convez.ai
SkillAutomaçãoIntermediário
RayChang

Agent Skills para Claude Code

RayChang/agent-skills

Skills modulares para automação e conhecimento em agentes Claude

Ver no GitHub
InicialPluginScore · de 0 a 100

Coleção 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-skills

1 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

Estrelas
0
Forks
1
Acompanhando
0
Saúde
28%
Último commit
há 3 dias
Versão
kb-wiki-v1.0.0
Issues abertas
0
Contribuidores
2

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

GitHub Claude Code Gemini CLI Skills Docs

繁體中文 · English


📚 Skills 總覽

Skill用途主要觸發
📚 kb-wikiLLM 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
✅ coveAgentic 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 sourceskb/raw/sources/人類(不可變)
Wikikb/wiki/LLM(完全維護)
Schemakb/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)

  1. cd 進入要建立知識庫的專案目錄
  2. 執行 /kb-wiki init(或告訴 Agent「初始化這個專案的 KB」)
  3. Agent 讀取 GEMINI.md / CLAUDE.md / README.md / package.json,提案合適的分類結構讓你確認
  4. 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 Verifydeep 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
Ver o original no GitHub

Bom para

Relacionados