Skills Hub 全景调研：从 27 个开源项目看 AI Agent 资产中心

发表于 更新于 分类于

Skills Hub 全景调研：从 27 个开源项目看 AI Agent 资产中心

调研项目：27 个真实开源项目 · 调研时间：2026-06-26 · 完整报告 ≈ 13000 字

去年 12 月我给团队部署 Claude Code 时，发现一个让人抓狂的事情：同一段”按 Linus 风格 review PR”的提示词，散落在 5 个开发者机器上的 5 个不同位置——.claude/skills/、.cursor/rules/、.codex/skills/、Slack 历史消息、还有一个人写在 Notion 里。没有人能回答”我们团队到底有哪些可复用的 skill？”。那个瞬间我就知道，Skills Hub 不是一个 nice-to-have，而是 AI 编码团队绕不开的工程基础设施。

这份报告是我用了一周时间，对 27 个真实开源项目进行结构化拆解后产出的——我把它当作”如果让我从零搭建一个 Skills Hub”的决策地图。

一、背景：为什么 AI 工程师现在需要 Skills Hub

2024-2026 年，AI Agent 从”单点对话工具”演化为”可被工程团队编排的开发者”。一个完整的工作流往往需要：

  • 项目级领域约定（”我们的微服务不允许返回 null 字段”）
  • 跨工具复用的脚本与提示词（”按 Linus 风格 review PR”）
  • 外部能力（”调用 Jira API” / “读 Slack 频道” / “跑 Playwright 测试”）
  • 多 Agent 协作协议（”让研究 Agent 把结果交给编码 Agent”）

但这些能力目前散落在五个地方：~/.claude/skills/（Claude Code 本地）、.cursor/rules/（Cursor 本地）、~/.codex/skills/（Codex 本地）、awesome-* GitHub 仓库（社区沉淀）、MCP Server npm 包（协议层）。没有统一标准、没有集中仓库、没有跨工具一键安装——这就是 Skills Hub 想解决的核心痛点。

我把它抽象成三层：

层次痛点代表方案
资产层一段好提示词 / 一个好脚本该怎么打包？SKILL.md frontmatter、Claude plugin.json
协议层怎么让任意 Agent 发现、安装、调用？MCP Registry、A2A Agent Card
生态层团队怎么沉淀、共享、版本管理？私有 Hub、GitOps 化 Skills 仓库

二、调研方法

我用 urllib.request（timeout=30）跑通 GitHub Search API + Repo Metadata API + Contents API + git/trees，覆盖 27 个项目。筛选标准：

  • ⭐ > 500 或具有行业标杆地位
  • 近 6 个月有提交 / Issue 互动
  • 有真实代码可读
  • 覆盖 Hub / Marketplace / Registry / Protocol / 工具 五种形态

每个项目我都按 9 个字段拆解：定位、Hub 形态、Skill 描述格式、发现机制、安装机制、版本管理、权限/安全、可借鉴点、不足点。

三、核心发现：27 个项目分五大流派

我把 27 个项目归到 5 大流派。下面这张全景图能让你 30 秒看懂整个生态：

flowchart TB
    subgraph AGENT["🏗️ 标杆 Agent 插件系统"]
        CC["🤖 Claude Code<br/>plugin.json + SKILL.md<br/>⭐ 134.5k"]
        CX["🤖 OpenAI Codex<br/>SKILL.md + AGENTS.md<br/>⭐ 93.9k"]
        CT["🤖 Continue.dev<br/>config.json<br/>⭐ 34.5k"]
        AD["🤖 Aider<br/>CONVENTIONS.md<br/>⭐ 46.7k"]
        CL["🤖 Cline<br/>.clinerules/<br/>⭐ 63.9k"]
        RO["🤖 Roo Code<br/>.roo/rules/<br/>⭐ 24.3k"]
        WS["🤖 Windsurf<br/>.windsurfrules<br/>私有"]
    end

    subgraph HUB["📦 通用 Skills / Plugins Hub"]
        LCH["📚 LangChain Hub<br/>YAML + Jinja"]
        HFH["📚 HuggingFace Hub<br/>model card + LFS<br/>⭐ 3.7k"]
        AWP["📚 awesome-chatgpt-prompts<br/>纯 markdown<br/>⭐ 164.4k"]
        LGPT["📚 LangGPT<br/>结构化 prompt<br/>⭐ 5.3k"]
        PH["📚 PromptHub (legeling)<br/>桌面 App + WebDAV<br/>⭐ 1.4k"]
        SH["📚 skills-hub (qufei1993)<br/>Tauri 桌面<br/>⭐ 1.1k"]
        MCPR["📚 MCP Registry<br/>server.json 强 schema<br/>⭐ 7.0k"]
        MCPS["📚 MCP Servers<br/>npm 集合<br/>⭐ 87.7k"]
    end

    subgraph MA["🤝 多 Agent 框架 / Marketplace"]
        AG["🏭 AutoGPT<br/>Plugin + Market<br/>⭐ 185.2k"]
        MG["🏭 MetaGPT<br/>多 Agent SOP<br/>⭐ 69.1k"]
        CR["🏭 CrewAI<br/>Tool + Cloud<br/>⭐ 54.4k"]
        LG["🏭 LangGraph<br/>图编排<br/>⭐ 35.8k"]
        SA["🏭 Smolagents<br/>think-in-code<br/>⭐ 28.0k"]
        AV["🏭 AgentVerse<br/>YAML 配置<br/>⭐ 5.1k"]
    end

    subgraph PROTO["🔌 协议 / 标准层"]
        MCP["🔌 MCP Spec<br/>Tool schema<br/>⭐ 8.5k"]
        A2A["🔌 A2A<br/>agent-card.json<br/>⭐ 24.5k"]
        ANP["🔌 ANP<br/>DID + JSON-LD<br/>⭐ 1.3k"]
        VL["🔌 vercel-labs/skills<br/>SKILL.md CLI ⭐ 23.6k"]
        TLC["🔌 tech-leads-club<br/>签名 Registry ⭐ 4.7k"]
    end

    subgraph MGMT["🛠️ 管理 / 观测 / Marketplace"]
        LF["🛠️ Langfuse<br/>Prompt 版本 ⭐ 29.8k"]
        HC["🛠️ Helicone<br/>观测网关 ⭐ 5.9k"]
        PK["🛠️ Portkey<br/>AI Gateway ⭐ 12.2k"]
        CO["🛠️ Composio<br/>1000+ 工具 ⭐ 29.0k"]
        PF["🛠️ Promptfoo<br/>红队测试 ⭐ 22.6k"]
        DP["🛠️ dotprompt<br/>Google 标准 ⭐ 539"]
    end

    AGENT --> SH
    HUB --> VL
    MA --> VL
    PROTO --> HUB
    MGMT --> PROTO

    style CC fill:#FFB7B2,stroke:#333,color:#000
    style CX fill:#FFDAC1,stroke:#333,color:#000
    style CT fill:#E2F0CB,stroke:#333,color:#000
    style AD fill:#B5EAD7,stroke:#333,color:#000
    style CL fill:#C7CEEA,stroke:#333,color:#000
    style RO fill:#FFB7B2,stroke:#333,color:#000
    style WS fill:#FFDAC1,stroke:#333,color:#000
    style LCH fill:#E2F0CB,stroke:#333,color:#000
    style HFH fill:#B5EAD7,stroke:#333,color:#000
    style AWP fill:#C7CEEA,stroke:#333,color:#000
    style LGPT fill:#FFB7B2,stroke:#333,color:#000
    style PH fill:#FFDAC1,stroke:#333,color:#000
    style SH fill:#E2F0CB,stroke:#333,color:#000
    style MCPR fill:#B5EAD7,stroke:#333,color:#000
    style MCPS fill:#C7CEEA,stroke:#333,color:#000
    style AG fill:#FFB7B2,stroke:#333,color:#000
    style MG fill:#FFDAC1,stroke:#333,color:#000
    style CR fill:#E2F0CB,stroke:#333,color:#000
    style LG fill:#B5EAD7,stroke:#333,color:#000
    style SA fill:#C7CEEA,stroke:#333,color:#000
    style AV fill:#FFB7B2,stroke:#333,color:#000
    style MCP fill:#FFDAC1,stroke:#333,color:#000
    style A2A fill:#E2F0CB,stroke:#333,color:#000
    style ANP fill:#B5EAD7,stroke:#333,color:#000
    style VL fill:#C7CEEA,stroke:#333,color:#000
    style TLC fill:#FFB7B2,stroke:#333,color:#000
    style LF fill:#FFDAC1,stroke:#333,color:#000
    style HC fill:#E2F0CB,stroke:#333,color:#000
    style PK fill:#B5EAD7,stroke:#333,color:#000
    style CO fill:#C7CEEA,stroke:#333,color:#000
    style PF fill:#FFB7B2,stroke:#333,color:#000
    style DP fill:#FFDAC1,stroke:#333,color:#000

3.1 标杆 Agent：每个都有”私有协议”

先看标杆 Agent 的 skill 描述格式（这是 hub 设计的最直接输入）：

AgentSkill 描述关键文件一句话评价
Claude Codeplugin.json + SKILL.md.claude-plugin/plugin.json极简优雅，Hook 加成
OpenAI CodexSKILL.md~/.codex/skills/与 agentskills.io 兼容
Continue.devconfig.json~/.continue/config.jsonIDE 友好
AiderCONVENTIONS.md项目根自由约定，无元数据
Cline.clinerules/*.md项目根workflows 概念好
Roo Code.roo/rules-*/项目根多模式切分
Windsurf.windsurfrules全局+项目全局/项目分层好

关键洞察：每一个 Agent 都发展出了自己私有的”约定文件”，但 70% 都是 markdown。这意味着：Hub 的最佳描述格式就是 markdown——可读、可版本控制、LLM 友好。

3.2 vercel-labs/skills：被严重低估的事实标准

调研中最让我惊讶的是 vercel-labs/skills（23.6k stars）。它定义了 SKILL.md frontmatter 标准：

1
2
3
4
5
6
7
---
name: code-review
description: 按 Linus 风格 review PR
license: MIT
---
# Code Review
（详细 prompt / 工作流说明）

然后 npx skills add <owner/repo> 一行命令把 skill 装到 70+ AI Agents（Claude Code / Codex / Cursor / Windsurf / Gemini CLI / Cline / 等等）。这意味着——Skills 跨工具分发问题已经被它解决了，Hub 只需要在它之上加团队私有源、签名、权限即可。

3.3 MCP Registry vs A2A Agent Card：协议层的两条路径

协议层有两个最严肃的 Registry 项目：

MCP Registry（7.0k stars）—— 强类型 server.json（200+ 字段 JSON Schema），含 packages/remotes/repository/icons/metadata，semver 版本，官方 OAuth（GitHub OIDC / Google KMS / Azure Key Vault）。

A2A（24.5k stars，v1.0 已发布）—— agent-card.json 暴露在 .well-known/agent-card.json（类似 OpenID Discovery），每个 skills[] 含 id/name/description/tags/examples/inputModes/outputModes，定位为”Agent 之间的能力描述”。

关键洞察：两个项目关注的颗粒度不同——MCP 关注”工具”（server），A2A 关注”能力”（skill）。Hub 应该把 MCP 的 server.json 严格性 + A2A 的 skills[] 描述能力 结合起来。

四、横向对比矩阵

下面这张矩阵是 9 个维度的核心对比（完整版 27 个项目在长报告里）：

flowchart LR
    subgraph DIM["📊 9 维度对比框架"]
        D1["1️⃣ 定位"]
        D2["2️⃣ Hub 形态"]
        D3["3️⃣ Skill 描述"]
        D4["4️⃣ 发现机制"]
        D5["5️⃣ 安装机制"]
        D6["6️⃣ 版本管理"]
        D7["7️⃣ 权限 / 安全"]
        D8["8️⃣ 可借鉴点"]
        D9["9️⃣ 不足点"]
    end

    D1 --> D2 --> D3 --> D4 --> D5 --> D6 --> D7 --> D8 --> D9

    style D1 fill:#FFB7B2,stroke:#333,color:#000
    style D2 fill:#FFDAC1,stroke:#333,color:#000
    style D3 fill:#E2F0CB,stroke:#333,color:#000
    style D4 fill:#B5EAD7,stroke:#333,color:#000
    style D5 fill:#C7CEEA,stroke:#333,color:#000
    style D6 fill:#FFB7B2,stroke:#333,color:#000
    style D7 fill:#FFDAC1,stroke:#333,color:#000
    style D8 fill:#E2F0CB,stroke:#333,color:#000
    style D9 fill:#B5EAD7,stroke:#333,color:#000

下面是按形态分类的关键项目对比：

形态代表优势劣势我的判断
Hub（仓库）HF Hub、awesome-*内容优先、UI 友好无协议、跨工具难适合做 UI 层
MarketplaceComposio、AutoGPT商业化、工具库丰富平台锁定、开源版弱商业可行但难开源
Registry（协议层）MCP Registry、A2A强类型、可校验缺少 UI 体验适合做协议层
Plugin SystemClaude Code、Cursor与 Agent 深度集成无法跨工具工具内部用
CLI + 索引vercel-labs/skills易接入、跨工具缺乏中心化服务Hub 复用的最佳基础

4.1 关键观察

  1. 描述格式三足鼎立：SKILL.md（frontmatter + body）、plugin.json（结构化 JSON）、server.json（JSON Schema 强约束）。其中 SKILL.md 因简单可读、Claude Code / Codex / vercel-labs/skills 全部支持，正在成为事实标准。

  2. Hub / Registry 本质区别：Hub 关心”内容”（仓库 + 搜索 + 下载），Registry 关心”协议”（强类型 + 版本 + 唯一标识 + 自动校验）。最佳实践是两者的混合体。

  3. 跨工具安装已成现实：vercel-labs/skills 已支持 70+ AI Agents 一键安装，agent-skills-cli 支持 45+，legeling/PromptHub、qufei1993/skills-hub 都在做同样的事。工具适配层是一个被多次重新发明的轮子，hub 应直接基于 vercel-labs/skills 上层封装。

  4. 权限 / 安全是当前最大缺口：除了 MCP Registry 和 Composio（商业 OAuth），绝大多数 Hub 都没有签名 / 沙箱 / 审计。这意味着”恶意 skill 注入 prompt”风险被严重低估。

五、设计建议：从零搭建一个 Skills Hub

如果让我今天从零搭一个 Skills Hub，我会这样做：

5.1 形态选择：Hub + Registry 协议混合

  • 内容层：GitOps 化的 Git 仓库 + Web UI 浏览（类似 Hugging Face Hub 的体验）
  • 协议层：基于 MCP server.json + SKILL.md 的双轨描述
  • 安装层：基于 vercel-labs/skills 的 adapter 模式

5.2 Skill 描述格式：SKILL.md 主 + server.json 辅

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
---
name: code-review
version: 1.2.0
description: 按 Linus 风格 review PR
author:
  name: Boris Cherny
  email: boris@example.com
license: MIT
tags: [review, pr, quality]
allowed-tools: [Bash, Read, Grep]
requires:
  - name: python-lint
    version: ">=1.0.0"
model-compatibility: [claude-opus-4, gpt-5, gemini-2.5-pro]
inputs:
  - name: pr_url
    type: string
    required: true
outputs:
  - name: report_path
    type: file
signature:
  algorithm: ed25519
  value: "0xabcd..."
---
# Code Review
（详细 prompt / 工作流说明）

5.3 权限 / 安全模型：四层防御

flowchart TB
    SK["📥 Skill 安装请求"] --> S1["1️⃣ 签名层<br/>ed25519 / PGP<br/>CI 验证"]
    S1 --> S2["2️⃣ 沙箱层<br/>mcp-use sandbox<br/>隔离执行"]
    S2 --> S3["3️⃣ 审计层<br/>Langfuse / AgentOps<br/>调用留痕"]
    S3 --> S4["4️⃣ 回滚层<br/>git snapshot<br/>一键回滚"]
    S4 --> DONE["✅ 安装完成"]

    style SK fill:#FFB7B2,stroke:#333,color:#000
    style S1 fill:#FFDAC1,stroke:#333,color:#000
    style S2 fill:#E2F0CB,stroke:#333,color:#000
    style S3 fill:#B5EAD7,stroke:#333,color:#000
    style S4 fill:#C7CEEA,stroke:#333,color:#000
    style DONE fill:#FFB7B2,stroke:#333,color:#000

5.4 MVP 4-6 周路线图

gantt
    title Skills Hub MVP 6 周路线图
    dateFormat  YYYY-MM-DD
    section V0.1-V0.2 基础设施
    Git 仓库 + Web UI    :a1, 2026-07-01, 7d
    SKILL.md schema 校验器 :a2, after a1, 7d
    section V0.3-V0.4 集成
    vercel-labs/skills 适配 :a3, after a2, 7d
    签名 + 审计         :a4, after a3, 7d
    section V0.5 灰度
    团队灰度 + 反馈收集   :a5, after a4, 7d

5.5 5 条核心建议（TL;DR）

  1. 不要重新发明 vercel-labs/skills——它已支持 70+ Agent，是事实标准。在它之上加私有源、加 schema 校验、加签名即可。
  2. SKILL.md 为主、server.json 为辅——前者兼容性好，后者给 MCP 工具类 skill 用。
  3. Hub + Registry 协议混合——Hub 提供 Web UI 与团队源，Registry 提供强类型校验与版本管理。
  4. 安全必做四件套：签名（ed25519）+ 沙箱（mcp-use）+ 审计（Langfuse）+ 回滚（git snapshot）。
  5. 先做团队内部，再做公开——MVP 4-6 周只服务好 10 人团队，公网 marketplace 是 1.0 以后的事。

六、风险与挑战

  1. 协议碎片化：MCP / A2A / ANP / SKILL.md 谁最终胜出未知——必须做适配层。
  2. 跨工具差异：每个 Agent 的 skill 目录约定不同（~/.claude/skills/ vs ~/.cursor/skills/ vs .agents/skills/）——需要维护适配矩阵。
  3. 先行者优势已被锁定：vercel-labs/skills 23.6k stars + skills.sh 索引、MCP Registry 7k + 88k servers repo。新进入者只能靠”差异化”。
  4. Prompt 注入风险：恶意 skill 可能在 markdown 中藏指令；必须做签名 + 审计。

七、行动建议

立即可做（1-2 天）

  • 注册一个 GitHub Org（如 xuqi-ai）作为 hub 源
  • 用 vercel-labs/skills 创建第一个内部 skill 试装到 Claude Code / Codex
  • 调研团队现在 .claude/skills/ 已有 skill，导入中央仓库

中期（2-4 周）

  • 搭一个 VitePress / Next.js 静态站点作为浏览入口
  • 写一个 hub-cli 工具，支持 search / install / update / rollback
  • 接入 Langfuse 做 skill 调用审计

长期（2-3 月）

  • 发布公私混合 Hub（团队私有 + 公开精选）
  • 接入 AI 语义搜索
  • 推动 SKILL.md 提交到 A2A / MCP 规范扩展

不要做

  • ❌ 不要重复造 vercel-labs/skills 的 CLI——它已经支持 70+ 工具
  • ❌ 不要做闭源——open core 才能有生态
  • ❌ 不要一上来就做”公网 marketplace”——先服务好团队内部

总结

调研 27 个项目后，我最大的收获是：Skills Hub 不是一个”造轮子”项目，而是一个”组装轮子”项目。vercel-labs/skills 提供了 CLI 适配层、MCP Registry 提供了协议约束、A2A 提供了能力描述、Claude Code 提供了工程实践参考——Hub 的真正价值是”把这些零件按团队需求拼起来，再加安全层和团队治理”。

下一步，我会先做 MVP V0.1：一个 Git 仓库 + 10 个内部 skill + npx skills add 集成。先让团队用起来，再谈 Hub 的事情。

完整的 13000 字报告（含 27 个项目逐个分析 + 完整对比矩阵 + 演进路径）放在 /tmp/skills-hub-report.md，本博客是它的精华版。

本文使用 mermaid 架构图 + 马卡龙色板，所有节点都带 emoji。
调研项目数：27 · 报告字数：13000+ · 调研时间：2026-06-26