Vibe-Skills：让 AI Agent 真正学会推进任务

🔥 从「给 AI 更多工具」到「让 AI 更会工作」

想象一个场景：你对 Claude Code 说一句「帮我把这个数据集做成一个可交互的仪表盘」，Claude Code 立刻开始干活——但它中途卡住了，忘了你之前说过数据类型，又重复问了相同的问题。这就是当前 AI Coding Agent 的典型困境：工具很强，但缺乏推进节奏和工作记忆。

Vibe-Skills 正是来解决这个问题的。它不是又一个工具包，而是一套工作流编排层（Harness），给 AI Agent 安装一个「节奏感」——知道什么时候该问清需求，什么时候该写计划，什么时候该调用专家 Skill，什么时候必须写测试验证。

🌟 背景故事：为什么需要 Super Skill

2025 年起，AI Coding Agent 如 Cursor、Claude Code、GitHub Copilot 迅速普及，但社区逐渐发现一个痛点：Agent 有了工具，但不知道什么场景用什么工具，更不知道什么时候该停下来验证。

类比一下：普通人有了工具箱，但没有施工图纸，再好的工具也只是散落在工具箱里。

Superpowers 项目率先尝试：让 coding agent 先澄清需求、再设计、然后实现和测试。GSD（Get Shit Done）则强调 Agent 需要规格和里程碑，不能让工作散在聊天记录里。

Vibe-Skills 在同一方向上更进一步：它不只规范单一 Agent，而是构建了一个开放技能平面（Open Skill Plane），任何领域的新 Skill（科研、金融、法律、教育）都可以接入同一套工作流引擎，不需要每个领域都重新发明一套 harness。

🎯 Vibe-Skills 是什么：直觉理解

普通 Skill 说：「我能做某件事。」（比如搜索、代码补全、文件读取）

Super Skill 说：「我知道这件事应该怎么推进。」（需求澄清 → 计划拆分 → 分阶段执行 → 测试验证 → 交付存档）

Vibe-Skills 就是 Super Skill 的具体实现。它让你对 AI Agent 说一个目标，Agent 内部运行一个受管流程：

> vibe
  intent.freeze()   -> 生成需求文档
  plan.stage()      -> 拆解工作阶段
  skills.orchestrate() -> 按阶段调用专家 Skills
  evidence.verify() -> 写测试 / 检查结果
  memory.preserve() -> 保留上下文供下次会话

安装后输入 vibe，你的 AI Agent 就像有了一个经验丰富的项目经理在幕后指挥。

⚙️ 核心架构：VCO 运行时

Vibe-Skills 的核心是 VCO Runtime（Vibe / VCO），这是一个基于 Python 的本地运行时，封装了完整的 Agent Harness 逻辑。

关键目录结构

目录/文件	作用
apps/vgo-cli/	CLI 入口，核心命令是 vibe 和 vibe-upgrade
agents/	Agent 定义，包括规划 Agent、执行 Agent、验证 Agent
core/	核心引擎：意图冻结、阶段规划、记忆管理
skills/	340+ 内置 Skills，按领域分类
adapters/	适配器层，连接 Claude API、OpenAI 等 LLM 供应商
protocols/	跨 Agent 通信协议定义
schemas/	数据模型和状态定义

工作流引擎原理

1. Intent Freeze（意图冻结）：接收用户目标后，将其转化为结构化需求文档，提取关键约束和验收条件。
2. Stage Planning（阶段规划）：将复杂任务拆解为多个阶段（如「范围确认 → 技术选型 → 实现 → 评审 → 验证 → 交付」），每个阶段对应不同的 Skill 组合。
3. Skills Orchestration（技能编排）：Harness 根据当前阶段自动路由到合适的 Expert Skills，避免 Agent 自己猜测该用什么工具。
4. Evidence Verification（证据验证）：要求每阶段产出可验证的证据——测试用例、截图、数据报表，或明确的人工复核标记。
5. Memory Preservation（记忆保存）：结构化保存需求、计划、决策和证据，后续会话可直接读取，不需要重新解释背景。

340+ 内置 Skills

Skills 按领域分组，覆盖 AI Agent 工作流的各个环节：

• Planning（规划）：任务分解、里程碑设定、风险识别
• Engineering（工程）：代码生成、代码审查、TDD 指导、调试
• AI：提示词优化、模型选择建议
• Research（科研）：论文搜索、文献整理、实验设计
• Creation（创作）：文案生成、图像生成提示词、视频剪辑流程

每个 Skill 都是一个可独立调用的专家模块，输入输出遵循统一协议，新领域 Skill 可以无缝接入。

智能路由机制

Harness 内置路由引擎，根据当前阶段、任务类型、上下文状态自动选择最优 Skill 组合。例如：

• 需求阶段优先调用「澄清问题」类 Skills
• 实现阶段切换到「代码生成 + TDD」类 Skills
• 验收阶段触发「测试覆盖 + 证据收集」类 Skills

多 Agent 之间通过 protocols/ 定义的协议通信，避免上下文污染和任务重复。

📦 安装与使用

安装（一键脚本）

bash -c "$(curl -fsSL https://raw.githubusercontent.com/foryourhealth111-pixel/Vibe-Skills/main/install.sh)"

或通过 pip：

pip install vibe-skills-workspace

前置条件：Python >= 3.10，Git

安装后，CLI 命令 vibe 和 vibe-upgrade 即可使用。

典型使用流程

# 启动 vibe harness
vibe

# 输入目标
> 帮我做一个股票数据仪表盘，支持实时 K 线图和新闻分析

# Harness 自动推进：
# 1. 冻结意图 -> requirement_doc.md
# 2. 阶段规划 -> stages.json
# 3. 路由 Skills -> chart-skill + news-skill + api-skill
# 4. 验证证据 -> tests.py + screenshots/
# 5. 保存上下文 -> memory/workspace.json

⚠️ 局限与争议

1. 严重依赖 LLM 质量：Harness 的每个步骤都由 LLM 驱动，如果底层模型推理能力不足（理解模糊需求、规划复杂任务），整个工作流效果会大打折扣。

2. 陡峭的学习曲线：Vibe-Skills 本身就是一个复杂的系统，需要理解 Harness、Skills、Agents、Protocols 等多个概念，初次上手有门槛。

3. 本地运行限制：目前所有功能均需本地安装运行，不支持纯云端或 API 调用。对于团队协作场景，部署和同步是一个挑战。

4. 适配器依赖：目前主要适配 Claude API，对其他 LLM 供应商的适配程度参差不齐，限制了模型选择的灵活性。

5. Skill 生态尚在成熟期：340+ Skills 数量庞大但质量参差，部分 Skill 缺乏充分测试和文档，社区贡献机制仍在完善。

🌍 行业意义

Vibe-Skills 的出现代表了一个重要趋势：AI Agent 的竞争焦点正在从「工具数量」转向「工作流编排能力」。

过去一年，开源社区涌现了大量 AI Tools 和 Skills 集合，但这些工具大多是散的。真正让 Agent 有实用价值的，不是更多按钮，而是 Agent 能自主判断「先做什么、后做什么、什么算做好」。Vibe-Skills 正是对这一需求的直接回应。

从增长数据看，项目在 GitHub 上已有 2268 Stars、168 Forks，说明开发者社区对这类「让 AI 有节奏感」的工具有强烈需求。它的方向——构建开放技能平面、支持任意领域 Skill 接入——也为未来多 Agent 协作系统提供了参考架构。

📊 技术指标

指标	数值
GitHub Stars	2268
Forks	168
语言	Python
许可证	Apache-2.0
Python 版本	>= 3.10
内置 Skills	340+
最新版本	3.1.1
主题标签	17 个（agent-framework、ai-agents、llm、multi-agent 等）