CAPA：AI 编程智能体的能力包管理器

想象一下：你刚入职一家新公司，AI 助手被分配给你协助编程，但它对公司的代码规范、工具链、内部约定一无所知。你花了整整两天时间，一遍遍地告诉它「要用这个 linter 规则」「这个目录放测试代码」「接这个内部 MCP 服务」——这个场景，正是 CAPA 想要终结的痛点。

背景：AI 编程智能体正在「各自为战」

随着 Claude Code、Cursor、Windsurf、GitHub Copilot、Codex 等 AI 编程工具的普及，一个深层矛盾正在浮现：这些工具固然强大，但它们的「能力」——代码规范、工具链配置、技能插件、MCP 服务器——完全依赖于工程师的手工配置。同一套规范，你可能在 CLAUDE.md 里写一份，在 .cursor/rules/ 里再写一份，MCP 配置文件里又来一份。这些配置散落在各处，互不兼容，更无法复用。

更棘手的是，当团队或项目换了 AI 工具，这些配置就得重新来过。更严重的是，你辛辛苦苦为 Cursor 配置的能力，无法直接迁移到 Claude Code 或 Windsurf。CAPA 的出现，正是为了打破这个僵局——它提出了一个统一的能力声明标准，让一份 capabilities.yaml 文件，可以同时为 35+ 款 AI 编程工具注入能力。

类比：给 AI 编程工具用的 npm

如果把 npm 理解为 JavaScript 的包管理器，那 CAPA 就像是 AI 编程智能体的包管理器。npm 解决了 JavaScript 依赖散落的问题，CAPA 则解决了 AI 智能体能力散落的问题。

在 CAPA 的体系里，你只需要编写一份声明式的 capabilities.yaml 文件，通过 capa install 一键安装，CAPA 就会自动把这个能力「翻译」并写入到 Cursor 的规则文件、Claude Code 的 AGENTS.md、Windsurf 的配置、MCP 服务器的配置文件等各种格式里。整个过程透明可控，你始终知道自己为哪个工具写入了什么配置。

核心功能：从声明到分发的全链路能力管理

CAPA 的能力管理覆盖了 AI 编程智能体的整个生命周期。能力声明方面，CAPA 定义了一套 YAML 格式的能力标准规范，用于描述技能（Skills）、工具（Tools）、规则（Rules）、子智能体（Sub-agents）、MCP 服务器（MCP Servers）和插件（Plugins）。开发者可以在一个文件里集中描述智能体所需的全部能力，无需关心目标工具的具体格式要求。

多工具适配是 CAPA 的核心创新——它内置了对 35+ 款主流 AI 编程工具的输出适配，包括 Cursor、Claude Code、Codex、Windsurf、GitHub Copilot、OpenCode 等。适配逻辑位于源码 src/ 目录，按工具类型分模块实现。这意味着新增一款工具的支持，只需在对应目录下实现适配器，无需修改能力声明本身。

命令行界面方面，CAPA 提供完整的 CLI 工具，支持 capa install、capa init、capa list、capa search 等命令。CLI 基于 TypeScript + Bun 构建，编译为单文件可执行文件（dist/capa），支持 macOS/Linux/Windows 三大平台，安装脚本 install.sh 支持自动化安装。

Web UI（CAPA View）是 CAPA 内置的图形化管理界面，通过 capa server 命令启动，提供浏览和管理能力包、Web 注册表、以及已安装配置的查看。Web UI 基于 React 19 + Vite 构建，集成了 React Router 路由、i18next 多语言支持、Tailwind CSS 4 样式，以及 TanStack React Query 数据管理。

CAPA 还维护了多个开源注册表，包括 cursor-marketplace/（Cursor 市场能力）、claude-plugins/（Claude 插件）、skills-sh/（Shell 技能集），开发者可以发布、发现和复用他人的能力包，体验类似 npm registry。CAPA 深度集成了 Model Context Protocol (MCP)，通过 @modelcontextprotocol/sdk 实现 MCP 服务器的自动配置管理。

技术架构：TypeScript/Bun 现代化栈

前端 Web UI 基于 React 19 + TypeScript，使用 Vite 作为构建工具，Tailwind CSS 4 作为样式方案。UI 组件来自 Radix UI 无头组件库，图标使用 Lucide React，Markdown 渲染使用 marked，代码高亮使用 highlight.js，表单验证使用 Zod。CLI 工具基于 TypeScript + Bun Runtime，使用 Commander.js 作为 CLI 框架，Listr2 处理命令行输出样式化，YAML/TOML 解析分别使用 js-yaml 和 @iarna/toml。

项目代码结构清晰：src/cli/ 处理命令行入口，src/server/ 提供 Web 服务，src/db/ 管理本地数据库（~/.capa/），src/shared/ 提供跨模块共享逻辑，src/types/ 定义 TypeScript 类型系统。代码质量方面，项目使用 Biome（v2.x）作为格式化和 linting 工具，GitHub Actions 驱动 CI/CD，包含完整测试套件（bun test）和覆盖率报告。支持多平台编译发布，Windows 版本使用 .ico 图标文件。

行业意义：AI 编程工具的标准化之战

CAPA 的出现代表了一个重要趋势：AI 编程工具正在从「单点能力」向「生态集成」演进。从 star 增长曲线看，CAPA 作为一个 2024 年底才出现的年轻项目，在不到一年内获得了 635+ stars，并建立了涵盖 35+ 工具的适配生态，增长势头强劲。其背后的 infragate.ai 公司同时还维护着 MCP Gateway 等项目，表明这是一个有持续投入的开源团队，而非个人项目。

更值得关注的是，CAPA 所定义的 capabilities.yaml 格式和 SKILL.md 规范，有潜力成为 AI 编程工具领域的「POSIX 标准」——它让不同工具之间的能力互操作成为可能。一旦这个标准被更多工具和团队采纳，AI 编程助手的配置管理将从「碎片化定制」进入「生态共享」的新阶段。

上手门槛与局限

CAPA 目前的上手门槛相对较低——有 install.sh 脚本，有 Web UI，会用命令行即可。但深度使用（如自定义适配器、发布能力包到注册表）需要对 YAML 格式和目标工具的配置系统有一定了解。无 Docker 支持意味着在容器化环境中无法直接使用；CAPA View 目前功能相对基础，偏向浏览而非深度管理。35+ 工具的适配质量参差不齐，部分工具的支持可能需要额外调试。由于 capabilities.yaml 是 CAPA 专有格式，存在供应商锁定风险。总体评分：代码质量 85/100，文档质量高（多语言支持），部署简单，推荐对多 AI 工具协同有需求的技术团队试用。