SuperAPI AI 工具集
合作ENAI 行业资讯收藏
Skill 广场research-git

research-git

编程与开发

查看项目

更新于 10-16 04:26

技能介绍

用途

research-git 用于扫描公开 GitHub 仓库，提取三类内容：智能体技能（SKILL.md 生态）、开发实践（来自真实团队的 git/PR/CI 工作流）以及代码模式（框架惯用法、配置布局），然后将经过验证的洞见在完整署名的情况下合并到本地目录。其定位是让扫描可重复、让合并可审计，替代不可持续的人工提取。

四种模式

  • 模式 A — 技能发现：目标为包含 SKILL.md 与 references/ 的仓库（智能体技能生态）。抓取 SKILL.md、references/，可选 scripts/。输出研究包，用于充实目录中已有的 software-、data-、ai-、ops- 技能。
  • 模式 B — 实践扫描：目标为具有强流程信号的真实生产仓库（非技能仓库）。抓取 .github/（工作流、PR/issue 模板、CODEOWNERS）、CONTRIBUTING.md、SECURITY.md、发布说明节奏、docs/adr/。输出研究包，用于充实 dev-git-workflow、qa-、ops- 技能。
  • 模式 C — 代码模式提取：目标为特定语言/框架下的高信号开源仓库。抓取配置（tsconfig、biome、eslint、ruff、cargo）、代表性源码模块、测试布局、scripts/ 或 Makefile。输出模式，用于充实 software-* 技能。
  • 模式 D — 杀手级功能挖掘：目标为某商业产品的开源克隆（如 supabase 克隆 Firebase、plausible 克隆 Google Analytics）。抓取 README.md、CHANGELOG.md、docs/、落地页等营销面，揭示开源作者选择复刻（以及明确不复刻）哪些功能。输出写入共享的 pay-trigger-ledger.tsv，signal_type=oss_clone_focus。

使用方式

默认工作流为：发现 → 筛选 → 抓取 → 对比 → 合并。

  • 阶段 0 上下文检查（始终先运行）：检查已有研究包（ls docs/research/-scan.md）、缓存提取（ls docs/research//raw/<owner>__<repo>/，30 天内且 HEAD 未推进则复用）、目标技能的 data/sources.json（比较 commit_sha 决定刷新还是复用）。
  • 阶段 1–9 主动研究：框定目标（确认范围、目的、时间窗口）→ 发现（scripts/search_repos.sh --kind <mode> <domain>）→ 筛选（选 3–5 个仓库）→ 提取（scripts/fetch_repo_assets.sh <owner>/<repo> docs/research/<scan-id>/raw/ --kind <mode>）→ 对比（scripts/diff_against_local.sh）→ 挖掘洞见 → 综合成研究包（docs/research/<scan-id>.md）→ 权限检查 → 获授权后应用。

快速参考入口：

  • 查找某领域的 SKILL.md 仓库：scripts/search_repos.sh --kind skill <domain>
  • 查找有强 git/CI 实践的团队：scripts/search_repos.sh --kind practice <topic>
  • 在高信号开源中查找框架惯用法：scripts/search_repos.sh --kind code <language>/<framework>
  • 查找商业产品的开源克隆：scripts/search_repos.sh --kind killer-feature <commercial-product>
  • 从已知仓库抓取资产：scripts/fetch_repo_assets.sh <owner>/<repo> <out> --kind <mode>
  • 与本地等价物对比：scripts/diff_against_local.sh <external> <local>

适用场景

  • 充实技能：已有某技能，想借鉴其他实践者的经验。
  • 构建前审计：准备编写新技能前，检查工作是否已完成。
  • 策略重设计：团队 PR 工作流出问题，扫描 5 个领先开源仓库如何处理。
  • 框架采用：准备采用新框架，从压力测试该框架的仓库中提取惯用法。
  • 定期刷新：约每季度重新扫描一个领域，捕捉活跃维护者的新模式。
  • 捆绑交接——杀手级功能扫描：research-review-mining 的 Killer-Feature 模式向模式 D 请求目标商业产品的开源克隆信号。

限制与不适用场景

  • 网页文章、论文、博客 → 使用 ai-deep-research。
  • 库/包选择或升级路径 → 使用 dev-dependency-management。
  • 自有组合的跨仓库代码上下文 → 使用 dev-context-multi-repo。
  • 逐提交消息生成或提交策略实现 → 使用 dev-git-commit-message。
  • 孤立的分支模型设计（无需收集证据）→ 使用 dev-git-workflow。
  • 一次性查找特定文件 → 直接使用 WebFetch。
  • 克隆以 fork → 直接使用 git clone。
  • 已验证的问答答案或已知错误解决方案 → 使用 Stack Overflow 语料库（经 qa-debugging），而非仓库挖掘。

署名规则（合并前强制）

  • 检查源仓库 LICENSE：MIT / Apache-2.0 / BSD / CC-BY-4.0 允许带署名衍生；无 LICENSE 文件即保留所有权利，不得提取。
  • 绝不逐字复制 SKILL.md、参考文件或源文件——提取模式，用本地语气重写。
  • 每条合并洞见标注源 URL + commit SHA + 提取日期 + 许可证 + 作者（上游原作者，而非碰巧抓取的 fork）。
  • 将源加入目标技能的 data/sources.json。
  • 固定到 commit SHA，绝不固定到 main。
  • 复制内容进入研究包前筛查密钥、凭据、PII 和组织特定细节。

输出契约

研究包位于 docs/research/YYYY-MM-DD-<mode>-<domain>-scan.md，包含：模式、已审查来源表（仓库、星标、最后提交、许可证、Scorecard、质量、动作）、提取的洞见（源、模式、模式名与描述、为何重要、去向、新颖性、置信度）、推荐合并表、跳过项及原因、署名包。

模式与反模式要点

推荐模式：每次抓取固定 commit SHA；模式 B/C 按 OpenSSF Scorecard ≥ 5 过滤（起始启发式，非证据阈值）；实践扫描目标要求 CODEOWNERS；候选列表控制在 3–5 个仓库；一次应用一个技能、每个技能一个提交；提取前始终与本地对比；约每季度重扫；模式 B 推广实践前抽样约 20 个近期已合并 PR；移植前匹配源仓库与目标团队的规模；对照真实 git 历史验证高价值实践/模式声明。

反模式：研究请求期间应用洞见；默认克隆整个仓库；逐字复制内容；未与本地对比就提取；仅信任星标；信任 LLM 生成的 awesome-list；不固定就抓取 main 分支；扫描被标记为镜像/供应商的仓库；将 topic agent-skills 视为质量信号；无署名的研究包；扫描前声称生态流行度。

其他说明

该技能不固定速率限制或 Git 版本。研究包引用前需在源头阅读并记录检查日期：GitHub 限制见 gh api rate_limit 与官方 REST API 速率限制文档；Git 版本与默认值见 git-scm.com 文档与 Git 发布说明。仓库研究漂移很快，引用发现前需对照当前 GitHub 验证仓库活动、许可证和 Scorecard，并确认仓库非 LLM 生成（提交历史、issue 活动、真实贡献者）。