<!-- title: Skills周报：百万安装科研Skill拆解 -->

# 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）**：

| 排名 | Skill | 仓库 | 安装量 |
|---|---|---|---|
| 1 | find-skills | vercel-labs/skills | 3.0M |
| 2 | grill-me | mattpocock/skills | 911.2K |
| 3 | frontend-design | anthropics/skills | 796.7K |
| 4 | grill-with-docs | mattpocock/skills | 775.3K |
| 5 | improve-codebase-architecture | mattpocock/skills | 747.2K |
| 6 | tdd | mattpocock/skills | 722.0K |
| 7 | agent-browser | vercel-labs/agent-browser | 702.8K |
| 9 | vercel-react-best-practices | vercel-labs/agent-skills | 647.0K |
| 62 | caveman | juliusbrussee/caveman | 446.2K |
| 66 | paper-context-resolver | lllllllama/rigorpilot-skills | 440.3K（仓库合计1.8M） |

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**：

| 排名 | Skill | 来源仓库 | 24h安装 |
|---|---|---|---|
| 1 | ai-video-generation | skills-101/superpowers | 22.3K |
| 5 | anti-ui-slop | uizze.com | 18.1K |
| 6-11 | video-edit / ai-music / ai-image-generation 等 | genmedia-labs/skills | 16.9K-17.0K |
| 8 | reddit-automation | flowkit-labs/skills | 17.0K |
| 39 | orca-cli | stablyai/orca | 6.1K |

## 评测对比表

| Skill | 功能完整度(25%) | 设计质量(25%) | 实战效果(20%) | 上手难度(15%) | 社区活跃度(15%) | 加权总分 |
|---|---|---|---|---|---|---|
| obra/superpowers | ★★★★★ | ★★★★★ | ★★★★★ | ★★★★ | ★★★★★ | **4.85** |
| rigorpilot-skills | ★★★★★ | ★★★★★ | ★★★★ | ★★★ | ★★★ | **4.20** |
| inference-sh/skills | ★★★★★ | ★★★★ | ★★★★ | ★★★ | ★★★★ | **4.10** |
| orca-cli (stablyai/orca) | ★★★★ | ★★★☆ | ★★★★ | ★★★★ | ★★★★★ | **4.03** |
| reddit-automation (doany.ai) | ★★★ | ★★★★ | ★★★ | ★★★★★ | ★★ | **3.40** |

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

```mermaid
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

```mermaid
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

```bash
# 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](https://www.skills.sh) — All Time 榜单与仓库聚合安装数（2026-08-29 抓取）
2. [skills.sh 趋势榜](https://www.skills.sh/trending) — 24小时新增安装数据
3. [lllllllama/RigorPilot-Skills](https://github.com/lllllllama/rigorpilot-skills) — 科研复现技能集仓库与 README
4. [ai-research-reproduction SKILL.md 原文](https://raw.githubusercontent.com/lllllllama/RigorPilot-Skills/main/skills/ai-research-reproduction/SKILL.md) — 本文逐段拆解对象
5. [skills-101/superpowers](https://github.com/skills-101/superpowers) — 经 GitHub 元数据确认为 inference-sh/skills 的 fork
6. [obra/superpowers](https://github.com/obra/superpowers) — 方法论框架 README 与官方市场安装命令
7. [genmedia-labs/skills](https://github.com/genmedia-labs/skills) / [flowkit-labs/skills](https://github.com/flowkit-labs/skills) / [stablyai/orca](https://github.com/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。

![51学通信知识星球海报-扫码加入](https://wiki.500nian.com/images/zhixingqiu_qrcode.png)