Agent Skills Hub

Agent Skills Hub官网,帮助你海量的 Agent Skills 中，快速找到真正好用的那一个

什么是Agent Skills Hub?

Agent Skills Hub 是面向现代AI应用开发者的专业工具导航站，致力于解决智能体构建过程中的资源发现与质量评估难题。平台已建立包含45,000余个开源项目的庞大数据库，横跨MCP协议服务器、Anthropic Claude技能、OpenAI Codex插件、通用智能体工具及AI辅助编程工具等全品类。通过分析GitHub Stars、贡献者活跃度、版本发布稳定性、Issue解决率等10项专业指标，平台构建了独特的项目排名算法，让用户一眼识别优质资源。平台界面按实际应用场景组织，提供代码审查、网页抓取、工作流自动化、提示工程等功能筛选，帮助开发者按图索骥。数据每8小时同步更新，确保收录最新的智能体框架和技能扩展。此外，平台运营每周趋势通讯，精选值得关注的新项目和MCP生态进展，是AI从业者紧跟技术前沿、提升开发效能的实用工具。

Agent Skills Hub官网: https://agentskillshub.top/

---

Agent Skills Hub 深度评测：45,000+ AI 技能一站聚合，这才是 2026 年找 Skills 的正确姿势

2026 年，AI Agent 的浪潮正以前所未有的速度席卷整个开发者生态。当 Claude Code、Cursor、Windsurf 这类 AI 编程工具成为工程师日常必备的时候，一个更深层的问题浮出水面——如何在海量的 Agent Skills 中，快速找到真正好用的那一个？

Skills 不是新鲜事物，但市面上的 Skills 仓库正在以指数级速度膨胀。GitHub 上散落的仓库、各家平台自建的市场、开发者个人整理的清单……信息噪音越来越大，筛选成本越来越高。

正是在这样的背景下，Agent Skills Hub（agentskillshub.top） 应运而生，它试图成为这个混乱生态里的一个”锚点”——一个覆盖面广、数据新鲜、评分客观的 AI 技能聚合平台。这篇文章会从功能拆解、实际体验、横向对比几个维度，带你彻底摸清这个产品的底细。

---

什么是 Agent Skills Hub

在深入评测之前，先花一分钟搞清楚背景知识。

Agent Skills，本质上是一种标准化的程序性知识封装格式。核心文件是 SKILL.md，包含技能的元数据和任务指导，告诉 AI Agent 什么时候启用这个技能、具体怎么执行。如果说 MCP 为 AI Agent 提供了”手”来操作工具，那么 Skills 就提供了”操作手册”——它不是连接器，而是行为规范与知识模块的组合。

自从 Anthropic 在 2025 年 10 月正式推出 Claude Skills 功能以后，整个生态快速扩张。微软 Azure AI Studio 宣布原生支持 Agent Skills 格式，GitHub Copilot Workspace 实验性接入，Cursor 成为首个全面采用的 AI IDE，TechCrunch 将其称为”AI 领域的 Dockerfile”——可复用、可组合、可版本控制。

在这个节点上，Agent Skills Hub 选择做的，是一个跨平台的技能发现与聚合入口。官网的自我定位非常清晰：“一个集中式平台和市场，用于在多个 AI 工具和编码环境中发现、管理和部署 AI 代理技能。”

---

核心数据与产品规模

Agent Skills Hub 当前收录了 超过 45,000 个开源仓库，涵盖 MCP 服务器、Claude Skills、Codex Skills、AI 编程助手以及通用 Agent 工具。这个数字是目前同类平台中规模最大的之一，且每隔 8 小时自动刷新一次数据，确保内容的时效性。

在工具类型的分类上，平台将收录内容划分为七大类别：

• MCP Server：基于 Model Context Protocol 的 AI Agent 服务器
• Claude Skill：专为 Anthropic Claude 设计的技能与插件包
• Codex Skill：面向 OpenAI Codex Agent 的技能
• Agent Tool：通用型 AI Agent 工具
• Prompt Library：经过筛选的提示词集合与模板库
• AI Coding Assistant：AI 驱动的代码生成与编辑工具
• AI Tool：其他开源 AI 工具

这种分类逻辑不是随意堆砌的。MCP Server 和 Agent Skills 本质上是两种不同的扩展哲学：MCP 面向开发者，提供工具连接能力；Skills 面向使用者，优化行为规范与上下文管理。将两者分类并列，说明平台在产品设计上对这两个概念有清晰的理解，而不是将所有东西混在一起糊弄用户。

---

十维评分体系：搜索之外的核心壁垒

如果只是做一个索引，Agent Skills Hub 的价值就很有限了。真正让它值得关注的，是其基于 10 项加权信号的评分机制。

平台对每一个收录项目进行综合打分，评分维度包括：

1. GitHub Stars 数量：社区认可度的直接体现
2. 代码质量：通过静态分析和结构规范性判断
3. 文档完整性：README 质量、使用说明是否清晰
4. 社区活跃度：Issues 响应速度、PR 合并频率
5. 维护状态：最近更新时间、版本迭代节奏
6. 功能覆盖广度：适用场景数量
7. 跨平台兼容性：支持几种 AI 工具
8. 安装便捷度：是否提供一键安装指引
9. Skill 结构规范性：SKILL.md 是否符合官方格式规范
10. 用户反馈信号：来自社区讨论的正向反馈

这 10 个维度被加权计算，最终形成一个综合得分。在此基础上，平台还借鉴了游戏化的分级思路，设立 S-Rank 到 A-Rank 的质量认证层级，帮助用户在千百个选项中快速锁定精品。

这套机制解决了一个根本性问题：在 AI 技能生态里，Star 数量不等于质量，更新时间不等于稳定性，光靠一个维度根本无法判断一个 Skill 是否值得信任。

---

场景化发现：41 个垂直索引页

除了分类浏览，Agent Skills Hub 还针对常见使用场景，专门建设了 41 个专属场景索引页，让用户可以从”我要做什么”出发，而不是从”工具叫什么名字”出发来寻找资源。

这些场景覆盖范围相当广：

开发向场景：

• Code Review（代码审查）
• Code Completion & Generation（代码补全与生成）
• Security Auditing（安全审计）
• AI Agent Frameworks（Agent 框架）
• Web Scraping（网页抓取）

自动化向场景：

• Workflow Automation（工作流自动化）
• Browser Automation（浏览器自动化）
• MCP Database Tools（数据库工具）
• MCP Browser Automation（MCP 浏览器自动化）

通用向场景：

• Prompt Engineering（提示词工程）
• Model Evaluation（模型评测）

每个场景页都聚合了相关工具的排名与评分，相当于在一个特定问题域里做了垂直榜单。对于那些不知道”我不知道自己需要什么”的用户而言，这种组织方式非常友好——你不需要预先知道工具名称，只需要知道自己要解决什么问题。

---

数据刷新机制：每 8 小时同步一次

AI 工具生态的迭代速度极快，一个在两个月前非常优秀的 Skill，今天可能已经有了更好的替代品，或者已经停止维护。Agent Skills Hub 采用 8 小时数据刷新周期，这意味着无论是新入库的项目，还是已有项目的 Star 增长、更新状态变化，都会在较短时间内得到反映。

这对用户来说是实实在在的体验差异。如果你是一个追踪最新 AI 工具动态的开发者，8 小时刷新意味着你在这里看到的数据，基本不会出现”这个项目其实上个月就已经停更了”这种尴尬情况。

相比之下，很多社区 GitHub 聚合仓库是由人工维护的，更新频率取决于维护者的精力，往往几周甚至几个月才刷新一次。

---

每周 Newsletter：主动推送生态动态

平台还提供一项颇为贴心的功能：每周 Newsletter 订阅服务。每周一，订阅者会收到一份精选推送，内容包括：

• 本周趋势 AI Agent 工具
• 新上线的热门 MCP 服务器
• 本周 Top Skills 精选

这种主动推送的逻辑在于：用户不可能每天都去刷平台，但生态里每天都在发生变化。Newsletter 的作用是降低信息获取的摩擦——你不需要主动去找，好的内容会定时送到你的收件箱里。

从运营角度来看，这也是平台培养用户习惯的一种手段。每周一次的邮件触达，比依赖用户主动回访要稳定得多。

---

实际体验拆解

从实际使用来看，Agent Skills Hub 的产品体验整体偏向工具型、信息型，而不是社区型。

搜索体验方面，平台支持关键词搜索，同时结合分类过滤，可以快速缩小范围。搜索结果会展示每个工具的核心信息：名称、简介、Star 数量、最近更新时间、适用平台，以及综合评分。信息密度适中，不会让用户感到信息过载。

分类导航方面，七大类型 + 41 个场景页的双轨导航，基本覆盖了主流的使用入口。无论是从”我想找一个 MCP Server”还是”我需要一个能做 Web Scraping 的 Skill”出发，都能找到合适的切入点。

工具详情页方面，每个工具都有独立的详情页，提供项目描述、GitHub 链接、评分细节、适用平台等信息。对于 MCP Server，还会标注部署方式和配置要求。

相比一些只提供列表的聚合站，Agent Skills Hub 的详情页信息量更丰富，能在一定程度上替代用户去 GitHub 翻 README 的步骤。

---

五款同类平台深度横向对比

在理解了 Agent Skills Hub 的核心能力之后，我们再把视野放宽，看看市面上的其他同类平台，看看 Agent Skills Hub 在整个生态里处于什么位置。

一、LobeHub Skills Marketplace（lobehub.com/skills）

LobeHub 是一个综合 AI 工具生态平台，旗下的 Skills Marketplace 是其中一个模块。截至目前，LobeHub Skills 收录了超过 257,000 个以 Agent-first 方式构建的 Skills，这个数量在所有平台里是最大的，主要原因在于 LobeHub 允许用户自由发布，几乎没有收录门槛。

平台支持 @lobehub/market-cli 命令行工具，开发者可以通过 CLI 完成技能的搜索、安装和发布，指令格式类似 npm 包管理，上手门槛低。同时，LobeHub 整体生态非常完整，LobeChat 用户可以无缝接入 Skills Marketplace，体验连贯性强。

核心问题在于收录门槛极低带来的质量参差。超过 25 万的数量是建立在”人人都能发布”的基础上的，缺乏系统化的质量筛选机制。对于想找”好用的 Skill”而不是”所有 Skill”的用户，筛选成本依然很高。此外，其评分体系较为简单，没有 Agent Skills Hub 那种多维加权评分，”什么是好的”这个问题的答案不够清晰。

适合人群：LobeChat 重度用户，或者需要发布自己的 Skill 并快速触达广泛受众的开发者。

---

二、SkillsMP（skillsmp.com）

SkillsMP 是一个主打开源 Skill 集合的平台，核心特色是与 GitHub 仓库的 Push 时间持续同步更新，确保内容的时效性。平台支持分类浏览和趋势排序，用户可以看到 Skill 的增长趋势，判断哪些技能正在快速获得社区关注。

从功能定位来看，SkillsMP 更像是一个”实时 GitHub Skill 追踪器”，而不是一个具有主动筛选能力的市场平台。它的价值在于覆盖面广、更新及时，但在质量评估维度上相对薄弱——它告诉你”什么在增长”，但不太能告诉你”什么是真的好用的”。

此外，SkillsMP 也提供了 MCP 集成能力，用户可以通过 MCP Server 在 AI 工具中直接搜索平台上的 Skill，支持关键词搜索和 AI 语义搜索两种模式，这是一个颇有创意的设计——让 AI 工具本身参与 Skill 的发现过程。

与 Agent Skills Hub 的差异：SkillsMP 的更新机制依赖 GitHub Push 时间，属于被动同步；Agent Skills Hub 的 8 小时主动刷新机制在数据新鲜度上差异不大，但在评分深度上 Agent Skills Hub 明显更完善。

适合人群：想追踪 Skill 增长趋势、喜欢通过 MCP 直接在 AI 工具内搜索的用户。

---

三、Anthropic 官方 GitHub 仓库（github.com/anthropics/skills）

Anthropic 官方的 Skills 仓库是整个生态的”源头”，具有最高的权威性和可信度。官方维护的 Skills 都经过 Anthropic 团队验证，质量有保障，并且完全符合最新的格式规范。

硬伤是数量极其有限。截至目前，官方仓库收录的 Skill 数量仅在两位数量级，远不能覆盖实际开发中的多样化需求。官方仓库的定位更像是”参考实现”和”标准示例”，而不是一个能满足日常查找需求的市场。

在覆盖平台上，官方仓库以 Claude 生态为主，对 Codex、Cursor 等第三方工具的适配说明较少。

与 Agent Skills Hub 的关系：两者不是竞争关系，Agent Skills Hub 的数据来源之一正是开源社区（包括官方仓库），可以理解为官方仓库是”原料库”，而 Agent Skills Hub 是在此基础上做了聚合、评分和发现增强。

适合人群：想了解 Skills 格式规范、寻找官方认证示例的开发者，以及需要官方背书的企业用户。

---

四、虾评 Skill（xiaping.coze.site）

虾评 Skill 是一个更偏向内容评测的平台，而不是传统意义上的”索引市场”。平台的核心价值在于对精品 Skill 进行深度评测和推荐，帮助用户建立对 Skill 质量的判断框架。

相比数量取胜的平台，虾评 Skill 的收录数量较少，但每个收录项都附带相对详细的评测说明，告诉用户这个 Skill 在什么场景下有用、优缺点是什么、与同类 Skill 如何比较。这种”质而非量”的思路在信息过载的时代有其独特价值。

不足之处：由于是人工评测，更新频率受限，跟不上 Skill 生态的快速迭代节奏。数量太少意味着覆盖面存在明显盲区。对于有特定需求的用户，很可能在这里根本找不到对应的工具。

与 Agent Skills Hub 的差异：虾评更像是”精品书评”，Agent Skills Hub 更像是”书城 + 排行榜”。前者深度有余但覆盖不足，后者覆盖广泛并通过评分体系保证一定的质量筛选深度。

适合人群：想在入手某个 Skill 之前先看看别人的深度评测、不介意选择范围较窄的用户。

---

五、skills.sh

skills.sh 是一个以一键安装为核心卖点的平台，其最大特色是：只需一条命令，平台会自动检测用户系统中安装的多种 AI 工具（Claude Code、Cursor、Windsurf 等），并一键完成适配安装，无需手动指定目标工具。

从使用流程来看，skills.sh 把安装环节的摩擦压缩到了极致。对于不熟悉命令行的用户，或者同时使用多个 AI 工具的用户，这种自动检测适配的体验远优于手动配置。

不足：skills.sh 的重点在于安装体验，而非发现体验。平台本身的 Skill 数量和分类体系相对简单，在”找到合适的 Skill”这个环节上帮助有限。它的角色更像是一个”安装工具”，而不是一个”发现平台”。

与 Agent Skills Hub 的互补性：两者可以结合使用——先用 Agent Skills Hub 找到评分高的 Skill，再用 skills.sh 的一键安装功能完成部署。这两个平台的功能重叠度很低，并非竞争关系。

适合人群：对 Skill 发现没有太多需求、知道自己要什么并希望快速安装的用户。

---

五平台核心维度对比

维度	Agent Skills Hub	LobeHub Skills	SkillsMP	Anthropic 官方	skills.sh
收录数量	45,000+	257,000+	数千（持续同步）	~17	有限
数据刷新	每 8 小时	实时（用户发布）	跟随 GitHub Push	人工维护	人工维护
质量评分机制	10 维加权 + S/A Rank	基础评分	趋势排序	官方认证	无
场景化发现	✅ 41 个场景页	❌	❌	❌	❌
跨平台兼容	MCP + Claude + Codex	全平台	全平台	Claude 为主	自动检测多平台
CLI 工具支持	❌（链接直达 GitHub）	✅ @lobehub/market-cli	✅ MCP 集成	❌	✅ 一键安装
Newsletter	✅ 每周一	❌	❌	❌	❌
中文友好度	中	中	低	低	低
定位	聚合发现 + 评分	综合生态市场	趋势追踪	官方规范参考	安装工具

---

Agent Skills Hub 的差异化优势

综合来看，Agent Skills Hub 在整个 Skill 发现生态里的差异化优势集中在三个点上：

第一，覆盖面与质量的平衡做得比较好。 45,000+ 的数量保证了覆盖面，10 维评分机制保证了”找到的不只是随机项目”。这两者之间的张力在同类产品里都存在，Agent Skills Hub 的处理方式是”广收录 + 深筛选”，而不是”少收录 + 人工认证”，从实用性角度来看，前者更适合快速迭代的 AI 工具生态。

第二，场景化导航是独特的发现路径。 41 个场景索引页是目前同类平台里没有看到类似做法的。从”我要解决什么问题”出发而不是从”工具叫什么名字”出发，这对非专家用户非常友好，降低了使用门槛。

第三，8 小时刷新 + 每周 Newsletter 形成了”主动 + 被动”双线信息获取机制。 用户既可以主动来平台搜索最新工具，也可以被动接收每周精选。这两者结合，让平台的用户价值不依赖单一使用习惯。

---

潜在不足与改进空间

当然，Agent Skills Hub 目前也有几个明显的改进空间，值得关注：

缺乏原生 CLI 工具。 相比 LobeHub 的 @lobehub/market-cli 或 skills.sh 的一键安装，Agent Skills Hub 目前在安装环节的体验是”找到工具 → 跳转 GitHub → 手动安装”，中间有明显断点。如果能提供原生的 CLI 安装支持，用户体验会有质的提升。

中文本地化深度有限。 平台界面目前以英文为主，对于中文开发者群体而言，搜索和浏览的体验需要一定的英文能力。相比 SkillHub（skill-cn.com）等专注于中文用户的平台，这是一个显著差距。

社区互动功能缺失。 目前平台更多是工具型产品，没有评论、收藏、用户自提交等社区功能。这意味着平台的内容完全依赖自动化数据抓取，缺少”用户口碑”这一重要信号层。

Skills 与 MCP 的区分呈现还可以更清晰。 当前的分类虽然将两者分开，但对于不熟悉两者区别的新用户，平台在教育层面的引导还比较弱，很多人可能不清楚自己应该找 MCP Server 还是找 Claude Skill。

---

谁适合用 Agent Skills Hub

结合上面的分析，几类用户会从这个平台获益最多：

AI 编程工具的重度用户，尤其是同时使用 Claude Code、Cursor、Codex CLI 等多种工具的开发者。Agent Skills Hub 跨平台的覆盖范围，让你不需要去多个平台分别查找，一个入口解决全部需求。

想追踪 AI 工具生态动态的技术观察者。8 小时刷新机制 + 每周 Newsletter 的组合，是目前同类工具里信息密度最高的主动推送方案之一。

不知道自己需要什么但知道自己要解决什么问题的用户。41 个场景索引页是为这类用户专门设计的，从问题出发而不是从工具名称出发，大幅降低了使用门槛。

需要在技能选择上做决策的团队。10 维评分机制提供了一套相对客观的质量参考框架，可以作为团队选型时的辅助依据。

---

Agent Skills 生态的整体走势

把 Agent Skills Hub 放在更大的生态视角下看，它的出现本身就是一个信号：Skill 生态已经到了需要”二级市场”的规模阶段。

2025 年 10 月 Anthropic 推出 Skills 功能时，生态还很小，官方 GitHub 仓库基本够用。但到 2026 年初，Cursor 全面接入、各家 CLI 工具纷纷支持、开发者社区开始大量产出 Skill，整个生态的规模扩张速度远超预期。

GitHub 的 star 数量不再是可靠的质量信号，因为很多优质 Skill 来自小团队或个人开发者，没有足够的社区曝光。散落在各处的 Skill 仓库没有统一的质量标准，用户筛选成本极高。场景化的需求无法在单一仓库里得到满足，垂直聚合的需求越来越明显。

正是在这样的背景下，专注于发现、聚合和评分的平台才有了存在的意义。Agent Skills Hub 选择的切入点——广覆盖 + 多维评分 + 场景化导航——契合了当前生态最迫切的需求。

未来，随着 Skills 生态进一步扩张，这类平台的竞争核心将逐渐从”谁收录得更多”转向”谁的评分更准确、谁的发现路径更聪明”。在这个维度上，Agent Skills Hub 目前建立的评分体系是一个有价值的先发优势。