rnskill
58个AI Agent Skill全家桶，让Claude Code/Codex实现内容生产、视频剪辑、商业诊断等全流程自动化
加载项目详情…
本应用为开源项目，仅供学习研究，请遵守其开源协议。
微信扫码咨询客服
POMOAI — 让开源 AI 即刻运行
58个AI Agent Skill全家桶，让Claude Code/Codex实现内容生产、视频剪辑、商业诊断等全流程自动化
加载项目详情…
本应用为开源项目，仅供学习研究，请遵守其开源协议。
2026年的某个深夜，雪踏乌云（Pluviobyte）在 GitHub 上传了一个项目，描述只有一句话：「雪踏乌云的 AI Agent Skills 集合」。没人料到，这个看似平平无奇的工具库，会在半年内狂揽近千 Star——因为它解决了一个真实而迫切的问题：大模型很强，但它的「执行力」需要后天培养。
rnskill 的本质，是一套可插拔的 AI Agent 技能包。它将内容创作、视频制作、商业诊断等高频场景，拆解为标准化的工作流脚本（SKILL.md），让 Claude Code、Codex 等 Agent 能够像训练有素的助理一样，精准完成从选题策划到视频剪辑的全流程操作。
用过 Claude Code 或 Codex 的开发者都有类似体验：当你告诉它「帮我写一篇文章」，它确实能写；但当你让它「帮我把这段视频的口播剪辑一下，去掉口误和停顿」，它往往会卡壳——它理解你的需求，但缺少完成这个具体任务的步骤和工具调用逻辑。
这正是 Skill 系统的价值所在。Skill 不是 Prompt，而是一套结构化的操作规范：它规定了工作流的顺序、工具的调用方式、输出的格式，甚至人机交互的「闸门」设计。以「AI剪口播」Skill 为例，它的完整流程是：
视频 → 火山引擎 ASR 转录 → AI 口误识别 → 网页审核交互
→ 用户点击导出 FCPXML → Final Cut Pro / 剪映 完成剪辑
中间嵌入了火山引擎的语音识别 API、AI 判断口误的逻辑、网页审核工具，甚至考虑了用户习惯的自进化学习机制。AI 不需要每次都从头理解「如何剪口播」——它只需要按 Skill 规定的步骤执行。
rnskill 目前收录了 58 个 Skill，涵盖三大领域：
AI剪口播是最具代表性的 Skill 之一。它将口播视频剪辑从纯手工操作，变成半自动化流程：火山引擎 ASR 转录 + AI 口误识别 + 网页审核交互 + FCPXML 导出。用户只需在网页上点几下确认，即可获得精确的剪辑指令，拖入剪映或 Final Cut Pro 即可完成成品。整个流程嵌入了「自进化」机制——用户导出 FCPXML 后，Skill 会记录用户的剪辑习惯，下次自动适应。
视频洗稿调度器（ra-video-wash-pipeline）则将「搬运+改写」做成了一条自动化流水线：下载视频 → 提取逐字稿 → AI 洗稿 → 质量检查 → 排入待制作队列。
HyperFrames 动效复刻系列 Skill 更是将 AI 能力延伸到了视频包装领域——用户给一段参考视频，Skill 自动拆解视觉证据，生成可编辑的动效工程，甚至支持 PSNR/SSIM 逐帧像素级质量验证。
dbs 商业工具箱是整个项目中体量最大的 Skill 集群，包含 22 个子 Skill，覆盖了商业决策的完整生命周期：
这些 Skill 的共同特点是：它们不只是给结论，而是教用户（和 Agent）如何思考。dbs-hook 不只是生成开头，而是告诉用户「你选的钩子类型是否匹配内容调性」；dbs-resonate 不仅仅评估文稿，而是识别「全面但没有刺中核心」的典型 AI 写作病。
ra-人话（rn-renhua）解决了一个让无数 AI 内容创作者头疼的问题：如何让 AI 写的中文文章读起来像真人写的？它的做法是硬性禁止二元对比壳、伪洞察标记、冒号讲义腔等 AI 写作模式，同时保留作者判断和事实数据。目前已有 14 个 Skill 依赖它作为质量关卡。
rnskill 的技术实现极度简洁——它本质上是一套 Markdown 文件 + Shell 脚本 + Node.js 工具。
skills/<skill-name>/
├── SKILL.md # 核心：工作流定义 + 调用规范
├── scripts/ # 辅助脚本（.sh / .js / .py）
├── assets/ # 示例图片、视频
└── references/ # 参考文档
SKILL.md 是灵魂。 它的 frontmatter 定义了 Skill 的元信息（名称、触发词、分类），正文则用 Markdown 格式描述完整的工作流程。以「AI剪口播」为例，正文包含：模式选择、输出目录结构、流程总览、执行步骤、首次引导、API Key 查找逻辑、错误处理、人机交互闸门设计。
部署门槛极低：rnskill 不需要 Docker、不需要 GPU、不需要服务器。安装只需要一行命令：
npx -y skills add Pluviobyte/rnskill -g --all
# 或 Claude Code 插件市场
claude plugin marketplace add Pluviobyte/rnskill
Skill 文件本身只有几 KB 到几十 KB（最大的 SKILL.md 约 33KB），安装后立即生效。唯一的外部依赖是各 Skill 调用的大模型 API（Claude、火山引擎、HeyGen 等），这些通过 .env 文件或环境变量注入。
多 Agent 兼容：rnskill 不绑定特定 Agent。它通过标准化目录约定（.agents/skills/、.claude/skills/）支持 Claude Code、Codex 和其他兼容 Agent。README 中提供了三端统一的安装路径说明。
rnskill 并非银弹，有几个明显的局限：
平台依赖严重。Skill 内部绑定了大量第三方服务（火山引擎 ASR、HeyGen 数字人、HyperFrames、IndexTTS2 等），这些服务的 API 稳定性、费用政策直接影响 Skill 的可用性。以「AI剪口播」为例，如果火山引擎语音识别服务调整定价，整个工作流就需要重构。
中文内容生态专用。rnskill 的 Skill 设计高度面向中文短视频和公众号内容生态——选题策划、小红书标题、口播剪辑——这些在英文内容场景下基本没有复用价值。社区扩展性存在瓶颈。
Skill 版本维护成本。随着第三方服务 API 变更，Skill 需要持续更新。58 个 Skill 分布在 875 个文件中，任何一个上游服务变动都可能引发连锁反应。
rnskill 的兴起折射出一个更大的趋势：2026 年的 AI Agent 市场，正在从「通用超级助手」的叙事，转向**「垂直场景工具人」**的产品逻辑。
当大模型的推理能力已经足够强，真正的瓶颈变成了「如何让 AI 精准调用工具、遵循 SOP、在正确的节点等待人类确认」。Skill 系统正是这一需求的产物——它把人类的领域知识和工作流程编码为 AI 可执行的规范，让 AI 的输出从「大概差不多」变成「精准可复用」。
rnskill 的 986 Star 和 119 Fork，证明了这一需求的真实存在。展望未来，我们可以预见 Skill 市场会走向标准化——统一的 Skill 格式、版本管理、依赖解析——rnskill 的 marketplace.json 格式已经朝这个方向迈出了第一步。
项目信息