通吃全领域：七大通用底座引擎实测

当 Skills 生态突破 27 万条、单是 Awesome 列表的子代理合集就斩获 1.87 万星时，最值得关注的早已不是又一个"爆款生成器"，而是那些被反复调用、却很少单独站上 C 位的通用底座引擎。它们不负责炫目的成品产出，而是承担"调研—分析—编排—取数—验证—交付"这条所有工作流的承重墙。本期跨领域评测聚焦七个最具通用性的底座型 Skill：deep-research、office-mcp、spreadsheet、notebooklm、planning-with-files、wikipedia-research、content-repurposer，按功能完整度、上手难度、变现潜力、训练营适用性、社区活跃度五维打分，并给出安装命令、竞品对比与排行榜。

一、评测总览表

二、逐个深度评测

1. deep-research —— 调研取证底座

Skill	类别	核心能力	开箱即用	上手难度	变现潜力	训练营	社区活跃	综合分
deep-research	调研取证	多源检索+对抗验证+引用报告	★★★★★	★★★★	★★★★★	★★★★★	★★★★★	4.9
office-mcp	文档操作	39工具覆盖Word/Excel/PPT/PDF/OCR	★★★★★	★★★★★	★★★★	★★★★★	★★★★	4.6
spreadsheet	表格数据	openpyxl/pandas保公式保格式	★★★★	★★★★★	★★★	★★★★	★★★	4.0
notebooklm	私域问答	源grounded+引用+降幻觉	★★★★	★★★	★★★★	★★★★	★★★	3.9
planning-with-files	任务编排	文件化拆解+长程规划	★★★★	★★★★★	★★★	★★★★	★★★	3.9
wikipedia-research	事实核查	引用抽取+JSON+知识图谱	★★★★	★★★★★	★★★	★★★★	★★★	3.7
content-repurposer	内容迁移	跨平台调性/格式自适应	★★★★	★★★★★	★★★★	★★★★	★★★	4.1

来源：Anthropic 官方内置 + 社区增强版（jamoeight/claude-code-deep-research-v2）。安装：官方随 Skills 2.0 内置；社区版 npx skills add jamoeight/claude-code-deep-research-v2@deep-research。

核心能力：标准的"扇出检索→抓取源→对抗性验证→综合带引用报告"四段式流水线。最值得称道的是它在任务模糊时会先反问 2-3 个澄清问题（预算、用途、地区），把"买什么车"这种开放式提问收敛成可研究的具体问题，再进入多代理并行检索。社区 v2 版进一步引入了 2025 年 11 月后的研究突破，扩展为多代理架构，每个代理负责不同信息源类型，最后由综合代理做交叉验证。

五维评分：功能完整度 ★★★★★（验证闭环最完整）；上手 ★★★★（需理解澄清交互）；变现 ★★★★★（可封装为"一键研报 SaaS"）；训练营 ★★★★★（多代理编排是核心教学点）；社区 ★★★★★。

变现/训练营：这是本期最适合直接产品化的一项——定价空间从 0.5 美元/次检索到 49 美元/份深度研报不等。训练营中它是讲解"对抗验证"与"扇出并行"两个高级模式的最佳教具，单课时即可讲透。

竞品对比：相比 research、academic-researcher 等更偏向学术文献的 Skill，deep-research 胜在通用性与验证严谨度；其"先澄清再研究"的设计是同类中独有。

2. office-mcp —— 文档操作底座

来源：claude-office-skills/skills（GitHub: HiepChill/office-skills）。安装：npx skills add claude-office-skills/skills@office-mcp。

核心能力：一个 MCP 服务器内封装 39 个工具，覆盖 Word、Excel、PowerPoint、PDF、OCR 五大文档类型的创建、读取、编辑与格式操控。Word 侧支持目录、多级标题、页码、信纸、修订追踪、批注查找替换与图片插入替换；Excel 侧支持公式、引用与格式保留；PPT 与 PDF 可生成与解析。其最大价值在于"一套接口通吃办公格式"，省去为每种文档单独配 Skill 的成本。

五维评分：功能 ★★★★★；上手 ★★★★★（声明式调用即可）；变现 ★★★★（可做"合同/报表自动生成"服务）；训练营 ★★★★★（MCP 服务器封装是教学黄金案例）；社区 ★★★★。

变现/训练营：可改造为"招投标文件自动套模板""财务月报一键生成"等垂直付费产品，单客单价数百元起。训练营中它同时教学 MCP 协议与文档结构化两层知识，性价比极高。

竞品对比：相比 pptx、md2pdf、pdf、spreadsheet 等单格式 Skill，office-mcp 是唯一的全格式聚合层；单格式 Skill 在各自领域更精细，但通用性远不及它。

3. spreadsheet —— 表格数据底座

来源：Anthropic 官方 Skills 包内置。安装：随官方 Skills 集成，无需单独安装。

核心能力：基于 Python 的 openpyxl 与 pandas，处理 .xlsx/.csv/.tsv 的创建、编辑、分析、格式化。关键差异点在于它优先保留公式、引用与格式，并在修改后主动验证——这意味着你不会遇到"AI 改完数据但把 SUM 公式冲掉"的常见坑。适合财务建模、数据清洗、报表合并等场景。

五维评分：功能 ★★★★；上手 ★★★★★；变现 ★★★（专业门槛较低）；训练营 ★★★★（pandas 实战入门）；社区 ★★★。

变现/训练营：作为独立产品变现空间有限（市面表格工具饱和），但作为底座嵌进任何数据分析类 Skill 时不可或缺。训练营适合作为 Python 数据处理的实训第一课。

竞品对比：与 office-mcp 的 Excel 侧有重叠，但 spreadsheet 更深入 pandas 数据分析（分组、透视、合并），office-mcp 则更偏向格式操控。二者互补而非替代。

4. notebooklm —— 私域知识问答底座

来源：社区 Skill（对接 Google NotebookLM）。安装：npx skills add <owner>/notebooklm（本地已集成）。

核心能力：从 Claude Code 直接查询 Google NotebookLM 笔记本，返回源grounded、带引用的 Gemini 答案。通过浏览器自动化管理资料库与持久化登录，其设计哲学是"仅基于文档响应"，从而显著降低幻觉。适合企业内部知识库问答、长文档精读、多源对照等需要可溯源的场景。

五维评分：功能 ★★★★；上手 ★★★（需配置浏览器登录态）；变现 ★★★★；训练营 ★★★★；社区 ★★★。

变现/训练营：可包装成"企业内部知识库智能问答"服务，按席位或按查询计费。训练营教学重点在 RAG 的"仅文档响应"约束与引用链路，是讲解"如何让 AI 不乱编"的活样本。

竞品对比：与 obsidian、notion 等笔记类 Skill 相比，notebooklm 的差异在于它借用 Google Gemini 的 grounding 能力，引用质量更高；但强依赖外部服务，私有化部署不如 obsidian 灵活。

5. planning-with-files —— 任务编排底座

核心能力：把复杂任务落盘为文件化计划——将目标拆解为有序步骤、写入可检查的中间产物，每步可验证可回滚。它的价值在于给"长程、多步、易跑偏"的代理任务提供一份显式的路线图，避免代理在中途丢失上下文或跳步。配合 long-running-agent 等长程执行体使用效果最佳。

五维评分：功能 ★★★★；上手 ★★★★★；变现 ★★★（偏内部方法论）；训练营 ★★★★；社区 ★★★。

变现/训练营：直接变现弱，但它是所有"交付即服务"工作流的隐形地基。训练营中用于教学"规划-执行-验证"三段式代理范式，配合 TodoWrite 风格的任务列表演示效果很好。

竞品对比：与 long-running-agent（强调长时间无人值守执行）侧重不同，planning-with-files 强调"规划质量"，二者常组合使用。

6. wikipedia-research —— 事实核查底座

核心能力：从某百科抽取带底层引用的可验证信息，输出结构化 JSON（为 AI 消费与验证流水线优化）。它不只返回正文，而是连同正文背后的引用一起抽取，支持构建实体-关系知识图谱、传记时间线、跨源交叉核验。强制触发场景包括维基研究、引用验证、事实核查、构建研究数据集等。

五维评分：功能 ★★★★；上手 ★★★★★（声明式）；变现 ★★★；训练营 ★★★★；社区 ★★★。

变现/训练营：适合做"事实核查 API"或新闻核验工具，但维基数据本身免费限制了溢价。训练营教学重点是"把非结构化百科转化为可机读的结构化引用"，是数据工程入门好案例。

竞品对比：与 academic-researcher（学术文献）互补；与 deep-research 相比，wikipedia-research 更轻、更快、专攻"可验证性"，而 deep-research 更重、更全面。

7. content-repurposer —— 内容跨域迁移底座

核心能力：在不同平台、受众、格式之间自适应改写内容——博客转社媒、长文转短文、文字转视觉大纲，同时完成调性与格式切换。它是"一稿多发"的通用引擎，不绑定特定平台，靠对受众画像与平台规范的抽象来驱动改写。

五维评分：功能 ★★★★；上手 ★★★★★；变现 ★★★★（自媒体矩阵刚需）；训练营 ★★★★；社区 ★★★。

变现/训练营：自媒体矩阵运营、内容代运营服务是直接变现路径，按账号或按月计费。训练营教学点在"受众-平台-格式"三要素的抽象建模，适合内容营销课。

竞品对比：与 twitter-publisher（单平台发布）相比更上游——它做改写不做发布；与领域专属改写 Skill 相比更通用，但深度略浅。

三、Skills 生态分类思维导图

mindmap
  root((Claude Code<br/>Skills 生态))
    通用底座层
      调研取证
        deep-research
        wikipedia-research
        academic-researcher
      文档操作
        office-mcp
        pdf / md2pdf / pptx
      数据表格
        spreadsheet
      私域知识
        notebooklm
        obsidian / notion
      任务编排
        planning-with-files
        long-running-agent
      内容迁移
        content-repurposer
      能力扩展
        skill-creator / find-skills
    领域应用层
      前端设计
      内容创作
      安全攻防
      通信协议
      部署运维
    分发基础设施
      agentskill.sh 27万+
      skillmarketplace.ai
      VoltAgent合集 1.87万星

四、推荐排行榜

按维度综合 TOP 3：① deep-research（4.9）② office-mcp（4.6）③ content-repurposer（4.1）。

按变现潜力 TOP 3：① deep-research（可直接 SaaS 化）② office-mcp（垂直文档服务）③ notebooklm（企业知识库席位）。

按训练营适用性 TOP 3：① deep-research（多代理+对抗验证）② office-mcp（MCP 协议教学）③ planning-with-files（规划执行范式）。

按上手速度 TOP 3：① office-mcp / spreadsheet / wikipedia-research（并列，声明式即用）② content-repurposer ③ planning-with-files。

首日安装建议：若只装三个，选 deep-research（取信）+ office-mcp（交付）+ planning-with-files（编排），即可在任意领域快速搭出一条"可信调研→结构化交付"的最小闭环；待业务方向明确后再补 notebooklm 或 content-repurposer 等专属底座。本期评测的核心结论是：在生态爆发的当下，底层通用引擎的复利价值远高于单个爆款——它们才是穿越领域风口、值得长期投入的"承重墙"。