Agent skill · writing content · aiskillstore
github-repo-search
帮助用户搜索和筛选 GitHub 开源项目，输出结构化推荐报告。当用户说"帮我找开源项目"、"搜一下GitHub上有什么"、"找找XX方向的仓库"、"开源项目推荐"、"github搜索"、"/github-search"时触发。
Why this skill is useful
Provides structured search and filtering processes for GitHub repositories that the AI wouldn't reliably generate on its own.
What it needs
About 2k tokens when loaded. Last updated 2026-08-07. 405 stars on the source repository.
What this skill does
GitHub 开源项目搜索助手 用途 从用户自然语言需求出发，经过需求挖掘、检索词拆解、GitHub 检索、过滤分类、深度解读，最终产出结构化推荐结果。 目标不是"给很多链接"，而是"给用户可理解、可比较、可决策、可直接行动的候选仓库列表"。 适用范围（V1.1） 数据源：GitHub 公开仓库。 默认不授权（不使用用户 Token）。 默认硬过滤：stars >= 100、archived=false、is:public。 默认输出：单榜单（Top N），榜单内按"仓库归属类型"标注。 本流程默认不包含安装与落地实施（除非用户单独提出）。 配额说明（必须知晓） 未授权 Core API：60 次/小时。 Search API：10 次/分钟（独立于 Core 额度）。 需要在报告中注明检索时间与配额状态，避免结果不可复现。 工作流程 环节一：需求收敛（必须完成，不可跳过） 硬性门控：环节一是整个流程的前置条件。无论用户的需求描述多么清晰，都必须走完本环节并获得用户明确确认后，才能进入环节二。禁止根据用户的初始描述直接推断需求并开始检索。即使用户说"直接搜就行"，也要先输出需求摘要让用户确认。 第一步：需求挖掘与对齐 目标：把"我想看看 XX"转成可执行、可排序、可解释的检索目标。 需确认信息（最少）： 1. 主题（如：agent 记忆、RAG、浏览器自动化） 2. 数量（Top 10 / Top 20） 3. 最低 stars（默认 100） 4. 排序模式（必须二选一）：相关性优先 / 星标优先（默认：相关性优先） 5. 目标形态（必须二选一或多选）： 可直接使用的产品 / 可二次开发的框架 / 资料清单/方法论 建议补充信息（可选）： 1. 偏好技术栈（Python/TS/Go 等） 2. 使用场景（学习、生产、对标） 3. 排除项（教程仓库、归档仓库、纯论文复现等） 4. 部署偏好（本地优先/云端优先/混合） 阶段输出（固定格式）： 向用户确认以上信息。用户明确确认后才能进入环节二，否则停在这里继续对齐。 --- 环节二：检索执行（以下环节由模型自主执行，无需用户介入，直到环节四交付报告） 第二步：检索词拆解（5-10 组） 目标：平衡"召回率"和"相关性"，避免只靠单词硬搜导致偏题。 拆词规则： 每组 query 由以下维度组合： 1. 核心词：用户目标词 2. 同义词：替代表达（如 long-term memory / stateful memory） 3. 场景词：coding、mcp、tool、platform、awesome、curated 4. 技术词：agent、sdk、framework、database、os 5. 排除思路：不在 query 里硬写过多负例，放到后续过滤阶段 产出格式： 第三步：执行检索与候选召回 执行原则： 1. 每组 query 都执行检索（建议每组 30-50 条）。 2. 合并结果形成候选池。 3. 按 owner/repo 去重。 4. 记录检索时间与 API 额度信息。 候选池字段（最少）： 1. owner/repo 2. stars 3. description 4. repourl 5. archived 6. language 7. updatedat 8. topics 9. license 第四步：去重与硬过滤 硬过滤（默认）： 1. stars >= 100 2. archived = false 3. is:public 可选硬过滤（按需）： 1. fork = false 2. 指定语言：language:xxx 3. 更新时效：最近 6-12 个月 --- 环节三：质量精炼 第五步：噪音剔除与相关性重排 目标：解决"命中 memory 但其实不是 agent memory"的噪音问题。 噪音剔除规则（示例）： 1. 与主题无关的通用工程仓库（即使 stars 很高） 2. 关键词误命中仓库（仅描述中偶然出现 memory/agent） 3. 无实质内容或异常仓库 排序原则（V1.1）： star 不再作为主排序，只作为召回门槛之一。 建议综合排序权重： 1. 需求相关性：35% 2. 场景适用性：30% 3. 活跃度（更新时效）：15% 4. 工程成熟度（文档/示例/可维护）：15% 5. stars：5% 第六步：仓库归属类型分类（必须） 目标：让用户一眼看懂"这个仓库到底是什么角色"，避免把框架、应用、目录混为一谈。 推荐类型字典： 1. 通用框架层 2. 应用产品层（可直接使用） 3. 记忆层/上下文基础设施 4. MCP 服务层 5. 目录清单层（awesome/curated） 6. 垂直场景方案层 7. …
How to use it
Reference it in AdaL, Claude Code, Cursor or any coding agent — nothing to install:
@skills aiskillstore/github-repo-search