SkillSeek Skill 技能

技能简介

SkillSeek 是一个开源的 Agent Skill 检索器（论文 AACL-IJCNLP 2027），通过标准两阶段检索（bi-encoder 粗排 + cross-encoder 重排）在不上 LLM 的前提下从上万份 SKILL.md 中挑出最相关的几条，并通过 MCP 暴露给任何 MCP 客户端。仓库采用 MIT 协议，是 SkillsBench 基准测试中表现优于 LLM 检索循环的 BM25 + 向量混合方案：实验显示，BM25 单独在三组设置上与 LLM 检索循环持平或胜出，单次试验花费从 $51.30 降到 $27.54。

核心能力

• 两阶段检索：先用 BGE-base bi-encoder 召回 20 条候选，再用 bge-reranker-v2-m3 cross-encoder 重排到 top-k，reranker 默认 CPU 运行。
• 零 LLM 调用：检索路径完全不调 LLM，每次任务只付向量化与重排代价，对大型技能池成本极低。
• MCP 原生暴露：通过 stdio 或 HTTP 注册，agent 可见 skill_lookup(query, k) / skill_load(name) / skill_list() 三件套工具。
• SKILL.md 索引：扫描 SKILLS_DIR 下每个 /SKILL.md 的 name + description + 4 个 Tool-REX 标签，索引时不读 body（实验证明读 body 让 pass rate 掉 3.2%）。
• Tool-REX 增强：每个技能配 1 句功能描述 + 4 个标签（文件类型 / 主要操作），可离线用 LLM 一次性生成，提高大体量池子检索质量。
• HTTP / stdio 双传输：单机用 stdio 注册，多 agent / 多容器共享用 HTTP 暴露。
• 多 LLM profile 构建器：profile builder 支持 OpenRouter、Anthropic、OpenAI、Gemini、Kimi、Z.ai、MiniMax 与本地 vLLM。

安装配置

• 环境前置：Python 3.12，需要本地预装好至少一个 MCP 客户端（Claude Code / Codex / Cursor 等）。
• 安装：克隆仓库 git clone https://github.com/guanqun-yang/SkillSeek && cd SkillSeek，python -m venv .venv && source .venv/bin/activate，pip install -r requirements.txt。
• Claude Code stdio 注册：claude mcp add skillseek -e SKILLS_DIR=/path/to/skills -e MCP_TEXT_VARIANT=baseline -- /path/to/SkillSeek/.venv/bin/python /path/to/SkillSeek/mcp_server/skills_mcp.py。
• HTTP 共享模式：SKILLS_DIR=/path/to/skills MCP_TEXT_VARIANT=baseline MCP_TRANSPORT=http MCP_PORT=8002 python mcp_server/skills_mcp.py，再用 claude mcp add --transport http skillseek http://localhost:8002/mcp 注册。

使用步骤

• 第 1 步：把目标技能池放到一个目录，每个技能是一个含 SKILL.md 的子目录，名字 + description 写在 SKILL.md 顶部 YAML。
• 第 2 步：可选地用 python scripts/build_toolrex_profiles.py --pool /path/to/skills --out data/toolrex_profiles_mine.json 离线生成 Tool-REX profile，提升大体量池检索质量；设置 OPENROUTER_API_KEY 或其他 LLM Key。
• 第 3 步：按 stdio 或 HTTP 方式注册 SkillSeek 到 MCP 客户端；大池子把 MCP_TOOLREX_PATH 指到 profile 文件路径。
• 第 4 步：在客户端对话里用 skill_lookup("vector store benchmark", k=5) 调取最相关的几条技能，再 skill_load(name) 加载完整 SKILL.md。
• 第 5 步：按 docs/reproduce.md 在 SkillsBench 或 Liu et al. (2026) 34K pool 上复现论文实验，验证 liu_baseline/ 重新实现的对照基线。

适用场景

• 大体量技能市场导航：当你的 SKILL.md 数量过百（10K+），靠 LLM 检索循环 token 费用太高时切到 SkillSeek。
• 多 agent 共享池：把检索服务用 HTTP 暴露给多个 agent，避免每个 agent 都跑一遍向量化。
• SkillsBench 评估：研究人员可直接用仓库脚本在 SkillsBench 池子上对比 BM25 与 LLM 检索。
• 企业私有 skill hub：把团队沉淀的 SKILL.md 放进 skill 池，让 Claude Code / Codex 都能以最小代价挑到最合适的 skill。
• 离线工具集发现：Tool-REX profile 离线生成一次后无需联网，提升数据敏感场景的可用性。

适用人群

• 维护 100+ SKILL.md 的开发者 / 平台团队；
• Agent 框架作者想要"低成本技能发现"能力；
• NLP / 信息检索方向的研究者（论文 + 开源代码双轨发布）；
• 企业 IT 想让多个 agent 共享同一份技能库；
• SkillsBench 用户做基线对比。

工作原理

SkillSeek 把技能检索视为标准的语义搜索问题：先用 BGE-base 把 query 和每个 SKILL.md 的 name+description+tags 编码到同一向量空间，取 top 20 候选；再让 bge-reranker-v2-m3 精排回 top k；整个流程不上 LLM，因此每次任务的成本可预测且极低。Tool-REX 是为大体量池子设计的 profile 增强：用 LLM 离线给每个技能写 1 句功能描述 + 4 个标签（文件类型 / 主要操作），profile 写入索引，避免 agent 在 SKILL.md body 上花 token；论文显示在大体量池（34K）上 profile 增强后 pass@1 显著高于基线。

官方链接

• 仓库：https://github.com/guanqun-yang/SkillSeek
• 论文：AACL-IJCNLP 2027（SkillSeek: Revisiting Agent Skill Retrieval at Marketplace Scale）
• 配置文档：https://github.com/guanqun-yang/SkillSeek/blob/master/docs/configuration.md
• 复现脚本：https://github.com/guanqun-yang/SkillSeek/blob/master/docs/reproduce.md
• 许可证：MIT