AI技能库：提升编程助手专业能力的结构化知识模块

1. 项目概述：一个为AI开发者打造的技能库

如果你正在用Claude Code、Cursor这类AI编程助手，或者你在构建自己的AI Agent，那你肯定遇到过这样的问题：每次想让AI帮你处理一个特定领域的任务，比如审核一份智能合约的安全性，或者配置一个复杂的Vite项目，你都得从头开始写一大段提示词（Prompt）。这个过程不仅重复、低效，而且质量难以保证，毕竟不是每个人都是写提示词的高手。

这就是tenequm/skills这个项目要解决的核心痛点。它本质上是一个开源的、高质量的“AI技能库”。你可以把它想象成一个为AI编程助手准备的“NPM包管理器”或“插件市场”，只不过这里的“包”不是代码库，而是结构化的、可复用的知识模块——我们称之为“技能”（Skill）。

这个仓库由社区维护，里面打包了超过20个经过精心设计和验证的技能，覆盖了从Web3开发（如Solana、ERC-8004）、前端工程（React、Vite、Tailwind）、Python/TypeScript开发工具链，到产品增长策略、写作技巧等广泛领域。每个技能都是一个独立的文件夹，包含一个核心的SKILL.md文件，里面封装了让AI理解并执行特定任务所需的所有上下文、指令、示例和最佳实践。

1.1 核心价值：为什么你需要关注这个技能库？

对于开发者、创业者，尤其是Web3领域的Builder来说，这个技能库的价值是立竿见影的。

第一，它极大地提升了AI编程助手的“专业能力上限”。一个只经过通用训练的AI模型，可能对“Foundry测试框架的最佳实践”或“MPP支付协议的集成细节”知之甚少。但当你为它加载了对应的技能后，它瞬间就变成了这个领域的专家。这意味着你可以用自然语言直接提出复杂、专业的需求，比如“用Effect-TS为这个函数添加健壮的错误处理和资源管理”，AI就能基于技能中的知识，给出符合行业最佳实践的代码。

第二，它标准化和沉淀了团队或个人的知识资产。在团队协作中，如何确保每个人使用的AI助手都遵循同一套代码规范、安全审计流程或部署脚本？把你们内部的最佳实践打包成一个技能，分发给所有成员，就能实现知识的统一和传承。对于个人开发者，这也是一个绝佳的“第二大脑”扩展，把你摸索出来的高效工作流固化下来，随时调用。

第三，它提供了灵活多样的使用和分发方式。这也是这个项目设计上的精妙之处。它支持三种消费路径，适应不同场景：

1. 通过ClawHub平台安装：这是最推荐的方式，类似于npm install，一键安装，自动管理。
2. 从GitHub Releases下载ZIP包：适合需要离线使用、审计源码，或集成到自有CI/CD流程中的场景。
3. 直接查看GitHub源码：方便贡献者审查、学习技能的设计，或者基于现有技能进行二次开发。

项目通过一套自动化发布流程，确保这三种方式提供的技能内容都是同步且稳定的。当你通过ClawHub安装react-typescript技能时，你得到的和从Releases下载的ZIP包里的内容是完全一致的。

2. 技能库的架构与设计哲学

要真正用好这个技能库，我们需要先理解它的内在设计逻辑。这不仅仅是一个文件集合，其结构和发布流程都体现了对“AI技能”作为一种新型知识载体的深刻思考。

2.1 技能的结构：一个技能包里到底有什么？

每个技能都位于skills/<slug>/目录下。以skills/foundry-solidity/为例，它的典型结构如下：

skills/foundry-solidity/ ├── SKILL.md # 核心文件：技能的完整定义和指令 ├── references/ # （可选）参考文件，如配置示例、协议文档 ├── scripts/ # （可选）可执行的脚本或命令模板 ├── evals/ # （可选）评估用例，用于测试技能效果 └── assets/ # （可选）图片、图表等静态资源

SKILL.md是这个技能的灵魂。它不是一个简单的README，而是一个高度结构化的“提示词工程”产物。一个设计良好的SKILL.md通常包含：

• 技能身份：名称、版本、作者。
• 核心描述：用一两句话清晰说明这个技能是做什么的。
• 触发词（Triggers）：这是关键！它定义了在什么情况下AI应该自动激活这个技能。例如，foundry-solidity技能的触发词包括“Foundry commands”、“Solidity testing”、“forge”、“cast”等。当你在对话中提到这些关键词时，AI就会自动加载这个技能的上下文，无需你手动提醒。
• 使用场景（When to use）：更详细地描述应该在何种具体任务中使用本技能。
• 核心知识与指令：这是技能的主体，以清晰、无歧义的语言，向AI传授关于该领域的专业知识、操作步骤、常见模式、避坑指南等。这部分内容需要极高的质量，因为它直接决定了AI输出的专业度。
• 示例（Examples）：提供输入/输出的对话示例，让AI更好地理解如何应用这些知识。

这种结构化的设计，确保了技能不仅仅是信息的堆砌，而是可操作、可触发、高质量的知识模块。

2.2 发布与消费路径解析

项目设计了三条清晰的消费路径，这背后是对不同用户需求和场景的考量。

路径一：ClawHub —— 面向终端用户的“应用商店”ClawHub可以理解为AI技能的发现和管理平台。对于绝大多数只想“使用”技能的用户来说，这是最友好的方式。你只需要一个简单的命令：

npx skills install tenequm/skills/react-typescript

这个命令会从ClawHub拉取技能包，并安装到你的AI助手（如Claude Code）的技能目录中。之后，当你在编辑React+TypeScript项目时，AI会自动应用这些知识。这种方式屏蔽了底层细节，提供了依赖管理和更新检查。

路径二：GitHub Releases —— 面向开发者和集成者的“制品仓库”Releases页面提供了每个技能的独立ZIP打包文件。例如，react-typescript.zip。这种方式适合：

• 审计：你可以直接下载ZIP包，解压后审查SKILL.md的全部内容，确保没有隐藏指令或安全问题。
• 离线/内网使用：将ZIP包分发到无法连接外部网络的开发环境。
• CI/CD集成：在自动化流程中，通过curl命令下载特定版本的技能包，确保构建环境的一致性。
• 版本锁定：你可以选择下载某个特定版本（如react-typescript@0.1.0.zip），而不是永远使用最新的skills-latest，这对于追求稳定性的生产环境很重要。

路径三：GitHub源码 —— 面向贡献者和学习者的“开放知识库”skills/目录下的所有源码都是公开的。这对于想要学习如何构建高质量技能、或者想要改进现有技能的开发者来说，是无价的资源。你可以看到每个技能是如何被构建的，触发词如何设计，知识如何组织。这也是社区协作的基础。

注意：项目通过自动化流程保证了这三条路径的最终一致性。每次向main分支推送代码，如果检测到skills/<slug>/目录有变更，并且版本号已提升，自动化流程会：

1. 运行代码检查（pre-commit）。
2. 将变更的技能发布到ClawHub。
3. 在GitHub上创建一个新的、不可变的发布（Release），包含所有技能的ZIP包。
4. 更新一个名为skills-latest的滚动发布，README中的下载链接始终指向这里的最新版本。这意味着，无论你通过哪种方式获取，只要是同一版本，内容绝对一致。

3. 核心技能深度解析与选型指南

面对技能表中琳琅满目的20多个技能，新手可能会感到无从下手。我将它们分为几个核心类别，并挑选几个最具代表性、最能体现项目价值的技能进行深度拆解，帮助你理解何时该用哪个。

3.1 基础设施与协议类技能：Web3开发的“瑞士军刀”

这类技能是针对区块链和去中心化协议开发的深度集成包，价值极高，因为它们封装了非常复杂和前沿的领域知识。

solana-security(Solana智能合约安全审计)

• 核心价值：将专业的智能合约安全审计知识固化成了AI可执行的流程。一个安全审计师需要多年的经验才能培养出对漏洞的直觉，而这个技能试图将这种直觉“灌输”给AI。
• 技能内容剖析：它不会只是泛泛而谈“要检查重入攻击”。它会具体到Solana和Anchor框架的上下文，例如：
  • 如何检查CPI（跨程序调用）中的权限验证是否完备，防止任意程序调用。
  • 如何审计PDA（程序派生地址）的生成和验证逻辑，确保其唯一性和安全性。
  • 如何识别并防范基于Solana账户数据布局的特定攻击向量。
  • 提供一份详尽的常见漏洞模式清单（Checklist），并附上漏洞代码和修复后的代码示例。
• 使用场景：当你完成一个Solana程序（无论是用Anchor还是原生Rust）的初稿后，你可以让加载了此技能的AI对其进行“初审”。AI会基于技能中的知识，模拟审计师的思维，逐条检查可能的安全隐患，并给出风险报告和修改建议。这相当于为你的项目配备了一个24小时在线的初级安全顾问。
• 触发时机：当你的对话中出现“audit”、“security review”、“check for vulnerabilities”、“Solana program safety”等关键词时。

erc-8004与x402/mpp(去中心化AI代理与链上支付)这三个技能共同描绘了Web3与AI交叉领域的前沿图景。

• erc-8004：关注身份与声誉。它封装了ERC-8004标准，该标准旨在为AI Agent提供链上身份、可验证的声誉系统和发现机制。技能里会包含如何使用Agent0 SDK进行Agent的注册、声誉查询和验证。
• x402和mpp：关注价值交换。它们封装了两种不同的“机器支付协议”。x402是一个更通用的、支持多链（EVM, Solana, Stellar等）的HTTP 402支付协议框架。mpp(Machine Payments Protocol) 则更侧重于与MCP（Model Context Protocol）生态的集成，用于AI Agent调用付费工具时的微支付流。
• 内在联系：想象一个场景：一个具有erc-8004链上身份的AI Agent，通过mpp协议，支付极小的费用（比如0.001美元）去调用一个需要付费的天气查询API。整个过程无需人类干预，完全由机器在链上完成身份验证和价值转移。这些技能正是为了帮助开发者构建这样的应用。
• 选型建议：如果你的应用涉及AI Agent的链上操作和支付，mpp可能是更贴近MCP生态的选择。如果你需要构建一个通用的、支持多种支付方式和区块链的付费API网关，x402的覆盖面更广。而如果你关心Agent的身份和可信度，erc-8004是必选项。

3.2 开发效率与质量保障类技能：工程师的“副驾驶”

这类技能直接作用于日常开发工作流，提升代码质量和工程效率。

polish(代码预发布审查)这是我个人最推崇的技能之一。它模拟了一个高效的代码审查（Code Review）流程。

• 工作流程：当你运行polish技能（或AI在触发后自动建议），它会：
  1. 自动化检查：先运行项目的lint（代码风格检查）和type check（类型检查），这是基础门槛。
  2. 多智能体并行审查：启动三个虚拟的“审查专家”并行工作：
     • 清洁度专家：检查代码风格、命名一致性、注释清晰度。
     • 设计专家：审视架构设计、模块划分、API设计是否合理。
     • 效率专家：分析算法复杂度、性能瓶颈、潜在的内存泄漏。
  3. 报告合成与修复：将三位专家的意见汇总成一份统一的审查报告，并在获得你批准后，自动尝试应用这些修复建议。
• 与review-github-pr的区别：polish作用于本地变更，在git commit之前。review-github-pr则用于审查GitHub上已存在的Pull Request。一个防患于未然，一个协作中把关。
• 实操心得：不要完全依赖AI的自动修复。务必仔细阅读合成后的报告，理解每一项建议背后的原因。AI的“设计专家”可能会提出一些有争议的重构建议，你需要结合项目实际情况判断是否采纳。把这个技能当作一个强制你进行“自我代码审查”的触发器，效果最佳。

biome与python-dev(现代化开发工具链配置)这两个技能分别锁定了前端和Python两个生态的最新、最流行的工具链选择。

• biome：它坚定地推荐Biome作为ESLint + Prettier的替代品。技能里会详细解释为什么Biome更快（Rust编写）、配置更简单（一体化），以及如何从旧工具迁移。它会提供具体的biome.json配置示例，涵盖类型感知的linting规则、GritQL自定义规则、导入排序等。
• python-dev：它封装了一个“开箱即用”的现代Python开发环境：用uv做包管理和虚拟环境（替代pip/venv），用ruff做极速linting和格式化（替代flake8/black/isort），用ty进行类型检查，用pytest测试，用just作为任务运行器。技能会提供一个近乎完美的pyproject.toml模板和justfile示例。
• 价值：对于新项目，直接应用这些技能可以让你瞬间达到最佳实践起跑线。对于老项目，它们提供了清晰的迁移指南。这节省了大量查阅、对比、配置工具的时间。

3.3 思维框架与软技能类技能：创业者的“决策辅助”

这类技能超越了代码，提供了方法论和思维模型。

founder-playbook(创业者决策手册)这个技能非常独特。它不是教你写代码，而是帮你“做决策”。当创业者面临“我该先做哪个功能？”、“这个融资条件该接受吗？”、“我的增长策略对吗？”这类模糊且压力巨大的问题时，这个技能能提供结构化的思考框架。

• 工作方式：它会引导你通过一系列问题来“压力测试”你的决定。例如，对于“是否该增加这个新功能”，它可能会问：
  • “这个功能解决了哪个核心用户痛点？有数据或用户反馈支持吗？”
  • “实现它需要多少资源？会延迟我们更重要的目标吗？”
  • “如果我们不做，最坏的情况是什么？如果我们做了，但失败了，能承受吗？”
  • “有没有更简单、更快的替代方案能达到类似效果？”
• 本质：它把YC（Y Combinator）等顶级孵化器里常见的创始人辅导对话，以及《精益创业》等书中的思维模型，固化成了一个可随时对话的“虚拟联合创始人”或“创业教练”。它不能替你决定，但能确保你的思考过程更全面、更理性。

impactful-writing(影响力写作)这个技能适用于任何需要文字输出的场景：写项目README、写推文、写博客、写邮件、写产品文档。它教你如何让文字更清晰、更有感染力、更易于传播。

• 核心技巧：技能里会包含诸如“金字塔原理”（结论先行）、“故事化表达”、“消除模糊语”、“使用主动语态”、“设计钩子（Hook）和共鸣点”等具体技巧，并辅以大量的“修改前”和“修改后”的对比示例。
• 使用场景：当你写完一段项目介绍后，可以让AI加载此技能并请求：“请用影响力写作的原则，优化下面这段文字。”你会得到一份更具说服力和传播力的版本。

4. 技能的使用、集成与自定义实战

了解了有什么技能以及何时用，接下来我们进入实战环节：如何安装、使用，以及最重要的——如何根据自己的需求创建自定义技能。

4.1 安装与基础使用

通过ClawHub安装（推荐）这是最主流的方式。首先，确保你的AI助手环境（如Claude Code）支持技能管理。通常，你需要一个对应的命令行工具skills-cli。

# 安装一个技能，例如React+TypeScript开发技能 npx skills install tenequm/skills/react-typescript # 安装后，通常需要重启你的AI助手客户端，或者重新加载技能列表

安装成功后，当你打开一个.tsx文件并与AI对话时，提到“React component”、“TypeScript interface”等关键词，AI就会自动激活react-typescript技能，其回答会融入该技能包含的最佳实践，比如推荐使用React 19的usehook来处理异步数据，或者使用更严格的TypeScript配置。

通过GitHub Releases直接下载适用于需要将技能包嵌入到内部工具链或离线环境的场景。

# 下载最新版的 react-typescript 技能包 curl -LO https://github.com/tenequm/skills/releases/download/skills-latest/react-typescript.zip unzip react-typescript.zip -d ./my-local-skills/

解压后，你会得到完整的技能目录。你可以手动将其内容复制到你的AI助手技能目录，或者编写脚本将其集成到你的内部系统中。

4.2 技能的自定义与创建

官方的技能库很棒，但真正的威力在于你能为自己团队或特定项目创建专属技能。项目提供了两个关键技能来帮助你完成这件事：skills-best-practices和skill-seekers-ref。

第一步：学习最佳实践 (skills-best-practices)在动手之前，强烈建议先让AI加载skills-best-practices技能。这个技能本身就是一份关于“如何构建高质量技能”的终极指南。它会详细讲解：

• SKILL.md的标准结构：从frontmatter（元数据）到描述、触发词、使用场景、核心内容、示例的每一个部分应该如何撰写。
• 渐进式披露（Progressive Disclosure）原则：不要在一开始就用海量信息淹没AI。技能应该像一本好的教程，先给核心摘要，再根据对话深度逐步提供细节。
• 触发词设计技巧：触发词要具体、有区分度。避免过于宽泛的词汇。好的触发词是技能能否被正确调用的关键。
• 测试与调试：如何为你的技能编写测试用例（放在evals/目录），确保它能在各种对话场景下被正确触发并产生预期输出。

第二步：从现有知识源生成技能骨架 (skill-seekers-ref)如果你已经有一份完善的文档、一个GitHub仓库、一个PDF手册，甚至是一个YouTube视频，你可以使用skill-seekers-ref技能来快速生成一个技能初稿。

# 假设你有一个本地文档目录 ./my-project-docs/ # 你可以让加载了 skill-seekers-ref 技能的AI帮你分析 # 提示词示例：“请分析 ./my-project-docs/ 目录下的内容，并为我生成一个关于‘MyInternalAPI使用指南’的技能骨架。”

这个技能背后的skill-seekersCLI工具会扫描你的知识源，提取关键概念、常见问题、代码示例，并尝试组织成一个结构化的SKILL.md文件。这极大地降低了从零开始的成本。

第三步：手动精炼与迭代自动生成的骨架是起点，绝非终点。你需要以“技能消费者”的视角，亲自使用和测试这个技能。

1. 填充血肉：根据skills-best-practices的指导，完善描述，精心设计触发词，补充只有你们团队才知道的“坑点”和“秘籍”。
2. 内部测试：让团队其他成员安装这个技能，并在实际工作中使用。收集反馈：“它被触发了吗？”、“它给的建议有用吗？”、“有没有遗漏重要场景？”
3. 创建评估用例：在evals/目录下，创建一系列.json或.txt文件，模拟真实的用户对话。例如，一个eval文件可能包含用户提问：“如何用我们的API上传文件？” 以及期望的、包含正确代码示例和注意事项的AI回答。运行这些eval来确保技能的稳定性。

一个自定义技能的例子：内部部署脚本技能假设你的团队有一个复杂的、多步骤的服务器部署流程，涉及Git拉取、Docker构建、K8s配置更新、数据库迁移等。你可以创建一个deploy-production技能。

• SKILL.md：详细描述每一步的操作、前置检查、回滚方案。
• scripts/：存放可复用的Bash或Python脚本片段。
• references/：存放K8s配置文件模板、环境变量说明。
• 触发词：“deploy to prod”, “production deployment”, “run the deploy script” 这样，任何团队成员（或新加入的成员）在需要部署时，只需对AI说“准备部署到生产环境”，AI就能基于这个技能，一步步引导他完成整个流程，极大降低了操作风险和新人上手门槛。

5. 高级应用、问题排查与社区生态

当你熟练使用现有技能并开始创建自定义技能后，你会遇到一些更深入的问题和需求。本章节将探讨高级应用场景、常见问题排查，以及围绕此项目的社区生态。

5.1 技能的组合与链式调用

单个技能的力量是有限的，但技能之间可以产生协同效应，实现“1+1>2”的效果。AI助手可以同时加载多个相关技能，并在一个对话中综合运用它们。

场景示例：开发一个带有支付功能的Web3前端你的任务是：“构建一个React前端，连接用户钱包，并集成MPP协议实现内容付费解锁。”

1. AI首先被react-typescript技能触发，开始搭建项目框架、组件结构。
2. 当对话涉及“钱包连接”时，privy-integration技能被触发，提供Privy SDK的集成步骤和React Hook用法。
3. 当提到“支付”、“MPP”时，mpp技能被触发，指导如何在前端初始化MPP客户端、创建支付会话（Session）、监听支付状态。
4. 在编写样式时，shadcn-tailwind技能被触发，提供现成的UI组件和Tailwind工具类建议。
5. 最后，在代码完成准备提交前，polish技能被触发，进行一轮代码审查和清理。

整个过程中，AI就像一个拥有多个专业顾问的团队领队，根据任务的不同阶段，调用不同的专家知识。这要求技能设计者要有一定的“边界意识”，让每个技能专注自己的领域，避免功能重叠和触发冲突。

5.2 常见问题与排查技巧

在实际使用中，你可能会遇到技能不触发、效果不理想等问题。以下是一些排查思路：

实操心得：如何设计高效的触发词？触发词是技能的“门铃”。设计时，要站在用户的角度思考他们会怎么提问。一个好的方法是：

1. 列出核心任务：你的技能主要解决什么问题？（例如，“配置Biome”）。
2. 联想相关词汇：用户会用什么词来描述这个任务？（“linting”, “formatting”, “biome config”, “migrate from eslint”）。
3. 增加具体场景：在什么文件或上下文中会用到？（“biome.json”, “when I runbiome check”）。
4. 避免过度宽泛：不要只用“code”或“tool”这种词。结合领域，如“frontend linting”就比“linting”更好。
5. 测试：将你设计的触发词放入SKILL.md，安装技能，然后用各种你预想中的方式提问，看技能是否能被稳定触发。

5.3 社区生态与未来展望

tenequm/skills不仅仅是一个仓库，它更是一个生态的起点。它的价值随着社区贡献的技能数量和质量而增长。

当前的生态位：

• 核心维护者：提供高质量的基础设施、协议、开发工具链技能，确保项目的“基准”水平。
• 社区贡献：通过GitHub的Issues和Pull Requests，任何人都可以提交新技能或改进现有技能。项目中的CONTRIBUTING.md和自动化检查工具（just check）降低了贡献门槛。
• 平台集成：与ClawHub的深度集成，为技能提供了分发的“应用商店”。

未来的可能演进：

1. 技能市场与商业化：可能会出现更成熟的技能市场，优秀技能的创作者可以获得激励。mpp和x402技能已经为“技能即服务”的微支付奠定了基础。
2. 技能依赖管理与组合：像NPM有package.json一样，未来技能或许可以声明依赖关系。例如，一个nextjs-web3技能可能依赖react-typescript、privy-integration和mpp技能。
3. 技能的可视化编辑与测试工具：出现专门用于编写、调试、测试SKILL.md文件的GUI工具或在线平台，进一步降低创建门槛。
4. 跨模型与跨平台：目前技能主要面向Claude生态，但其设计理念（一个结构化的Markdown知识包）是通用的。未来可能衍生出适配其他AI模型（如GPTs、Gemini）或平台（如Cursor、Windsurf）的版本或转换工具。

对于开发者而言，现在深入理解和参与这个生态，不仅是为了提升当下的开发效率，更是在为未来“AI原生”的软件开发模式积累经验和资产。无论是作为使用者、贡献者，还是借鉴其思想构建自己的内部技能体系，tenequm/skills项目都提供了一个极具前瞻性和实用性的范本。