Shubhamsaboo GitHub avatar

awesome-llm-apps

145K Stars7 Skills21.4K ForksApache-2.011月16日更新Skill 仓库

AI 概览 · 由大模型根据 SKILL.md 与仓库数据生成 · 2026年11月3日

面向研究、代码检查与任务梳理的工作流技能集合

该仓库收录多种 AI Agent Skill 与应用示例,其中已采集到的 Skill 主要用于资料研究、事实整理、结构化报告写作、依赖清单检查、代码变更范围分析和项目复盘。仓库简介提到 AI Agent、Skill 与 RAG 应用,但具体 Skill 资料仅支持上述工作流用途,不能据此推断这些 Skill 具备仓库中其他应用的功能。

包含 Skill

7

可以单独安装

GitHub Star

145.0k

仓库累计 Star

近 7 天

+590

新增 Star

代码更新

2026年11月16日

最近一次推送

核心亮点

  • 1覆盖多类工作流

    包含研究整理、依赖排查、变更审视和项目复盘等用途。

  • 2聚焦具体任务

    部分 Skill 明确面向依赖清单或 git diff 等输入材料。

  • 3适合辅助梳理

    可用于形成报告、识别待检查问题或整理后续方向。

能做什么

  • 辅助开展资料研究、事实整理和结构化报告写作。
  • 检查依赖清单中表面可见的直接依赖问题;已采集描述提及 requirements.txt、pyproject.toml 和 package.json。
  • 对照既定意图分析 git diff,提示可能的范围扩张或无关改动。
  • 从 git 历史梳理未完成或搁置的个人项目,并总结可能的项目停滞模式。
  • 帮助整理开发、调试、评审或交付前的任务拆解需求。

适用场景

  • 整理一组资料并形成结构化报告。

  • 检查 Python 或 JavaScript 项目的依赖清单是否有明显问题。

  • 审视一次代码变更是否包含偏离原定目标的内容。

  • 回顾搁置项目的 git 历史,梳理可能的停滞原因。

用之前和用之后

  • 研究材料或任务背景分散可辅助整理事实与报告结构。
  • 需要人工逐项审视依赖或代码变更可获得针对清单或 diff 的初步检查线索。
  • 搁置项目的来龙去脉不易回忆可借助 git 历史梳理项目情况。

它是怎么工作的

  1. 第 1 步

    说明当前任务

  2. 第 2 步

    提供相关材料

  3. 第 3 步

    核对分析结果

快速上手

安装与复制命令见“安装方式”。

  1. 1

    在仓库的 agent_skills 目录中找到与任务相符的 Skill。

  2. 2

    打开对应的 SKILL.md,确认其适用范围和具体要求。

  3. 3

    按 Skill 要求提供任务背景、资料、依赖清单或代码变更等输入。

  4. 4

    检查输出,并对需要进一步验证的判断进行人工核实。

适合谁

  • 需要整理资料并撰写结构化报告的用户。
  • 需要检查 Python 或 JavaScript 依赖清单的开发者。
  • 需要评审代码改动范围或梳理未完成项目的开发者。

局限

  • 采集资料未提供各 Skill 的完整输入输出规范、操作步骤或效果评估。
  • 依赖检查描述强调表层的直接依赖问题,不应据此视为完整安全或兼容性审计。
  • 除 Scope Creep Detector 的描述明确提到本地离线运行外,其他 Skill 的运行方式未在采集资料中说明。
  • 仓库简介提及的其他应用或能力不能直接视为这些 Skill 的功能。

使用前注意

  • · 采集到的各 Skill 均标记为高风险;使用前应检查源文件中的具体行为与权限要求。
  • · Project Graveyard 的描述涉及扫描开发者机器上的项目及 git 历史,使用前应核实扫描范围和本地访问行为。
  • · 对于代码、依赖或项目分析结果,应结合实际文件和项目上下文核验,不宜仅凭摘要判断。

包含的 Skills · 7

公开来源

相关 Skills

查看更多