COMPASS Skills：让 AI Agent 自主管理任务、上下文与 Skill 迭代

COMPASS Skills 是一个模块化 AI Agent 技能系统，提供任务澄清、对话接力、用户画像、Skill 自演化等七大本地技能，一站式解决 AI 长程工作中的目标偏移、上下文断裂、技能迭代等痛点。它以纯 SKILL.md 形式交付，零依赖安装，兼容 Claude Code、Codex 等主流 Agent 平台。

功能与原则

COMPASS 将 AI Agent 的长程工作拆解为四个核心维度：目标对齐、进度追踪、交接传递、用户偏好。每个维度对应一个独立 Skill，共七个模块协同运作。设计原则是”本地优先、用户可控”——所有上下文存在本地，不上传云端，Skill 的修改和升级都需用户显式确认，形成可控的自我演化闭环。

认可度

截至 2026-08-14，GitHub 获 684 Stars、56 Forks，最近一次更新为 2026-08-14，活跃度较高。项目在 GitHub Topics skillsmp 页面露出，适合作为 Skill 盘点候选。

链接

GitHub：https://github.com/dongshuyan/compass-skills

原作者

GitHub 用户 dongshuyan，项目附有中文文档站点 dongshuyan.com，定位是个人开发者，专注于 AI Agent 工作流与 Skill 工程化实践。

介绍

COMPASS Skills 起源于一个观察：AI Agent 在处理复杂、长周期任务时，缺乏稳定的上下文记忆机制——每次新建对话都要重新解释背景，任务进度无法跨会话保留，Skill 本身也无法从真实运行经验中自我迭代。

针对这些问题，项目构建了一套本地 Skill 生态：task-clarifier 在执行模糊或高风险任务前要求用户明确目标与边界；task-forest 维护一个 DAG 形态的任务图，记录每个子任务的依赖、进度和决策历史；session-handoff-prompt 将当前对话压缩为一段可直接粘贴到新对话的接力提示词；user-profile-keeper 维护用户的沟通偏好和风险边界，让每次新对话都能快速对齐用户风格。

此外两个进阶 Skill 面向 Skill 工程：run-history-skill-builder 将已完成的工作流转化为新的可复用 Skill 包；run-history-skill-upgrader 读取真实运行记录，自动生成现有 Skill 的升级计划，经用户批准后才写入文件，形成闭环自演化。

最后，academic-humanizer 帮助用户消除学术写作中的 AI 痕迹——识别机械重复、过程泄露、模式化表达等公式化语言，同时保留论点强度和逻辑结构，让文章读起来更像由真人撰写。

特点

• 七大模块按需安装：既可一键装全套，也可以只装特定 Skill，灵活组合
• 零外部依赖：纯 SKILL.md 文件，无需 MCP 服务器或后台守护进程
• 跨 Agent 兼容：支持 Claude Code、Codex、OpenClaw 等所有遵循 Agent Skills 规范的平台
• 本地优先：所有上下文存在本地，用户可检查、修正或删除，隐私可控
• 可控自演化：Skill 升级必须经用户批准，不会在后台静默修改

使用方法

安装全部 Skill（以 Claude Code 为例）：

npx skills add dongshuyan/compass-skills --skill '*' -a claude-code

按需安装特定 Skill：

npx skills add dongshuyan/compass-skills --skill task-clarifier -a claude-code
npx skills add dongshuyan/compass-skills --skill academic-humanizer -a claude-code

安装后在对话中通过 $ 触发隐式调用，或显式输入 /skills 调用。

使用场景与人群

适用场景： 复杂多步项目开发、跨会话长周期任务、AI 学术论文写作与润色、团队多人协作交接、AI 工作流的 Skill 化复用。

目标用户： 使用 Claude Code / Codex 进行生产的开发者、需要在 AI 辅助下完成学术写作的研究者、致力于构建个人 AI 工作流的效率爱好者。

输入与输出案例

案例一：task-clarifier

输入（对话中）：

$task-clarifier
目标：帮我在 AWS 上部署一套无服务器图像处理流水线，支持 S3 触发、Lambda 处理、云Front 分发，预算控制在 20 美元/月以内。

输出：Agent 先不执行，而是提问确认——图像处理是实时还是批量、Lambda 内存配置优先级、是否需要 CloudFront 日本节点等，澄清完成后才生成执行计划。

案例二：academic-humanizer

输入：粘贴一段带明显 AI 痕迹的学术摘要：”In conclusion, this paper has systematically investigated the research question, and the findings indicate that… Furthermore, the methodology employed in this study…”

输出：润色后去除机械连接词和过程性描述，保留技术内核，读起来更像学术同行写作风格：”This study addresses [X]. Results suggest [Y], attributable to [Z].”

GitHub: https://github.com/dongshuyan/compass-skills