下 coreutils 全缺：dirname / head / tail / grep / ls / awk 一律 command not found。不要在 Bash 里用管道和这些命令。
但直接调绝对路径的 python / node 是好用的： "$HOME/.workbuddy/binaries/python/envs/default/Scripts/python.exe"
长任务（多仓库 × 多 API 调用）必须后台跑 + 重定向到日志文件，否则超时被 SIGTERM：
```
python script.py > out/scan.log 2>&1
```
然后 Read 日志文件（不要用 tail）。
PowerShell 工具不回传 stdout，要 Out-File 到临时文件再 Read。
GitHub API 用 gh api（已登录，5000/小时配额）。gh.exe 路径： C:\Program Files\GitHub CLI\gh.exe
每次 API 调用之间 time.sleep(2)，避免触发 secondary rate limit。

输出物

主报告：outputs/GitHub热门Skill拆解与国内改造建议.md

附：候选池 JSON、结构清单、原始正文目录、全部脚本（留档，下次改路径即可复用）。

本 Skill 由一次真实调研沉淀而成（2026-09-21，319 个候选仓库，拆解 10 个头部样本 + 19 个观察名单）。

GitHub Skill 生态拆解

安装技能