Skills周报：百万安装科研Skill拆解，榜首竟是一个Fork

概述

本期周报聚焦 2026-08-29 的 skills.sh 榜单。三个核心发现：一，24小时趋势榜第一的 ai-video-generation（skills-101/superpowers，22.3K 安装）经查证是一个 fork——原主是 inference-sh/skills，"superpowers"之名与obra的方法论框架毫无关系，榜单镜像刷量问题再次浮出水面；二，一个冷门赛道悄悄做大了：lllllllama/rigorpilot-skills 用 4 个公开技能在总榜拿下 180 万安装，主打“AI 辅助深度学习科研复现”，本文对它的入口 SKILL.md 做逐段拆解；三，编排器产品开始给自己写 Skill（stablyai/orca），纯文档型营销 Skill 也登上了趋势榜（doany.ai 的 reddit-automation）。

本周榜单快照

总榜（All Time，8月29日抓取）：

按仓库聚合，open.feishu.cn 以 24+ 个技能合计 14.2M 仍是第一集团，larksuite/cli 合计 7.9M，microsoft/azure-skills 合计 7.5M，prime-skills/runcomfy-agent-skills 合计 4.4M（后文会讲这个仓库的镜像问题）。

24小时趋势榜新面孔：

评测对比表

评分基于本文实际抓取的仓库内容与榜单数据，实战效果一栏以安装量佐证为主，官方基准数据缺失处已从紧给分。

深度拆解：RigorPilot，把“科研诚信”写进 SKILL.md 的教科书

本期最值得逐行读的，是 lllllllama/rigorpilot-skills 的入口技能 ai-research-reproduction。这个仓库的自我定位是“Research-first Agent Skills for Deep Learning Experiments”：让 Agent 复现、改进或探索一个深度学习仓库时，守住可比性、可复现证据、可审计变更三条底线。仓库共 11 个技能（9 公开 + 2 辅助）、45 个 Python 脚本（其中 43 个是测试脚本）、提供中英双语 README，同时支持 Agent Skills / Codex / Claude Code 三种客户端安装。

第一段：description 里的“双向触发器”

它的 frontmatter description 是一大段英文，前半段写“什么时候用”：

Use when the user wants an end-to-end, minimal-trustworthy flow that reads the repository first, selects the smallest documented inference or evaluation target...

后半段立刻接“什么时候别用”：

Do not use for paper summary, generic environment setup, isolated repo scanning, standalone command execution, silent protocol changes, score chasing, or broad research assistance outside repository-grounded reproduction.

这是目前社区里最规范的一类写法：description 是唯一常驻上下文的路由面，正向触发词决定“会不会被选中”，负向清单决定“会不会被误选”。特别值得注意的是 score chasing（刷分）被明确列为排除项——这个技能连“你让 Agent 去提分”这种请求都会拒收，因为它只做“忠实复现”。国内不少 SKILL.md 只写正向场景，这篇是学负向触发的最佳样本。

第二段：Purpose 里的一句话定调

Reproduction is not "make it run by changing anything"; it means faithfully reading the README, environment, weights, datasets, and documented commands, then recording results and deviations.

作者把“复现”的反定义写进了正文第一段。这句话在后续每个环节都会被引用回来，是全文的“宪法条款”。写 SKILL.md 时，在开头放一句可反复援引的原则句，比十条散落的规定更有效。

第三段：Fit 用合取门控

Use this skill when all are true: - The target is an AI code repository with a README, scripts, configs, or documented commands. - The request spans multiple trusted phases such as intake, setup, execution... - The desired result is a small reproducible target, not broad experimentation.

三个条件缺一不可（all are true），配合上面 description 的排除清单，形成双保险。这解决的是 LLM 技能路由最常见的事故：相似技能之间互相抢活。

第四段：最小可信目标阶梯

Trusted Target Selection 一节给出四级阶梯，从上往下选：

1. documented inference（文档写明的推理）
2. documented evaluation
3. documented training startup 或部分验证
4. full training——仅在用户显式确认后

并规定 README 与论文冲突时“记录冲突，仅在复现必需的窄缺口上动用 paper-context-resolver”。核心原则是：

Treat README guidance as the primary reproduction intent. Use repository files to clarify the README, not to silently replace it.

把“目标选择的自由度”收窄成一个有序列表，是控制 Agent 自作主张的实用手法——比笼统地写“保守一点”有效得多。

第五段：Workflow，编排器把子技能当函数调

9 步工作流里，真正的执行全部委托给子技能：repo-intake-and-plan 提取文档化命令、env-and-assets-bootstrap 只处理目标所需的环境/权重/数据集假设、minimal-run-and-audit 跑文档化的推理评估、run-train 处理训练启动。入口技能自己不干活，只做路由和记录——这就是“编排技能 + 叶子技能”的分层模式。第 8 步是强制人审闸门：

Pause for human review before fuller training claims or any change that could alter dataset, split, checkpoint, preprocessing, metric, loss, model semantics, or result interpretation.

第六段：Patch Boundary，一条“改动偏好序列”

• Try command-line arguments, environment variables, path fixes, dependency version fixes, or dependency-file fixes before code changes.

能不改代码就不改；要改就按“命令行参数 → 环境变量 → 路径修复 → 依赖修复 → 改代码”的顺序来。真要动仓库文件，分支必须叫 repro/YYYY-MM-DD-short-task，且在 PATCHES.md 里记录“改了什么、为什么必须改、是否影响科学含义、是否影响与论文/README/基线的可比性”。把修改审计做成固定文件名 + 固定字段，比“请记录你的修改”这种软约束可靠一个量级。

第七段：Outputs，证据包即交付物

所有产出强制写入 repro_outputs/，文件清单固定：SUMMARY.md（最短高价值总结）、COMMANDS.md（可复制的命令）、LOG.md（过程证据、假设、失败、决策）、SCIENTIFIC_CHANGELOG.md（改动对科学含义的影响）、COMPARABILITY_REPORT.md（结果还能不能和论文对比）、status.json（机器可读状态）、PATCHES.md（按需）。最有想象力的是 ANNOTATED_README.md：

the README replayed verbatim, each section annotated in color with what the agent did there, linked to the evidence files above.

把原始 README 原样重放、逐节标注 Agent 干了什么、链到证据文件——研究者一眼就能看出 AI 在自己论文代码上动过哪些念头。人读的 Markdown 和机器读的 status.json 双通道并存，也是值得抄的交付设计。

第八段：Reference Loading 与个人记忆

结尾一节是渐进式披露：只在“涉及可比性/贡献声明”时才加载 research-rigor-principles.md，只在“数据集/切分/指标细节要紧”时才加载深度学习实验原则。还支持一个可选的个人记忆文件 ~/.rigorpilot/PERSONAL_RIGOR.md，但明确标注 advisory only、core wins——个人偏好永远压不过核心原则。失败并后来解决的运行会经 lessons_store.py 自动记成经验教训，RIGORPILOT_LESSONS=0 可关。环境变量开关、个人记忆、自动复盘，三个机制让技能“越用越懂你”而不污染原则层。

值得注意的短板

上手门槛不低：术语（trusted lane / explore lane / campaign）需要通读 README 才能理解，且它明确只服务“有 README 的 AI 代码仓库”这一种场景；探索车道（explore lane）必须由研究者显式授权才会启动，想拿它当通用科研助手的人会失望——但这正是它设计上拒绝的事情。仓库主维护者仅一人，长期活跃度待观察。

inference-sh/skills：被 fork 送上榜首的“原版”

趋势榜第一的 skills-101/superpowers，GitHub 元数据显示 is_fork: true，父仓库是 inference-sh/skills。原版才是正主：一套让 Agent 通过 inference.sh API 调用数百个应用和模型的技能集——ai-image-generation（FLUX、Gemini、Reve 等 50+ 图像模型）、ai-video-generation（Veo、Seedance、Wan 等 40+ 视频模型）、llm-models（Claude、Gemini、Kimi、GLM）、web-search（Tavily、Exa）、twitter-automation，外加 JS/Python SDK 技能、Agent UI 组件技能和成套的提示词/设计/视频/写作指南。它展示了“API 市场把 Skill 当分发渠道”的打法：装完技能，Agent 天然会走自家的 belt CLI 和计费 API。注意使用前提：需要 inference.sh 账号、CLI 和 API 额度，不是免费午餐。

obra/superpowers：老牌方法论进了官方插件市场

趁“superpowers”这个名字被 fork 蹭热度，有必要分清：真正的方法论框架是 obra/superpowers（Jesse Vincent / Prime Radiant）。其 README 显示它已进入 Anthropic 官方插件市场，一条命令安装：

/plugin install superpowers@claude-plugins-official

并且已完成 14 个 harness 的适配（Claude Code、Antigravity、Codex App/CLI、Cursor、Devin CLI、Factory Droid、Gemini CLI、Copilot CLI、Grok、Kimi Code、OpenCode、Pi、Hermes）。工作流依旧是它的护城河：brainstorming → git worktree 隔离 → writing-plans（任务切到 2-5 分钟粒度）→ subagent-driven-development（每任务新开子代理 + 双阶段评审）→ 强制 RED-GREEN TDD → 代码评审 → 收尾合并。一个细节：它的 brainstorming 视觉组件默认带一个回传版本号的遥测图片，可用 SUPERPOWERS_DISABLE_TELEMETRY 关闭——框架级 Skill 的透明度处理也值得学习。

orca-cli：编排器产品给自己写 Skill

stablyai/orca 自称“并行 Agent 舰队的 ADE”：把 Codex、Claude Code、OpenCode 等跑在各自 git worktree 里统一调度，配手机端伴侣 App、SSH 远程 worktree、diff 批注回传。它以 orca-cli 技能登上趋势榜 39 名（24h 6.1K），思路和 inference.sh 如出一辙——让 Agent 学会操作自己的 CLI（orca worktree create、snapshot、click、fill）。产品本体桌面端一条命令可装，MIT 协议、每日发版，社区运营相当凶（Discord + 微信群矩阵）。

reddit-automation：纯文档型营销 Skill 上榜

flowkit-labs/skills（品牌 doany.ai）只有 2 star、1 次提交，却把唯一的技能 reddit-automation 送上趋势榜第 8（24h 17.0K）。定位是“找正在购买你产品的人正在讨论的 Reddit 帖，起草像社区成员而非广告的回复”。README 专门写了安全声明：纯文档型、不读环境变量和凭据、Agent 永远不代发，每条回复由人审核后手动贴出。这种“只改写推理与文风、不碰执行”的文档型 Skill，是个人开发者零风险入场的样板——代价是功能上限也低，且增长类效果无数据佐证。

榜单观察：fork 与镜像

把今天的趋势榜横向看，有三处值得警惕的信号。其一，榜首 skill-101/superpowers 是 fork（父仓库 inference-sh/skills），skills.sh 把镜像仓库当作独立来源计量，“同名不同物”（此 superpowers 非彼 superpowers）会持续误导搜索者。其二，genmedia-labs/skills（3 star、1 commit）一次上架 30 个 AI 媒体技能目录，README 原话是“Skills are pushed one at a time so we can verify each one's SKILL.md is correctly indexed by skills.sh before adding the next”——逐个上架以验证索引收录，这是面向榜单而非面向用户的发布节奏；而 skills.sh 总榜上 4.4M 安装挂在其镜像 prime-skills/runcomfy-agent-skills 名下，README 里给的安装命令又指向第三个名字 agentspace-so/runcomfy-agent-skills，一个技能集三个仓库名。其三，趋势榜上 four 个不同组织的技能同时显示 16.9K-17.0K 的整数化安装数，整齐得可疑，读者参考趋势榜时建议交叉核对 GitHub 仓库本体（star 数、提交历史）再决定安装。另外 anti-ui-slop（uizze.com，24h 18.1K、第 5 名）本次仓库抓取失败，内容未经证实，仅作观察项列出，不做评分。

本周生态一张图

mindmap
  root((Skills生态 2026-08-29))
    方法论框架
      obra/superpowers 进入官方插件市场
      14个harness适配
    科研垂直
      RigorPilot 180万安装
      可信/探索双车道
      证据包交付
    API分发型
      inference-sh/skills 被fork上榜
      RunComfy 镜像三重名
    产品自举型
      orca-cli
      hyperframes
    营销文档型
      reddit-automation
      anti-ui-slop 待验证
    老面孔守榜
      find-skills 3.0M
      mattpocock全家桶
      飞书/微软 7M+体量

RigorPilot 双车道工作流

flowchart LR
    A[理解仓库] --> B[复现规划]
    B --> C[环境与资产引导]
    C --> D[最小可信运行/训练]
    D --> E[安全调试]
    E --> F[证据包输出 repro_outputs/]
    B -. "仅限研究者显式授权" .-> G[探索车道]
    G --> H[候选方案排序]
    H --> F
    D -. "改数据/指标/语义前" .-> X[人审闸门]

推荐排行榜

• 综合第一：obra/superpowers——已验证的工程方法论 + 官方市场分发
• 设计质量第一：rigorpilot-skills——负向触发、双车道、证据包，三个模式都值得抄
• 最值得关注的新面孔：orca-cli——编排器自举 Skill 的代表
• 上手最友好：reddit-automation——一条命令、零凭据、零风险
• 本期不推荐照单安装：趋势榜首的 fork 版 superpowers——要装 AI 生图生视频请认准 inference-sh/skills 本体

安装命令汇总

# RigorPilot 全套（科研复现）
npx skills add lllllllama/rigorpilot-skills --all
# 只装可信复现入口
npx skills add lllllllama/rigorpilot-skills --skill ai-research-reproduction

# inference.sh 技能集（需其CLI与额度）
npx skills add inference-sh/skills
# 或作为 Claude Code 插件
/plugin marketplace add inference-sh/skills
/plugin install inference-sh@inference-sh-skills

# obra/superpowers（官方市场）
/plugin install superpowers@claude-plugins-official

# Orca 桌面端
brew install --cask stablyai/orca/orca

# doany.ai reddit-automation（纯文档型）
npx skills add doany-skills/skills --skill reddit-automation -g

结论

本周榜单最大的信息量不在榜首而在结构：API 市场用 Skill 做分发、镜像仓库稀释榜单可信度、垂直科研技能靠“拒绝做什么”的设计攒出百万安装。对想写自己第一个 Skill 的人，RigorPilot 的 description 双向触发器、目标选择阶梯、固定文件名证据包，是三个可以直接搬走且零成本的模式；对普通用户，装任何趋势榜 Skill 前先点进 GitHub 看 fork 关系和提交历史，这一步今后省不得。

参考来源

1. skills.sh 首页总榜 — All Time 榜单与仓库聚合安装数（2026-08-29 抓取）
2. skills.sh 趋势榜 — 24小时新增安装数据
3. lllllllama/RigorPilot-Skills — 科研复现技能集仓库与 README
4. ai-research-reproduction SKILL.md 原文 — 本文逐段拆解对象
5. skills-101/superpowers — 经 GitHub 元数据确认为 inference-sh/skills 的 fork
6. obra/superpowers — 方法论框架 README 与官方市场安装命令
7. genmedia-labs/skills / flowkit-labs/skills / stablyai/orca — 镜像发布节奏、纯文档型营销 Skill 与编排器 CLI 的仓库证据

[!tip] 51学通信知识星球 星主：爱卫生（微信：gprshome201101）——公众号「51学通信」创办者，19 年通信行业运维与讲师经验，著有《GPRS网络信令实例详解》《EPC原理与实践》《5G核心网原理与实践》三本纸质书（各大电商平台有售）。 星球定位：深耕 5G 核心网、IMS、NFV/AI、云原生等 ICT 领域，主打运维岗位与信令分析。 当前规模：5200 篇主题 / 990 个回答，198 元/年。 加入福利：加入星球后请加爱卫生微信，拉您进知识星球年度陪伴与答疑群——不限量回复您的各种问题，另有群内分享。 AI 加持：51学通信知识星球已作为 skill 接入 WorkBuddy，使用 deepseek-4-flash 在海量星球帖子中精准找贴、找视频、找 FAQ 和案例，做总结、找文档和 PPT 等场景全覆盖。