Imported from yunshu0909/yunshu_skillshub (
github-repo-search/SKILL.md) via skills.sh. Install upstream withnpx skills add yunshu0909/yunshu_skillshub --skill github-repo-search. Copyright stays with the author.
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）：
- 主题（如：agent 记忆、RAG、浏览器自动化）
- 数量（Top 10 / Top 20）
- 最低 stars（默认 100）
- 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） - 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）：
- 偏好技术栈（Python/TS/Go 等）
- 使用场景（学习、生产、对标）
- 排除项（教程仓库、归档仓库、纯论文复现等）
- 部署偏好（本地优先/云端优先/混合）
阶段输出（固定格式）：
核心诉求：
- 主题：xxx
- 数量：Top N
- 最低 stars：>= 100
- 排序模式：相关性优先 / 星标优先（默认：相关性优先）
- 目标形态：xxx
- 偏好：xxx（可空）
- 排除：xxx（可空）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：
- 核心词：用户目标词
- 同义词：替代表达（如 long-term memory / stateful memory）
- 场景词：coding、mcp、tool、platform、awesome、curated
- 技术词：agent、sdk、framework、database、os
- 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：
Query-1: "xxx"
目的：高召回核心主题
Query-2: "xxx"
目的：补同义词盲区第三步：执行检索与候选召回
执行原则：
- 每组 query 都执行检索（建议每组 30-50 条）。
- 合并结果形成候选池。
- 按
owner/repo去重。 - 记录检索时间与 API 额度信息。
候选池字段（最少）：
owner/repostarsdescriptionrepo_urlarchivedlanguageupdated_attopicslicense
第四步：去重与硬过滤
硬过滤（默认）：
stars >= 100archived = falseis:public
可选硬过滤（按需）：
fork = false- 指定语言：
language:xxx - 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）：
- 与主题无关的通用工程仓库（即使 stars 很高）
- 关键词误命中仓库（仅描述中偶然出现 memory/agent）
- 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：
- 需求相关性：35%
- 场景适用性：30%
- 活跃度（更新时效）：15%
- 工程成熟度（文档/示例/可维护）：15%
- 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：
- 通用框架层
- 应用产品层（可直接使用）
- 记忆层/上下文基础设施
- MCP 服务层
- 目录清单层（awesome/curated）
- 垂直场景方案层
- 方法论/研究层
第七步：深读与项目介绍撰写（必须）
目标：不是"仓库简介复述"，而是输出"对用户有决策价值"的详细介绍。
深读最低要求：
每个入选仓库至少查看：
- README 核心定位段
- 快速开始/功能章节标题
- 近期维护信号（更新时间、Issue/PR 活跃）
项目介绍写作要求（固定）：
"项目介绍"必须包含两部分并写细：
- 这是什么：它在系统架构中的角色和边界
- 为什么推荐：它在用户当前目标下的价值（不是泛泛优点）
可补充：
- 典型适用场景（1-2 条）
- 限制或不适用场景（1 条）
环节四：交付与迭代
第八步：单榜生成与报告交付（最终）
交付结构（固定）：
- 需求摘要
- 检索词清单（5-10 组 + 目的）
- 筛选与重排规则（明确写出）
- 结果总览（原始召回/去重后/过滤后）
- Top N 单榜（表格）
- 结论与下一步建议
Top N 表格字段（固定）：
| 仓库 | 星标 | 仓库归属类型 | 项目介绍（是什么 + 推荐理由） | 其它信息补充 | 链接 |
|---|
"其它信息补充"建议内容：
- 语言 / License / 最近更新时间
- 上手复杂度（低/中/高）
- 风险提示（若有）
第九步：用户确认与迭代（可选）
迭代触发条件：
用户反馈"太泛/太窄/不够准/解释不够细"。
迭代动作：
- 调整检索词（增加场景词或同义词）
- 调整 stars 门槛（100 -> 200/500）
- 增加限定（语言/方向/更新时间）
- 调整类型权重（例如优先应用层或优先框架层）
默认参数（V1.1）
- 最低 stars：
100 - 默认输出：
Top 10 - 默认过滤：
archived=false - 默认必须分类：是
- 默认项目介绍粒度：详细（至少"是什么 + 为什么推荐"）
质量检查清单（交付前自检）
- 是否完成需求对齐并明确"目标形态"
- 是否有 5-10 组 query 且每组有目的
- 是否记录了检索时间与配额状态
- 是否执行了去重、硬过滤和噪音剔除
- 是否完成仓库归属类型分类
- 是否每个推荐都有详细项目介绍（不是一句话）
- 是否使用固定表格字段交付
- 是否避免把安装实施混入本流程
