{"id":50602049,"url":"https://github.com/onexstack/sre-skill-hub","last_synced_at":"2026-06-05T19:01:55.773Z","repository":{"id":361853389,"uuid":"1255900566","full_name":"onexstack/sre-skill-hub","owner":"onexstack","description":null,"archived":false,"fork":false,"pushed_at":"2026-06-01T13:55:47.000Z","size":85,"stargazers_count":0,"open_issues_count":0,"forks_count":0,"subscribers_count":0,"default_branch":"master","last_synced_at":"2026-06-01T15:27:13.143Z","etag":null,"topics":[],"latest_commit_sha":null,"homepage":null,"language":null,"has_issues":true,"has_wiki":null,"has_pages":null,"mirror_url":null,"source_name":null,"license":null,"status":null,"scm":"git","pull_requests_enabled":true,"icon_url":"https://github.com/onexstack.png","metadata":{"files":{"readme":"README.md","changelog":null,"contributing":null,"funding":null,"license":null,"code_of_conduct":null,"threat_model":null,"audit":null,"citation":null,"codeowners":null,"security":null,"support":null,"governance":null,"roadmap":null,"authors":null,"dei":null,"publiccode":null,"codemeta":null,"zenodo":null,"notice":null,"maintainers":null,"copyright":null,"agents":null,"dco":null,"cla":null}},"created_at":"2026-06-01T09:21:03.000Z","updated_at":"2026-06-01T13:40:40.000Z","dependencies_parsed_at":null,"dependency_job_id":null,"html_url":"https://github.com/onexstack/sre-skill-hub","commit_stats":null,"previous_names":["onexstack/sre-skill-hub"],"tags_count":null,"template":false,"template_full_name":null,"purl":"pkg:github/onexstack/sre-skill-hub","repository_url":"https://repos.ecosyste.ms/api/v1/hosts/GitHub/repositories/onexstack%2Fsre-skill-hub","tags_url":"https://repos.ecosyste.ms/api/v1/hosts/GitHub/repositories/onexstack%2Fsre-skill-hub/tags","releases_url":"https://repos.ecosyste.ms/api/v1/hosts/GitHub/repositories/onexstack%2Fsre-skill-hub/releases","manifests_url":"https://repos.ecosyste.ms/api/v1/hosts/GitHub/repositories/onexstack%2Fsre-skill-hub/manifests","owner_url":"https://repos.ecosyste.ms/api/v1/hosts/GitHub/owners/onexstack","download_url":"https://codeload.github.com/onexstack/sre-skill-hub/tar.gz/refs/heads/master","sbom_url":"https://repos.ecosyste.ms/api/v1/hosts/GitHub/repositories/onexstack%2Fsre-skill-hub/sbom","scorecard":null,"host":{"name":"GitHub","url":"https://github.com","kind":"github","repositories_count":286080680,"owners_count":33955544,"icon_url":"https://github.com/github.png","version":null,"created_at":"2022-05-30T11:31:42.601Z","updated_at":"2026-05-26T15:22:16.424Z","status":"online","status_checked_at":"2026-06-05T02:00:06.157Z","response_time":120,"last_error":null,"robots_txt_status":"success","robots_txt_updated_at":"2025-07-24T06:49:26.215Z","robots_txt_url":"https://github.com/robots.txt","online":true,"can_crawl_api":true,"host_url":"https://repos.ecosyste.ms/api/v1/hosts/GitHub","repositories_url":"https://repos.ecosyste.ms/api/v1/hosts/GitHub/repositories","repository_names_url":"https://repos.ecosyste.ms/api/v1/hosts/GitHub/repository_names","owners_url":"https://repos.ecosyste.ms/api/v1/hosts/GitHub/owners"}},"keywords":[],"created_at":"2026-06-05T19:01:54.955Z","updated_at":"2026-06-05T19:01:55.768Z","avatar_url":"https://github.com/onexstack.png","language":null,"funding_links":[],"categories":[],"sub_categories":[],"readme":"# SRE SKILL Hub\n\nSRE 团队SKILL仓库，报错各个场景下的高质量 SKILL。\n\n## SKILL 介绍\n\n先来介绍下 SKILL 的核心知识。\n\n### 什么是 SKILL？\n\nSkill 是一个开放标准的文件夹，包含一套告诉 AI 如何处理特定任务或工作流的指令。它是目前最强大的 AI 定制方式之一：教 AI 一次，永久受益——不再需要在每次对话中重新解释你的偏好、流程和领域知识。 Skill 解决的核心问题：\n- AI 每次遇到相同任务，行为不稳定、结果不一致；\n- 复杂流程需要反复编写相同代码，浪费时间和 token；\n- 没有固定的输出格式，结果参差不齐；\n\n### SKILL 目录结构\n\n```bash\nmy_skill/\n├── SKILL.md              # 必需：核心指令文件（入口）\n├── scripts/              # 可选：可直接执行的脚本文件\n│   └── process_data.py\n│   └── validate.sh\n├── references/           # 可选：大型参考文档，按需加载\n│   └── api_docs.md\n│   └── examples/\n├── assets/               # 可选：模板文件、图片、字体等\n│   └── template.docx\n├── evals/                # 可选：测试用例（开发阶段使用）\n│   └── evals.json\n└── .skillignore          # 可选：打包时忽略的文件列表\n```\n\n各部分角色一览：\n| 文件/目录 | 必需？ | 作用 | 加载时机 |\n|:---:|:---:|:---|:---|\n| SKILL.md | 是 | 核心指令，包含元数据和工作流 | 技能触发时立即加载 |\n| scripts/ | 否 | 可执行脚本，用于确定性任务 | 按需执行，不占上下文 |\n| references/ | 否 | 大型参考文档 | 按需读取 |\n| assets/ | 否 | 静态资源（模板、图片等） | 按需读取或复制 |\n| evals/ | 否 | 测试用例 | 仅开发阶段使用 |\n| .skillignore | 否 | 打包排除规则（打包时使用） | 打包时使用 |\n\n### 三级渐进式披露机制（Progressive Disclosure）\n\n这是 Skill 最核心的工作原理，决定了它既节省上下文，又能承载复杂知识：\n\n```\n第一级：YAML Frontmatter（元数据头部）\n  → 始终加载在 AI 的系统提示词中\n  → 只包含 name 和 description\n  → 作用：让 AI 知道\"我有哪些技能、分别在什么时候用\"\n  → 类比：图书馆的目录卡片\n\n第二级：SKILL.md 正文\n  → 当 AI 判断当前任务与该 Skill 相关时，才加载完整正文\n  → 包含具体执行步骤、示例、注意事项\n  → 类比：从书架上取出那本书，深度阅读\n\n第三级：scripts/ references/ assets/ 中的文件\n  → 只在 Skill 执行过程中需要时才按需读取\n  → 类比：书中引用的附录和参考资料\n```\n\n这个机制的三大优势：\n\n| 优势     | 说明                                                                 |\n|:---------:|:----------------------------------------------------------------------|\n| 省上下文 | 大量 Skill 并存时，AI 只加载目录信息，不会撑爆上下文窗口 |\n| 省推理成本 | 步骤清晰，AI 减少\"想怎么做\"的推理次数，降低 token 消耗 |\n| 结果确定 | 固定步骤 + 可脚本化执行，输出稳定，关键细节不遗漏 |\n\n\n### 什么任务最适合写成 Skill？三大使用场景\n\n根据 Anthropic 官方总结，Skill 最适合以下三类场景：\n\n#### 场景一：文档与资产创建（Document \u0026 Asset Creation）\n\n**适合人群：** 运营、产品、设计、所有人\n**核心特征：** 需要生成符合特定风格、规范或品牌标准的输出物\n**典型案例：**\n- 给产品制作宣传视频（Remotion Best Practice Skill）\n- 生成高质量前端界面（frontend-design Skill）\n- 按公司模板生成 Word/PPT/Excel 文档\n- 制作符合设计规范的海报或社交媒体图文\n\n**为什么用 Skill：** 你不熟悉该领域，无法指导 AI 达到专业标准。Skill 携带了该领域的最佳实践，让 AI 直接按专家标准执行。\n\n##### 场景二：工作流自动化（Workflow Automation）\n\n**适合人群：** 开发、技术管理者、任何有重复性工作的人\n**核心特征：** 多步骤流程，期望每次输出结果一致\n**典型案例：**\n- 每次新增 API 后自动同步文档 + 兼容性检查 + 单元测试框架\n- 代码提交前自动执行 Code Review 规范\n- 按固定模板生成项目进展报告\n\n为什么用 Skill：\n- 重复动作脚本化 → 不遗漏任何步骤\n- 不依赖 AI 每次\"想起来\"提醒 → 结果确定\n- 将步骤固化到文件 → 减少 token 消耗，降低成本\n\n### 场景三：MCP 能力增强（MCP Enhancement）\n\n**适合人群：** 已经连接了 MCP 的开发者、技术团队\n**核心特征：** 有了工具访问权限，但缺乏\"怎么用好\"的工作流知识\n**典型案例：**\n- 连接了 Linear MCP，但每次都要解释 Sprint 规划流程 → 写一个 Skill 固化这套流程\n- 连接了 GitHub MCP，但代码审查没有标准 → 写一个 Skill 定义审查步骤\n\n为什么用 Skill：\n- MCP 解决\"AI 能做什么\"（工具访问）\n- Skill 解决\"AI 应该怎么做\"（工作流知识）\n- 两者结合，用户无需每次从头解释，AI 自动按最佳实践执行\n\n### SKILL 完整格式\n\n\n## 使用指南\n\n\n### SKILL 开发流程\n\nSKILL 开发流程如下：\n\n```bash\n写SKILL文档\n    ↓\n用测试用例运行（带技能 vs 不带技能）\n    ↓\n对比结果差异\n    ↓\n真人评估反馈（哪里不对？哪里缺失？）\n    ↓\n修改 SKILL.md / 脚本 / 模板\n    ↓\n重复，直到满意\n    ↓\n打包发布\n```\n\n使用时，可以直接执行以下命令生成一个 SKILL 模版，然后修改成自己的 SKILL:\n\n```bash\n$ cp -r skills/demo-skill skills/my-skill\n```\n\n## SKILL 编写规范\n\n### SKILL 规范\n\n- 命名规范：\n    - 只允许字符：小写字母 a-z、数字 0-9、连字符 `-`。例如：`demo-skill`\n    - SKILL 名字要和 SKILL 所在目录名保持一致；\n    - 长度：建议 \u003c= 64 字符（不超过 80 也可接受）\n    - 语义要清晰：名字能回答“它做什么/输出什么”\n\n### 写好 Description 的三个黄金原则\n\nDescription 是 Skill 的\"触发器\"，决定 AI 在什么时候调用它。\n\n#### 原则一：同时说明\"做什么\"和\"什么时候用\"\n\n```\n# ❌ 太模糊\ndescription: 帮助处理项目。\n\n# ❌ 只说做什么，没有触发条件\ndescription: 创建复杂的多页面文档系统。\n\n# ✅ 好的示例\ndescription: |\n  分析 Figma 设计文件并生成开发交付文档。\n  当用户上传 .fig 文件、说到\"设计规范\"、\n  \"组件文档\"或\"设计转代码\"时使用。\n```\n\n#### 原则二：包含用户实际会说的话（触发词）\n\n用户一般不会说专业术语，要预测他们的自然语言：\n\n```\ndescription: |\n  管理 Linear 项目工作流，包括 Sprint 规划、任务创建和状态跟踪。\n  当用户提到\"冲刺\"、\"Linear 任务\"、\"项目计划\"，\n  或要求\"创建工单\"时触发。\n```\n\n#### 原则三：控制长度，不超过 1024 字符\n\nFrontmatter 会被加载到系统提示词中，过长会占用上下文。2-4 句话即可，核心信息优先。\n\n### 正文写作的四个技巧\n\n1. 用第三人称描述步骤：`当被触发时，AI 需要先……` 而非 `你要……`，便于阅读和修改；\n2. 步骤编号化：每步只做一件事，AI 不会跳过或混淆顺序；\n3. 关键验证前置：把最重要的检查放在最前面，用 `## 重要` 或 `CRITICAL:` 标注；\n4. 引用胜过嵌入：复杂文档放在 `references/` 中，主文件只写引用路径，保持 SKILL.md 在 5000 词以内。\n\n### 五大进阶模式：让 Skill 处理复杂工作流\n\n以下五种模式来自 Anthropic 官方总结的实践经验，适合需要处理更复杂场景的用户。\n\n#### 模式一：顺序工作流编排\n\n**适用：** 需要严格按顺序执行的多步流程\n\n```markdown\n\n## 工作流：新客户接入\n\n### 第一步：创建账户\n调用 MCP 工具：`create_customer`\n参数：姓名、邮箱、公司名\n\n### 第二步：设置支付方式\n调用 MCP 工具：`setup_payment`\n等待：支付方式验证完成\n\n### 第三步：创建订阅\n调用 MCP 工具：`create_subscription`\n依赖参数：来自第一步的 customer_id\n\n### 第四步：发送欢迎邮件\n调用 MCP 工具：`send_email`\n模板：welcome_email_template\n```\n\n**关键技巧：** 明确步骤依赖关系、在每步加验证、提供失败时的回滚指令。\n\n### 模式二：跨 MCP 协调\n\n**适用：** 工作流跨越多个外部服务\n\n```markdown\n## 设计转开发交付流程\n\n### 阶段一：Figma 导出（Figma MCP）\n1. 导出设计资产\n2. 生成设计规范文档\n3. 创建资产清单\n\n### 阶段二：文件存储（Drive MCP）\n1. 创建项目文件夹\n2. 上传所有资产\n3. 生成分享链接\n\n### 阶段三：任务创建（Linear MCP）\n1. 创建开发任务\n2. 将资产链接附到任务\n3. 分配给工程团队\n\n### 阶段四：通知（Slack MCP）\n1. 在 #engineering 频道发布交付摘要\n2. 包含资产链接和任务引用\n```\n\n### 模式三：迭代优化循环\n\n**适用：** 需要多轮优化才能达到质量标准的输出\n\n```markdown\n## 报告生成流程\n\n### 初稿生成\n1. 通过 MCP 获取数据\n2. 生成第一版报告\n3. 保存到临时文件\n\n### 质量检查\n1. 运行验证脚本：`scripts/check_report.py`\n2. 检查项：缺失章节 / 格式不一致 / 数据错误\n\n### 优化循环\n1. 逐项修复检查出的问题\n2. 重新生成受影响的章节\n3. 再次验证\n4. 重复直到通过质量标准\n\n### 最终输出\n1. 应用最终格式\n2. 生成摘要\n3. 保存正式版本\n```\n\n### 模式四：上下文感知的工具选择\n\n**适用：** 同一个目标，根据文件类型或场景选择不同工具\n\n```markdown\n## 智能文件存储\n\n### 决策树\n1. 检查文件类型和大小\n2. 选择最佳存储位置：\n   - 大文件（\u003e10MB）→ 云存储 MCP\n   - 协作文档 → Notion/Google Docs MCP\n   - 代码文件 → GitHub MCP\n   - 临时文件 → 本地存储\n\n### 执行存储\n根据决策调用对应 MCP 工具，\n并向用户说明选择该存储方式的原因。\n```\n\n### 模式五：领域专业知识内嵌\n\n**适用：** 需要将复杂的合规规则、行业知识内嵌到工作流中\n\n```markdown\n## 支付处理合规流程\n\n### 处理前（合规检查）\n1. 获取交易详情（MCP）\n2. 应用合规规则：\n   - 检查制裁名单\n   - 验证司法管辖权\n   - 评估风险等级\n3. 记录合规决策\n\n### 执行处理\nIF 合规通过：\n  - 调用支付处理 MCP\n  - 执行欺诈检测\n  - 完成交易\nELSE：\n  - 标记待人工审核\n  - 创建合规案例\n\n### 审计记录\n- 记录所有合规检查过程\n- 生成审计报告\n```\n\n\n\n## 参考文档\n\n- [skills.sh](https://skills.sh)：当前最流行的开放 Skill 市场，含 Remotion（视频）、from-design（前端）等热门 Skill；\n","project_url":"https://awesome.ecosyste.ms/api/v1/projects/github.com%2Fonexstack%2Fsre-skill-hub","html_url":"https://awesome.ecosyste.ms/projects/github.com%2Fonexstack%2Fsre-skill-hub","lists_url":"https://awesome.ecosyste.ms/api/v1/projects/github.com%2Fonexstack%2Fsre-skill-hub/lists"}