Agent Skills para Claude Code
RayChang/agent-skills
Skills modulares para automação e conhecimento em agentes Claude
Ver no GitHubColeção de skills reutilizáveis para agentes Claude Code e Gemini CLI, incluindo conhecimento baseado em wiki, conversão de arquivos para markdown e verificação agentic multi-etapas. Oferece operações como inicialização de base de conhecimento, ingestão de fontes, consultas e auditoria de drift.
Instalação
npx convez-ai RayChang/agent-skills1 comando no terminal: detecta o formato do repositório (marketplace ou plugin avulso) e instala via Claude Code. Requer Node 18+ e o Claude Code instalado.
Métricas
Casos de uso
- Construir e manter bases de conhecimento pessoais com padrão LLM Wiki
- Converter documentos e URLs em markdown estruturado automaticamente
- Validar respostas de agentes com verificação em três estágios (CoVe)
Veredito

Conjunto bem arquitetado de skills TypeScript que estende capacidades do Claude Code com operações de conhecimento e verificação. Documentação em chinês pode ser barreira inicial, mas código é limpo e o padrão LLM Wiki é robusto para projetos que precisam de manutenção contínua de artefatos.
README
A tradução para o português deste README ainda está na fila.
🛠️ Agent Skills
適用於 Claude Code 與 Gemini CLI 的通用 agent skills 集合
繁體中文 · English
📚 Skills 總覽
| Skill | 用途 | 主要觸發 |
|---|---|---|
📚 kb-wiki | LLM 驅動的個人知識庫(Karpathy LLM Wiki pattern) | /kb-wiki <op> |
📝 markitdown | 檔案/URL → Markdown 轉換 | 自然語言 |
✅ cove | Agentic CoVe 2.0:開卷三階段自我驗證 | /cove |
📦 安裝
npx skills add RayChang/agent-skills@<skill-name>
安裝後 skill 會放在
~/.claude/skills/(Claude) 或~/.gemini/extensions/(Gemini) 下,Agent 啟動時會自動載入。
🚀 使用
Skills 可透過兩種方式觸發:
1️⃣ 自然語言觸發
直接描述需求,Agent 會根據 skill 的描述自動選用:
| 說出這句話 | 自動觸發 |
|---|---|
| 「把這份 PDF 轉成 markdown」 | 📝 markitdown |
| 「幫這個專案建立 KB」 | 📚 kb-wiki |
| 「對剛剛的回答做驗證」 | ✅ cove |
2️⃣ Slash command 觸發
直接輸入 /<skill-name> 或 /<skill-name> <operation>:
/kb-wiki init # 初始化知識庫
/kb-wiki ingest # 錄入新來源
/cove # 驗證上一則回答
💡 在 Agent 中輸入
/可查看所有可用 skill,或執行/help查看說明。
✨ Skills
📚 kb-wiki
基於 Andrej Karpathy 的 LLM Wiki 模式,在專案中建立並維護 LLM 驅動的個人知識庫。
由 LLM 負責撰寫與維護 wiki 內容,人類 負責整理來源資料與提問。
🏗️ 三層架構
| 層級 | 位置 | 擁有者 |
|---|---|---|
| Raw sources | kb/raw/sources/ | 人類(不可變) |
| Wiki | kb/wiki/ | LLM(完全維護) |
| Schema | kb/schema.md + GEMINI.md/CLAUDE.md | 人類定義、LLM 遵循 |
🔧 支援操作
| 操作 | 說明 |
|---|---|
init | 初始化 KB,建立目錄結構與 schema |
ingest | 處理新的來源文件:更新 wiki 頁面 + 寫入逐源摘要(summaries/,ingest 帳本) |
query | 以 wiki 內容回答問題(事實/推論分開標示),答案歸檔回 wiki |
lint | 健康檢查:斷鏈、孤立頁面、矛盾內容、未編譯來源(raw 有檔但 wiki 沒收) |
map | 重建 index、MOC 及交叉連結 |
verify | 對照實際 codebase 檢查 wiki 是否漂移(drift audit) |
capture | 在里程碑結束後萃取設計決策與教訓 |
migrate | 將舊版 KB 升級到現行 schema(schema 重建保留客製、回填摘要帳本、補 overview) |
💡
verify≠lint:lint檢查 wiki 的內部健康(斷鏈、孤立、矛盾);verify檢查外部校準——頁面是否仍與它描述的程式碼一致。Forward-design(尚未實作的設計)頁面不算漂移,只有頁面宣稱的「現況」才會被檢查;修正後一律以獨立 pass 重新驗證。
📥 安裝
npx skills add RayChang/agent-skills@kb-wiki
🎬 首次使用(init)
cd進入要建立知識庫的專案目錄- 執行
/kb-wiki init(或告訴 Agent「初始化這個專案的 KB」) - Agent 讀取
GEMINI.md/CLAUDE.md/README.md/package.json,提案合適的分類結構讓你確認 - 確認後自動建立:
- 📁
kb/raw/sources/、kb/raw/assets/(原始素材層,不可變動) - 📁
kb/wiki/{categories}/、kb/wiki/summaries/(LLM 維護的 wiki 層;summaries 為逐源摘要) - 📄
kb/schema.md(本專案的 KB 規則) - 📄
kb/wiki/index.md、kb/wiki/log.md、kb/wiki/overview.md(高層綜述,隨 ingest 更新) - 📝 在專案根的
GEMINI.md或CLAUDE.md附加## Knowledge Base區塊,讓後續任何 LLM agent 進專案都能自動發現 KB(自動偵測平台適配)
- 📁
🔄 日常流程
flowchart LR
A[📥 丟 sources 進<br/>kb/raw/sources/] --> B[🔄 /kb-wiki ingest]
B --> C[📚 wiki 自動更新<br/>summaries + index + log]
C --> D[💬 /kb-wiki query<br/>或直接提問]
D --> E[📝 答案歸檔回 wiki]
E --> F[🔧 定期 lint / map / verify<br/>維護健康度與校準]
📝 markitdown
使用 Microsoft 的 markitdown 將檔案或 URL 轉換為 Markdown,透過 uvx 免安裝執行。
📋 支援格式
| 類別 | 格式 |
|---|---|
| 文件 | PDF、DOCX、PPTX、XLSX、EPUB |
| 網頁 | HTML、Wikipedia、RSS/Atom URL |
| 資料 | CSV、JSON、XML |
| 媒體 | 音訊、YouTube URL |
| 其他 | ZIP、Jupyter Notebook、Outlook .msg |
📥 安裝
npx skills add RayChang/agent-skills@markitdown
⚙️ 首次使用(setup)
安裝後執行一次 /markitdown setup(或告訴 Agent「設定 markitdown」),會在全域設定檔(如 ~/.gemini/GEMINI.md 或 ~/.claude/CLAUDE.md)自動追加 ## File & URL Reading 區塊,讓 Agent 日後收到檔案或 URL 時優先使用 markitdown 而非 WebFetch/Read。操作是 idempotent 的——已有區塊就跳過。
要寫進專案層級的設定,執行 /markitdown setup --project(對象改為該專案的 GEMINI.md 或 CLAUDE.md)。
✅ cove
基於 Meta AI 的 Chain-of-Verification(CoVe) 與 Microsoft 的 CRITIC,將原本的閉卷自我驗證升級為**開卷(tool-interactive)**的三階段管線——正是 CoVe 論文結論自己提出的延伸方向。
以 /cove 手動觸發,對前一個回應(或指定內容)進行驗證與修訂。
🔄 三階段管線
| Phase | 動作 | 目的 |
|---|---|---|
| 1️⃣ Draft & Plan | 草擬回答並輸出 JSON 驗證計畫 | needs_verification 閘門短路閒聊/常識 |
| 2️⃣ Tiered Verify | deep 走開卷平行 search-subagent、shallow 走保守閉卷 | 用外部證據接地,消滅閉卷幻覺 |
| 3️⃣ Critique & Finalize | 對照證據嚴格審查、重寫並附 citations | 修正內容標明來源,無法佐證就誠實說明 |
🎯 分層驗證(Tier Routing)
| Tier | 驗證方式 | 適用 |
|---|---|---|
🔬 deep | 開卷:平行 search-subagent(fresh context,且看不到原稿) | 具體數字/版本/API、具名引用、法律醫療合規、冷門主題、User 會直接採用的結論 |
🪶 shallow | 閉卷、保守(只加 caveat、不自信改寫) | 邏輯/推理、依賴對話 context、常識、主觀觀點 |
💡
deep路徑同時保留 CoVe 的 Factored 隔離(驗證者看不到原稿,避免重複幻覺)與 CRITIC 的開卷查證(用搜尋證據接地)。shallow之所以保守,是因為 CRITIC 實證「沒有外部回饋的自我修正可能無益甚至更糟」。
🐍 Reference 實作
cove/reference/ 附一份 provider-agnostic 的 Python 實作(asyncio 平行驗證、可插拔 LLMClient / SearchProvider),供將 CoVe 2.0 嵌入自家 LLM app。詳見 cove/reference/README.md。
📥 安裝
npx skills add RayChang/agent-skills@cove