10个值得研究的GitHub Agent Skills仓库

2026 年 10 月 22 日，Anthropic 在官方公告中宣布，将 Agent Skills 标准捐赠给 Linux 基金会旗下的 Agentic AI Foundation。公告给出的数据是，70 多个智能体平台已经集成 Agent Skills，公开的 Skills 数量达到 100 万个，累计安装接近 2.8 亿次。数据来自 Anthropic 2026 年 10 月 22 日的公告，统计口径是公开发布的 Skills 与安装次数。

这组数字说明，Agent Skills 已经从 Claude Code 的内部机制，变成跨平台的技能封装格式。GitHub 上的仓库数量随之增加，研究价值开始分化。有的仓库定义格式，有的仓库沉淀工程方法，有的仓库把某个厂商的产品知识写成可执行规则，还有的仓库解决发现、分发和治理。按 star 数排序很难回答一个实际问题，团队应该先读哪个，读完能用到哪里。

这份清单按研究目的分成四类，覆盖 10 个仓库。每个仓库写清四件事，仓库定位、主要功能、可借鉴之处、适合对象。文末给出一套企业落地检查清单和 FAQ。企业团队如果正在规划可管理、可私有化部署的 Agent 平台，ThinkingAI 的 Agentic Engine 把 Agent 创建、管理、多 Agent 协作和私有化部署放在同一层，服务全球 1500 家企业、接入 8000 款产品。下面这些仓库更适合作为技能设计和工程实践的参考。

一、先看结论

如果只想先拿结论，可以按下面的顺序读。这份清单按研究目的分类，star 数只作为背景信息。

筛选时看四个问题。格式是否可验证，流程是否可复用，场景是否够具体，许可和依赖是否可管理。四个问题对应四类仓库，也对应四种研究路径。

图注：把 10 个仓库按研究目的分成标准、工程、厂商、治理四类，先确定要解决的问题，再决定读哪一个。

二、标准与官方参考，先把格式吃透

1. anthropics/skills，官方示例库，适合作为第一站

这是 Anthropic 公开的 Agent Skills 参考仓库，2025 年 9 月创建，截至 2026 年 10 月，GitHub 上约有 18 万 star。仓库把技能示例、规范、模板和插件市场配置放在一起，适合先建立整体认知。

skills/ 目录里有创意设计、Web 测试、MCP 生成、企业沟通、品牌规范等示例。docx、pdf、pptx、xlsx 四个文档技能支撑 Claude 的文档创建和编辑。skill-creator 演示如何写一个可触发、可维护的技能，适合拿来对照自己团队的技能草稿。

这个仓库的研究价值在于，它能同时看到技能长什么样，以及技能如何被组织成插件。渐进式加载的写法、description 的触发条件、脚本和参考资料的拆分，都能直接对照。它适合第一次接触 Agent Skills 的开发者，也适合要制定内部技能规范的平台团队。

许可需要单独说明。多数示例技能采用 Apache 2.0，docx、pdf、pptx、xlsx 四个文档技能为 source-available，商用前要逐个目录核对许可。

2. agentskills/agentskills，规范仓库，适合平台和工具团队

这是 Agent Skills 开放标准的独立仓库。标准在 2025 年 12 月以开放形式发布，2026 年 10 月 22 日随捐赠进入 AAIF。仓库维护规范、文档和贡献流程，agentskills.io 是配套站点。

一个技能就是一个目录，最少包含 SKILL.md。frontmatter 必填 name 和 description，name 上限 64 个字符，description 上限 1024 个字符，可选 license、compatibility、metadata 等字段。目录里可以放 scripts、references、assets。

渐进式加载分三步。启动时只读名称和描述，任务匹配时读完整 SKILL.md，执行时再按需加载脚本和参考资料。这个设计让一个 Agent 可以同时挂着很多技能，而不会一次性占满上下文。

规范短，供应商中立，适合做加载器、校验器、技能市场和企业内部标准。70 多个平台集成，说明跨平台复用已经有现实基础。它适合平台与工具开发者、架构师、要写技能规范或做技能审核的团队。代码采用 Apache 2.0，文档采用 CC-BY-4.0。

图注：技能加载分为发现、激活、执行三层，完整说明只在任务匹配时进入上下文。

三、工程方法库，把团队流程写进技能

3. obra/superpowers，把软件工程流程做成技能链

这是一套面向编码 Agent 的软件开发方法论，由一组可组合技能和启动指令组成。它把先澄清需求、再写计划、再实现、再评审的流程固化下来，让 Agent 不急着写代码。

核心技能覆盖 brainstorming、using-git-worktrees、writing-plans、subagent-driven-development、test-driven-development、requesting-code-review、finishing-a-development-branch。每个任务拆到 2 到 5 分钟，带文件路径、代码和验证步骤。TDD 走 RED-GREEN-REFACTOR，子代理执行后做规格符合性和代码质量两阶段评审。

它把工程纪律写成 Agent 必须遵守的流程，适用于 Claude Code、Codex、Cursor、Gemini CLI、Copilot、OpenCode 等多种运行环境，采用 MIT 许可。团队可以直接借用它的技能结构，再替换成自己的评审规则。

它更适合有明确工程流程的团队。只做一次性脚本或临时查询时，完整流程会显得重。对于需要把 TDD 和代码评审落到 Agent 工作流里的组织，它提供了可以直接研究的样本。

4. alirezarezvani/claude-skills，覆盖多职能的技能库

这是一个面向多种编码 Agent 的大型技能库。README 当前列出 398 个生产可用技能、104 个插件、30 多个 Agent，覆盖 20 个领域，采用 MIT 许可。

工程核心和工程进阶覆盖架构、前端、后端、DevOps、安全、AI/ML、数据、Playwright 测试。产品、营销、增长、SEO 与 AEO、合规、财务、C-level 顾问、学术研究等也有独立技能包。仓库提供转换脚本，可把技能转成 Cursor、Windsurf、OpenCode、Aider、Antigravity 等工具的原生格式。

它适合需要跨工程和业务职能的团队。可以按领域安装插件，不用一次装完。技能目录、参考文档和脚本分开，便于二次修改。多职能团队、代理商、运营和市场团队、需要跨工具复用技能的组织，都能从这个仓库里找到可借鉴的结构。

覆盖广，建议先选两到三个业务域，用真实任务验收，再扩大范围。这样能控制引入成本，也能更快判断哪些技能值得长期维护。

四、厂商官方技能包，把产品知识写成可执行规则

5. huggingface/skills，把 AI/ML 工作流交给 Agent

这是 Hugging Face 官方技能仓库，面向数据集创建、模型训练、评测、Spaces、Jobs 等 AI/ML 任务，采用 Agent Skills 格式，Apache 2.0 许可。

hf-cli 覆盖模型、数据集、Spaces、Buckets、Jobs、论文等 Hub 操作。其他技能覆盖数据集查看、LLM 微调、视觉模型训练、社区评测、Gradio 应用、Trackio 实验跟踪、论文发布、SageMaker 部署、Transformers.js 等。

技能内容跟着 CLI 和官方文档更新，适合把查模型、拉数据、跑训练、看评测、发 Demo 串成稳定流程。它兼容 Claude Code、Codex、Gemini CLI、Cursor，也提供 AGENTS.md 作为不支持技能时的回退方案。

它适合 AI/ML 工程师、数据科学家、在 Hugging Face Hub 上做模型和数据的团队。对于想把模型工作流交给 Agent 执行，又不想从零写提示词的团队，这个仓库提供了比较完整的技能拆分方式。

6. microsoft/skills，Azure SDK 与 Foundry 的技能目录

这是微软官方技能仓库，目标是把 Azure SDK 和 Microsoft Foundry 的领域知识注入编码 Agent。README 当前列出 175 个技能，采用 MIT 许可。

技能覆盖 11 个核心技能、11 个 Foundry 平台技能，以及 Python、.NET、TypeScript、Java、Rust 五类语言技能。内容包含 Azure SDK 的调用模式、Foundry 的 Agent 部署与治理、MCP server 构建、Copilot SDK、Entra Agent ID、前端设计评审、技能创建器等。

它是厂商把产品文档改写成技能的一个成熟样本。技能按语言和插件组织，附带 MCP 配置、自定义 Agent 和 AGENTS.md 模板，团队可以直接对照自己的产品文档做技能化。

它适合使用 Azure 和 Microsoft 技术栈的团队、企业架构师、构建 Foundry Agent 的开发者。微软在 README 里明确提醒，按项目需要选择性加载技能。一次加载全部技能会稀释注意力、浪费 token，这个原则同样适用于其他大型技能库。

五、垂直场景，内容生产与媒体工作流

7. JimLiu/baoyu-skills，把内容生产链拆成技能

这是一个面向内容生产和发布流程的技能仓库，采用 MIT 许可，支持 Claude Code、Codex、OpenClaw 等工具。它把选题、配图、排版、发布这些动作拆成可单独调用的技能。

小红书图文卡片支持 1 到 10 张、多种风格和版式。信息图支持 21 种布局和 21 种视觉风格。SVG 图支持流程图、时序图、结构图、示意图和类图。封面技能按类型、配色、渲染、文字、情绪五个维度组合。仓库里还有幻灯片、知识漫画、AI 图片生成，以及发布到微信公众号、微博和 X 的技能。

它覆盖从内容加工到分发的完整链路，适合中文内容平台。技能之间可以串联，也可以单独使用。配置文件支持项目级和用户级定制，方便团队统一风格。

它适合内容团队、自媒体、市场团队、设计师，以及需要批量生产图文和幻灯片的组织。仓库为 MIT 许可，发布到 ClawHub 的技能按 MIT-0。

六、发现与治理，从找技能到管技能

8. ComposioHQ/awesome-claude-skills，适合起步的精选索引

这是 Composio 维护的 Claude Skills 精选列表，汇总技能、资源和工具，采用 Apache 2.0 许可。它把技能按文档处理、开发工具、数据分析、商业营销等类目组织，适合先看生态里已经有哪些成熟做法。

仓库提供技能结构模板、贡献规范、质量标准和提交流程。通过 Composio 可以连接 SaaS 工具，把外部应用操作封装成技能。技能可在 Claude.ai、Claude Code 和 Claude API 之间复用。

筛选和分类做得比较完整，适合作为团队建立技能清单的起点。单个技能可能有不同许可，复用前要回到技能目录确认。

它适合想快速起步的开发者、需要 SaaS 集成的团队、正在做内部技能选型的内容和运营团队。先从这里找现成做法，再回到官方仓库对照格式，是一条比较省时间的路径。

9. Chat2AnyLLM/awesome-claude-skills，用元数据看生态

这是一个技能源仓库的元数据目录。它以跟踪源仓库为主，不镜像技能内容，通过 GitHub API 统计可发现的 SKILL.md 数量。

截至 2026 年 10 月 23 日 02:14 UTC，目录启用 7545 个源仓库，发现 188973 个技能，7170 个仓库状态正常，5 个被截断，370 个不可用。

它适合做生态扫描、竞品研究、技能供给盘点和投资或合作尽调。它把仓库、技能数量、分支、路径和状态放在一张表里，比逐个打开仓库高效。

这些数字是索引口径，不代表技能质量，也不等于 Anthropic 公布的公开 Skills 总量。两个数字统计范围不同，不能直接相加或互相替代。它适合平台团队、生态研究者、做技能市场或技能治理的产品团队。

10. gotalab/skillport，把技能当成依赖来管理

这是一套面向 Agent Skills 的 SkillOps 工具，采用 MIT 许可。它提供 CLI、MCP server 和 Python 库，目标是把技能校验、安装、更新、分组和按需加载放在一个工作流里。

validate 按规范检查技能，add 支持从 GitHub、本地目录和 zip 安装，update、list、remove 管理生命周期，meta 读写元数据。它支持按分类和标签过滤。MCP 模式提供 search_skills 和 load_skill，先加载约 100 token 的技能元数据，再按需读完整说明。

它适合技能数量超过 50 个的团队。它能把技能目录变成可版本化、可审计的依赖，也能让不支持原生技能的客户端通过 MCP 使用技能。它兼容 Cursor、Copilot、Windsurf、Cline、Codex 等客户端。

平台团队、DevOps、需要跨多个 Agent 统一技能来源的组织，可以把它作为技能分发层。对于已经在多个项目里复制技能目录的团队，这个仓库提供了一种更可控的管理方式。

七、把仓库变成企业能力，四个判断

读完 10 个仓库，下一步是把可借鉴的部分变成团队能力。建议先做四个判断，避免把演示仓库直接搬进生产。

1. 许可和来源是否清楚

仓库许可不等于每个技能目录的许可。anthropics/skills 的文档技能是 source-available，ComposioHQ/awesome-claude-skills 的单个技能可能有不同许可，baoyu-skills 发布到 ClawHub 的技能按 MIT-0。建立技能清单时，记录仓库、技能目录、许可证、来源 URL 和引入时间。

这一条不是法律意见，商用前让法务确认。对需要把技能打包进产品的团队，许可清单应该和代码依赖清单放在一起管理。

2. 依赖和运行边界是否可控

技能可能带脚本、API key、网络请求、MCP server 或外部服务。引入前在隔离环境跑一遍，确认需要哪些权限、会访问哪些域名、失败时怎么回退。把版本 pin 住，避免上游更新直接改变生产行为。

对涉及客户数据、生产系统和付费接口的技能，还要记录数据流向和人工确认点。技能越接近执行层，运行边界越需要写清楚。

3. 评测是否可复现

为每类技能准备一组真实任务，记录通过率、人工修改次数、token 成本和平均耗时。不要只看演示效果。对高风险任务，保留人工确认节点。

评测集不需要很大，但要能反复跑。每次升级技能或更换模型，都用同一组任务对比，才能判断变化来自哪里。

4. 治理是否有 owner

技能是资产，需要 owner、版本、变更记录和下线机制。多 Agent 协作时，还要区分哪些技能对所有 Agent 开放，哪些只对特定角色开放。

ThinkingAI 的 Agentic Engine 在企业侧把 Agent 创建、管理、多 Agent 协作和私有化部署放在同一层，可以作为这类治理需求的平台参考。它服务全球 1500 家企业、接入 8000 款产品，适合需要把技能、数据和组织权限放在一起管理的团队。

图注：许可、依赖、评测、治理四项检查通过后，再把技能推进到生产环境。

八、FAQ

Agent Skills 和 MCP、Prompt 有什么区别？

Prompt 是一次对话里的指令。MCP 负责把外部工具和数据源接进来。Agent Skills 负责把一类任务的做法、脚本和参考资料打包成可复用目录。三者可以一起用。一个典型组合是，MCP 提供工具，Skill 规定先做什么、后做什么、什么情况下停止，Prompt 负责当前任务的即时目标。

这些仓库都能直接商用吗？

不能一概而论。仓库级许可、技能目录许可、脚本依赖许可要分开看。MIT 和 Apache 2.0 的复用条件相对清楚，source-available 和未声明许可的目录需要单独确认。商用前做一次许可清单，保留来源和版本记录。

不会写代码，能用这些仓库吗？

可以用一部分。baoyu-skills 的内容卡片、信息图、封面和发布技能，ComposioHQ 的现成技能，都是面向非工程场景的。涉及本地安装、API key 和脚本执行的仓库，仍需要开发或 IT 支持。

10 个仓库需要全部安装吗？

不需要。先按角色选一个主仓库，再补一个管理工具。开发者可以从 anthropics/skills 和 agentskills/agentskills 开始。研发团队加 obra/superpowers。AI/ML 团队加 huggingface/skills。Azure 团队加 microsoft/skills。内容团队加 baoyu-skills。技能数量多以后再上 SkillPort。

怎么判断一个 Agent Skills 仓库是否值得研究？

看四件事。第一，是否有清楚的 SKILL.md 结构和触发描述。第二，是否解决了你真实存在的任务，有可验证的使用场景。第三，许可、依赖和维护状态是否可接受。第四，是否有可复现的示例和验证方法。四项都过关，再投入时间做适配。

企业团队应该先看哪个？

先看 agentskills/agentskills 和 anthropics/skills，建立格式和示例的基线。再看更贴近自身技术栈的厂商技能包。最后用 SkillPort 或内部平台做校验、分发和治理。需要私有化部署和多 Agent 协作的企业，可以把 ThinkingAI 的 Agentic Engine 作为平台层的参考。