跳转至

AI Agent Skills 深度精简与全网立体看门雷达构建

本文目标：剖析 AI Agent 技能库（Skills）无序膨胀对上下文（Prompt Token）与模型意图分发的负面损耗，确立以高质量替代方案为导向的物理裁撤准则；同时详解基于 GitHub Actions 构建的「官方核心 + 全网聚合 + 国内社区 + 精品策展」四层立体看门狗雷达，以及非 GitHub 源网络防失效与去重告警机制。

实测基准：Hermes Agent / ZCode / shared-agent-memory 跨端看门狗 / Ubuntu GitHub Actions Runner。

一、 技能库膨胀对 Agent 效率的隐性拖累

许多开发者习惯在 Agent 环境中堆砌数十甚至上百个第三方技能。这种盲目收集行为会在底层带来三个严重问题：

1. 系统 Prompt 的固定 Token 税（Fixed Token Tax）

几乎所有主流 Agent（如 Hermes、ZCode、Claude Code）在会话启动时，都必须将已安装的所有技能元信息（名称、分类、描述等）全量组装进第一轮系统提示词中。 * 100+ 个技能意味着每次开启对话，尚未输入任何问题就已白白消耗 3,000~5,000 tokens； * 这不仅推高了上下文压缩门槛（提前触发 Context Compaction），更直接增加了每轮交互的首字生成延迟（TTFT）。

2. 意图分发稀释与路由噪声（Routing Confusion）

当大模型面对上百个语义相似的工具/技能描述时（例如多个相似的网络抓取、文本格式化或总结工具），注意力机制容易受到严重干扰，导致模型犹豫、产生意图漂移或选用低效实现路径。

3. 无本地凭据引发的「假性具备」与调用抛错

诸如各类企业 SaaS（Airtable、Notion、Box、Google Workspace）技能，若本地没有配置真实 API Key 或 CLI 授权，模型在看到技能时会误以为环境已就绪，从而向用户发起多余的参数试探或直接触发命令失败。

二、 四大类低效技能的深度精简与更优替代

通过对 100+ 技能进行全盘代码与依赖审计，确立了以下「四大类必裁」准则，并给出上位替代方案：

裁撤类别 代表性被裁技能 淘汰根因 推荐更优替代方案
传统网络爬虫类 smart-web-crawler
scrapling		 依赖本地 Playwright 或 requests 模拟请求，在代理网络环境下极易触发 Cloudflare 阻断或人机验证，消耗算力且成功率低。 原生 Exa 独享端点（web_extract / web_search）：云端原生清洗、免密抗封锁，耗时从数十秒降低至数百毫秒。
重型/高显存 MLOps llama-cpp
comfyui
dspy
huggingface-*		 本地环境已禁用本地模型运行时（local_runtime.enabled: false），8GB 显存笔记本无法常驻重型扩散模型或微调环境，长期 0 触发。 云端主力模型 + 本地轻量 OpenViking：依靠 Serverless 懒网关实现 2 分钟闲置休眠，退显存归还 GPU。
无本地凭据 SaaS airtable
box
notion
google-workspace		 本机未部署相应授权凭据，保留此类技能会导致模型产生调用幻觉。 按需脚本 / 专用接口：需要对接特定平台时再临时引入，日常工作流保持干净。
冗余 Agent CLI 壳 claude-code
codex
opencode		 本机无常驻运行的命令行实例。 原生 delegate_task 并发子代理：利用平台内置的子进程隔离机制，支持高达 10 并发的多任务分发。

物理清理准则：对于已裁撤的技能，直接物理删除本地文件夹，绝不在磁盘保留无意义的归档残余；仅在共享记忆库中记录替代逻辑，保持本地文件系统的绝对纯净。

三、 全网立体「四层看门雷达」设计与实践

为了兼顾「本地技能轻量化」与「前沿开源生态感知」，最佳实践是通过 CI 搭建自动化的技能版本与上游动态看门雷达（Capability Upstream Watcher）：

┌─────────────────────────────────────────────────────────────┐
│                    GitHub Actions 定时看门                   │
└──────────────────────────────┬──────────────────────────────┘
                               │ 每日自动轮询比对
         ┌─────────────────────┼─────────────────────┐
         ▼                     ▼                     ▼
┌──────────────────┐  ┌──────────────────┐  ┌──────────────────┐
│  1. 官方核心雷达  │  │  2. 全网聚合雷达  │  │  3. 社区与策展    │
│ Anthropic/Gemini │  │ Hermes SkillsHub │  │ SkillHub / Cola  │
│ ECC / 官方市场   │  │   (90,000+ 索引) │  │  (国内与精选实践) │
└──────────────────┘  └──────────────────┘  └──────────────────┘

1. 监控层级与数据源映射

  1. 官方核心层：
  2. anthropics/skills（github-commits-path 监控 skills/ 提交）；
  3. google-gemini/gemini-skills（监控 Google 官方 Gemini SDK 最佳实践）；
  4. affaan-m/ECC（监控开源高星 Harness 性能调优体系）。
  5. 全网聚合层：
  6. hermes-skills-hub：直接对接官方 API（skills-meta.json），监控跨生态 9 万+ 统一索引总数与提取时间戳。
  7. 国内社区与精品策展层：
  8. skillhub-market：对接腾讯云官方接口，感知 1,300+ 国内社区精选技能审核动态；
  9. colaskill-market：解析结构化 JSON-LD，感知高价值 Claude/Agent 实战技能策展。

2. 看门去重铁律（避免 Issue 相同告警）

  • 同源依赖剔除：在已监控特定插件的 Pinned SHA（如 superpowers）时，严禁再对上游整个插件市场仓库（如 claude-plugins-official）做全仓 commit 监控，避免一次 PR 触发双重重复报警；
  • Agent 本体排除：框架本体自带升级渠道（如 hermes update），不计入技能看门。

3. 非 GitHub 源爬虫防失效与优雅降级（Fail-Safe）

外部第三方站点可能面临网络抖动或反爬风控： * 异常捕获标记：当接口报错（503/WAF/超时）时，看门脚本捕获异常并打标为 ⚠️ 抓取暂不可达； * 锁定 behind = False：严格不增加 outdated 计数器，绝不因外部网络波动误报有更新，绝不给用户开出虚假 Issue，保障看门流程的高可靠性。