Khazix Skills：数字生命卡兹克的 AI 工具箱，把一个人的效率变成开源

一个"洁癖患者"的深夜灵感

你有没有过这样的经历——凌晨两点，刚在一个 AI Agent 里跑通了一个复杂功能，兴冲冲去睡觉，结果第二天醒来，发现 Agent 已经"失忆"了：代码改了七八轮，CLAUDE.md 里还写着旧接口；文档还在用旧的 SQLite，实际早换成 PostgreSQL 了；记忆里记着"这个路由还在测试"，但实际上线已经一个月了。

这不是模型的锅，是知识的腐烂。

数字生命卡兹克（KKKKhazix）在深夜也遇到了同样的问题。他的解决方案是：写一个 Skill，让 Agent 每次任务结束后，自己把文档、CLAUDE.md、记忆三层知识体系全部同步一遍。这就是这个开源仓库的起点——一个 12K star 的 AI Skills 合集。

图1：作者 Khazix（数字生命卡兹克）GitHub 头像

---

这个仓库是什么

khazix-skills 是一个 AI Agent Skill 合集，由中文 AI 领域知名博主「数字生命卡兹克」开源维护。目前收录了 4 个 Skills 和 1 个独立 Prompt，全部经过作者在自己项目中实际使用验证后才开放出来。

核心定位：不是给普通用户用的工具，而是给 AI Agent 装备的「效率装备包」——装上之后，Agent 能做的事情更多，做事的质量也更高。

仓库采用 Agent Skills 开放标准（agentskills.io），这意味着 Claude Code、OpenAI Codex、OpenCode、OpenClaw 等主流 Agent 工具都能直接安装使用。安装方式非常自然——只需要对 Agent 说一句话："帮我安装这个 skill：https://github.com/KKKKhazix/khazix-skills/tree/main/neat-freak"，Agent 会自动 clone 到对应目录。

---

四个核心 Skill，逐个拆解

1. neat-freak（洁癖）：解决 AI 协作开发中的知识腐烂问题

这是作者使用频率最高的 Skill。用作者自己的话说："每次任务做完要退出窗口的时候，如果不跑一遍 /neat，我就浑身难受，如坐针毡如芒刺背如鲠在喉。"

它的核心功能是三层知识同步：

知识层	受众	职责	不同步的代价
Agent 记忆系统	Agent 自己（跨会话）	个人偏好、项目事实、跨项目 reference	下次 Agent 基于错误前提做决策
项目根 CLAUDE.md / AGENTS.md	当前项目里的 AI（下次会话）	边界规则、禁止事项、命令速查、路由清单	Agent 在项目里反复走弯路
项目 docs/ + README.md	其他人（同事、下游开发者）	接入指南、架构图、运维手册	其他人无法正确接入或运维

neat-freak 特别值得注意的一点是：它严格区分了 CLAUDE.md 和 docs/ 的职责边界。CLAUDE.md 是规则手册，不是变更日志——"2026-05-08 X 功能上线"这种历史叙事不该进 CLAUDE.md，它应该去 git log 或 CHANGES.md。作者在 Skill 文档中专门用大量篇幅说明了这一区别，并给出了清晰的判断标准。

2. hv-analysis（横纵分析法）：让 AI 做万字级别的深度研究

想搞懂一个产品、一家公司、一个概念、甚至一个人，丢给这个 Skill，它会同时跑两条分析线：

• 纵向：从诞生讲到当下，像讲故事一样把演变完整还原
• 横向：把同期所有主要竞品摆出来逐一对比

两条线最终交叉，能看出一些只看现状或只看历史看不出的东西。输出是一份 10,000-30,000 字的排版精美 PDF 研究报告。

这个 Skill 背后有一套完整的方法论体系——作者融合了索绪尔的历时-共时分析、社会科学的纵向-横截面研究设计、商学院案例研究法，以及竞争战略分析的核心思想，提出了一套通用研究框架。Skill 文档中甚至详细规定了多 Agent 并行搜索的分工策略、子 Agent 的联网工具使用指南，以及信息来源优先级排序。

3. khazix-writer（卡兹克写作）：让 Agent 用你的口吻写公众号长文

装上之后，Agent 会以"数字生命卡兹克"的口吻和节奏来写公众号长文。但这个 Skill 的特别之处在于它的边界感：

• 会做的事：完整的写作风格规则（节奏、叙事、判断、修辞）、四层自检体系（结构、节奏、内容、文字）、风格示例库
• 会拒绝的事：写"赋能、抓手、闭环"，写"首先...其次"，写"在当今 AI 快速发展的时代"，写"说白了 / 本质上 / 换句话说"

Skill 文档中还有一段非常坦诚的"AI 角色边界"说明：AI 最擅长做的是找证据、找类比、按确定角度扩写；最不适合做的是核心创意角度（"对，就是这个！"的判断必须是人自己的）、情绪的真实表达，以及数据到人物的同理心转换。

4. aihot（AI HOT 资讯查询）：一句话拿到每日 AI 行业动态

一个纯粹的 API 封装 Skill，直接调 aihot.virxact.com 的公开接口，不需要任何 API Key。路由设计非常细致——精选条目用 items?mode=selected，日报走 daily，全量走 items?mode=all，时间窗精确到 since 参数。Skill 文档还特别说明了 UA 黑名单机制：调用 API 时必须带浏览器 User-Agent，否则会被 403。

5. Prompts：横纵分析法轻量版

一个可以复制粘贴到任何支持 Deep Research 模型的 Prompt，等同于 hv-analysis 的轻量版。适合没有 Agent 工具但想在 ChatGPT / Claude / Gemini 中跑横纵分析法的用户。

---

代码结构与技术实现

从仓库结构来看，这是一个纯文档型 Skill 仓库，没有传统的代码文件：

khazix-skills/
├── neat-freak/
│   ├── SKILL.md          # 核心指令文件
│   └── references/       # Agent 记忆路径速查表
├── hv-analysis/
│   ├── SKILL.md          # 深度研究指令
│   ├── references/        # 参考资料
│   └── scripts/           # md_to_pdf.py（PDF 转换脚本）
├── khazix-writer/
│   ├── SKILL.md          # 写作风格指令
│   └── references/        # 参考资料
├── aihot/
│   └── SKILL.md          # 资讯查询指令
└── prompts/
    └── 横纵分析法.md     # 轻量版 Prompt

所有 Skill 遵循 SKILL.md 标准格式（YAML frontmatter + Markdown 正文），frontmatter 包含 name、description、trigger 条件，正文是给 Agent 的指令系统。这种格式的优势在于：既可以被 Agent 工具直接解析加载，也可以在任意 Markdown 阅读器中阅读理解。

代码质量方面，hv-analysis 的 scripts/md_to_pdf.py 脚本使用 WeasyPrint 将 Markdown 转为 PDF，这是 Python 生态中较为成熟的方案。整体代码简洁，没有过度工程化。

---

安装与使用门槛

安装门槛非常低：只需要一个支持 Skill 的 Agent 环境（Claude Code / Codex / OpenCode / OpenClaw），然后对 Agent 说安装命令即可。不需要 Python 环境，不需要 Docker，不需要 GPU。

真正的门槛是"认知门槛"：这些 Skill 针对的是已有一定 AI 协作开发经验的用户——你得先在 Agent 里写过代码、改过文档、被"知识腐烂"折磨过，才会理解 neat-freak 为什么重要；你得写过公众号或者认真研究过写作风格，才会明白 khazix-writer 的边界设计意味着什么。

对于普通用户来说，这个仓库的价值更多在于学习：如何写一个高质量的 Agent Skill，如何设计一套写作风格系统，如何把方法论沉淀成可复用的工具。

---

一个值得思考的现象

这个仓库的 12K star，放在整个 GitHub 的 AI 工具类目里都属于高增长项目。但它的 star 增速曲线很有意思——并不是随着某个大模型发布而爆发的，而是随着越来越多人开始真正用 AI Agent 干活而稳步增长的。

这说明一个趋势：当人们开始认真用 AI 协作开发，而不是玩票式地问几个问题，"AI 协作开发的工程化问题"就开始浮现。文档管理、知识同步、写作风格一致性——这些问题在纯对话式 AI 时代根本不存在，但到了 Agent 时代就成了刚需。khazix-skills 正是踩在这个痛点上。

---

项目基本信息

指标	数据
GitHub Stars	11,990
Forks	1,633
主要语言	Python（PDF 转换脚本）/ Markdown（Skill 文档）
License	MIT
创建时间	2026-04-06
最后更新	2026-05-08
仓库大小	65 KB

一句话评价：khazix-skills 不是炫技项目，而是一个在 AI 协作开发第一线踩坑踩出来的经验集合。它的价值不在于技术难度，而在于对"AI Agent 真正干活时缺什么"这件事的精准把握。