给Agent装一台新词雷达

翻开本周刚上架的 Skills 仓库清单，一个变化很扎眼：新面孔几乎不再教 Agent「怎么把代码写得更好」，而是在给它发各种「新工种的执照」——情报员、创业顾问、社媒运营、质量运维、动效师、逆向工程师。这批仓库大多是近7天内新建，Star 数从几百冲到一两千，速度不慢，但中文圈几乎还没有人系统看过它们。本期是技能生态的定期观察之一，我们从本周新上架名单里挑出6个最有代表性的新星，逐个说清楚它是干什么的、亮在哪、哪里要留个心眼。所有数据截至2026年10月19日。

先上一张全景图，看看这批新星各自补的是 Agent 的哪块短板：

mindmap
  root((本期新星))
    情报雷达
      new-term-radar
      盯新模型新仓库名
    商业验证
      founder-skill
      开张前先考试
    账号运营
      instagram-agent-skill
      26条hook公式
    质量运维
      Tracely-ai
      给trace打分聚类
    动效整容
      motionmaxxing
      治AI味视频
    轻量逆向
      leanrea
      8KB无MCP

一、评测总表

先说明评分口径：这6个仓库均为近7天新建的上架新星，公开资料以仓库描述和 Star 数据为主，尚未经过大规模社区实测。下表评分是基于公开信息的早期信号评估（功能范围看描述完整度，设计意识看工程理念，实战效果按早期阶段统一保守给分，上手难度看安装依赖，社区活跃度看 Star 与增速），不等于长期实测结论，供你决定「值不值得第一个去试」。

（加权按功能25%、设计25%、实战20%、上手15%、活跃15%计算。）

二、逐个拆：六个新星各自的算盘

1. zhuyansen/new-term-radar：给 Agent 装一台新词雷达

Skill 仓库	功能完整度	设计质量	实战效果	上手难度	社区活跃度	加权总分
aicodeking/leanrea	★★★	★★★★	★★★	★★★★★	★★★	3.55
Jakeschincariol/founder-skill	★★★★	★★★	★★★	★★★★	★★★	3.40
Jakeschincariol/instagram-agent-skill	★★★★	★★★	★★★	★★★	★★★★	3.40
zhuyansen/new-term-radar	★★★	★★★	★★★	★★★★	★★★★	3.30
jwuthri-cloud/Tracely-ai	★★★	★★★★	★★★	★★★	★★★	3.25
Tejashmakwana/motionmaxxing	★★★	★★★	★★★	★★★★	★★★	3.15

定位：大模型的知识有截止日期，而 AI 圈的新名词每天都在冒——新模型、新产品、新仓库。new-term-radar 的仓库描述写得很直白：一个「每日雷达」，专门捕捉新出现的 AI 术语名字。它的思路是把「追新」这件事变成 Skill 的日常任务：让 Agent 每天去扫一遍新词，汇报给你。

亮点：它命中了一个真实痛点。你现在随便问一个模型「上周发布了什么」，十有八九答不上来或者开始编。把「名词发现」单独做成一个 Skill，而不是塞进一个万能搜索助手里，这个切口很小但很准。对做行业简报、技术选题、竞品监控的人来说，这就是个每天自动上班的情报员。

短板：雷达的成败全在「扫哪里」。描述里没有展开数据源覆盖面，这意味着不同领域的捕获密度可能差异很大——AI 基础模型的新词好抓，垂直行业的新词就未必。另外「抓到名词」和「搞懂名词」是两回事，它负责前者，后者还得靠你自己接一段研究流程。

git clone --depth 1 https://github.com/zhuyansen/new-term-radar ~/.claude/skills/new-term-radar

2. Jakeschincariol/founder-skill：生意开张之前，先让 Agent 董事会考你一轮

定位：仓库描述说是「十一个免费的 Claude Skills，在你的生意 launch 之前先测试它」，描述里出现了 board（顾问团）这个词——也就是组一个虚拟顾问团来审你的创业想法。这不是一个 Skill，是一套11个的「创业体检全家桶」。

亮点：它把「创业前验证」这个大而虚的话题拆成了11个具体环节，每个环节一个 Skill。这种「一人分饰十一角」的设计有个好处：每个 Skill 的职责边界清晰，你可以只跑自己需要的那几关（比如只做定价验证、只做竞品分析），而不必每次全跑一遍。对独立开发者来说，这相当于花十分钟把「我觉得能成」过一遍压力测试。

短板：商业判断类输出的质量高度依赖模型本身的商业常识，Skill 能保证的是「问对了问题」，不能保证「答案靠谱」。11个 Skill 也意味着维护成本翻倍——作者能不能持续更新这一套，是观察期内最值得盯的点。具体每一关考什么，需要读仓库原文确认。

git clone --depth 1 https://github.com/Jakeschincariol/founder-skill ~/.claude/skills/founder-skill

3. jwuthri-cloud/Tracely-ai：Agent 上线之后的事，终于有人管了

定位：描述关键词是「Trace-native CI/CD for AI agents」——给生产环境里的 Agent trace 打分（grade production traces）、把失败聚类（cluster failures）。翻译成人话：你的 Agent 跑在生产上，每天产生成千上万条执行轨迹，哪些跑砸了、砸法有几种、哪种砸法在恶化，Tracely 想把这件事做成一条 CI/CD 流水线。

亮点：选题踩中了一个刚 opened 的空白。过去一年大家都在造 Agent，很少有人认真做「Agent 的质检运维」。把软件工程里成熟的 CI/CD 心智移植到 trace 上，概念叙述完整，工程品味在线——这说明作者想清楚了自己的位置：不在造 Agent 的赛道拥挤，去做造完之后的那一段。

短板：概念新，门槛也实打实——你得先有生产 trace 可接，才有「打分聚类」可谈。对个人玩家，它更像个值得收藏的方向标的；对真正在跑 Agent 产品的团队，它才是个工具。另外「trace 打分」的评分标准是否合理，需要接上自己的数据跑过才知道。

git clone --depth 1 https://github.com/jwuthri-cloud/Tracely-ai ~/.claude/skills/tracely-ai

4. Jakeschincariol/instagram-agent-skill：十三个 Skill 运营一个账号

定位：同一个作者（Jakeschincariol）还有另一个上榜仓库：十三个 Claude Skills 运营一个 Instagram 账号，描述里提到 Reels 基于「26条已打分的 hook 公式」产出。从写文案、设计内容结构到规划发布，把账号运营拆成十三个工位。

亮点：「26条打分的 hook 公式」这个细节值得注意——它不是把「帮我写个爆款文案」这种模糊指令塞给模型，而是把内容方法论预先编码成可打分的公式库，让每次产出有章可循。这和 founder-skill 是同一套设计哲学：与其给模型自由发挥，不如给它一套带评分的作业标准。全家桶规模（13个）也说明作者对运营流程做过真实拆解。

短板：两道硬坎绕不开。一是平台合规——自动化运营社交账号在大多数平台的服务条款里都是灰色地带，风险自担；二是「公式化产内容」天然有同质化倾向，公式越固定，内容越像流水线，这可能反过来伤害账号权重。它更适合当作「运营流程参考实现」来学习，而不是无脑挂机。

git clone --depth 1 https://github.com/Jakeschincariol/instagram-agent-skill ~/.claude/skills/instagram-agent-skill

5. Tejashmakwana/motionmaxxing：给动效做「整容」，专治 AI 味视频

定位：名字是个梗——looksmaxxing（颜值极限改造）挪用到了动效圈。仓库描述：一个把「AI slop 视频」（AI 批量生成的流水线味视频）进行改造升级的 Agent Skill。关键词是「治」，不是「生成」——它站在生成结果的下游，负责把粗糙的半成品修出质感。

亮点：这个生态位选得聪明。AI 视频生成工具已经泛滥，「生成」不再是稀缺能力，「把生成的东西变好看」才是。动效审美恰好是规则密集型知识（缓动曲线、节奏、留白、转场时机），很适合写成 Skill 里的显式规则教给模型。名字的梗也让它在榜单上自带记忆点和传播力。

短板：审美改造的效果天然主观，很难有客观基准，「有没有用」高度依赖你对「好看」的定义是否和作者对齐。另外描述里「改造成什么」的后半句没有展开，改造的深度（是调参数级还是重做级）需要读仓库确认。作为观察对象它很有趣，作为生产力工具要先小规模试。

git clone --depth 1 https://github.com/Tejashmakwana/motionmaxxing ~/.claude/skills/motionmaxxing

6. aicodeking/leanrea：8 KB，向32万 Star 的巨人叫板

定位：描述一句话说完：一个 8 KB 的 Skill，替代 REA（Reverse Engineer Anything，逆向工程任意东西），用纯 CLI 工具，不依赖 MCP，并且做了基准测试。它对标的 REA 是本月 GitHub 热榜上的巨无霸（morluto/rea，截至10月19日约32.4万 Star），定位是「用 Agent 从应用行为一路逆向到原生二进制」。leanrea 的赌注是：这件事不需要一个庞大框架，一个薄 Skill 加一排现成命令行工具就够了。

亮点：这是本周新星里最有「反潮流」骨气的一个。当整个生态都在比谁的 Skill 更全家桶、谁的集成更重的时候，它往反方向走：8 KB 的体积、零 MCP 依赖、贴着 Unix 哲学（小工具组合）走。还主动做 benchmark，这在 Skill 圈相当少见——大多数 Skill 连「效果如何衡量」都不提。对想学「怎么把 Skill 写薄」的人，这个仓库本身就是教材。

短板：8 KB 意味着它高度依赖底层 CLI 工具的能力，能逆向到什么深度，天花板由那些工具决定。「替代」REA 的说法在覆盖面上必然有取舍，正经做二进制逆向的重度场景，两者大概率是互补而非替代。另外 Star 数（655）在六个新星里最低，社区验证还很少。

git clone --depth 1 https://github.com/aicodeking/leanrea ~/.claude/skills/leanrea

三、分维度排行榜

社区热度榜（按 Star，截至10-19）： 1. instagram-agent-skill（1888） 2. new-term-radar（1112） 3. Tracely-ai（1033） 4. founder-skill（1000） 5. motionmaxxing（875） 6. leanrea（655）

选题新颖度榜： 1. new-term-radar——「Agent 情报员」这个工位之前没人认真占 2. Tracely-ai——Agent 运维是造完 Agent 之后的必然需求 3. motionmaxxing——在生成泛滥的时代卡住「修饰」生态位

轻量上手榜： 1. leanrea——8 KB、无 MCP、纯 CLI，clone 完就能读完全部源码 2. new-term-radar——不依赖重型外部服务 3. motionmaxxing——效果好不好另说，跑起来的门槛不高

综合推荐榜： 1. leanrea——综合分最高。体积最小、设计意识最强、还带 benchmark，作为「第一个去读的新星」性价比最高 2. founder-skill / instagram-agent-skill——并列第二。同一作者的两套全家桶，方法论编码思路（把经验变成可打分的公式）值得所有 Skill 作者抄作业；前者适合独立开发者，后者适合内容从业者 3. new-term-radar——切口小、痛点真，适合拿来做自己的信息简报流水线 4. Tracely-ai——个人玩家先收藏，跑着 Agent 产品的团队重点看 5. motionmaxxing——方向有趣，效果待验，建议观望一阵再上生产

四、早期验证清单：拿到一个新星，先查这五件事

新星首发的好处是你可以早入场、早反馈，风险是资料少、坑没被踩过。无论你打算试上面哪一个，建议按这五步先做尽调，再决定装不装：

这批新星最值得记下的不是某一款具体的工具，而是它们集体指向的趋势：技能市场正在从「帮程序员写得更快」转向「让 Agent 直接顶岗一个工种」。情报员、顾问团、运营、质检、动效师、逆向工程师——每个新仓库都在给 Agent 的简历上加一行。下一期观察，我们盯的就是这批「新简历」里谁先跑出真实战绩。