[开源]我整合了 340+个 skills， 19+个高星 vibecoding 项目到一个智能路由治理 skills 包中
foryourhealth111 · 3 月 21 日 · 479 次点击大家好呀，很高兴见到大家。
和大家分享一下自己在这一年 vibe coding 的经历中的各种想法，经验整合到一起的一个项目。从去年年初开始用 DeepSeek 网页版开始艰难的 vibe coding ，到中间用了 cursor ，windsurf ，trae 等这种 ai 编译器，然后再到用 Claudecode ，codex 这种 cli 编译器。一定程度上欣喜于 ai 编程的巨大生产力，另一方面又在面对其不稳定的表现，沟通效率的不如意等问题感到沮丧。
于是在不断学习下，想要尝试做出款解这些问题的工具。 这个项目的核心灵感是来自于 superpower ，superClaudecode 这些类型的项目中，他们对于治理框架的应用。在使用这些项目接入 cli 中之后我确实感受到了编码体验质的提升，让我切实感受到在规范化的治理框架下的稳定和专家思维介入后 ai 工作效能的提升。
项目核心的出发点是：
1.装了很多 skills 之后，被动触发效率不足，显示调用又容易搞忘。
2.AI 不搞清楚需求就直接开做，自己以为懂了需求就开始猛猛干。
3.看到有很多好用的项目，治理框架，但是不同的插件和工作流之间缺乏统一，导致环境污染或死循环。
4.AI 的工作区往往不够规范，工作久了之后仓库容易脏乱差，影响下一个 agent 接手工作区。在开一个新 agent 管理工作项目时，重新理解工作区的架构会遗漏一些项目细节，导致后面工作和前面工作衔接有问题。
5.AI 在长时间工作时不留痕，在检查 AI 工作的时候，不知道其在长时间循环干了什么。
6.AI 诸多的小毛病：为删除备份，把主要文件删了；喜欢写静默的兜底机制，然后早早的自信满满的给你说做好了，实际上全是兜底机制在发力，主要功能实现度度很差。
于是：
1.我将 340+个各种功能的 skills 整合到一个路由下进行治理，里面有关键词识别和 AI 辅助意图识别，来让面对对应工作时，skills 能确实被拉起，而且会基于任务拉起多个 skills 进行复合的工作。
具体介绍：
🧠 需求、规划与产品管理
🎯 让大想法变得可落地：负责需求洞察、问题定义、Sprint 规划、任务切分与约束收集。确保在写下第一行代码前，方向清晰、边界明确且具有可验收的里程碑。
.system, aios-pm, aios-po, aios-sm, aios-squad-creator, aios-ux-design-expert, brainstorming, create-plan, designing-experiments, planning-with-files, shared-templates, speckit-analyze, speckit-checklist, speckit-clarify, speckit-constitution, speckit-plan, speckit-specify, speckit-tasks, speckit-taskstoissues, subagent-driven-development, think-harder, treatment-plans, ux-researcher-designer, writing-plans
🛠️ 软件工程与架构设计
🎯 真正的工程化构建底座：从脚手架搭建、跨文件修改、API 接口设计到微服务架构评估。不仅产出代码，更负责上下文记忆、工具链编排与智能 Agent 的多阶段协同执行。
aios-architect, aios-dev, aios-master, architecture-patterns, autonomous-builder, cancel-ralph, coding-tutor, context-fundamentals, context-hunter, cs-foundations, deepagent-memory-fold, deepagent-toolchain-plan, evaluating-code-models, get-available-resources, hive-mind-advanced, local-vco-roles, node-zombie-guardian, nowait-reasoning-optimizer, prompt-lookup, ralph-loop, skill-creator, skill-lookup, spec-kit-vibe-compat, speckit-implement, superclaude-framework-compat, theme-factory, vibe, webthinker-deep-research
🔧 调试、测试与质量保证
🎯 守住代码和系统的生命线：涵盖单元测试、根因分析、依赖冲突解决、安全漏洞审查与全套 TDD 测试驱动指南，确保系统告别“改完就崩”的黑盒状态。
aios-qa, build-error-resolver, code-review, code-review-excellence, code-reviewer, data-quality-checker, data-quality-frameworks, debugging-strategies, deslop, detecting-performance-regressions, error-resolver, evals-context, experiment-failure-analysis, generating-test-reports, ml-data-leakage-guard, performance-testing, property-based-testing, providing-performance-optimization-advice, receiving-code-review, requesting-code-review, reviewing-code, security-best-practices, security-ownership-map, security-reviewer, security-threat-model, systematic-debugging, tdd-guide, verification-before-completion, verification-quality-assurance, windows-hook-debugging
📊 数据分析与统计建模
🎯 让数据讲述事实：提供从数据清洗、缺失值处理、探索性分析（ EDA ）到高级统计检验、回归模型、时序预测的一站式数据处理引擎。
aios-data-engineer, anomaly-detector, correlation-analyzer, dask, data-artist, data-exploration-visualization, data-normalization-tool, detecting-data-anomalies, excel-analysis, exploratory-data-analysis, feature-importance-analyzer, geopandas, hypothesis-testing, metric-calculator, networkx, performing-causal-analysis, performing-regression-analysis, polars, preprocessing-data-with-automated-pipelines, regression-analysis-helper, running-clustering-algorithms, scientific-data-preprocessing, splitting-datasets, spreadsheet, statistical-analysis, statistics-math, statsmodels, usfiscaldata, vaex, xlsx
🤖 机器学习与 AI 工程
🎯 全链路 AI 模型开发栈：不止于调用 API ，更深入特征工程、模型训练、微调（ Fine-tuning ）、可解释性分析（ SHAP ）、大模型评估（ Evals ）与强化学习训练工作流。
LQF_Machine_Learning_Expert_Guide, aeon, datamol, deepchem, embedding-strategies, engineering-features-for-machine-learning, evaluating-llms-harness, evaluating-machine-learning-models, explaining-machine-learning-models, geniml, ml-pipeline-workflow, openai-knowledge, pufferlib, pytorch-lightning, scikit-learn, scikit-survival, senior-computer-vision, senior-data-scientist, senior-ml-engineer, senior-prompt-engineer, shap, similarity-search-patterns, sparse-autoencoder-training, stable-baselines3, tensorboard, timesfm-forecasting, torch-geometric, torch_geometric, torchdrug, training-machine-learning-models, transformer-lens-interpretability, transformers, umap-learn, unsloth, weights-and-biases
🧬 生命科学与生信计算
🎯 极其强悍的跨学科硬核利器：深度集成单细胞测序分析、蛋白质结构折叠、药物分子发现、基因组学比对，并无缝对接各类云端生物实验室系统。
adaptyv, alphafold-database, anndata, arboreto, benchling-integration, biopython, bioservices, cellxgene-census, cobrapy, deeptools, diffdock, dnanexus-integration, esm, etetoolkit, flowio, gene-database, gget, ginkgo-cloud-lab, gtars, histolab, imaging-data-commons, labarchive-integration, lamindb, latchbio-integration, matchms, medchem, molfeat, neurokit2, neuropixels-analysis, omero-integration, opentrons-integration, pathml, protocolsio-integration, pydeseq2, pydicom, pyhealth, pylabrobot, pyopenms, pysam, pytdc, rdkit, scanpy, scikit-bio, scvi-tools, tiledbvcf
🔬 科学计算与数学逻辑
🎯 精确推导与复杂系统仿真：提供符号数学演算、贝叶斯概率编程、量子计算模拟、多目标优化计算以及严格的命题逻辑与数理证明辅助。
astropy, cirq, dialectic, fluidsim, gradient-methods, math, math-model-selector, math-tools, mathematical-logic-expert, matlab, pennylane, pymatgen, pymc, pymc-bayesian-modeling, pymoo, propositional-logic, qiskit, qutip, rowan, simpy, sympy, xan
📚 科研文献与学术写作
🎯 学术生产力的高速公路：横跨 PubMed/arXiv 等数十个科研数据库的精准检索、综述矩阵整理、引文管理系统，以及从论文起草、修改到同行评审的完整出版物流程。
bgpt-paper-search, biorxiv-database, brenda-database, chembl-database, citation-management, clinical-decision-support, clinical-reports, clinicaltrials-database, clinpgx-database, clinvar-database, comprehensive-research-agent, content-research-writer, cosmic-database, datacommons-client, documentation-lookup, drugbank-database, ena-database, ensembl-database, fda-database, geo-database, gwas-database, hmdb-database, hypothesis-generation, kegg-database, literature-matrix, literature-review, manuscript-as-code, market-research-reports, metabolomics-workbench-database, open-notebook, openalex-database, opentargets-database, paper-2-web, pdb-database, peer-review, pubchem-database, pubmed-database, pyzotero, reactome-database, research-grants, research-lookup, scholar-evaluation, scholarly-publishing, scientific-brainstorming, scientific-critical-thinking, scientific-reporting, scientific-writing, string-database, submission-checklist, uniprot-database, uspto-database, zinc-database
🎨 多媒体、可视化与文档
🎯 让知识与数据变得“可看见”：涵盖交互式图表生成、科研出版级绘图、幻灯片生成、音视频生产，以及对 Word 、PDF 等办公文档的深度读写与解析。
algorithmic-art, creating-data-visualizations, data-storytelling, datavis, doc, docs-review, docs-write, document-skills, docx, docx-comment-reply, figma, figma-implement-design, file-organizer, g2-legend-expert, generate-image, imagegen, infographics, latex-posters, latex-submission-pipeline, markdown-mermaid-writing, markitdown, matplotlib, pdf, plotly, pptx-posters, report-generator, scientific-schematics, scientific-slides, scientific-visualization, screenshot, seaborn, slides-as-code, smart-file-writer, speech, structured-content-storage, transcribe, venue-templates, video-studio, visualization-best-practices, vscode-release-notes-writer, writing-docs
🔌 外部集成、自动化与部署
🎯 打破运行时的局限：通过 MCP 协议、Playwright 自动化框架无缝对接外部浏览器、设计平台与云端服务，并支持 CI/CD 流水线与一键自动化部署。
aios-devops, alpha-vantage, claude-skills, commit-with-reflection, denario, digital-brain, edgartools, flashrag-evidence, fred-economic-data, geomaster, gh-address-comments, gh-fix-ci, hedgefundmonitor, hypogenic, iso-13485-certification, jupyter-notebook, knowledge-steward, mcp-integration, modal, modal-labs, netlify-deploy, openai-docs, perplexity-search, playwright, prowler-docs, scrapling, sentry, skypilot-multi-cloud-orchestration, vercel-deploy
2.我将多个 github 项目进行单独分析和拆解，降其有机的融合到一个治理框架下，既有共同治理大的框架，又有不同的项目去治理自己擅长的工作， 如：superpower · claude-scientific-skills · get-shit-done · aios-core · OpenSpec · ralph-claude-code · SuperClaude_Framework · spec-kit · Agent-S · mem0 · scrapling · claude-flow · serena · everything-claude-code · DeepAgent 等等
3.然后使用了一套文件目录语义治理。保证只要工作经过这个项目的治理，按固定化的架构存储文件，让下一个新的对话的 AI 明白什么什么目录下存储什么什么文件。大致架构为：
- docs/ = 解释层
- config/ = 合同层
- scripts/ = 执行层
- references/ = 长期资产层
- outputs/runtime/ = 运行证据层
4.在框架的治理下，会反复问询用户的需求。在治理下 AI 会默认用户的需求表述是不完整的，于是会反复的问询用户是否是 XX 的想法，构架的 XX 方案是否是用户想要的。不会贸然开始动手，除非用户明确要求
5.进一步的，框架会自动规范化治理开发步骤。框架会引导用户，从沟通好需求，沟通好落实计划，固定好工作步骤文件，多代理并发执行（同时会按照计划，不同的代理分配不同的工作，各自会自动调用相关的 skills ），自动测试迭代，直到任务完成。 用固定阶段 + 明确边界 + 强制工件 + 唯一权威，把 AI 的执行从“想到什么做什么”变成“先验结构化、可验证、可追溯、可清理”的受管运行时。
6.基于个人踩过的坑，内置了一些治理，如上述的禁止按命令评论删除文件，只能一个文件一个文件的删除，防止误删文件。禁止写自动静默兜底机制，如果要写兜底机制，一定要显示有明确的警告用户。
以上便是这个项目的核心内容，
欢迎大家来尝试和体验啦！欢迎大家讨论，并且向我提出建议和意见。鄙人不才，可能有些地方有问题烦请大家指出，我一定会认真听取和修改。
github 链接为： https://github.com/foryourhealth111-pixel/Vibe-Skills
如果您喜欢可以加个 star ，我会持续更新这个项目的！您的支持也是我这个核动力驴的浓缩 U-235 ！
感谢你的观看！
 |
1
foryourhealth111 OP 3.26 更新
增加对于 openclaw ，opencode ，cursor ，windsurf 的适配 |
Select Language