AI · 源文件

---
title: "Agent Skills 爆发：GitHub 一天涌入4个Agent框架，范式转移来了！ - 今日头条"
source_url: "https://www.toutiao.com/article/7610688350244110883/?wid=1782276478174"
source_site: "www.toutiao.com"
clipped_at: "2026-06-24T04:48:14.675578+00:00"
clipper: "aiwiki-url-ingest"
extractor: "toutiao_rendered"
---

# Agent Skills 爆发：GitHub 一天涌入4个Agent框架，范式转移来了！

 紧急突发：2026年2月25日，GitHub Trending 前4名中，3个直接和 Agent Skills 相关！

这不是巧合，不是偶然——这是 AI Agent 从“玩具”变“工具”的信号，**Skills 正在成为 Agent 的操作系统**，程序员的工作模式，要被颠覆了！

# 一、先看现场：GitHub Trending 被 Agent 霸榜

打开当天的 GitHub Trending，画面震撼到离谱，前4名项目，3个带“Skills”，1个专为 Agent 设计，星标疯涨，具体榜单如下：

| 排名 | 项目 | 星标 | 今日增长 | 一句话描述 |
| --- | --- | --- | --- | --- |
| 1 | D4Vinci/Scrapling | ⭐12,570 | \+1,970 | 自适应 Web 爬虫框架，内置 MCP Server |
| 2 | obra/superpowers | ⭐60,434 | \+1,195 | Agentic 技能框架，完整的 AI 辅助开发工作流 |
| 3 | huggingface/skills | ⭐5,273 | \+1,206 | HF 官方 Agent Skills，覆盖模型训练全链路 |
| 4 | muratcankoylan/Agent\-Skills\-for\-Context\-Engineering | ⭐9,868 | \+722 | Context Engineering 技能集，被北大论文引用 |

不止 GitHub！Hacker News 上，Hugging Face Skills 狂揽127分，Emdash 开源 Agent 开发环境拿95分；Reddit 上，“软件工程师今年可能灭绝”的言论被顶78次，全网都在讨论：Agent 真的要替代人工了？

核心结论：**Agent 不再是玩具，Skills 正在成为它的操作系统**，AI 辅助开发的新时代，已经到来。

# 二、4个项目，4种打法：Agent Skills 到底强在哪？

4个项目，切入点完全不同，但核心都是一个：**让 Agent 拥有“专业技能”，不再是“只会听话的工具人”**。逐个拆解，一看就懂：

# 1\. Scrapling：爬虫“升级”，Agent 能自己应对网站改版

它不是纯 Agent 框架，却是最直观的信号——**传统工具正在被 Agent 化**，不再只给人用，还能被 Agent 直接调用。

核心亮点：自适应元素追踪。以前写爬虫，网站一改版，CSS 选择器就失效，得手动改；现在 Scrapling 能自动识别相似元素，不用人维护。

简单代码示例（一看就会）：

```
from scrapling.fetchers import StealthyFetcher

# 第一次抓取，保存元素指纹
p = StealthyFetcher.fetch('https://example.com', headless=True)
products = p.css('.product', auto_save=True)

# 网站改版后，自动重新定位（不用改代码）
products = p.css('.product', adaptive=True)
```
关键优势：内置 MCP Server，Claude Code、Cursor 等 Agent 能直接调用它，自己决定“什么时候抓、抓什么、怎么反爬”，完全不用人插手。

**关键信号：**工具不再只是给人用的，它们正在长出“被 Agent 调用”的接口。

# 2\. Superpowers：60K\+星标！把软件工程方法论，变成 Agent 的“肌肉记忆”

这是当天最火的项目，作者直言：“Skills are what give your agents Superpowers. And you're going to be hearing a lot more about them from just about everybody in the very near future.”

它不是工具库，是**一套强制型 AI 开发工作流**，编码成了可组合的 Skills，让 Agent 必须按专家标准干活：

```
brainstorming → 需求澄清，Socratic 式设计讨论
├── writing-plans → 拆解成 2-5 分钟的小任务
├── using-git-worktrees → 自动创建隔离工作分支
├── subagent-driven-development → 子 Agent 逐任务实现
│ ├── test-driven-development → RED-GREEN-REFACTOR 循环
│ └── requesting-code-review → 每个任务完成后自动 Code Review
└── finishing-a-development-branch → 合并/PR/清理
```
最狠的是：安装后，Agent 会被强制注入引导指令，再也不会“你让写代码就写代码”，反而会拦着你：“等等，我们先聊聊你到底要做什么。”

引导指令示例：

```
<session-start-hook><EXTREMELY_IMPORTANT>
You have Superpowers.
RIGHT NOW, go read: skills/getting-started/SKILL.md
</EXTREMELY_IMPORTANT></session-start-hook>
```
**安装方式（Claude Code）：**

```
/plugin marketplace add obra/superpowers-marketplace
/plugin install superpowers@superpowers-marketplace
```
**关键信号：**Skills 不只是“能力”，更是“方法论的编码化”。最佳实践不再靠人记住，而是被 Agent 强制执行。

# 3\. Hugging Face Skills：HF 出手！ML 工作流，Agent 一键搞定

HF（AI 圈的“GitHub”）出手，意味着 Agent Skills 已经从“实验”变成“基础设施”——把 AI/ML 日常工作，全封装成 Agent 能直接执行的技能。

目前8个核心 Skill，覆盖 ML 全流程，不用手动操作，具体如下：

| Skill | 干什么 |
| --- | --- |
| \`hugging\-face\-cli\` | Hub 操作：下载模型、上传数据集、管理仓库 |
| \`hugging\-face\-datasets\` | 数据集创建、配置、SQL 查询转换 |
| \`hugging\-face\-model\-trainer\` | 模型训练/微调（SFT、DPO、GRPO），含硬件选型和成本估算 |
| \`hugging\-face\-evaluation\` | 模型评估，支持从 Artificial Analysis API 导入分数 |
| \`hugging\-face\-jobs\` | 在 HF 基础设施上跑计算任务 |
| \`hugging\-face\-trackio\` | 训练实验追踪和可视化 |
| \`hugging\-face\-paper\-publisher\` | 论文发布和管理 |
| \`hugging\-face\-tool\-builder\` | 构建可复用的 API 操作脚本 |

每个 Skill 核心是 \`SKILL.md\`，用 YAML 声明信息，再写执行指令，示例如下：

```
---
name: hugging-face-model-trainer
description: Train or fine-tune language models using TRL on 
 Hugging Face Jobs infrastructure.
---

# Model Training Skill

## When to use
- User wants to fine-tune a model
- User needs hardware recommendations
- User wants cost estimation for training runs

## Steps
1. Identify base model and training method (SFT/DPO/GRPO)
2. Estimate hardware requirements
3. Generate training script
4. Submit to HF Jobs
5. Monitor with Trackio
```
关键亮点：跨平台！Claude Code、OpenAI Codex、Gemini CLI、Cursor 都能直接用，遵循统一开放标准，一次编写，多 Agent 运行。

**关键信号：**Agent Skills 正在走向标准化。一次编写，多 Agent 运行。

# 4\. Agent\-Skills\-for\-Context\-Engineering：最“学术”，却最底层

这个项目最特别，没有花哨功能，却被北大通用人工智能实验室论文引用——它解决的是 Agent 最核心的痛点：**Agent 的上下文窗口应该怎么管理？**

核心观点（翻译后）：Prompt Engineering 管的是“怎么说”，Context Engineering 管的是“说什么、什么时候说、说多少”。

它的 Skills 分为四层，覆盖从基础到认知，体系完整：

- **基础层（Foundation）：**懂上下文、会压缩、能识别失效问题（如 lost\-in\-middle）；
- **架构层（Architecture）：**设计多 Agent 协作、记忆系统、工具使用原则；
- **运维层（Operations）：**优化上下文、评估 Agent 系统效果；
- **认知层（Cognitive）：**让 Agent 拥有“信念\-欲望\-意图”，更懂需求。

**关键信号：**Agent Skills 不只是操作手册，它正在发展出自己的理论体系。

# 三、为什么是现在？Agent Skills 爆发的3个核心推力

4个项目同时霸榜，不是运气，是三股力量同时发力，缺一不可：

# 推力1：裸 Agent 太“蠢”，急需“方法论”

2025年是 Coding Agent 元年，Claude Code、Cursor 相继成熟，但大家很快发现：Agent 智商高，但没经验。

让它写功能，上来就写代码，不做设计、不写测试；让它调试，改了A破了B——就像雇了个智商160但没受过训练的实习生。

Skills 就是解决这个问题：**给 Agent 注入工程方法论**，让它按标准流程干活，不再“瞎忙活”。

# 推力2：Plugin 基础设施成熟，Skills 能“一键复用”

2025年10月，Anthropic 给 Claude Code 推出 Plugin 系统，这是关键转折点——以前给 Agent 加能力，要手动复制文件，现在能一键安装、更新、复用。

Plugin 系统核心优势：统一市场、避免冲突、版本管理、跨项目复用，示例操作：

```
# 注册一个 marketplace
/plugin marketplace add huggingface/skills

# 安装特定 skill
/plugin install hugging-face-model-trainer@huggingface/skills

# 更新
/plugin update superpowers
```
加上 agentskills.io 开放标准被20\+ Agent 工具采纳，生态彻底起来了。

# 推力3：上下文窗口“够用但不会用”，Skills 解决效率问题

现在模型上下文越来越大（Claude 200K、Gemini 2M），但有效利用率很低——模型会“记不住中间的信息”（lost\-in\-the\-middle）。

Skills 能按需加载：Agent 启动只加载技能名称（几十个token），需要时再加载完整指令（几百个token），比把所有指令塞进提示里高效10倍。

# 四、必懂区分：Skills vs Tools vs Plugins，别搞混了

Agent 生态里这三个词经常混，一张表分清，再也不懵，核心差异一目了然：

| 维度 | Skills（技能） | Tools (MCP)（工具） | Plugins（插件） |
| --- | --- | --- | --- |
| 本质 | 结构化的指令和方法论 | 可调用的函数接口 | 分发和管理的容器 |
| 载体 | Markdown 文件（SKILL.md） | JSON Schema \+ 代码实现 | 目录结构 \+ manifest |
| 加载方式 | 按需读取，注入上下文 | 注册后按需调用 | 安装后持久可用 |
| 给 Agent 的是 | “怎么做”的知识 | “能做什么”的能力 | 打包好的能力集合 |
| 类比 | 工程师的方法论手册 | 工程师的工具箱 | 工具箱的包装和分发 |

核心逻辑：**Skills 是大脑，Tools 是手，Plugins 是渠道**，三者结合，Agent 才能真正替代人工干活。

# 五、对开发者的影响：该学什么、该做什么？（务实指南）

不用慌，这不是威胁是机会！3件事，现在就能做，抢占先机：

# 1\. 立刻动手：给你的 Agent 装 Skills（复制就能用）

如果用 Claude Code，直接执行以下命令，体验立竿见影：

```
# 装 Superpowers，体验完整的 AI 辅助开发流程
/plugin marketplace add obra/superpowers-marketplace
/plugin install superpowers@superpowers-marketplace

# 做 ML 相关，装 HF Skills
/plugin marketplace add huggingface/skills
/plugin install hugging-face-model-trainer@huggingface/skills

# 想懂 Agent 底层，装 Context Engineering
/plugin marketplace add muratcankoylan/Agent-Skills-for-Context-Engineering
/plugin install context-engineering-fundamentals@context-engineering-marketplace
```
装完重启，你会发现：Agent 不再被动听话，而是主动引导你按流程干活，效率翻倍。

# 2\. 重点学习：写 SKILL.md（2026年最值钱的新技能）

不用懂复杂编程，就是把你的专业知识，写成 Agent 能看懂的“操作手册”，基本结构如下（直接套用）：

```
---
name: my-custom-skill
description: 一句话描述这个 Skill 做什么，以及什么时候触发
---

# Skill 标题

## 触发条件
- 用户说了什么关键词时激活
- 什么场景下应该使用

## 执行步骤
1. 第一步做什么
2. 第二步做什么
3. 验证和收尾

## 约束
- 不要做什么
- 边界条件

## 示例
具体的输入输出示例
```
你的资深经验，从此能被 Agent 直接执行、复用——这是以前想都不敢想的效率提升。

# 3\. 长期关注：2个趋势\+1个警惕

- 关注趋势1：Skills 会自动组合、自我进化（Agent 未来会自己创建、优化技能）；
- 关注趋势2：团队级 Skills 管理会成为刚需（统一团队工作标准，评估技能效果）；
- 警惕：Skills 不是银弹！Agent 写的代码、做的决策，你仍需评审，不能完全依赖。

# 六、结语：从“对话 AI”到“协作 AI”，开发者的新机会

GitHub 一天4个 Agent 框架，本质是 AI 辅助开发的范式转移：

2024\-2025年，我们学的是“怎么跟 AI 对话”（Prompt Engineering）；

2026年，我们要学的是“怎么给 AI 设计工作流”（Skill Engineering）；

下一步，AI 会自己设计工作流，实现“自主进化”。

软件工程师不会灭绝，但**不会用 Agent、不会写 Skills 的工程师，会越来越难**。

你的专业经验，第一次能被编码成 Agent 可执行的技能，被放大、被复用、被传承——这就是最大的机会。

现在，就去写你的第一个 SKILL.md 吧！

\*本文数据基于 2026 年 2 月 25 日 GitHub Trending、Hacker News 和 Reddit 的公开信息。项目星标数为撰文时的快照，可能已发生变化。\*