Building a Unified Multi-Platform Skill Management System

背景与动机

使用多个 AI Agent 产品（Claude Code、OpenClaw、Codex、Copilot）时，最头疼的问题就是：技能（Skill）无法跨平台复用。

同一个功能，比如"查询股票"，在 Claude Code 里装了一遍，到 OpenClaw 又得装一遍。更新也得改两处。更别提有的平台用 npm 包管理，有的用 git clone，有的用平台自己的 CLI。

skills-hub 就是为了解决这个问题而生的：一个统一的多平台 Skill 管理方案。

核心设计思路

1. 统一规范是基石

所有技能遵循 Agent Skills Spec，核心是一个 SKILL.md 文件：

---
name: skill-name
description: 当用户做 X / 提到 Y 时触发此技能，负责 Z 功能
---

# Skill Name

## 何时使用

## 使用方法

## 示例

只要符合这个格式，任何 AI Agent 平台都能理解和加载。

2. 平台无关的技能仓库

skills-hub 本身只是一个文件夹结构，你可以放在任意位置，用 git 管理版本：

skills-hub/
├── skill-vetter/          # 安全审查
├── skill-creator/         # 技能创建
├── self-improving-agent/  # 自我改进
├── capability-evolver/    # 能力进化
├── stock-query/           # 股票查询
├── taro/                 # Taro 开发
├── zustand/              # 状态管理
└── ...

每个子文件夹是一个独立技能，可单独更新、单独发布。

3. 平台适配层

skills-hub 里的技能文件是规范化的 source of truth，各平台通过不同的加载方式接入：

平台	加载方式
OpenClaw	`clawdhub install <skill>` 或软链接到 `~/.openclaw/skills/`
Claude Code	`npx skills add <owner/repo@skill>`
自定义 Agent	直接读取 `SKILL.md` 内容，按规范执行

skills-hub 里有什么

目前 hub 里沉淀了 13 个技能，覆盖开发、运维、安全等多个场景：

🛡️ 安全与质量

技能	用途
`skill-vetter`	安装前安全审查，扫描恶意代码、权限 scope
`openclaw-security-audit`	OpenClaw 安全审计

🛠️ 开发工具

技能	用途
`skill-creator`	从零创建 Skill，含 eval 框架和迭代优化流程
`taro`	Taro 跨端开发（微信/京东/支付宝小程序等）
`zustand`	React 状态管理
`agent-browser`	浏览器自动化（Rust-based CLI）
`tavily-search`	AI 优化搜索 + 内容提取

🔍 发现与安装

技能	用途
`find-skills`	在技能市场（skills.sh）搜索可用技能

🧠 自我进化

技能	用途
`self-improving-agent`	记录错误和学习，持续改进
`capability-evolver`	运行时分析，自动生成新代码/规则
`proactive-agent`	从被动执行变主动预测

📊 业务能力

技能	用途
`stock-query`	股票行情/财务数据查询（AKShare）

实际工作流

场景：遇到新需求，先查技能市场

用户：我想让 AI 帮我做 PR review
Agent：触发 find-skills 技能
  → npx skills find pr review
  → 返回相关技能列表和安装命令
  → 用户确认安装
  → 技能加载，开始工作

场景：安装第三方技能，安全第一

用户：帮我安装这个技能（来自 GitHub）
Agent：触发 skill-vetter 技能
  → 代码审查：权限 scope、网络请求、敏感 API
  → 输出安全报告（🚨/⚠️/✅）
  → 人工确认后安装

场景：开发新功能，积累为技能

用户：这个工作流以后要经常用
Agent：触发 skill-creator
  → 从对话历史提取意图和使用流程
  → 生成 SKILL.md 草稿
  → 创建 test case，跑 eval
  → 用户 review，优化
  → 打包发布

为什么值得做

1. 消除重复配置

同一个技能在多平台使用，配置只写一次，维护成本降为 1/N。

2. 技能市场成为可能

当技能规范统一，第三方技能市场才能成立。开发者发布一个技能，所有平台都能用。

3. 知识积累的载体

Skill 比文档更有价值——它是可执行的文档，AI 直接使用，不是只读参考。

4. 团队共享

把 skills-hub 放进团队 git 仓库，新成员入职后一键同步所有技能配置。

当前局限

问题	说明
各平台加载机制不同	OpenClaw 用软链接，Claude Code 用 npm，互操作有摩擦
技能版本同步	多平台同时安装需要手动保证版本一致
平台特性差异	有些技能依赖特定平台的工具（如 OpenClaw 的 `clawdhub`），纯通用技能需额外适配

这些问题随着平台对 Skill 规范的支持成熟会逐步解决。

总结

skills-hub 是一个简单但有效的思路：规范先行，平台无关。只要 SKILL.md 是 source of truth，技能就能在任何支持规范的 AI Agent 上运行。

本质是把 AI Agent 的能力拆成可组合的模块，按需加载，按需分发。

如果你也在用多个 AI 平台，强烈建议建一个自己的 skills-hub，把沉淀下来的工作流都写成 Skill。下次遇到同类问题，AI 自己就知道怎么做，而不是等你一步步指挥。