刚发现我的软件工厂技能库现在有约1k个GitHub星标了 😬 为了庆祝，我新增了一个Karpathy风格的自动研究技能，用于在典型软件工厂循环之外快速解决特定技术瓶颈。还需要添加什么吗？https://t.co/WcLfM9NhP6

dzhng/skills

来源：https://github.com/dzhng/skills

技能

skills.sh (https://skills.sh/dzhng/skills)

用于构建软件工厂的AI技能。 我个人的领域无关代理技能库，在每个项目中重复使用。小巧、可组合且可定制——适用于任何支持技能的运行框架：Claude Code、Codex、opencode、Cursor、duet (https://duet.so) 和其他70多种工具 (https://github.com/vercel-labs/skills)。

npx skills add dzhng/skills

添加 --list 选择单个技能，或将任何 skills/// 文件夹复制到您的运行框架技能目录（例如 .claude/skills/）。从克隆仓库运行 npm run install-skills 无需注册表即可完成同样操作：

npm run install-skills # 安装到 ~/.agents/skills，从 ~/.claude/skills 创建链接
npm run install-skills -- ../my-app # 安装到仓库而非主目录
npm run install-skills -- --only write-spec,review ../my-app # 仅安装指定技能
npm run list-skills # 显示名称和分类

.agents/skills// 存放实际文件（扁平化，无分类，跨类别链接已重写以匹配）；.claude/skills/ 是指向它的相对符号链接，因此两个运行框架读取同一份副本。重新运行会覆盖已安装的副本——如果您保留 .claude/skills/ 作为真实目录则不会受影响，已是符号链接的 .claude/skills 也保持不变。添加 --dry-run 可先查看计划。

为什么

软件正在从任务转向工厂：代理自主追求目标，直到输出可被信任。难点不在于将目标拆解为任务——而在于将其分解为可独立验证的部分，并知道这些部分位于何处。这些技能正是运行这个循环。

将未知视为战争迷雾：绘制地形，将其划分为可独立构建和验证的区域，并对任何隐藏更多地图的区域进行递归重切。重新规划不会在计划结束时停止——规范是一份活文档，在实现过程中每当工作表明计划已过时时，就会更新和重新切分。每个部分都必须证明自己——通过架构评审、代码评审以及与基线的视觉评审——然后循环才会继续进行。每次迭代都比上一次少一些错误，直到目标完成。

一次自主运行——1天，16小时专注于一个目标> 证明：一次无人值守的Codex运行，基于这些技能，专注于一个目标 1天16小时，不断切分和迭代直至完成。

如何使用

使用链式流水线构建功能，使用研究循环探索有效方法，或根据需要使用单个技能。每个技能都可独立使用。

完整循环——大型功能，从头到尾

完整循环——探索、规范、无人值守构建、评审选择

1. 绘制迷雾地图。 对想法使用 /explore-unknowns。它会逐个象限地询问您，并为您提供渲染的选项、模型和决策表以供反应，而不是让您凭空想象。最终您将清楚这个功能是做什么的。

2. 编码规范。 对该地图使用 /write-spec。大多数决策已在上游做出，因此这一步只是转录——我不阅读规范。对于遇到的任何真正新问题，它会询问而非自行决定。

3. 构建。 启动循环：

/goal /implement-spec specs/

/goal 是使运行框架进入循环模式的指令——在 Claude Code 或 Codex 中是相同操作——然后由规范驱动执行。小型功能需要几小时，大型功能需要两到三天。添加适合的描述：在xyz分支上，或 使用 /codex 作为执行者，而您保持为父级编排器和评审者。

4. 评审选择，而非差异。 运行通过整合 specs//choices.md 结束——代理在规范未明确说明时所做的每个决策，按置信度从低到高排序。这是评审界面。将更改发送回去，下一轮会重新审计：每次AI编写代码时，您审计它所做的选择。其余部分自动触发：每个切分结束时的 /review 流程，任何可视化内容的 /screenshot-critique 和 /compare-screenshots，最后一个切分完成时的 /close-spec，以及每当实现证明计划过时时对计划的重新切分。

预算：步骤1-2需要30分钟到几小时，步骤4需要30分钟到几小时。运行两天的案例，两端各约2-3小时。您的时间花在两端；中间是无人值守的。

研究——通过快速实验学习

当下一个决策需要实验证据时使用 自动研究。它从一个快速、有启发性的任务开始，测试一小批假设，检查组合，并随着方法改进扩大覆盖范围。新的失败成为焦点；早期任务成为回归检查。

/auto-research 将每个任务的成本相对于保存的基线至少降低15%，同时不降低任务成功率。从一个快速开发任务开始。

如果评估器、指标、基线或所需改进不明确，该技能会在实验前进行询问。通过评估与达到改进目标是独立的要求。输出包括经过验证的最佳工件和参数效应图：测试了什么，在哪里有帮助或伤害，以及更改如何相互作用。当研究准备好实现时，使用该证据来指导规范。

自选模式——自发路径

• 头脑风暴变成了一个功能。 /explore-unknowns 在讨论结束时与开始时同样有效——运行它以扫描你们都没想到的角度，然后在步骤2继续循环。
• 任何未来自规范的代码更改。 一个临时修复触及了预期之外的内容：首先使用 /review（重构清理 → 代码评审 → 编写文档），然后使用 /audit-choices。当差异太大无法阅读时，选择账本是您仍然了解代码库中现在内容的方式。

技能

工程——切分、构建、验证、重复

视觉评审——绝不凭感觉接受视觉效果

创作——保持技能本身精炼

图形

许可证

MIT