AgentSkillsHub：给 25 万个 AI 技能做"体检分"的目录站

一、故事开始：一个让人焦虑的夜晚

你准备给 Claude Code 加一个能自动整理会议纪要的技能。于是打开 GitHub，搜索框里敲下 "claude skill"，回车。

返回 4000 多个仓库。你开始一个个点开：有的 README 三个月没更新，有的装完就报错，有的文档里夹着不明脚本。再往下翻，第 47 个仓库的 SKILL.md 里出现了一段往 ~/.claude/settings.json 写入未知内容的 curl 命令。

你关掉了浏览器。那天晚上你没有装任何技能。

AgentSkillsHub 的作者 Jason Zhu 想解决的就是这个具体场景——不是"帮你找到技能"，而是"帮你判断这个技能能不能用、敢不敢用"。

图：agentskillshub.top 官方社交卡片，项目对外自称覆盖 25 万+ 开源智能体技能目录。

二、背景：Skill 生态的爆发与治理真空

2025 年下半年起，Claude Code、Cursor、OpenAI Codex、Windsurf 这些 Agentic IDE 几乎同时把"技能包（Skill）"变成了标准扩展单位。一个 Skill 就是一个带 SKILL.md 的目录，Agent 读它来决定"何时该做什么"。生态随之爆炸式增长，GitHub 上 claude-skill、mcp-server 主题标签下的项目数以每周数百的速度增加。

但繁荣背后有两个真空：

一是发现真空。 GitHub 的搜索按相关性排序，一万星的老仓库不一定比昨天新建的三星新仓库更靠谱，README 排版混乱、命名随意，一个新人根本无从下手。

二是信任真空。 Skill 是"Agent 会自动执行的指令"，本质上比普通 npm 包权限更高——它能读写文件、发起网络请求、调用 shell。2025 年下半年开始，社区里陆续出现恶意 Skill 的报告：偷密钥的、挖矿的、偷偷上报对话记录的。

AgentSkillsHub 的定位就是同时填这两个坑：它既是搜索引擎，也是安全网关。

图：仓库内 frontend/content/book/ 下的配套内容包，团队围绕"技能生态"做了一套体系化的研究型内容（含生态生命周期曲线、类目分布、生存曲线等图表）。

三、类比：它像一个"药品监督管理局 + 大众点评"

打个比方，AgentSkillsHub 之于 GitHub 上的技能生态，就像：

• 相对于菜市场：它是批发市场入场证发放处——每个摊主（作者）要先过质量评级（评分）、卫生检查（安全扫描），才能上架。
• 相对于搜索引擎：它给每个条目打星级 + 分维度雷达，而不是只按下载量排序。
• 相对于应用商店：它不只做"上架/下架"，还做分级（safe / caution / unsafe / reject 四档），并对高风险条目做二次 AI 语义复核。

四、核心功能：六阶段流水线与两道安全闸门

项目的架构在 README 里被概括为一条线：

GitHub API ──▸ 采集 ──▸ 清洗 ──▸ 评估 ──▸ 评分 ──▸ 呈现
              (6阶段)   (分类)   (6维度)  (0-100)   (Web + API)

采集（Collection）

每 8 小时由 GitHub Actions 触发一轮同步，预算被切得很细：搜索阶段 10+ 条 GitHub 查询（约 30 次请求）、认证作者作者拉取（约 18）、社区投稿与策展补充（约 14）、作者画像补全（≤500）、README 正文抓取（每个 ≤50KB，≤300 个）、入库写入（0 次额外请求）。周中走增量同步（只处理新增/更新），周日跑全量同步。限流处理是"等待 GitHub 真实的 reset 时间"，而不是硬退避重试。

清洗与分类（Cleaning）

按 repo_full_name 去重；用关键词规则把条目分到 7 个类别：mcp-server、claude-skill、codex-skill、agent-tool、prompt-library、ai-coding-assistant、uncategorized；并推断项目类型（框架/技能/工具）与体积档位（micro ≤50KB 到 large >5MB）。

评分：6 个质量维度 + 9 个加权信号

质量维度（services/quality_analyzer.py）：完整性 15%、清晰度 15%、具体性 15%、示例 12%、README 结构 23%、Agent 就绪度 20%。注意"Agent 就绪度"是个很有想法的指标——它衡量的是"这个技能是否给 Agent 准备好了接口文档、配置、安装方式、MCP 合规性"，这恰恰是普通开源项目不关心、但 Agent 生态必须的。

综合分（services/scorer.py）：质量 20%、Stars 18%（log 归一）、新鲜度 11%（指数衰减 e^-0.01d）、Fork 10%、提交 10%、Issue 解决率 10%、势头 8%（Star 增长的 Z-score）、作者粉丝 8%、体积加分 5%（越小分越高）。

此外还有平台推断（17 个平台）、Token 估算，以及可组合性分析（TF-IDF + 8 信号技能配对，回答"这个技能该和谁一起用"）。

安全：第一道是规则，第二道是 LLM

这是整个项目最有分量的部分。services/security_scanner.py 是一个 5 万字符的纯正则规则引擎，灵感来自 SlowMist 的 Agent 安全框架，把风险模式归纳成 11 类红旗，同时引入五级信任层级：

• Tier 1：anthropics、modelcontextprotocol、openai、microsoft、google、github、nvidia 等官方组织
• Tier 2：slowmist、trailofbits、openzeppelin 等安全机构
• Tier 3：Stars ≥ 1000 + 有 License + 活跃
• Tier 4：Stars ≥ 100 + 有 License
• Tier 5：其余，全部按最严标准审查

规则的关键在于同时看"敏感文件路径"和"外传目标"——比如 ~/.claude/settings.json、claude_desktop_config.json、~/.claude/credentials.json 这些 Agent 宿主存密钥和会话记录的位置，再配合 curl -d、scp、/dev/tcp/、"send/upload/post/exfiltrate"这类外传模式，二者同时出现才判高危。这个设计比单纯的黑名单匹配要聪明得多，因为它识别的是行为链而不是特征串。

被规则引擎标为 caution/unsafe 的条目，才进入第二道闸门 llm_security_analyzer.py，由 LLM 做语义复核。这个 LLM 提示词写得相当克制，显式列出了要警惕的误报：知名包管理器的 curl | bash 安装脚本、API Key 配置说明、Docker 里的 sudo、模板引擎里的 eval()——都应判为正常。这说明作者是拿真实数据反复调过阈值的。

图：站内 /compare/ 对比页的实际渲染效果，支持把多个技能并排拉出来逐维度比较。

呈现层

生产环境直接用 Supabase 的 PostgREST + RPC，前端 React 18 + TypeScript + Vite + TailwindCSS v4。几个值得注意的工程优化：

• get_landing_data() 一个 RPC 替代了原来 7 次以上的 API 调用
• 数据库视图 v_trending / v_top_rated / v_rising 承载排行逻辑
• PostgreSQL tsvector + GIN 索引做全文检索
• HTTP 缓存分层：热门榜 5 分钟、统计页 1 小时
• 构建期有 19 个静态页生成脚本（作者页、技能页、场景页、对比页、RSS、sitemap、llms.txt 等），配合 GitHub Pages 做 SEO——sitemap.xml 覆盖 6000+ URL

五、上手门槛：两条路

轻松路线（零部署）：直接访问 agentskillshub.top，用现成的目录、对比、审计报告。这是绝大多数人的选择。

自建路线（开发者）：

cd backend
python3.12 -m venv venv && source venv/bin/activate
pip install -r requirements.txt
cp .env.example .env        # 填 GITHUB_TOKEN
uvicorn app.main:app --reload

cd ../frontend
npm install
npm run dev

后端依赖很轻：fastapi + uvicorn + sqlalchemy + httpx + apscheduler + scikit-learn（TF-IDF 可组合性）+ openai（LLM 安全分析）。数据库二选一：本地 SQLite 起手，生产用 Supabase PostgreSQL。仓库里已有 28 个 Supabase migration 文件，说明后端是在真实生产库上演进的。

六、争议与局限

第一，只扫 README，不扫代码。 安全扫描的输入是"小写化的 README 文本"（代码里明确写了 curl -F 被刻意排除，因为在 README 上它会和 -f 混淆）。这意味着：一个 README 干净但 SKILL.md 里藏着恶意代码的技能，这个系统检不出来。安全评级更像"包装层安检"，不是"内容层审计"。项目自己提供了 Skillspector 集成规范（docs/skillspector-integration-spec.md）作为补充，说明作者清楚这个边界。

第二，评分是启发式的，不是客观的。 "README 结构占 23% 权重"这类规则简单透明，但也意味着一个格式漂亮、文档详尽但实际质量平平的项目能拿高分。反过来，文档朴素但代码优秀的老项目会被低估。这类排行榜的通病，参考时心里要有数。

第三，单人主导 + 极高的仓库体量。 contributors 只有 2 人（其中包含 github-actions bot），1064 次提交，1808 个文件，代码库 73MB。这是一位作者 Jason Zhu 的长期独自推进。好处是方向一致、迭代快；风险是 bus factor = 1，且 supabase 迁移脚本已到 v8 阶段（008_fix_subscribers_rls），schema 演进路径对外部贡献者并不透明。

第四，商业模式与公益定位的混合。 仓库里有 Stripe 轮询 workflow、企业版线索收集、Pro 会员与 Pro 看板的 migration、DeepAuditOffer（深度审计付费入口）、企业版落地页。"免费目录 + 企业安全审计"的组合在开源目录里是常见且合理的商业模式，但需要意识到：免费评级由商业体提供，评分规则与商业服务之间是否存在利益相关性，外部无法完全验证。

第五，SKILL 生态本身的合规性尚未解决。 一个被目录收录的 Skill 能被 Agent 自动执行，这中间的"责任链"在法律和工程上都没有定论。目录做了分级，但真正被 Agent 拉起来跑的往往仍是原始 GitHub 仓库。

七、行业意义

AgentSkillsHub 最有价值的贡献其实不是那个网站，而是它把"Skill 质量"和"Skill 安全"从感觉变成了可计算的指标。

在 CLI 时代，我们有 npm 的下载量、包的漏洞扫描（Snyk）、以及后来才出现的 OSV 数据库。在 Agent 时代，Skill 是新的可执行依赖，但它连一个统一的包管理器都没有——没人知道全网有多少个 Skill、哪些有后门、哪些还在维护。AgentSkillsHub 用 8 小时一次的增量同步 + 分级 + 信任层级，实际上是在给这个新物种补上"供应链治理"的第一层基础设施。

从数据上看，仓库里 frontend/content/book/ 那一整套内容——生存曲线、类目分布、9×4 矩阵——说明作者在做的不只是导航站，而是试图为这个生态写一份阶段性产业报告。仓库还内嵌了完整的书籍正文（ch03 到 ch09 各章配图），并配 docs/ 下的评分算法说明、Superpowers 规格与竞品研究（LobeHub 对比）。

图：技能横向对比视图，站内提供 /best/{场景}/ 落地页与多维打分对比。

八、结语

AgentSkillsHub 把一件朴素的事做透了：在给 AI 装能力之前，先给这个能力做个体检。

它不完美——只扫 README、启发式评分、单人维护、商业与公益交织。但在一个每天都有新 Skill 涌现、而绝大多数用户没有能力判断"这个 Skill 会不会把我的密钥发出去"的市场里，它提供了目前最接近"公共基础设施"的答案。

对国内团队来说，它的评分算法（尤其是 README 结构与 Agent 就绪度两维）和 SlowMist 风格的信任层级模型，都是可以直接借鉴到自建内部技能库的设计参考。

---

数据采集自 GitHub API（2026-11-04 快照）：487 Stars / 54 Forks / 29 Open Issues / 1808 文件 / 1064 次提交 / 2 位贡献者 / MIT 许可 / 主语言 Python。