如果你只装一个 skill pack，我建议先看这个。
一、为什么 AI Coding Agent 的「技能」比「工具」更重要
过去半年，我已经见过太多 Agent 工具评测了。大多数人还在比：谁的 token 更便宜、谁的上下文更长、谁的 MCP 生态更全。但真正决定 Agent 能不能帮你写好代码的，往往不是底层模型，而是 你给了它多少「工程判断力」。
一个不会 code review 的 Agent，给你 GPT-4 级别的上下文也没用；一个不会 TDD 的 Agent，跑再多的 benchmark 也只会写一次性脚本。Skill 是工程经验的显性化——把 senior engineer 的判断流程打包成可复用的工作流，让 Agent 不只是「能跑代码」，而是「知道怎么跑对代码」。
今天要聊的这个项目，恰好站在这个节点上：它不是另一个 Agent 框架，而是一套 生产级工程技能库，作者是 Google Chrome 团队的 Addy Osmani。
二、项目画像：addyosmani/agent-skills
| 字段 | 内容 |
|---|---|
| 仓库 | addyosmani/agent-skills |
| 定位 | Production-grade engineering skills for AI coding agents |
| 作者 | Addy Osmani（Google Chrome 团队，工程效率专家） |
| Stars | 75,634 ⭐ / 8,132 forks |
| 协议 | 待确认（README 未显式标注，建议使用时核查 LICENSE 文件） |
| Skills 数量 | 24 个（23 个生命周期 + 1 个元技能） |
| 安装方式 | npx skills add addyosmani/agent-skills |
| 兼容 Agent | 70+（Claude Code / Cursor / Codex / Copilot / Cline / OpenCode 等） |
核心定位：Skills encode the workflows, quality gates, and best practices that senior engineers use when building software. These ones are packaged so AI agents follow them consistently across every phase of development.
翻译成大白话： senior engineer 的脑袋，打包成 24 个 Markdown 文件，塞给任意 Agent。
三、核心卖点：不是 24 个零散技能，而是一条工程流水线
1. 8 个 Slash Commands = 开发生命周期映射
项目最直观的价值，是把软件开发的 6 个阶段映射成 8 个 slash commands：
| 阶段 | Command | 核心原则 |
|---|---|---|
| Define | /spec |
Spec before code |
| Plan | /plan |
Small, atomic tasks |
| Build | /build |
One slice at a time |
| Verify | /test |
Tests are proof |
| Review | /review |
Improve code health |
| Ship | /ship |
Faster is safer |
外加 3 个专项：/webperf（性能审计）、/code-simplify（代码简化）、/interview-me（需求深挖）。
为什么这套映射有价值？ 因为它不是随机选 8 个场景做 skill，而是 覆盖了从需求到上线的完整闭环。你不需要自己判断「这个场景该用哪个 skill」，生命周期阶段已经帮你选好了。
2. 自动激活机制：做 API 设计时自动触发 api-design skill
README 写了一句很关键的话：
Skills also activate automatically based on what you’re doing — designing an API triggers
api-and-interface-design, building UI triggersfrontend-ui-engineering, and so on.
这意味着 skill 不是被动调用，而是 根据当前工作上下文自动匹配。这跟 OpenClaw 的「技能触发词」机制类似，但 addyosmani 的方案更偏向「工程场景自动路由」。
3. 24 个 Skills 的工程覆盖度
我快速扫了一遍完整列表，挑几个有代表性的：
| Skill | 解决什么问题 |
|---|---|
spec-driven-development |
写代码前先写 PRD（objectives / structure / testing / boundaries） |
test-driven-development |
红 - 绿 - 重构，强制 TDD |
code-review-and-quality |
五轴 review（正确性 / 设计 / 性能 / 安全 / 可读性） |
doubt-driven-development |
对每个关键决策做「反方审查」（CLAIM → EXTRACT → DOUBT → RECONCILE） |
context-engineering |
给 Agent 喂信息的时机和方式（rules files / context packing / MCP） |
performance-optimization |
先测量再优化，Core Web Vitals 为目标 |
security-and-hardening |
OWASP Top 10 / auth patterns / secrets management |
git-workflow-and-versioning |
trunk-based development / atomic commits / 100 行变更上限 |
观察 ：这 24 个 skill 里，有 18 个直接对标「资深工程师日常工作流」。这不是玩具 skill pack，是 工程团队的 SOP 显性化。
4. 70+ Agent 兼容：plain Markdown 的跨平台红利
addyosmani/agent-skills 没有绑定任何特定平台。它是 纯 Markdown 文件，只要 Agent 支持读 SKILL.md，就能用。Claude Code / Cursor / Codex / Copilot / Cline / OpenCode / Windsurf / Gemini CLI 都能装。
这种「一次编写，到处运行」的策略，让它成为目前 跨平台兼容度最高的 skill pack。
四、技术架构：Skill 是怎么「跑」起来的
4.1 安装机制
# 全量安装
npx skills add addyosmani/agent-skills
# 浏览后再装
npx skills add addyosmani/agent-skills --list
# 单 skill 安装
npx skills add addyosmani/agent-skills --skill test-driven-development
底层是 vercel-labs/skills CLI，负责把 GitHub repo 里的 skills/*/SKILL.md 克隆到本地 skills 目录。
4.2 激活机制
每个 skill 是一个目录，包含：
skills/
└── test-driven-development/
├── SKILL.md # 主指令（workflow + verification gates）├── references/ # 参考文档
└── examples/ # 示例
Agent 读取 SKILL.md 后，按其中的步骤执行。有些 skill 还包含：
–
Anti-rationalization tables（反合理化表）：防止 Agent 跳过关键步骤
–
Verification gates（验证门）：每个阶段有明确的通过标准
–
DAMP over DRY：注释优先于抽象（test skill 里的原则）
4.3 与 OpenClaw Skills 的异同
| 维度 | addyosmani/agent-skills | OpenClaw Skills |
|---|---|---|
| 数量 | 24 个 | 用户自定义 |
| 定位 | 工程全生命周期 | 平台生态 + 垂直任务 |
| 触发方式 | 生命周期阶段 + 场景自动路由 | 触发词 + 用户显式调用 |
| 内容形式 | 纯 Markdown | Markdown + 工具调用 |
| 跨平台 | ✅ 70+ agents | ❌ OpenClaw 专属 |
| 更新频率 | 高（75k stars 社区驱动） | 中 |
互补关系：addyosmani 提供「工程基本功」，OpenClaw 提供「平台能力」。两者结合 = Agent 既有工程判断力，又有系统操作能力。
五、与同类项目的对比
5.1 vs darwin-skill（技能进化框架）
| 维度 | addyosmani/agent-skills | darwin-skill |
|---|---|---|
| 核心问题 | 如何给 Agent 标准工程技能 | 如何让 Agent 技能持续进化 |
| 方法论 | 显性化 SOP | 棘轮机制 + 双向背书 |
| 适用场景 | 已有 skill，需要标准化 | 已有 skill，需要优化 |
| 互补性 | ✅ 高（先标准化，再进化） | — |
最佳实践：先用 addyosmani 建立工程 baseline，再用 darwin-skill 做持续优化。
5.2 vs CLI-Anything（港大 37K stars）
| 维度 | addyosmani/agent-skills | CLI-Anything |
|---|---|---|
| 核心问题 | 如何让 Agent 写出好代码 | 如何让任意软件支持 Agent |
| 方法论 | Skill 工作流 | 7 阶段自动化流水线 |
| 互补性 | ✅ 高（代码质量 vs 软件集成） | — |
5.3 vs OpenClaw 内置 Skills
| 维度 | addyosmani/agent-skills | OpenClaw Skills |
|---|---|---|
| 工程深度 | ⭐⭐⭐⭐⭐ | ⭐⭐⭐ |
| 平台集成 | ⭐⭐ | ⭐⭐⭐⭐⭐ |
| 跨平台 | ✅ | ❌ |
六、实战：安装 + 用 3 个核心 Skill 跑通
6.1 安装
npx skills add addyosmani/agent-skills
安装后会在本地 ~/.skills/ 目录创建 24 个 skill 文件夹。
6.2 核心 Skill 体验
Skill 1：test-driven-development（TDD 强制）
SKILL.md 核心流程：
1. 写一个失败测试
2. 写最小代码让测试通过
3. 重构，保持测试通过
4. 重复
anti-rationalization table：
| 借口 | 回应 |
|——|——|
| “ 这个太简单了，不需要测试 ” | 简单代码也需要回归保护 |
| “ 我先写实现，回头补测试 ” | 不允许，先写测试 |
| “ 测试覆盖率已经够了 ” | 够不够由测试 pyramid 决定，不是你 |
Skill 2：code-review-and-quality（五轴 review）
五轴：
1.
Correctness（正确性）：逻辑是否对
2.
Design（设计）：架构是否合理
3.
Performance（性能）：有没有瓶颈
4.
Security（安全）：有没有漏洞
5.
Readability（可读性）：其他人能看懂吗
变更上限：~100 lines / PR（超过必须拆分）
Skill 3：doubt-driven-development（反方审查）
五步循环：
1.
CLAIM：Agent 做了一个技术决策
2.
EXTRACT：提取决策背后的假设
3.
DOUBT：质疑这些假设
4.
RECONCILE：用数据 / 文档验证
5.
STOP：高风险决策暂停，请求人类确认
典型应用场景：选型决策（用 Redis 还是 Memcached）、架构决策（微服务 vs 单体）、安全决策（密码存储方式）。
6.3 与 OpenClaw 的集成思路
OpenClaw 本身有 skills 机制，可以把 addyosmani 的 skill 作为 工程模板库 引用：
- spec-driven-development → 映射到 OpenClaw 的
dbs-goal/product-manager-toolkit - test-driven-development → 映射到 OpenClaw 的
find-issues/fix-issues - code-review-and-quality → 映射到 OpenClaw 的
diagnosing-bugs/gbrain知识库 - doubt-driven-development → 映射到 OpenClaw 的
gbrain__think/canmou参谋
最佳实践：OpenClaw 提供「平台能力」，addyosmani 提供「工程基本功」，两者叠加 = 既有系统视角，又有代码质量保障。
七、适用场景与限制
适用场景
| 场景 | 推荐 Skill | 理由 |
|---|---|---|
| 团队引入 AI coding agent | 全套 24 skills | 快速建立工程 baseline |
| 个人开发者提升代码质量 | test-driven-development / code-review-and-quality | 轻量，立即生效 |
| 技术负责人做 code review 标准化 | code-review-and-quality | 五轴 review 可直接作为 team checklist |
| 架构决策支持 | doubt-driven-development | 强制反方审查，减少认知偏差 |
限制与风险
- Skill 质量依赖作者工程水平：addyosmani 是 Google 级别的工程专家，这套 skill 质量很高。但如果换成普通人写的 skill pack，质量可能参差不齐。
- Markdown 表达能力有限：复杂工程决策（比如分布式系统设计）很难用纯 Markdown skill 覆盖，需要结合 MCP / 代码执行。
- 跨平台兼容是双刃剑：plain Markdown 让 skill 能在 70+ agents 运行，但也意味着无法调用 Agent 专属工具（比如 OpenClaw 的
gbrain/memory_search）。 - 没有内置评估机制：skill 写得好不好，没有自动验证。跟 darwin-skill 的棘轮机制形成互补。
八、结论：对飞熊技术品牌的启示
1. 为什么这个项目值得写
- Addy Osmani 背书：Google Chrome 团队的工程效率专家，不是小团队自嗨
- 75K stars 验证：不是概念验证，是社区大规模采纳
- 与 OpenClaw 生态强相关：skill 机制是当前 AI agent 领域的主流方向
- 工程方法论显性化：把「资深工程师的脑袋」打包成可复用技能，这个叙事有传播力
2. 差异化定位
| 已有文章 | 本文差异化 |
|---|---|
| darwin-skill（技能进化） | addyosmani 是「标准化」，darwin-skill 是「进化」，互补 |
| CLI-Anything（7 阶段流水线） | CLI-Anything 是「让软件支持 Agent」，addyosmani 是「让 Agent 写好代码」，互补 |
| OpenClaw skills 系列 | OpenClaw 是「平台生态」，addyosmani 是「工程基本功」，互补 |
核心叙事：AI Agent 的竞争力 = 工程基本功 × 平台能力。addyosmani 提供前者，OpenClaw 提供后者。
3. 技术品牌启示
- Skill 是技术影响力的新载体：以前技术人写博客、出书。现在可以把工程经验打包成 skill，直接给 Agent 用，传播效率更高。
- Addy Osmani 的打法值得借鉴：他把多年工程经验显性化为 24 个 skills，不是一次性出书，而是持续迭代、社区驱动。
- 对飞熊的启示：你可以在 OpenClaw skills 基础上，把自己的「技术品牌方法论」打包成 skill pack，让更多人直接复用你的工程判断力。
附录：安装命令速查
# 全量安装
npx skills add addyosmani/agent-skills
# 单 skill 安装
npx skills add addyosmani/agent-skills --skill test-driven-development
# 浏览所有 skills
npx skills add addyosmani/agent-skills --list
让 Agent 不只是能跑代码，而是知道怎么跑对代码。