Vibe-Skills
Vibe-Skills 不仅仅是一个技能集合，它更像是一个专为你的 AI 助手打造的“个人操作系统”。无论你所使用的 AI 平台是否支持扩展技能，Vibe-Skills 都能无缝接入，提供超过 340 种经过严格治理的专业能力模块，涵盖代码编写、学术研究、数据科学、自动化办公及创意创作等多个领域。
在日常使用中，用户往往面临 AI 回答泛泛而谈或执行流程混乱的痛点。Vibe-Skills 通过其独特的“规范运行时”机制解决了这一问题：当你发出指令时，系统不会盲目执行，而是自动经历“需求澄清→任务规划→智能路由→执行验证→最终交付”的严谨流程。其内置的“规范路由器”能根据任务类型，自动调用最合适的专家技能（如代码审查、测试驱动开发指南等），确保多技能协作时无冲突且高效。
这款工具非常适合开发者、研究人员、设计师以及希望深度挖掘 AI 潜力的进阶用户。对于开发者而言，它是强大的工程辅助伙伴；对于研究人员和创意工作者，它则提供了结构化的工作流支持。只需简单安装并输入 /vibe 指令，即可激活这套智能系统，让 AI 从单纯的聊天机器人进化为真正具备记忆力和执行力的全能工作搭档。
使用场景
某全栈开发者需要在两天内为一个初创项目搭建包含后端 API、数据库架构及基础前端页面的最小可行性产品（MVP），同时确保代码符合测试驱动开发（TDD）规范。
没有 Vibe-Skills 时
- 上下文频繁切换：开发者需在不同 AI 对话窗口中分别请求写代码、查文档和生成测试用例，导致思路中断，难以维持统一的项目语境。
- 流程缺乏管控：AI 直接生成代码而跳过规划与验证步骤，产出的代码往往缺少单元测试或不符合既定架构规范，后期返工成本高。
- 技能调用碎片化：手动拼接“代码审查”、“数据库设计”等独立指令，难以让多个专业能力（如 TDD 指南与 API 生成）协同工作，效率低下。
- 记忆断层严重：随着对话深入，AI 逐渐遗忘早期的技术选型约束，导致新生成的代码模块与原有逻辑冲突。
使用 Vibe-Skills 后
- 一键智能路由：只需输入
/vibe并描述需求，Vibe-Skills 的 Canonical Router 自动识别任务，按需调用编码、研究与测试等 340+ 技能模块，无需人工干预。 - 治理化执行流程：系统强制遵循“澄清→规划→执行→验证”的标准流程，确保在编写 API 前自动生成 TDD 测试用例，从源头保障代码质量。
- 多技能无缝协同：Vibe-Skills 将数据库设计与前端生成技能串联，保持上下文一致，一次性交付前后端贯通且经过验证的完整功能模块。
- 持久化记忆系统：内置记忆机制全程记录技术决策与架构约束，即使在进行复杂的多步骤任务时，也能确保所有输出严格符合初始设定。
Vibe-Skills 通过将分散的 AI 能力整合为受控的操作系统级工作流，让开发者从繁琐的指令拼凑中解放，专注于核心业务逻辑的创新。
运行环境要求
- 未说明
未说明
未说明
快速开始
不止于技能集合——你的个人AI操作系统
只要你的AI支持技能，VibeSkills就能运行。涵盖编码、研究、数据科学和创意工作的340多种技能。
🧠 规划 · 🛠️ 工程 · 🤖 AI · 🔬 研究 · 🎨 创作
安装 → /vibe 或 $vibe → 智能路由 → M / L / XL 执行 → 治理验证 → ✅ 交付
📋 目录
🔑 刚来？关键术语速览（点击展开）
| 术语 | 白话解释 |
|---|---|
| VibeSkills / VCO | 这个项目。VCO = Vibe Code Orchestrator — 技能背后的运行时引擎。 |
| 技能 | 一个专注的能力模块（例如 tdd-guide、code-review）。可以将技能视为系统按需调用的专家助手。 |
| 受治理的运行时 | 当你调用 /vibe 时，系统会遵循一套结构化流程——明确 → 计划 → 执行 → 验证——而不是盲目行动。 |
| 规范路由器 | 内部逻辑，用于决定针对你的任务激活哪个技能。只需调用 /vibe，它就会自动路由。 |
| M / L / XL 等级 | 任务复杂度级别。M = 快速聚焦任务，L = 多步骤任务，XL = 包含并行工作的大型任务。自动选择。 |
| 冻结需求 | 一旦你确认计划，它就会被“冻结”——系统不会在任务中途悄悄更改范围。 |
| 根车道 / 子车道 | 在XL任务中，有一个“根”协调员和“子”工作者代理。防止并行代理产生冲突结果。 |
| 证明包 | 任务确实正确完成的证据——测试结果、输出、验证日志。 |
[!IMPORTANT]
🎯 核心愿景
VibeSkills 随时代不断进化——确保其始终保持真正的实用性，同时大幅降低前沿振动编码技术的门槛，消除新AI工具带来的认知焦虑和陡峭的学习曲线。
无论你是否有编程背景，都可以以最小的努力直接利用最先进的AI能力。 AI带来的生产力提升应该惠及所有人。
✨ 它有何不同？
传统技能仓库的回答是：“我有哪些工具？” VibeSkills直击重度AI用户的核心痛点：“我该如何管理和调用大量技能，高效可靠地完成工作？”
兼容Claude Code · Codex · Windsurf · OpenClaw · OpenCode · Cursor，以及任何支持Skills协议的AI环境。原生兼容MCP。
| ❌ 传统痛点（你可能深有体会） | ✅ VibeSkills解决方案（我们打造的功能） |
|---|---|
| 技能从未被激活：仓库中有数百种能力，但AI很少记得去使用它们——激活率极低。 | 🧠 智能路由：系统会根据上下文自动路由到合适的技能，无需记忆技能列表。 |
| 盲目执行：AI不澄清需求就直接动手——速度快却偏离目标，项目逐渐变成黑箱。 | 🧭 受控的工作流：统一流程中强制执行“澄清→验证→追溯”；每一步都可审计。 |
| 工具冲突：插件与工作流之间缺乏协调，导致环境污染或陷入无限循环。 | 🧩 全局治理：129条合约规则定义了安全边界和回退机制，确保长期稳定性。 |
| 混乱的工作空间：长时间使用后，仓库变得杂乱无章；新接手的Agent会错过项目细节，造成交接断层。 | 📁 语义目录治理：采用固定架构的文件存储方式，使任何新的AI对话都能立即理解项目背景。 |
| AI不良习惯：清理备份时误删主文件；编写无声回退逻辑后却自信宣称“已完成”。 | 🛡️ 内置安全规则：受控执行默认阻止危险的大规模删除和盲目的递归清除操作；回退机制必须始终显示明确警告。 |
| 手动维护工作流纪律：用户需凭经验自行维护AI协作流程——学习成本高。 | 🚦 框架引导的端到端流程：需求→计划→多智能体执行→自动化测试迭代——全程托管。 |
| 多智能体运行中的技能调度混乱：难以为不同任务分配恰当的技能给每个智能体。 | 🤖 自动技能调度：多智能体工作流会自动将相应技能分配给每个智能体的任务。 |
👥 适合哪些人？
以上哪些痛点戳中了你？找到自己的位置——接下来的内容会让你更有共鸣。
这是否适合你？点击展开
| 目标用户 | 描述 |
|---|---|
| 🎯 需要可靠交付的用户 | 希望AI成为可靠的伙伴，而非脱缰野马 |
| ⚡ 重度依赖AI/Agent的高级用户 | 需要一个统一的基础来支撑大规模工作流 |
| 🏢 对标准化要求较高的小型团队 | 希望AI工作流更易维护且可交接 |
| 😩 因技能泛滥而疲惫的从业者 | 已经厌倦了到处寻找工具——只想得到开箱即用的解决方案 |
如果你只是想找一个小小的脚本，那这可能有些大材小用了。但如果你想更可靠、顺畅、可持续地使用AI——这就是你不可或缺的基础。
🔀 智能路由：340+技能如何协作而不冲突
你已经知道它适合你。下一个问题：一个系统里有340多种技能——它们如何互不干扰呢？
面对340多种技能，你可能会想：“相似的技能会不会发生冲突？系统怎么知道该用哪一个？”
路由的工作原理
VibeSkills采用规范路由器作为唯一的权威路由决策中心：
graph LR
A[用户任务] --> B{规范路由器}
B --> C[意图识别]
C --> D[关键词提取]
D --> E[技能匹配]
E --> F[冲突检测]
F --> G[优先级排序]
G --> H[路由决策]
H --> I[执行技能]
style B fill:#7B61FF,stroke:#fff,stroke-width:2px,color:#fff
style F fill:#FF9800,stroke:#fff,stroke-width:2px,color:#fff
VibeSkills遵循“澄清→规划→执行→验证”的受控工作流，确保每个任务都经过完整的质量控制：
- 需求澄清：像
speckit-clarify这样的技能会定义清晰的边界和验收标准。 - 架构规划：像
aios-architect这样的技能会设计实现路径。 - 执行层：按需调用340多种技能来完成实际工作。
- 质量验证：像
tdd-guide和code-review这样的技能会确保交付质量。
为什么采用这种设计？
传统的技能仓库允许AI“自由选择”——结果是：
- ❌ AI记不住都有哪些技能。
- ❌ 相似技能之间会发生冲突。
- ❌ 执行路径不可预测。
VibeSkills的路由机制则保证了：
- ✅ 确定性：同一任务总是遵循相同的路由逻辑。
- ✅ 可追溯性：每一次路由决策都有明确的理由。
- ✅ 可控性：用户可以通过显式调用（如
/vibe）覆盖默认路由。 - ✅ 稳定性：129条治理规则可以防止冲突和偏差。
M / L / XL 执行级别
在选择主要技能后，路由器还会根据任务复杂度自动确定执行级别：
| 级别 | 使用场景 | 特点 |
|---|---|---|
| M | 范围狭窄、边界清晰的工作 | 单代理、令牌高效、响应迅速 |
| L | 中等复杂度，需要设计、规划和审查 | 按照计划步骤进行原生串行执行；仅在明确计划时才委托有限的子单元 |
| XL | 大型任务——可并行化、长时间运行、多代理分波执行 | 波次顺序编排，仅对独立单元实现步骤级的有限并行 |
系统会在需求澄清之后、计划执行之前自动选择级别。用户只需调用
/vibe或$vibe即可。当系统内部调用专业技能（如
tdd-guide或code-review）时，其范围始终限定于特定阶段——它们提供协助，但不接管整体协调。在 XL 级别的多代理任务中，工作者代理（子通道）可以建议寻求专业帮助，但必须由协调器（根节点）批准后方可执行。你也可以明确表达偏好：
请按照计划执行此任务，启动 XL 级工作流 /vibe
🔍 路由常见问题解答（点击展开）
每个任务只有一条路由还是多条？
核心原则：一个任务通常会路由到一项主要技能，但该技能可以在执行过程中调用其他技能作为子流程。
- 单一主路由：标准路由器会选择最匹配的主要技能
- 技能组合：主要技能可在执行过程中根据需要调用其他技能（例如，
vibe可以调用speckit-clarify、aios-architect等） - 受控协调：多技能协作由治理规则控制，而非随意组合
相似技能之间的冲突如何处理？
当多个技能看起来都能完成任务时，路由器通过以下方式避免冲突：
- 优先级规则：每项技能都有明确的优先级和适用场景
- 上下文匹配：分析任务复杂度、多阶段需求以及用户的明确偏好
- 互斥规则：129 条规则包括防止冲突组合的排除规则
- 优雅降级：当首选技能不可用时，按优先级回退——不会出现无限循环
选项过多是否会导致令牌消耗激增？
不会。路由并不会将所有选项一股脑地输入模型——它采用智能触发机制：
用户指令 → AI 辅助治理提取意图关键词 → 关键词触发技能路由
治理框架会增加约 3 万的初始上下文开销，但不会导致令牌爆炸式增长。
真实案例：用户说“帮我重构这个项目”
- 意图识别 → 复杂的重构任务
- 关键词提取 → 重构、项目、代码质量
- 技能匹配 →
vibe/autonomous-builder/systematic-debugging - 路由决策 → 选择
vibe（重构需要多阶段：澄清 → 计划 → 执行 → 验证）
🧠 记忆系统：真正能记住的 AI
路由解决了“该用哪项技能”的问题。但还有一个更深层次的问题：对话结束后，AI 还记得你吗？
是不是很熟悉？
| ❌ 痛点 | ✅ VibeSkills 解决方案 | 组件 |
|---|---|---|
| 每次新会话都要重新解释项目背景 | 架构决策和规范在启动时自动加载 | Serena |
| AI 再次遇到同样的 bug；见解随上下文消失 | 一句话即可永久保存至 Obsidian + GitHub | knowledge-steward |
| 长时间任务——AI 逐渐“忘记”早期上下文 | 会话内语义向量缓存，可即时检索 | ruflo |
| 跨项目知识无法积累 | 实体关系图会随着时间不断丰富 | Cognee |
| 长时间任务被打断——难以交接给新代理 | 自动折叠为工作、工具和证据记忆 | deepagent-memory-fold |
📐 展开：四层架构、记忆技能与治理规则
VibeSkills 构建了一个四层记忆系统——针对每种记忆需求都有一套权威组件：
| 层级 | 组件 | 范围 | 核心目的 |
|---|---|---|---|
| L1 会话 | state_store |
当前会话 | 执行进度、中间结果、临时状态——始终在线的“工作台” |
| L2 项目 | Serena |
当前项目 | 架构决策、规范——仅在用户明确确认后才会写入 |
| L3 短期语义 | ruflo |
会话内 | 长时间任务中用于快速检索上下文的向量缓存 |
| L4 长期图谱 | Cognee |
跨会话 | 实体链接、关系图、长期知识积累 |
可选扩展：
mem0作为个人偏好后端（需主动启用）；Letta提供内存块映射词汇表——两者均不取代这四个标准层级。
三项专用记忆技能
| 技能 | 角色 | 触发条件 |
|---|---|---|
knowledge-steward |
知识守护者：将见解、bug 修复和提示永久保存到 Obsidian + GitHub | “保存这个提示” / “记录这个 bug” / “保存这个见解” |
digital-brain |
第二大脑：结构化的个人知识库——身份、内容、网络、回顾 | 直接调用；非常适合用作个人知识操作系统 |
deepagent-memory-fold |
上下文折叠：将大量上下文压缩成结构化的工作/工具/证据记忆，以便无缝交接 | 在上下文达到上限时或手动触发 |
治理：单一事实来源（无双轨制）· 明确的写入权限（Serena 需用户确认）· 永久禁用 episodic-memory · mem0 仅限于个人偏好 · 每个外部后端都设有紧急关闭开关
✦ 全能力地图：您的全能工作台
路由与记忆构成了调度神经系统。以下是它们驱动的端到端全能力链。
在“真实工作流”中展开，VibeSkills 已经布局了一条完整的 端到端能力链：
| 领域 | 覆盖范围 | 代表性引擎 |
|---|---|---|
| 💡 需求与澄清 | 再也不用黑箱启动：将模糊想法转化为边界清晰、可验证的问题定义 | brainstorming、speckit-clarify |
| 📋 规划与拆解 | 将宏伟目标分解为规格、计划、任务、里程碑和执行流程 | writing-plans、speckit-specify、aios-po |
| 🏗️ 架构与技术选型 | 设计前端/后端边界、API、数据层、部署方案以及技术栈对比 | aios-architect、architecture-patterns |
| 💻 开发与实现 | 新功能开发、脚手架搭建、工程集成以及跨文件的精准实现 | autonomous-builder、speckit-implement |
| 🔧 调试与重构 | 不止于表面修复：定位错误、分析根因，恢复项目级可维护性 | error-resolver、systematic-debugging |
| 🛡️ 测试与质量控制 | 单元测试、回归验证、质量门——完成前必须通过的强制性验证 | tdd-guide、aios-qa、code-review |
| 🚀 协作与发布 | 处理 Issue/PR、修复 CI、评审流程及自动化部署 | aios-devops、gh-fix-ci、vercel-deploy |
| 🤖 复合工作流 | 冻结需求、分派任务、多 Agent 协调、执行追踪、环境清理 | vibe、swarm_*、hive-mind-advanced |
| 🔌 外部生态 | 桥接浏览器、网页爬取、设计文件、第三方服务以及上下文记忆 | mcp-integration、playwright、scrapling |
| 📊 数据与 AI 工程 | EDA、清洗与统计分析，直至模型训练、RAG 检索和实验跟踪 | senior-ml-engineer、statistical-analysis |
| 🔬 研究与生命科学 | 核心实力：文献综述、生物信息学、单细胞分析、药物发现 | literature-review、biopython、scanpy |
| 📐 数学与科学计算 | 符号推导、贝叶斯建模、多目标优化、仿真以及量子计算 | sympy、pymc-bayesian-modeling、qiskit |
| 🎨 多媒体与演示 | 交互式图表、出版级图表、幻灯片制作以及音视频制作 | plotly、generate-image、video-studio |
👉 展开：探索完整的 340+ 全栈能力矩阵
💡 为什么治理很重要：下方庞大的技能库并非孤立脚本的集合——它是由 VCO 运行时治理的生态系统。通过领域矩阵分类，系统会在合适的上下文节点自动调用正确的工具，无需您手动搜索技能。
🧠 需求、规划与产品管理
将宏大想法转化为可执行计划：需求洞察、问题定义、Sprint 计划、任务拆解以及约束收集。确保方向明确、边界清晰、里程碑可验证，再开始编写一行代码。
.system、aios-pm、aios-po、aios-sm、aios-squad-creator、aios-ux-design-expert、brainstorming、create-plan、designing-experiments、planning-with-files、shared-templates、speckit-analyze、speckit-checklist、speckit-clarify、speckit-constitution、speckit-plan、speckit-specify、speckit-tasks、speckit-taskstoissues、subagent-driven-development、think-harder、treatment-plans、ux-researcher-designer、writing-plans
🛠️ 软件工程与架构
真正的工程基础：从脚手架搭建、跨文件修改、API 设计到微服务架构评估。不仅仅是代码输出——还包括上下文记忆、工具链编排以及多阶段智能 Agent 协调。
aios-architect、aios-dev、aios-master、architecture-patterns、autonomous-builder、cancel-ralph、coding-tutor、context-fundamentals、context-hunter、cs-foundations、deepagent-memory-fold、deepagent-toolchain-plan、evaluating-code-models、get-available-resources、hive-mind-advanced、local-vco-roles、nowait-reasoning-optimizer、prompt-lookup、ralph-loop、skill-creator、skill-lookup、spec-kit-vibe-compat、speckit-implement、superclaude-framework-compat、theme-factory、vibe、webthinker-deep-research
🔧 调试、测试与质量保证
守护代码与系统的生命线：单元测试、根因分析、依赖冲突解决、安全漏洞审查以及完整的 TDD 指南——确保系统不会陷入“每次改动就出错”的黑箱状态。
aios-qa、build-error-resolver、code-review、code-review-excellence、code-reviewer、data-quality-checker、data-quality-frameworks、debugging-strategies、deslop、detecting-performance-regressions、error-resolver、evals-context、experiment-failure-analysis、generating-test-reports、ml-data-leakage-guard、performance-testing、property-based-testing、providing-performance-optimization-advice、receiving-code-review、requesting-code-review、reviewing-code、security-best-practices、security-ownership-map、security-reviewer、security-threat-model、systematic-debugging、tdd-guide、verification-before-completion、verification-quality-assurance、windows-hook-debugging
📊 数据分析与统计建模
让数据说出真相：一站式数据处理引擎，涵盖数据清洗、缺失值处理、探索性数据分析（EDA），直至高级统计检验、回归模型和时间序列预测。
aios-data-engineer、anomaly-detector、correlation-analyzer、dask、data-artist、data-exploration-visualization、data-normalization-tool、detecting-data-anomalies、excel-analysis、exploratory-data-analysis、feature-importance-analyzer、geopandas、hypothesis-testing、metric-calculator、networkx、performing-causal-analysis、performing-regression-analysis、polars、preprocessing-data-with-automated-pipelines、regression-analysis-helper、running-clustering-algorithms、scientific-data-preprocessing、splitting-datasets、spreadsheet、statistical-analysis、statistics-math、statsmodels、usfiscaldata、vaex、xlsx
🤖 机器学习与人工智能工程
全栈式AI模型开发：不仅仅是调用API——还包括特征工程、模型训练、微调、可解释性（SHAP）、大模型评估（Evals）以及强化学习工作流。
LQF_Machine_Learning_Expert_Guide, aeon, datamol, deepchem, embedding-strategies, engineering-features-for-machine-learning, evaluating-llms-harness, evaluating-machine-learning-models, explaining-machine-learning-models, geniml, ml-pipeline-workflow, openai-knowledge, pufferlib, pytorch-lightning, scikit-learn, scikit-survival, senior-computer-vision, senior-data-scientist, senior-ml-engineer, senior-prompt-engineer, shap, similarity-search-patterns, sparse-autoencoder-training, stable-baselines3, tensorboard, timesfm-forecasting, torch-geometric, torch_geometric, torchdrug, training-machine-learning-models, transformer-lens-interpretability, transformers, umap-learn, unsloth, weights-and-biases
🧬 生命科学与生物信息学
强大的跨学科综合平台：单细胞测序分析、蛋白质结构折叠、药物分子发现、基因组比对——与基于云的生物学实验室系统无缝集成。
adaptyv, alphafold-database, anndata, arboreto, benchling-integration, biopython, bioservices, cellxgene-census, cobrapy, deeptools, diffdock, dnanexus-integration, esm, etetoolkit, flowio, gene-database, gget, ginkgo-cloud-lab, gtars, histolab, imaging-data-commons, labarchive-integration, lamindb, latchbio-integration, matchms, medchem, molfeat, neurokit2, neuropixels-analysis, omero-integration, opentrons-integration, pathml, protocolsio-integration, pydeseq2, pydicom, pyhealth, pylabrobot, pyopenms, pysam, pytdc, rdkit, scanpy, scikit-bio, scvi-tools, tiledbvcf
🔬 科学计算与数学逻辑
精确推导与复杂系统仿真：符号数学、贝叶斯概率编程、量子计算仿真、多目标优化，以及严格的命题逻辑和数学证明辅助工具。
astropy, cirq, dialectic, fluidsim, gradient-methods, math, math-model-selector, math-tools, mathematical-logic-expert, matlab, pennylane, pymatgen, pymc, pymc-bayesian-modeling, pymoo, propositional-logic, qiskit, qutip, rowan, simpy, sympy, xan
📚 科学文献与学术写作
提升学术生产力的快速通道：可在数十个数据库中进行精准检索（PubMed、arXiv等），系统化整理综述矩阵，管理引用文献，并完成从草稿撰写到同行评审的完整发表流程。
bgpt-paper-search, biorxiv-database, brenda-database, chembl-database, citation-management, clinical-decision-support, clinical-reports, clinicaltrials-database, clinpgx-database, clinvar-database, comprehensive-research-agent, content-research-writer, cosmic-database, datacommons-client, documentation-lookup, drugbank-database, ena-database, ensembl-database, fda-database, geo-database, gwas-database, hmdb-database, hypothesis-generation, kegg-database, literature-matrix, literature-review, manuscript-as-code, market-research-reports, metabolomics-workbench-database, open-notebook, openalex-database, opentargets-database, paper-2-web, pdb-database, peer-review, pubchem-database, pubmed-database, pyzotero, reactome-database, research-grants, research-lookup, scholar-evaluation, scholarly-publishing, scientific-brainstorming, scientific-critical-thinking, scientific-reporting, scientific-writing, string-database, submission-checklist, uniprot-database, uspto-database, zinc-database
🎨 多媒体、可视化与文档编写
让知识与数据可视化：交互式图表生成、出版级科学图形绘制、幻灯片制作、音视频制作，以及对Word、PDF等办公文档的深度读写解析。
algorithmic-art, creating-data-visualizations, data-storytelling, datavis, doc, docs-review, docs-write, document-skills, docx, docx-comment-reply, figma, figma-implement-design, file-organizer, g2-legend-expert, generate-image, imagegen, infographics, latex-posters, latex-submission-pipeline, markdown-mermaid-writing, markitdown, matplotlib, pdf, plotly, pptx-posters, report-generator, scientific-schematics, scientific-slides, scientific-visualization, screenshot, seaborn, slides-as-code, smart-file-writer, speech, structured-content-storage, transcribe, venue-templates, video-studio, visualization-best-practices, vscode-release-notes-writer, writing-docs
🔌 外部集成、自动化与部署
突破运行时的限制：通过MCP协议和Playwright自动化工具，无缝连接外部浏览器、设计平台和云服务——同时支持CI/CD流水线和一键自动化部署。
aios-devops, alpha-vantage, claude-skills, commit-with-reflection, denario, digital-brain, edgartools, flashrag-evidence, fred-economic-data, geomaster, gh-address-comments, gh-fix-ci, hedgefundmonitor, hypogenic, iso-13485-certification, jupyter-notebook, knowledge-steward, mcp-integration, modal, modal-labs, netlify-deploy, openai-docs, perplexity-search, playwright, prowler-docs, scrapling, sentry, skypilot-multi-cloud-orchestration, vercel-deploy
📊 为什么它如此强大？
现在来看数据。这并不是一个演示项目——而是一个正在运行的系统。
VibeSkills背后的运行时核心是VCO。这并非单一工具或“代码补全”脚本——而是一个经过深度集成与治理的超级能力网络：
| 🧩 技能模块 | 🌍 生态系统 | ⚖️ 治理规则 |
|---|---|---|
340+直接可调用的技能覆盖从需求到交付的完整链条 |
19+吸收了高价值的上游开源项目和最佳实践 |
129政策规则和契约确保稳定、可追溯且无偏差的执行 |
⚙️ 安装与技能管理
技能在不断增长——但你无需单独管理它们。
卸载：仅清理自有资源
运行 uninstall.ps1 或 uninstall.sh --host <host> 是安装的对应卸载接口。默认情况下，它会执行以账本优先、仅清理自有资源的操作，只触及记录在 .vibeskills/install-ledger.json、*.host-closure.json 文件中，或文档中列出的旧版接口上的路径。打包的运行时仅保留可执行契约；完整的治理说明位于规范仓库中的 docs/uninstall-governance.md。
.vibeskills 品牌现在被有意划分为两层：
- 主机侧边车：
<target-root>/.vibeskills/host-settings.json、host-closure.json、install-ledger.json、bin/* - 工作区侧边车：
<workspace-root>/.vibeskills/project.json、.vibeskills/docs/requirements/*、.vibeskills/docs/plans/*、.vibeskills/outputs/runtime/vibe-sessions/*
这样做可以将主机端的安装状态与受治理的工作区/运行时工件分开，同时保留现有的相对运行时契约。当运维人员需要不同的工件存放位置时，显式指定的 ArtifactRoot 仍然有效。
安装：一个入口，两个公开版本
| 单一公共入口 | |
|---|---|
| 安装 | ⚡ 基于提示的安装（推荐） |
| 同一入口内的公开版本 | 完整版 + 可定制治理 / 框架版 + 可定制治理 |
| 结果 | 在一处选择主机、操作和版本，然后复制匹配的提示 |
自定义：添加您自己的技能
📦 站在巨人的肩膀上
这些能力并非从零开始构建。VibeSkills 的基础是将最佳开源解决方案持续集成到一个受治理的系统中。
我们深知，孤立地开发无法跟上快速发展的 AI 领域的步伐。VibeSkills 的核心优势在于不断吸收开源社区中最成熟的方法和架构，并将其纳入统一的治理与编排体系之下。
🙏 特别感谢与致谢
本项目持续集成、吸收并治理以下优秀开源项目的精华：
superpower·claude-scientific-skills·get-shit-done·aios-core·OpenSpec·ralph-claude-code·SuperClaude_Framework·spec-kit·Agent-S·mem0·scrapling·claude-flow·serena·everything-claude-code·DeepAgent等感谢各位作者的慷慨贡献——没有这些杰出的星光，VibeSkills 就不会存在。我们已尽力对所有被吸收的仓库进行恰当的署名和致谢。如有遗漏，请提交 Issue，我们将及时更正。
🚀 开始使用
现在您已经了解了这是什么。接下来只需一条提示：
⚠️ 调用说明：本项目采用 技能格式架构。请通过您的主机环境的技能调用方式来调用它——不要将其作为独立的 CLI 程序运行。
| 主机环境 | 调用方式 | 示例 |
|---|---|---|
| Claude Code | /vibe |
我想让你设计一个 XXX /vibe |
| Codex | $vibe |
我想让你设计一个 XXXX $vibe |
| OpenCode | /vibe |
使用 vibe 技能来规划这次变更。 |
| OpenClaw | 技能入口 | 参阅主机文档 |
| Cursor / Windsurf | 技能入口 | 参阅各平台的技能文档 |
💡 提示：为使每条消息都处于 VibeSkills 的受治理工作流中，请在每条消息后附加
$vibe或/vibe。未使用调用语法的消息将被视为受治理运行时之外的普通请求。
当前支持的平台：codex（最完整的受治理路径）· claude-code · cursor · windsurf（支持安装使用路径，并集成了运行时适配器）· openclaw（预览运行时核心路径）· opencode（预览适配器路径）
📚 文档与安装指南（点击展开）
理解系统
- 📖 系统架构与哲学
- 📜 VibeSkills 宣言
安装与配置
- ⚡️ 基于提示的安装（推荐）
- 🧩 自定义工作流导入
- 📄 OpenClaw 主机注意事项
- 📄 OpenCode 主机注意事项
- 📁 手动复制安装（离线）
- 🛠 高级安装命令参考
- 🧊 冷启动及其他环境
🤝 加入社区 · 共同建设
试试看吧！如果您有任何问题、想法或建议，欢迎随时提交 Issue——我会认真对待每一条反馈并不断改进。
本项目完全开源，欢迎一切贡献！
无论是修复 bug、提升性能、增加功能，还是改进文档，每一个 PR 都将受到衷心的感谢。
Fork → Modify → Pull Request → Merge ✅
⭐ 如果本项目对您有所帮助，一颗 Star 就是对我们最大的支持！ 您的支持就是驱动这头核动力驴子的浓缩铀 🫏
感谢 LinuxDo 社区的支持！
技术讨论、AI 前沿、AI 经验分享——尽在 Linuxdo！
星标历史
版本历史
v2.3.552026/03/30v2.3.542026/03/30v2.3.532026/03/29v2.3.522026/03/29v2.3.512026/03/28v2.3.502026/03/26常见问题
相似工具推荐
stable-diffusion-webui
stable-diffusion-webui 是一个基于 Gradio 构建的网页版操作界面，旨在让用户能够轻松地在本地运行和使用强大的 Stable Diffusion 图像生成模型。它解决了原始模型依赖命令行、操作门槛高且功能分散的痛点，将复杂的 AI 绘图流程整合进一个直观易用的图形化平台。 无论是希望快速上手的普通创作者、需要精细控制画面细节的设计师，还是想要深入探索模型潜力的开发者与研究人员，都能从中获益。其核心亮点在于极高的功能丰富度：不仅支持文生图、图生图、局部重绘（Inpainting）和外绘（Outpainting）等基础模式，还独创了注意力机制调整、提示词矩阵、负向提示词以及“高清修复”等高级功能。此外，它内置了 GFPGAN 和 CodeFormer 等人脸修复工具，支持多种神经网络放大算法，并允许用户通过插件系统无限扩展能力。即使是显存有限的设备，stable-diffusion-webui 也提供了相应的优化选项，让高质量的 AI 艺术创作变得触手可及。
everything-claude-code
everything-claude-code 是一套专为 AI 编程助手（如 Claude Code、Codex、Cursor 等）打造的高性能优化系统。它不仅仅是一组配置文件，而是一个经过长期实战打磨的完整框架，旨在解决 AI 代理在实际开发中面临的效率低下、记忆丢失、安全隐患及缺乏持续学习能力等核心痛点。 通过引入技能模块化、直觉增强、记忆持久化机制以及内置的安全扫描功能，everything-claude-code 能显著提升 AI 在复杂任务中的表现，帮助开发者构建更稳定、更智能的生产级 AI 代理。其独特的“研究优先”开发理念和针对 Token 消耗的优化策略，使得模型响应更快、成本更低，同时有效防御潜在的攻击向量。 这套工具特别适合软件开发者、AI 研究人员以及希望深度定制 AI 工作流的技术团队使用。无论您是在构建大型代码库，还是需要 AI 协助进行安全审计与自动化测试，everything-claude-code 都能提供强大的底层支持。作为一个曾荣获 Anthropic 黑客大奖的开源项目，它融合了多语言支持与丰富的实战钩子（hooks），让 AI 真正成长为懂上
ComfyUI
ComfyUI 是一款功能强大且高度模块化的视觉 AI 引擎，专为设计和执行复杂的 Stable Diffusion 图像生成流程而打造。它摒弃了传统的代码编写模式，采用直观的节点式流程图界面，让用户通过连接不同的功能模块即可构建个性化的生成管线。 这一设计巧妙解决了高级 AI 绘图工作流配置复杂、灵活性不足的痛点。用户无需具备编程背景，也能自由组合模型、调整参数并实时预览效果，轻松实现从基础文生图到多步骤高清修复等各类复杂任务。ComfyUI 拥有极佳的兼容性，不仅支持 Windows、macOS 和 Linux 全平台，还广泛适配 NVIDIA、AMD、Intel 及苹果 Silicon 等多种硬件架构，并率先支持 SDXL、Flux、SD3 等前沿模型。 无论是希望深入探索算法潜力的研究人员和开发者，还是追求极致创作自由度的设计师与资深 AI 绘画爱好者，ComfyUI 都能提供强大的支持。其独特的模块化架构允许社区不断扩展新功能，使其成为当前最灵活、生态最丰富的开源扩散模型工具之一，帮助用户将创意高效转化为现实。
NextChat
NextChat 是一款轻量且极速的 AI 助手，旨在为用户提供流畅、跨平台的大模型交互体验。它完美解决了用户在多设备间切换时难以保持对话连续性，以及面对众多 AI 模型不知如何统一管理的痛点。无论是日常办公、学习辅助还是创意激发，NextChat 都能让用户随时随地通过网页、iOS、Android、Windows、MacOS 或 Linux 端无缝接入智能服务。 这款工具非常适合普通用户、学生、职场人士以及需要私有化部署的企业团队使用。对于开发者而言，它也提供了便捷的自托管方案，支持一键部署到 Vercel 或 Zeabur 等平台。 NextChat 的核心亮点在于其广泛的模型兼容性，原生支持 Claude、DeepSeek、GPT-4 及 Gemini Pro 等主流大模型，让用户在一个界面即可自由切换不同 AI 能力。此外，它还率先支持 MCP（Model Context Protocol）协议，增强了上下文处理能力。针对企业用户，NextChat 提供专业版解决方案，具备品牌定制、细粒度权限控制、内部知识库整合及安全审计等功能，满足公司对数据隐私和个性化管理的高标准要求。
ML-For-Beginners
ML-For-Beginners 是由微软推出的一套系统化机器学习入门课程，旨在帮助零基础用户轻松掌握经典机器学习知识。这套课程将学习路径规划为 12 周，包含 26 节精炼课程和 52 道配套测验，内容涵盖从基础概念到实际应用的完整流程，有效解决了初学者面对庞大知识体系时无从下手、缺乏结构化指导的痛点。 无论是希望转型的开发者、需要补充算法背景的研究人员，还是对人工智能充满好奇的普通爱好者，都能从中受益。课程不仅提供了清晰的理论讲解，还强调动手实践，让用户在循序渐进中建立扎实的技能基础。其独特的亮点在于强大的多语言支持，通过自动化机制提供了包括简体中文在内的 50 多种语言版本，极大地降低了全球不同背景用户的学习门槛。此外，项目采用开源协作模式，社区活跃且内容持续更新，确保学习者能获取前沿且准确的技术资讯。如果你正寻找一条清晰、友好且专业的机器学习入门之路，ML-For-Beginners 将是理想的起点。
ragflow
RAGFlow 是一款领先的开源检索增强生成（RAG）引擎，旨在为大语言模型构建更精准、可靠的上下文层。它巧妙地将前沿的 RAG 技术与智能体（Agent）能力相结合，不仅支持从各类文档中高效提取知识，还能让模型基于这些知识进行逻辑推理和任务执行。 在大模型应用中，幻觉问题和知识滞后是常见痛点。RAGFlow 通过深度解析复杂文档结构（如表格、图表及混合排版），显著提升了信息检索的准确度，从而有效减少模型“胡编乱造”的现象，确保回答既有据可依又具备时效性。其内置的智能体机制更进一步，使系统不仅能回答问题，还能自主规划步骤解决复杂问题。 这款工具特别适合开发者、企业技术团队以及 AI 研究人员使用。无论是希望快速搭建私有知识库问答系统，还是致力于探索大模型在垂直领域落地的创新者，都能从中受益。RAGFlow 提供了可视化的工作流编排界面和灵活的 API 接口，既降低了非算法背景用户的上手门槛，也满足了专业开发者对系统深度定制的需求。作为基于 Apache 2.0 协议开源的项目，它正成为连接通用大模型与行业专有知识之间的重要桥梁。