背景
Skills（技能）正在成为 AI Agent 生态的"新 npm 包"。Claude Code、OpenClaw、Cursor 等平台都支持通过 .md 文件扩展 Agent 能力。但随着生态成熟，一个问题越来越明显： 技能开发的工具链严重滞后。
当前的问题清单：
- 📝 创建 — 没有引导式工作流，全靠文档
- 📥 安装 — 不同 Hub 的安装方式各不相同
- 🔍 审计 — 缺少系统化的质量检查机制
- ✍️ 签名 — 大多数"签名"只是 SHA-256 哈希
- 🚀 发布 — 多 Hub 发布需要重复 N 次操作
- 🧪 测试 — 没有端到端回归测试框架
- 🧠 沉淀 — 成功的工作流随对话结束而丢失
解决方案：build-better-skills
我开源了一套 12 个工具，每个专注解决一个环节：
| 阶段 | 工具 | 技术亮点 |
|---|---|---|
| 创建 | skill-build-wizard | 预检 → 规格 → 编码 → 发布，4 阶段引导 |
| 安装 | skill-hub-united | 统一 4 个 Hub 的安装接口 |
| 安装 | skill-hub-query | 全功能 CRUD + 增量同步缓存 |
| 快速审计 | glic-check | GLIC/UGLIC 4-5 维，~30 秒出结果 |
| 深度审计 | skill-deep-audit | 7 维 115 分制，含 --fix 自动修复 |
| 发布门控 | skill-release-audit | 纯静态分析，零 LLM，零网络 |
| 签名 | skill-sign | Ed25519 公钥密码学，RFC 8032 内置实现 |
| 发布 | skill-release-plus | 一次打包，故障开放扇出到 N 个 Hub |
| 文档 | skill-introduction | 自动生成 HTML 简介页 |
| 测试 | skill-regression | 脚本断言 + LLM-as-judge 语义评分 |
| 沉淀 | skill-sediment | 对话工作流自动蒸馏为 SKILL.md |
技术特色
- 真正的密码学签名：Ed25519 公钥密码学，zero pip install，内置 RFC 8032 参考实现
- LLM-as-judge 回归测试：不是简单的 pass/fail，而是语义层面的评分
- 多 Hub 故障开放调度：一个 Hub 挂了不影响其他发布
- 零硬依赖哲学：关键工具只依赖 Python 3.8+ 标准库
- 跨平台兼容：遵循 Anthropic Skills 规范，适配所有主流 Agent 平台
快速开始
# 安装任一技能即可开始 clawhub install glic-check
# 或 npx skills install glic-check
GitHub: <https://github.com/Songhonglei/build-better-skills>
欢迎 Star ⭐、PR、Issue。MIT 开源
