企业官网建设流程全解析

AI-Research-SKILLs npm 包设计与实现：用 npx 一键为编码 Agent 安装 AI 研究技能

【免费下载链接】AI-Research-SKILLsComprehensive open-source library of AI research and engineering skills for any AI model. Package the skills and your claude code/codex/gemini agent will be an AI research agent with full horsepower. Maintained by Orchestra Research.项目地址: https://gitcode.com/gh_mirrors/ai/AI-Research-SKILLs

本文系统梳理 AI-Research-SKILLs 仓库中@orchestra-research/skillsnpm/npx 包的设计方案（docs/npm-package-plan.md），涵盖包架构、CLI 命令体系、多 Agent 支持、canonical storage + symlink 存储策略、锁文件与注册表机制，并结合仓库中已落地的实现（packages/ai-research-skills）给出源码级印证。读完本文，你将掌握如何将一个"目录树式"的技能库打包成可被任何编码 Agent 调用的安装器，并理解从设计文档到可运行 CLI 的完整转化路径。

一、为什么要做 npm 包：从技能库到一键安装器

AI-Research-SKILLs 仓库本身是一棵按数字前缀分类组织的技能树（如01-model-architecture、06-post-training、20-ml-paper-writing），每个技能由SKILL.md加references/、templates/组成，供 Claude Code、Cursor、Codex、Gemini CLI 等编码 Agent 读取。但直接把整个仓库 clone 下来手动复制，存在三个痛点：

• 用户需要在每个 Agent 的 skills 目录（如~/.claude/skills/）里手动放置技能；
• 技能更新无法追踪，无法知道"哪些技能装到了哪个 Agent"；
• 不同 Agent 的配置目录路径不同，记忆与维护成本高。

因此设计文档提出：创建一个 npm/npx 包，让用户用一条命令即可完成"技能下载 → 分类归置 → 按 Agent 目录建链 → 锁文件记录"的全流程。这个目标与仓库主 README 的定位一致——把技能打包后，任何 AI 模型驱动的编码 Agent 都能立刻变成"满血"的 AI 研究 Agent。

二、包名选择与发布形态

设计文档给出了三个候选包名：

从仓库实际落地看，最终发布名定为@orchestra-research/ai-research-skills（见 packages/ai-research-skills/package.json，当前版本 1.7.1），既保留了@orchestra-research的 scoped 前缀，又用ai-research-skills明确了用途。该包声明"type": "module"、"bin": { "ai-research-skills": "./bin/cli.js" }，Node 版本要求>=18.0.0。

用户有两种使用方式：

# 全局安装后调用 npm install -g @orchestra-research/ai-research-skills # 或直接 npx 免安装调用（推荐，文档原型为 @orchestra-research/skills） npx @orchestra-research/skills <command>

三、架构设计：核心组件与目录结构

设计文档规划的包内结构如下：

@orchestra-research/skills/ ├── bin/ │ └── cli.js # CLI entry point ├── src/ │ ├── agents/ # Agent-specific handlers │ │ ├── claude.js # .claude/skills/ │ │ ├── cursor.js # .cursor/skills/ │ │ ├── codex.js # .codex/skills/ │ │ ├── windsurf.js # .windsurf/skills/ │ │ ├── copilot.js # .github/copilot-instructions.md │ │ └── index.js # Agent registry │ ├── commands/ │ │ ├── install.js # Install skills │ │ ├── list.js # List available/installed skills │ │ ├── update.js # Update skills │ │ ├── remove.js # Remove skills │ │ └── detect.js # Detect installed agents │ ├── storage/ │ │ ├── canonical.js # ~/.orchestra-skills/ management │ │ ├── lock.js # Lock file management │ │ └── symlink.js # Symlink utilities │ ├── registry/ │ │ └── skills.json # Skill manifest (or fetch from GitHub) │ └── utils/ │ ├── fetch.js # Download skills from GitHub │ └── format.js # Format for different agents ├── package.json └── README.md

落地后的实现做了一次"扁平化重构"，职责划分更直接（以 packages/ai-research-skills/src 为准）：

• bin/cli.js：真正的 CLI 入口，main().catch(...)兜底错误并process.exit(1)；
• src/index.js：主流程控制器，负责"交互式流程"与"直接命令模式"两条路径的分发；
• src/agents.js：Agent 注册表与检测逻辑（对应设计中的agents/index.js）；
• src/installer.js：下载、canonical 存储、symlink、锁文件、本地安装（对应设计中的storage/+utils/fetch.js）；
• src/prompts.js：分类清单、交互式提问与参数解析（对应设计中的commands/+ inquirer 交互）；
• src/ascii.js：欢迎屏、检测结果屏、成功屏等终端 UI。

从源码结构看，设计文档中的"每类命令一个文件"演进为"按能力域划分模块"，但核心边界——Agent 处理、存储、注册表、工具函数——完全对应。

四、支持的 Agent：从 7 个规划到 10 个实现

设计文档基于调研确认了 7 个支持 SKILL.md 统一格式的 Agent：

实际实现（src/agents.js）扩展到了10 个 Agent，并补充了"全局路径/本地路径分离"的字段设计——configDir/skillsDir是全局（~/.{agent}/下）路径，localConfigDir/localSkillsDir是项目内（./{agent}/）路径，两者可以不同（例如 OpenClaw 本地路径直接落在项目根skills/）：

检测逻辑本身很简单但实用（src/agents.js）：遍历SUPPORTED_AGENTS，检查~/{configDir}是否存在，存在即视为已安装，并推导出skillsPath。这正是设计文档中detect命令的底层实现——"Check~/.claudeexists → Claude Code detected"。

五、CLI 命令体系：安装、查询、更新、卸载

设计文档给出了完整命令面，这里全部继承并标注与源码的对应关系：

# Detect installed coding agents npx @orchestra-research/skills detect # List all available skills npx @orchestra-research/skills list # List skills by category npx @orchestra-research/skills list --category post-training # List available categories npx @orchestra-research/skills categories # Install all skills for detected agents npx @orchestra-research/skills install --all # Install specific category (user selects from list) npx @orchestra-research/skills install --category post-training # Install multiple categories npx @orchestra-research/skills install --category post-training,fine-tuning,inference # Install specific skill npx @orchestra-research/skills install verl # Install for specific agent only npx @orchestra-research/skills install verl --agent claude # Install to project scope (current directory) npx @orchestra-research/skills install verl --scope project # Install to global scope (home directory) npx @orchestra-research/skills install verl --scope global # Interactive mode - prompts user to select categories/skills npx @orchestra-research/skills install --interactive # Update all skills npx @orchestra-research/skills update # Remove a skill npx @orchestra-research/skills remove verl # Show skill info npx @orchestra-research/skills info verl

落地实现对其做了收敛（src/prompts.js 的parseArgs）：支持install、list、update、uninstall四个子命令，以及--all/-a、--local/-l、--agent、--category四个选项；无任何选项时自动进入交互式流程（src/index.js）。--scope在实现中演化为--local（项目级安装）。注意detect不再作为独立子命令——Agent 检测被内化到交互式流程的第一步。

交互式安装流程

设计文档规划的install --interactive交互过程：

? What would you like to install? ○ All skills (86 skills) ○ Select by category ○ Select individual skills ? Select categories to install: (Space to select, Enter to confirm) ◉ 01-model-architecture (6 skills) ◯ 02-tokenization (2 skills) ◯ 03-fine-tuning (5 skills) ◉ 06-post-training (8 skills) ◯ 20-ml-paper-writing (1 skill) ... ? Confirm installation of 14 skills to Claude Code, Cursor, Gemini CLI? (Y/n)

实现版在此基础上扩展为多级菜单导航（src/index.js）：欢迎与 Agent 检测 → 主菜单（安装新技能 / 项目本地安装 / 查看已装 / 更新 / 卸载 / 退出）→ 安装方式选择（Everything / Quick start / 按分类 / 按单个技能）→ 目标 Agent 选择 → 安装摘要确认 → 执行安装。每级都支持"← Back"返回与"Exit"退出，交互状态机通过带标签的while(true)循环实现，例如step2_menu、step3_choice、step4_categories。安装选项还额外提供了Quick start 精选包（src/prompts.js），内置 15 个核心技能：GRPO、verl、TRL、Axolotl、Unsloth、vLLM、SGLang、DeepSpeed、Flash Attention、W&B、lm-eval-harness、DSPy、Chroma、ML Paper Writing、Autoresearch。

六、存储策略：Canonical Storage + Symlink + 锁文件

这是整个设计的技术核心。设计文档推荐canonical storage（单一事实源）+ 软链接方案：

~/.orchestra-skills/ # Canonical storage ├── .lock.json # Lock file for versioning ├── 01-model-architecture/ │ ├── megatron-core/ │ │ └── SKILL.md │ └── litgpt/ │ └── SKILL.md ├── 06-post-training/ │ ├── verl/ │ │ ├── SKILL.md │ │ └── references/ │ ├── slime/ │ └── ... └── ... ~/.claude/skills/ # Symlinks to canonical ├── verl -> ~/.orchestra-skills/06-post-training/verl ├── slime -> ~/.orchestra-skills/06-post-training/slime └── ... ~/.cursor/skills/ # Same symlinks ├── verl -> ~/.orchestra-skills/06-post-training/verl └── ...

这种设计的收益很明确：技能文件只存一份，多个 Agent 通过 symlink 共享，更新时只需重写 canonical 目录，所有 Agent 同步生效。

实现版将 canonical 目录定为~/.orchestra/skills（src/installer.js），并增加了降级兜底：createSymlinks中若symlinkSync失败（典型场景如 Windows 未开启开发者模式），自动回退为cpSync复制整个技能目录（src/installer.js），保证跨平台可用性。卸载时则通过lstatSync只删除指向 canonical 目录的 symlink，不误删 Agent 自己的其他文件（src/installer.js）。

锁文件格式

设计文档定义的.lock.json结构：

{ "version": "1.0.0", "lastUpdated": "2025-01-28T00:00:00Z", "skills": { "verl": { "version": "1.0.0", "category": "06-post-training", "installedAt": "2025-01-28T00:00:00Z", "agents": ["claude", "cursor"] } }, "agents": { "claude": { "detected": true, "scope": "global", "path": "~/.claude/skills" } } }

实现版将 skills 从"以名称为键的映射"简化为"数组"，并新增installedAt时间戳（src/installer.js）：

// 实际写入结构（installSkills 中） lock.version = '1.0.0'; lock.installedAt = new Date().toISOString(); lock.skills = skills; // [{ category, skill, standalone }] lock.agents = agents.map(a => a.id); writeLock(lock);

锁文件承担三重职责：版本追踪（version/installedAt）、已装清单（skills，含 standalone 标记）、目标 Agent 记录（agents）。更新命令正是"读取锁文件 → 重下载相同技能 → 重建 symlink → 重写锁"的闭环（updateInstalledSkills）。

七、技能组织模式：两种结构都要兼容

设计文档指出仓库存在两种技能组织模式，安装器必须同时兼容：

Pattern 1：嵌套技能（大多数分类）

XX-category/ ├── skill-name-1/ │ ├── SKILL.md │ └── references/ ├── skill-name-2/ │ └── SKILL.md └── ...

例如 06-post-training/verl/SKILL.md。

Pattern 2：独立技能（单个技能即分类）

XX-category-name/ ├── SKILL.md ├── references/ └── templates/

例如 20-ml-paper-writing/SKILL.md（分类本身就是技能）。

下载器用"该分类目录下是否直接存在SKILL.md"来判别两种模式（src/installer.js）：

const standaloneSkillPath = join(categoryPath, 'SKILL.md'); if (existsSync(standaloneSkillPath)) { // 独立技能：整个分类复制为单个技能 copyDirectoryContents(categoryPath, targetCategoryPath); skills.push({ category: categoryId, skill: categoryId, standalone: true }); } else { // 嵌套技能：遍历子目录，逐个识别 SKILL.md for (const entry of readdirSync(categoryPath, { withFileTypes: true })) { if (entry.isDirectory() && existsSync(join(categoryPath, entry.name, 'SKILL.md'))) { copyDirectoryContents(join(categoryPath, entry.name), targetSkillPath); skills.push({ category: categoryId, skill: entry.name, standalone: false }); } } }

standalone标记贯穿全链路：symlink 命名（skill.categoryvsskill.skill）、卸载清理、锁文件读写都依赖它区分两种结构，这是设计文档"必须处理两种模式"要求的完整落地。

八、技能注册表：内嵌 Manifest 与远程拉取

设计文档给出两种注册表方案：

Option A：内嵌（更简单）—— 把技能清单打进 npm 包，随版本发布更新：

{ "version": "1.0.0", "categories": { "01-model-architecture": { "name": "Model Architecture", "skills": ["megatron-core", "litgpt", "mamba", "rwkv", "nanogpt"] }, "06-post-training": { "name": "Post-Training (RLHF/DPO/GRPO)", "skills": ["trl", "grpo", "openrlhf", "simpo", "verl", "slime", "miles", "torchforge"] } }, "skills": { "verl": { "name": "verl", "category": "06-post-training", "description": "Volcano Engine RL for LLM post-training", "tags": ["Reinforcement Learning", "RLHF", "GRPO", "PPO"] } } }

Option B：远程拉取（更灵活）—— 每次运行从 GitHub API 拉取最新 manifest：

const REPO = 'orchestra-research/AI-research-SKILLs'; const MANIFEST_URL = `https://api.github.com/repos/${REPO}/contents/skill-manifest.json`; async function fetchSkillManifest() { const response = await fetch(MANIFEST_URL); return JSON.parse(atob(response.content)); }

设计文档的结论是：先内嵌起步，再把远程拉取作为更新机制。实现版走了第三条路——manifest 直接写死在代码里（CATEGORIES、INDIVIDUAL_SKILLS常量，见 src/prompts.js），共登记23 个分类、98 个技能；而技能内容本身则通过git clone --depth 1实时从仓库拉取（src/installer.js），克隆到~/.orchestra/.temp-clone临时目录，选中分类复制进 canonical 目录后即清理。这样既避免了维护 JSON manifest 的双份同步问题，又保证技能内容始终最新，同时--depth 1控制了下载体积。

九、安装流程全景：四步走

设计文档将安装流程抽象为四个阶段：

npx @orchestra-research/skills install verl │ ▼ ┌──────────────────────────────────────────────┐ │ 1. Detect installed agents │ │ - Check ~/.claude exists → Claude Code │ │ - Check ~/.cursor exists → Cursor │ │ - Check ~/.codex exists → Codex │ └──────────────────────────────────────────────┘ │ ▼ ┌──────────────────────────────────────────────┐ │ 2. Download skill to canonical storage │ │ - Fetch: AI-research-SKILLs/06-post-training/verl │ │ - Save: ~/.orchestra-skills/06-post-training/verl │ │ - Update lock file │ └──────────────────────────────────────────────┘ │ ▼ ┌──────────────────────────────────────────────┐ │ 3. Create symlinks for each detected agent │ │ - ~/.claude/skills/verl → canonical/verl │ │ - ~/.cursor/skills/verl → canonical/verl │ └──────────────────────────────────────────────┘ │ ▼ ┌──────────────────────────────────────────────┐ │ 4. Output success message │ │ ✓ Installed verl for: Claude Code, Cursor │ └──────────────────────────────────────────────┘

源码中的主安装函数installSkills（src/installer.js）完全对应这四步：downloadSkills完成步骤 1～2（克隆 + 按分类复制 + 写锁），createSymlinks完成步骤 3（逐 Agent 建链并统计数量），最后打印结果。installSpecificSkills是面向单技能verl的变体，差异仅在下载粒度。整个链路都有oraspinner 提示当前阶段，失败时spinner.fail并向上抛出错误。

十、Agent 特定处理：统一注册表 + 统一安装函数

设计文档强调：所有 7 个（现 10 个）Agent 都遵循相同的SKILL.md格式和 symlink 模式，因此可以用一份注册表 + 一个通用安装函数覆盖全部 Agent：

// src/agents/index.js（设计原型） export const agents = { claude: { name: 'Claude Code', configDir: '~/.claude', skillsDir: '~/.claude/skills', projectSkillsDir: '.claude/skills' }, cursor: { name: 'Cursor', configDir: '~/.cursor', skillsDir: '~/.cursor/skills', projectSkillsDir: '.cursor/skills' }, codex: { name: 'Codex (OpenAI)', configDir: '~/.codex', skillsDir: '~/.codex/skills', projectSkillsDir: '.codex/skills' }, windsurf: { name: 'Windsurf', configDir: '~/.windsurf', skillsDir: '~/.windsurf/skills', projectSkillsDir: '.windsurf/skills' }, gemini: { name: 'Gemini CLI', configDir: '~/.gemini', skillsDir: '~/.gemini/skills', projectSkillsDir: '.gemini/skills' }, kilo: { name: 'Kilo Code', configDir: '~/.kilocode', skillsDir: '~/.kilocode/skills', projectSkillsDir: '.kilocode/skills' }, qwen: { name: 'Qwen Code', configDir: '~/.qwen', skillsDir: '~/.qwen/skills', projectSkillsDir: '.qwen/skills' }, }; // Common install function for all agents function installSkill(agent, skillName, canonicalPath, scope) { const targetDir = scope === 'project' ? agent.projectSkillsDir : expandHome(agent.skillsDir); fs.ensureDirSync(targetDir); fs.symlinkSync(canonicalPath, path.join(targetDir, skillName)); }

实现版沿用了这个思想，注册表与安装逻辑完全解耦：installer.js中的createSymlinks(agent, skills, spinner)对任意 Agent 配置对象都成立（src/installer.js），新增 Agent 只需在agents.js的SUPPORTED_AGENTS数组里追加一条记录。设计文档中的kilo（Kilo Code）与windsurf在实现中被替换/扩充为 OpenCode、OpenClaw、Hermes、Qoder、Shared Agents 等更常见的 Agent，体现了"注册表驱动"架构的扩展性。

十一、项目级本地安装：从 symlink 到复制

设计文档仅在命令列表中一笔带过--scope project，而实现版把它做成了与全局安装并列的完整能力（--local）。两者的本质区别：

• 全局安装（默认）：技能存 canonical（~/.orchestra/skills），Agent 目录放 symlink；
• 本地安装（--local）：技能直接复制进项目内的 Agent 目录，可提交到 git 与团队共享。

my-project/ ├── .claude/skills/ # Claude Code picks these up │ ├── grpo-rl-training/ │ └── vllm/ ├── .cursor/skills/ # Cursor picks these up │ ├── grpo-rl-training/ │ └── vllm/ ├── .orchestra-skills.json # 项目级锁文件，追踪已装技能 └── ...

实现版将项目级锁文件命名为.orchestra-skills.json（src/installer.js），与全局.lock.json分离。本地安装走installSkillsLocal/installSpecificSkillsLocal：同样先临时克隆仓库，但复制目标是projectDir/{agent.localConfigDir}/skills/{skill}（通过buildLocalAgentTargets计算），且不建 symlink、不写全局锁，只更新项目锁文件（src/installer.js）。命令形态：

npx @orchestra-research/ai-research-skills install --all --local npx @orchestra-research/ai-research-skills install --category post-training --local npx @orchestra-research/ai-research-skills list --local npx @orchestra-research/ai-research-skills update --local npx @orchestra-research/ai-research-skills uninstall --local

本地安装的三个收益：按项目定制（不同项目只装所需技能）、版本可控（可提交 git，全团队共享同一技能集）、可复现（锁文件精确记录已装内容）。

十二、用户体验设计：首次运行、安装与列表

设计文档用三个终端示例定义了 CLI 的 UX 基调：检测结果用 ✓/✗ 符号、安装过程显示进度、列表用 ●/○ 区分已装/未装。

首次运行（detect）：

$ npx @orchestra-research/skills detect 🔍 Detecting installed coding agents... ✓ Claude Code ~/.claude ✓ Cursor ~/.cursor ✗ Codex not found ✗ Windsurf not found ✓ GitHub Copilot available for projects Found 2 global agents, 1 project-only agent. Run 'npx @orchestra-research/skills install --all' to install all skills.

安装技能：

$ npx @orchestra-research/skills install post-training 📦 Installing post-training skills... Downloading skills from GitHub... ✓ trl (1.2 KB) ✓ grpo (15.3 KB) ✓ openrlhf (8.7 KB) ✓ simpo (4.2 KB) ✓ verl (12.1 KB) ✓ slime (18.4 KB) ✓ miles (9.8 KB) ✓ torchforge (11.2 KB) Creating symlinks... ✓ Claude Code: 8 skills installed ✓ Cursor: 8 skills installed ✨ Done! Installed 8 skills for 2 agents. Skills are stored in: ~/.orchestra-skills/06-post-training/ Symlinks created in: ~/.claude/skills/, ~/.cursor/skills/

列出技能：

$ npx @orchestra-research/skills list 📚 AI Research Skills (81 total) Model Architecture (5) ○ megatron-core Megatron-Core for large-scale model training ○ litgpt LitGPT for efficient LLM development ○ mamba Mamba state space models ○ rwkv RWKV linear attention models ○ nanogpt NanoGPT for learning/prototyping Post-Training (8) ● verl Volcano Engine RL for LLM post-training ● slime Megatron-SGLang RL training framework ● miles Enterprise-grade RL for large MoE models ● torchforge PyTorch-native agentic RL library ○ trl Transformer Reinforcement Learning ○ grpo Group Relative Policy Optimization ○ openrlhf OpenRLHF training framework ○ simpo Simple Preference Optimization ● = installed, ○ = available

实现版用chalk+ora+ 大型 ASCII LOGO 强化了这一风格（src/ascii.js）：欢迎屏展示技能/分类/Agent 统计数字，安装完成屏输出"✓ Installation Complete"；listInstalledSkills通过扫描 canonical 目录的真实目录结构生成列表（而非依赖锁文件），并自动识别 standalone 技能，标注(standalone)（src/installer.js）。

十三、实施阶段规划与依赖清单

设计文档规划了三周迭代节奏：

Phase 1：MVP（第 1 周）

• 用 commander.js 搭 CLI 骨架
• Agent 检测（Claude、Cursor、Codex）
• 从 GitHub 下载技能
• 向检测到的 Agent 建 symlink
• 基础 list / install 命令

Phase 2：完整功能（第 2 周）

• canonical storage + 锁文件
• update / remove 命令
• 分类过滤
• 项目级 vs 全局作用域
• Copilot 特殊处理

Phase 3：打磨（第 3 周）

• 交互模式（inquirer.js 提示）
• 进度条与更好 UX
• 错误处理与恢复
• 文档与 README
• npm 发布 + GitHub Actions 自动化发布

设计文档给出的依赖规划（实现版已收敛为 3 个，见 packages/ai-research-skills/package.json）：

// 设计文档规划 { "dependencies": { "commander": "^12.0.0", // CLI framework "chalk": "^5.3.0", // Colored output "ora": "^8.0.0", // Spinners "fs-extra": "^11.2.0", // File utilities "node-fetch": "^3.3.0", // HTTP requests "inquirer": "^9.2.0" // Interactive prompts (optional) } }

实现版实际使用：chalk 5.6.2（彩色输出）、inquirer 9.3.8（交互提示）、ora 8.2.0（spinner）；commander 被自研的parseArgs取代，fs-extra与node-fetch被 Node 内置的fsAPI 与git clone取代，依赖更精简。

发布命令：

# Login to npm npm login # Publish scoped package (public) npm publish --access public

十四、替代方案对比与取舍

设计文档评估了三种替代方案并给出结论：

十五、设计落地对照与下一步

从 docs/npm-package-plan.md 到 packages/ai-research-skills 的演进，可以看到一份设计文档落地时常见的"收敛与扩展"：

• 收敛：命令面从 15+ 条收敛为 4 个子命令 + 交互式流程；依赖从 6 个收敛为 3 个；锁文件结构简化；
• 扩展：Agent 从 7 个扩到 10 个；新增--local项目级安装与 Quick start 精选包；新增全局/本地双路径的 Agent 配置模型；下载方式从"GitHub API + manifest"改为"浅克隆 + 目录复制"。

设计文档的 Next Steps 在仓库中已有大部分进展：npm 包目录已建立（packages/ai-research-skills/），MVP 与完整功能（Phase 1/2）已实现，主 README 已补充npx @orchestra-research/ai-research-skills安装说明；待推进项包括批量发布自动化、跨平台回归测试（特别是 symlink 回退复制路径）、以及设计文档提到的 Homebrew 入口。

对于想在自己的项目里复刻这套方案的读者，关键启示是：用"注册表驱动 + canonical 存储 + 统一 symlink"的架构，可以把任何目录化的知识库/技能库，低成本地包装成多 Agent 可用的安装器——Agent 配置是数据（SUPPORTED_AGENTS数组）、安装逻辑是通用函数（createSymlinks）、状态可追踪（锁文件）、内容实时可更新（浅克隆），四者组合即为完整闭环。

【免费下载链接】AI-Research-SKILLsComprehensive open-source library of AI research and engineering skills for any AI model. Package the skills and your claude code/codex/gemini agent will be an AI research agent with full horsepower. Maintained by Orchestra Research.项目地址: https://gitcode.com/gh_mirrors/ai/AI-Research-SKILLs