使用说明

mcp技能组合

通过模型上下文协议（MCP）为代码助理提供动态RAG技能

mcp-skillset是一个独立的Python应用程序，通过混合RAG（向量+知识图）为代码助理提供智能、上下文感知技能。与启动时加载的静态技能不同，mcp技能集支持运行时技能发现、基于项目工具链的自动推荐以及针对工作流优化的动态加载。

主要特点

🚀 零配置: mcp-skillset setup 自动处理一切
🧠 智能：自动检测项目的工具链（Python、TypeScript、Rust、Go等）
🔍 动态发现：向量相似度+知识图，更好地发现技能
📦 多源：从多个git存储库中提取技能
⚡ 按需加载：技能在需要时加载，并非全部在启动时加载
🔌 MCP本地：一流的模型上下文协议集成
🔒 安全第一：多层防御快速注入和恶意技能
🌐 agentskills.io兼容：支持本地和 agentskills.io 网站规范格式

安全

MCP Skillset实施了全面的安全验证，以防止来自公共存储库的恶意技能。

安全特性

🛡️ 快速注射检测：自动检测指令覆盖尝试、角色劫持和上下文转义
🔍 威胁分类：多级威胁检测（受阻、危险、可疑）
🏷️ 存储库信任级别：信任（官方）、验证（社区）、不信任（公众）
📏 大小限制：通过内容大小强制实施DoS防御
🎯 内容消毒：所有技能都有明确的界限，以防止上下文逃逸

信任级别

级别	描述	安全策略
可信的	官方Anthropic仓库	最小过滤（仅屏蔽威胁）
已验证	已知社区存储库	中等过滤（已阻止+危险）
不受信任	公共存储库（默认）	严格过滤（所有威胁）

快速安全检查

# Skills from public repos are automatically validated
mcp-skillset search "python testing"

# View security details in logs
mcp-skillset --debug search "python testing"

有关详细的安全信息、威胁模型和最佳实践，请参阅安全.md.

安装

先决条件

Python 3.11或更高版本
Claude Code（用于Claude Code集成） claude CLI可用

使用Homebrew（macOS/Linux）

在macOS或Linux上安装的最简单方法：

brew tap bobmatnyc/tools
brew install mcp-skillset

紫外线（推荐-最快）

紫外线是安装Python应用程序的最快方法：

uv tool install mcp-skillset

使用pipx（替代）

pipx 是安装Python CLI应用程序的可靠替代方案：

pipx install mcp-skillset

有pip（回退）

标准pip安装（不建议用于CLI工具）：

pip install mcp-skillset

来源

git clone https://github.com/bobmatnyc/mcp-skillset.git
cd mcp-skillset
uv sync

本地开发（无安装）

对于开发，您可以直接从源代码运行mcp技能集，而无需安装：

# Use the development script
./mcp-skillset-dev --help
./mcp-skillset-dev search "python testing"
./mcp-skillset-dev setup --auto

这 mcp-skillset-dev 脚本：

从源代码（未安装的版本）运行包
使用本地虚拟环境（如果可用）
自动设置PYTHONPATH
将所有参数传递给CLI

这有助于：

无需重新安装即可测试更改
开发新功能
使用源代码进行调试
为项目做出贡献

备注：对于生产使用，请正常安装包装 uv tool install mcp-skillset 或 pipx install mcp-skillset.

首次运行要求

重要：第一次运行时，mcp技能集将自动下载一个~90MB的句子转换器模型(all-MiniLM-L6-v2)用于语义搜索。这发生在初始阶段 mcp-skillset setup 或者当你第一次运行任何需要索引的命令时。

需求:

✅ 活动互联网连接
✅ ~100MB可用磁盘空间
✅ 初始下载2-5分钟（取决于连接速度）

模型缓存:

模型缓存在 ~/.cache/huggingface/ 以备将来使用
后续运行使用缓存的模型（无需下载）
缓存在mcp技能集更新期间持续存在

培养进步技能

mcp技能集现在包括以下能力 创建自定义渐进技能 Claude Code和其他人工智能助手可以立即使用。技能存储在 ~/.claude/skills/ 并自动加载。

什么是进步技能？

渐进式技能是模块化能力，可以：

分两个阶段加载：启动时轻量级元数据（~100个令牌），激活时全身（<5k个令牌）
自动激活 基于项目上下文（工具链、框架、关键字）
跨会话坚持 -一旦创建，始终可用
遵循最佳实践 -模板确保质量和一致性

创造技能

CLI：交互模式（推荐）

mcp-skillset build-skill --interactive

系统将提示您：

名字：技能标识符（例如“FastAPI测试”）
描述：它的作用以及何时使用
领域：类别（例如“网络开发”）
标签：用于发现的关键字（例如，“fastapi、pytest、testing”）
模板：从专用模板中选择

CLI：命令行模式

mcp-skillset build-skill \
  --name "FastAPI Testing" \
  --description "Comprehensive testing strategies for FastAPI applications using pytest, httpx, and test clients" \
  --domain "web development" \
  --tags "fastapi,pytest,testing,web" \
  --template web-development

CLI：预览模式

在不部署的情况下预览生成的技能：

mcp-skillset build-skill \
  --name "FastAPI Testing" \
  --description "Comprehensive testing strategies for FastAPI applications" \
  --domain "web development" \
  --preview

MCP工具（用于AI代理）

# Via MCP server
result = await skill_create(
    name="GraphQL API Design",
    description="Design and implement GraphQL APIs with schema-first approach",
    domain="api development",
    tags=["graphql", "api", "apollo"],
    template="api-development",
    deploy=True
)

可用模板

模板	最适合	用例
web开发	Web应用程序	前端、后端、全栈模式
api开发	API	REST、GraphQL、身份验证、速率限制
测试	QA工作流程	TDD、单元/集成/E2E测试

备注：The base 由于验证限制，目前仅建议高级用户使用模板。使用专门的模板来培养生产技能。

例子

创建FastAPI测试技能:

mcp-skillset build-skill \
  --name "FastAPI Testing" \
  --description "Test FastAPI endpoints with pytest and httpx clients" \
  --domain "web development" \
  --tags "fastapi,pytest,testing" \
  --template web-development

创建GraphQL API技能:

mcp-skillset build-skill \
  --name "GraphQL API Design" \
  --description "Schema-first GraphQL API design with Apollo Server" \
  --domain "api development" \
  --tags "graphql,apollo,api" \
  --template api-development

创建TDD工作流程技能:

mcp-skillset build-skill \
  --name "TDD Workflow" \
  --description "Test-driven development workflow with red-green-refactor cycle" \
  --domain "testing" \
  --tags "tdd,testing,workflow" \
  --template testing

部署

技能会自动部署到 ~/.claude/skills/skill-name/SKILL.md 并立即可用于：

克劳德代码 （VS代码扩展）
克劳德桌面版 （独立应用程序）
奥吉（如果已配置）

技能结构

生成的技能包括：

YAML 前置元数据：元数据（名称、描述、标签、版本）
概述：这项技能能做什么
何时使用：激活上下文
核心原则：最佳实践与示例
常见模式：经过验证的方法
反模式：要避免什么
测试策略：验证方法
相关技能：补充技能

后续步骤

在创造技能之后：

测试激活：开始一个与你的技能标签相匹配的项目
验证加载：检查克劳德是否提到了你的技能
迭代：根据使用情况更新技能
分享：导出技能供团队使用

有关详细文档，请参阅：

快速开始

1.设置

运行交互式安装向导为您的项目配置mcp技能集：

mcp-skillset setup

备注：在继续安装之前，第一次运行将下载嵌入模型（~90MB）。初始下载需要2-5分钟。后续的跑步会快得多。

此完整的一个命令设置将：

下载嵌入模型（仅限首次运行）
检测项目的工具链
克隆相关技能库
构建向量+知识图索引
配置MCP服务器集成
安装并配置所有检测到的AI代理 （克劳德桌面，克劳德代码，Auggie）
- 对于克劳德代码：使用官方 claude mcp add CLI命令
- 对于其他代理：通过JSON配置文件进行配置
验证设置

小贴士：使用 mcp-skillset setup --skip-agents 如果您更喜欢使用手动配置AI代理 install 命令。

2.探索可用技能

在潜水之前，探索一下有什么可用的：

# Get personalized recommendations based on your project
mcp-skillset recommend

# Search for specific topics
mcp-skillset search "testing patterns"

# Browse all skills interactively
mcp-skillset demo

# List all skills in compact format
mcp-skillset list --compact

3.启动MCP服务器

mcp-skillset mcp

服务器将启动并通过MCP协议向您的代码助理展示技能。

4.使用克劳德代码

技能在克劳德代码中自动可用。尝试：

“Python有哪些测试技能？”
“向我展示调试技能”
“为我的项目推荐技能”
“使用pytest夹具技能帮助我编写更好的测试”

实际使用场景

场景1：启动一个新的Python项目

# Get setup and testing recommendations
cd ~/my-new-python-project
mcp-skillset recommend

# Search for testing frameworks
mcp-skillset search "python testing frameworks" --limit 5

# Learn about pytest best practices
mcp-skillset info pytest-best-practices

# Start MCP server for Claude integration
mcp-skillset mcp

场景2：调试生产问题

# Find debugging techniques
mcp-skillset search "production debugging" --search-mode semantic_focused

# Get systematic debugging approach
mcp-skillset info systematic-debugging

# View example questions
mcp-skillset demo systematic-debugging

场景3：代码审查准备

# Find code review and quality skills
mcp-skillset search "code review" --category "Best Practices"

# Explore testing and quality skills
mcp-skillset list --category "Testing"

# Enrich your code review prompt
mcp-skillset enrich "Review this code for security and performance issues" --max-skills 3

场景4：学习新框架

# Search for framework-specific skills
mcp-skillset search "async python patterns"

# Get recommendations for async projects
cd ~/async-project
mcp-skillset recommend --search-mode graph_focused

# Explore related skills interactively
mcp-skillset demo

项目结构

~/.mcp-skillset/
├── config.yaml              # User configuration
├── repos/                   # Cloned skill repositories
│   ├── anthropics/skills/
│   ├── obra/superpowers/
│   └── custom-repo/
├── indices/                 # Vector + KG indices
│   ├── vector_store/
│   └── knowledge_graph/
└── metadata.db             # SQLite metadata

建筑

mcp技能集使用混合RAG方法，结合了：

向量存储 （ChromaDB）：

技能描述的快速语义搜索
使用句子变换器生成的嵌入
配置最少的持久性本地存储

知识图谱 （NetworkX）：

技能关系和依赖关系
类别和工具链关联
相关技能发现

工具链检测:

编程语言的自动检测
框架和构建工具识别
智能技能推荐

配置

全局配置(`~/.mcp-skillset/config.yaml`)

# Hybrid Search Configuration
# Controls weighting between vector similarity and knowledge graph relationships
hybrid_search:
  # Option 1: Use a preset (recommended)
  preset: current  # current, semantic_focused, graph_focused, or balanced

  # Option 2: Specify custom weights (must sum to 1.0)
  # vector_weight: 0.7  # Weight for vector similarity (0.0-1.0)
  # graph_weight: 0.3   # Weight for knowledge graph (0.0-1.0)

repositories:
  - url: https://github.com/anthropics/skills.git
    priority: 100
    auto_update: true
  - url: https://github.com/obra/superpowers.git
    priority: 90
    auto_update: true
  - url: https://github.com/ComposioHQ/awesome-claude-skills.git
    priority: 85
    auto_update: true
  - url: https://github.com/Prat011/awesome-llm-skills.git
    priority: 85
    auto_update: true

vector_store:
  backend: chromadb
  embedding_model: all-MiniLM-L6-v2

server:
  transport: stdio
  log_level: info

混合搜索模式

混合搜索系统将向量相似性（语义搜索）与知识图关系（依赖遍历）相结合，以找到相关技能。您可以调整权重以针对不同的用例进行优化：

可用预设：

预设	矢量	图形	最适合	用例
`current`	70%	30%	通用（默认）	平衡的技能发现，略微强调语义
`semantic_focused`	90%	10%	自然语言查询	“帮我调试异步代码”→ 强调语义理解
`graph_focused`	30%	70%	相关技能发现	从“pytest”开始→ 发现pytest夹具、pytest模拟
`balanced`	50%	50%	同等权重	不确定哪种方法更好时的通用

何时使用每种模式：

current （默认）：最适合大多数用户。通过测试证明，它对典型的技能发现模式非常有效。
semantic_focused：当您有模糊的要求或想要模糊的语义匹配时使用。适用于基于概念的搜索，如“帮助我处理错误”或“测试策略”。
graph_focused：当你想探索技能生态系统和依赖关系时使用。非常适合“还有什么方法适用于X？”查询。
balanced：当你想对两种方法都给予同等重视时，或者作为实验的起点时，可以使用。

配置示例：

# Use preset (recommended)
hybrid_search:
  preset: current

# OR specify custom weights
hybrid_search:
  vector_weight: 0.8
  graph_weight: 0.2

CLI覆盖：

您可以使用以下命令覆盖配置文件设置 --search-mode 标志：

# Use semantic-focused mode for this search
mcp-skillset search "python testing" --search-mode semantic_focused

# Use graph-focused mode for recommendations
mcp-skillset recommend --search-mode graph_focused

# Available modes: semantic_focused, graph_focused, balanced, current

项目配置(`.mcp-skillset.yaml`)

project:
  name: my-project
  toolchain:
    primary: Python
    frameworks: [Flask, SQLAlchemy]

auto_load:
  - systematic-debugging
  - test-driven-development

CLI命令

mcp-skillset提供了一个丰富的交互式CLI，具有全面的命令行选项和由rich和Questionary支持的漂亮终端输出。

快速参考

命令	目的	关键选项
`setup`	初始配置向导	`--auto`, `--project-dir`
`config`	查看/修改配置	`--show`, `--set`
`index`	重建索引	`--incremental`, `--force`
`install`	安装AI代理	`--agent`, `--dry-run`
`mcp`	启动MCP服务器	`--dev`
`build-skill`	培养进步技能	`--interactive`, `--preview`, `--template`
`search`	通过查询查找技能	`--limit`, `--category`, `--search-mode`
`list`	列出所有技能	`--category`, `--compact`
`info` / `show`	显示技能详细信息	（技能id参数）
`recommend`	获取推荐	`--search-mode`
`demo`	交互式技能浏览器	`--interactive`
`repo add`	添加技能库	`--priority`
`repo list`	列出存储库	-
`repo update`	更新存储库	（可选存储库id）
`discover search`	在GitHub上搜索repos	`--min-stars`, `--limit`
`discover trending`	获取热门存储库	`--timeframe`, `--topic`
`discover topic`	按GitHub主题搜索	`--min-stars`
`discover verify`	验证SKILL.md文件	（仓库url参数）
`discover limits`	显示API费率限制	-
`doctor`	健康检查	-
`stats`	使用统计	-
`enrich`	丰富提示	`--max-skills`, `--full`, `--output`

全局选项： --version, --verbose, --debug, --help

核心命令

`setup` -初始配置

通过智能工具链检测和自动代理安装，为您的项目自动配置mcp技能集。

# Interactive setup wizard (recommended for first-time setup)
mcp-skillset setup

# Non-interactive setup with defaults (CI/automation)
mcp-skillset setup --auto

# Skip automatic agent installation (configure manually later)
mcp-skillset setup --skip-agents

# Setup for specific project directory
mcp-skillset setup --project-dir /path/to/project

# Custom config file location
mcp-skillset setup --config ~/.config/mcp-skillset/custom.yaml

它的作用：

下载嵌入模型（~90MB，仅限首次运行）
检测项目工具链（Python、TypeScript、Rust、Go等）
克隆相关技能库
构建向量+知识图索引
配置MCP服务器集成
自动安装和配置所有检测到的AI代理 （克劳德桌面，克劳德代码，Auggie）
验证安装完成情况

首次运行注意事项： 初始模型下载需要2-5分钟。后续运行是即时的。

代理安装： setup命令现在可以自动检测和配置系统上所有受支持的AI代理，提供类似于mcp ticketer的完整命令安装体验。使用 --skip-agents 如果您更喜欢使用手动配置代理 install 命令。

`config` -配置管理

查看或修改mcp技能集配置设置。

# Show current configuration (read-only)
mcp-skillset config
mcp-skillset config --show

# Set configuration value interactively
mcp-skillset config --set hybrid_search.preset=semantic_focused
mcp-skillset config --set repositories[0].auto_update=true

配置文件： ~/.mcp-skillset/config.yaml

`index` -重建索引

从技能库中重建向量和知识图索引。

# Full rebuild (recommended after adding repositories)
mcp-skillset index

# Incremental indexing (only new/changed skills)
mcp-skillset index --incremental

# Force full reindex (bypass cache)
mcp-skillset index --force

使用案例：

使用添加新存储库后 repo add
当技能内容发生变化时
搜索问题疑难解答
切换嵌入模型

`install` -代理集成

为具有自动检测功能的AI代理安装MCP SkillSet配置。

# Auto-detect and install for all supported agents
mcp-skillset install

# Install for specific agent
mcp-skillset install --agent claude-desktop
mcp-skillset install --agent claude-code
mcp-skillset install --agent auggie

# Preview installation without making changes
mcp-skillset install --dry-run

# Force overwrite existing configuration
mcp-skillset install --force

支持的代理：

claude-desktop -Claude桌面应用程序
claude-code -克劳德代码CLI
auggie -Auggie人工智能助理
all -为所有检测到的代理安装

`build-skill` -渐进式技能创造

从模板创建自定义渐进技能。技能被部署到 ~/.claude/skills/ 立即使用。

# Interactive mode (recommended)
mcp-skillset build-skill --interactive

# Standard mode with all parameters
mcp-skillset build-skill \
  --name "FastAPI Testing" \
  --description "Comprehensive testing strategies for FastAPI applications" \
  --domain "web development" \
  --tags "fastapi,pytest,testing,web" \
  --template web-development

# Preview mode (no deployment)
mcp-skillset build-skill \
  --name "GraphQL API Design" \
  --description "Schema-first GraphQL API design" \
  --domain "api development" \
  --preview

# Disable auto-deployment
mcp-skillset build-skill \
  --name "Test Skill" \
  --description "Testing skill creation" \
  --domain "testing" \
  --no-deploy

参数：

--name （标准模式下必填）：技能名称
--description （标准模式下需要）：技能的作用（最少20个字符）
--domain （标准模式下需要）：类别（例如“web开发”）
--tags （可选）：逗号分隔的关键字
--template （可选）：模板选择（默认：base）
- web-development -全栈网络模式
- api-development -REST/GraphQL API
- testing -TDD和测试工作流程
- base -通用模板（仅限高级用户）
--interactive （可选）：带提示的交互模式
--preview （可选）：显示生成的内容而不进行部署
--no-deploy （可选）：禁用自动部署

可用模板：

web开发：前端、后端、全栈模式✅ 生产就绪
api开发：REST、GraphQL、身份验证✅ 生产就绪
测试：TDD、单元/集成/E2E测试✅ 生产就绪
基础：通用模板⚠️ 仅限高级用户（验证限制）

输出：

技能部署到： ~/.claude/skills/{skill-name}/SKILL.md
立即可供Claude Code、Claude Desktop和Auggie使用
显示验证结果和警告
返回技能ID和路径

另请参见： 培养进步技能示例和详细用法部分。

`mcp` -MCP服务器

启动模型上下文协议服务器，以便与代码助手集成。

# Start MCP server (stdio transport)
mcp-skillset mcp

# Development mode (auto-reload on changes)
mcp-skillset mcp --dev

服务器详细信息：

传输：标准输入/输出
协议：模型上下文协议v1.0
公开的工具：技能搜索、技能集合、技能推荐、技能类别、技能索引、技能模板列表、技能创建

搜索和发现命令

`search` -语义搜索

使用混合RAG（向量+知识图）的自然语言查询搜索技能。

# Basic search
mcp-skillset search "python testing"

# Limit results
mcp-skillset search "debugging" --limit 5

# Filter by category
mcp-skillset search "testing" --category "Python"

# Override search mode (semantic vs graph weighting)
mcp-skillset search "async patterns" --search-mode semantic_focused
mcp-skillset search "pytest fixtures" --search-mode graph_focused

搜索模式：

current （默认）-70%语义，30%图形
semantic_focused -90%语义，10%图形（最适合模糊查询）
graph_focused -30%语义，70%图形（最适合相关技能）
balanced -50%语义，50%图形

示例：

# Find testing skills for Python
mcp-skillset search "python unit testing frameworks"

# Discover debugging techniques
mcp-skillset search "debugging techniques" --limit 3

# Find skills related to async programming
mcp-skillset search "asynchronous programming" --search-mode graph_focused

`list` -列出所有技能

使用筛选选项显示所有可用技能。

# List all skills
mcp-skillset list

# Filter by category
mcp-skillset list --category "Testing"

# Compact output (table format)
mcp-skillset list --compact

输出格式：

默认值：带有描述的丰富面板
紧凑：带ID、标题、类别的表视图

`info` / `show` -技能详情

显示特定技能的详细信息。

# Show skill details (both commands are identical)
mcp-skillset info pytest-fixtures
mcp-skillset show systematic-debugging

# Output includes:
# - Full skill ID and title
# - Description
# - Category
# - Repository source
# - Full instructions preview

`recommend` -智能推荐

根据项目的工具链获取智能技能建议。

# Get recommendations for current directory
mcp-skillset recommend

# Override search mode for recommendations
mcp-skillset recommend --search-mode graph_focused

它是如何工作的：

分析项目目录（package.json、pyproject.toml、Cargo.toml等）
检测主要语言和框架
使用检测到的工具链搜索相关技能
按与您的技术栈的相关性排名

输出示例：

🎯 Recommended Skills for Python Project

1. pytest-advanced-fixtures
   Category: Testing | Relevance: 0.92
   Advanced pytest fixture patterns for complex test scenarios

2. python-async-debugging
   Category: Debugging | Relevance: 0.88
   Debug async/await code with modern Python tools

`demo` -交互式技能资源管理器

生成示例提示并交互式探索技能。

# Interactive menu (browse all skills)
mcp-skillset demo

# Interactive mode explicitly
mcp-skillset demo --interactive

# Generate examples for specific skill
mcp-skillset demo pytest-fixtures
mcp-skillset demo systematic-debugging

特征：

使用丰富菜单浏览所有技能
自动生成相关示例问题
从技能说明中提取关键概念
展示实际用例

输出示例：

📚 Demo: pytest-fixtures

Key Concepts:
- Fixture scopes (function, class, module, session)
- Fixture dependencies and chaining
- Parametrized fixtures
- Fixture cleanup and teardown

Example Questions:
1. How do I create a database fixture with session scope?
2. Show me how to parametrize fixtures for multiple test cases
3. What's the best way to chain fixtures together?

存储库管理命令

`repo add` -添加存储库

将新的技能库添加到您的配置中。

# Add repository with default priority
mcp-skillset repo add https://github.com/user/skills.git

# Add with custom priority (higher = searched first)
mcp-skillset repo add https://github.com/user/skills.git --priority 100

优先级：

100：最高（官方存储库）
50：中等（默认，社区存储库）
10：低（实验存储库）

`repo list` -列出存储库

显示所有配置的技能库。

mcp-skillset repo list

输出包括：

仓库地址
优先级
自动更新状态
上次更新时间戳
索引的技能数量

`repo update` -更新存储库

从技能库中提取最新更改。

# Update all repositories
mcp-skillset repo update

# Update specific repository by ID
mcp-skillset repo update anthropic-skills

注：更新后，运行 mcp-skillset index --incremental 索引新技能。

GitHub发现命令

在GitHub上自动发现技能库。

`discover search` -搜索GitHub

使用自然语言查询在GitHub上搜索技能库。

# Basic search
mcp-skillset discover search "python testing"

# With minimum stars filter
mcp-skillset discover search "fastapi" --min-stars 10

# Limit results
mcp-skillset discover search "react typescript" --limit 20

特征：

自然语言搜索查询
自动SKILL.md验证
星数过滤
丰富的元数据显示（星号、叉号、主题、许可证）

`discover trending` -获取热门转载

查找最近更新的技能库。

# Weekly trending (default)
mcp-skillset discover trending

# Monthly trending
mcp-skillset discover trending --timeframe month

# Filter by topic
mcp-skillset discover trending --topic claude-skills

时间表： week, month, year

`discover topic` -按主题搜索

按GitHub主题搜索存储库。

# Search by topic
mcp-skillset discover topic claude-skills

# With stars filter
mcp-skillset discover topic mcp-skills --min-stars 5

常见主题：

claude-skills -克劳德AI技能
anthropic-skills -人类学技能
mcp-skills -MCP协议技能
ai-skills -通用人工智能技能

`discover verify` -验证存储库

在添加之前，请验证存储库是否包含SKILL.md文件。

mcp-skillset discover verify https://github.com/anthropics/skills.git

输出包括：

SKILL.md验证状态
存储库元数据（星号、叉号、许可证）
主题和说明
添加存储库的命令（如果有效）

`discover limits` -API费率限制

检查您当前的GitHub API速率限制状态。

mcp-skillset discover limits

费率限制：

未经身份验证：60个请求/小时
已验证（带令牌）：5000个请求/小时

要增加限制：

export GITHUB_TOKEN=your_github_token_here

另请参见： GitHub发现文档了解详细的使用和配置。

实用程序命令

`doctor` -健康检查

运行全面的系统健康检查和验证。

mcp-skillset doctor

已执行的检查：

配置文件有效性
存储库可访问性
索引完整性（向量+知识图）
嵌入模型可用性
数据库连接
磁盘空间和权限

输出示例：

🏥 MCP SkillSet Health Check

✅ Configuration: OK
✅ Repositories: 3 configured, all accessible
✅ Vector Store: 147 skills indexed
✅ Knowledge Graph: 147 nodes, 423 edges
✅ Embedding Model: all-MiniLM-L6-v2 (cached)
✅ Database: SQLite OK
✅ Disk Space: 2.3 GB available

System Status: Healthy ✅

`stats` -使用统计

显示使用统计数据和指标。

mcp-skillset stats

显示的指标：

总技能索引
按类别划分的技能
按存储库列出的技能
搜索查询计数
最常用的技能
索引大小和内存使用情况

`enrich` -快速充实

用相关技能上下文丰富提示（高级功能）。

# Enrich a prompt with relevant skills
mcp-skillset enrich "help me write tests for async functions"

# Limit skills included
mcp-skillset enrich "debug memory leak" --max-skills 2

# Include full skill instructions (vs brief summaries)
mcp-skillset enrich "testing strategy" --full

# Set relevance threshold (0.0-1.0)
mcp-skillset enrich "python patterns" --threshold 0.8

# Save enriched prompt to file
mcp-skillset enrich "code review checklist" --output enriched_prompt.txt

# Copy to clipboard (requires pyperclip)
mcp-skillset enrich "refactoring" --clipboard

它的作用：

根据您的提示搜索相关技能
从顶级比赛中提取关键概念和说明
通过技能背景来增强你的提示
输出丰富提示，可用于LLM

全局选项

所有命令都支持这些全局标志：

# Show version
mcp-skillset --version

# Verbose output
mcp-skillset --verbose search "testing"

# Debug mode (detailed logs)
mcp-skillset --debug search "testing"

# Help for any command
mcp-skillset --help
mcp-skillset search --help
mcp-skillset repo --help

命令工作流

首次设置流程：

# 1. Install mcp-skillset (recommended - fastest)
uv tool install mcp-skillset

# Alternative installation methods:
# pipx install mcp-skillset
# pip install mcp-skillset

# 2. Run setup wizard (includes agent installation)
mcp-skillset setup

# 3. Verify installation
mcp-skillset doctor

# 4. Explore available skills
mcp-skillset list

日常使用模式：

# Morning: Get recommendations for your project
cd ~/my-project
mcp-skillset recommend

# Search for specific skill when needed
mcp-skillset search "async debugging"

# View skill details before using
mcp-skillset info python-async-debugging

# Start MCP server for Claude integration
mcp-skillset mcp

添加新技能库：

# 1. Add repository
mcp-skillset repo add https://github.com/user/custom-skills.git

# 2. Rebuild index to include new skills
mcp-skillset index --incremental

# 3. Search new skills
mcp-skillset search "custom skill topic"

壳牌完井

启用选项卡完成 mcp-skillset 加快工作流程的命令：

快速安装

Bash （需要Bash 4.4+）：

eval "$(_MCP_SKILLS_COMPLETE=bash_source mcp-skillset)" >> ~/.bashrc
source ~/.bashrc

原有的质量 （macOS默认设置）：

eval "$(_MCP_SKILLS_COMPLETE=zsh_source mcp-skillset)" >> ~/.zshrc
source ~/.zshrc

鱼:

echo 'eval (env _MCP_SKILLS_COMPLETE=fish_source mcp-skillset)' >> ~/.config/fish/config.fish
source ~/.config/fish/config.fish

特性

✅ 完成所有命令和子命令
✅ 完成选项标志(--help, --limit等等）
✅ 适用于 mcp-skillset, mcp-skillset repo，以及所有其他命令

验证

测试完成正在进行中：

mcp-skillset <TAB>        # Shows: config health index info list mcp recommend repo search setup stats
mcp-skillset repo <TAB>   # Shows: add list update
mcp-skillset search --<TAB>  # Shows: --category --help --limit

文档

有关详细的安装说明、故障排除和高级用法，请参阅 docs/SHELL_COMPLETIONS.md.

MCP工具

mcp技能集为AI助手提供了7个mcp工具：

技能_搜索 -基于混合RAG（向量+知识图）的语义搜索
煎锅 -按ID检索完整的技能详细信息
技能_推荐 -基于项目工具链的情境感知技能推荐
技能_类别 -浏览可用的技能类别和工具链
技能_ reindex -重建搜索索引（向量存储+知识图）
技能模板列表 -列出可用于渐进式技能创建的技能模板
技能_创建 -从模板创建渐进式技能，并部署到~/.claude/stkills/

工具详细信息

1.技能_搜索

使用混合RAG对所有索引技能进行自然语言语义搜索。

参数:

query （必填）：搜索查询字符串
limit （可选）：最大结果数（默认值：10）
category （可选）：按技能类别筛选

退货：一系列具有相关性得分的匹配技能

示例:

# Search for testing skills
results = await skills_search(
    query="python unit testing frameworks",
    limit=5
)

# Search with category filter
results = await skills_search(
    query="debugging",
    category="Python"
)

2.煎锅

按技能ID检索完整的技能详细信息和说明。

参数:

skill_id （必填）：唯一技能标识符

退货：带有说明、元数据和示例的全技能对象

示例:

# Get specific skill details
skill = await skill_get(skill_id="pytest-fixtures")

# Use skill instructions
print(skill.instructions)

3.技能_推荐

基于项目工具链检测获得智能技能建议。

参数：无（自动检测当前项目）

退货：按与检测到的工具链的相关性排名的推荐技能数组

示例:

# Get recommendations for current project
recommendations = await skills_recommend()

# Returns skills relevant to detected languages, frameworks, and tools

4.技能_类别

列出所有可用的技能类别和工具链关联。

参数：无

退货：包含技能计数的类别名称数组

示例:

# List all categories
categories = await skill_categories()

# Returns: ["Python", "Testing", "Debugging", "Web Development", ...]

5.技能_ reindex

从技能库中重建向量存储和知识图索引。

参数:

force （可选）：强制完全重新索引（默认值：false）

退货：索引状态和统计数据

示例:

# Incremental reindex (only new/changed skills)
status = await skills_reindex()

# Force full reindex
status = await skills_reindex(force=True)

6.技能模板列表

列出可用的技能模板，并附上描述和用例。

参数：无

退货：包含元数据（名称、描述、best_for、use_cases）的模板数组

示例:

templates = await skill_templates_list()
# Returns: [
#   {
#     "name": "web-development",
#     "description": "Full-stack web development patterns",
#     "best_for": "Web applications",
#     "use_cases": ["Frontend", "Backend", "Full-stack"]
#   },
#   ...
# ]

7.技能_创造

从模板创建渐进式技能。技能被部署到 ~/.claude/skills/ 立即使用。

参数:

name （必填）：技能名称
description （必填）：该技能的功能是什么
domain （必填）：类别（例如，“网络开发”）
tags （可选）：关键字列表
template （可选）：模板选择（web开发、api开发、测试、基础）
deploy （可选）：是否部署（默认值：true）

退货：状态、技能id、技能路径、验证结果

示例:

result = await skill_create(
    name="FastAPI Testing",
    description="Comprehensive testing strategies for FastAPI applications",
    domain="web development",
    tags=["fastapi", "pytest", "testing"],
    template="web-development",
    deploy=True
)

发展

需求

Python 3.11+
Git
uv（推荐）或pip

设置开发环境

git clone https://github.com/bobmatnyc/mcp-skillset.git
cd mcp-skillset

# Recommended: Use uv for fastest setup
uv sync

# Alternative: Use pip
pip install -e ".[dev]"

源代码运行（开发模式）

使用 ./mcp-skillset-dev 直接从源代码运行命令而无需安装的脚本：

# Run any CLI command
./mcp-skillset-dev --version
./mcp-skillset-dev search "debugging"
./mcp-skillset-dev serve --dev

# All arguments pass through
./mcp-skillset-dev info systematic-debugging

运作原理:

集合 PYTHONPATH 包括 src/ 目录
激活本地 .venv 如存在
跑 python -m mcp_skills.cli.main 所有的论点

何时使用:

✅ 开发过程中的快速迭代
✅ 无需重新安装即可测试更改
✅ 通过修改源代码进行调试
❌ 生产部署（使用 pip install 相反）

已安装与源:

# Installed version (from pip install -e .)
mcp-skillset search "testing"

# Source version (no installation required)
./mcp-skillset-dev search "testing"

运行测试

# With uv (recommended)
uv run pytest

# With coverage
uv run pytest --cov

# Or use make
make quality

性能基准

mcp技能集包括跟踪和防止退化的全面性能基准：

# Run all benchmarks (includes slow tests)
make benchmark

# Run fast benchmarks only (skip 10k skill tests)
make benchmark-fast

# Compare current performance with baseline
make benchmark-compare

基准类别:

索引性能：测量索引100、1000和10000项技能的时间
搜索性能：跟踪向量和混合搜索的查询延迟（p50、p95、p99）
数据库性能：基准SQLite操作（查找、查询、批量插入）
内存使用：监控大规模操作期间的内存消耗

基线阈值:

指数100技能：<10秒
指数1000技能：<100秒
搜索查询（p50）：<100ms
搜索查询（第95页）：<500ms
按ID查找SQLite：<1ms

基准测试结果:

结果保存到 .benchmarks/ 目录（忽略git）
使用 make benchmark-compare 检测性能退化
CI/CD可以配置为在性能显著下降时发生故障

输出示例:

-------------------------- benchmark: 15 tests --------------------------
Name (time in ms)                    Min      Max     Mean   StdDev
---------------------------------------------------------------------
test_vector_search_latency_100      45.2     52.1    47.8     2.1
test_lookup_by_id_single             0.3      0.8     0.4     0.1
test_hybrid_search_end_to_end       89.5    105.2    94.3     5.2
---------------------------------------------------------------------

装订和格式化

make lint-fix

安全扫描

mcp技能集包括全面的安全扫描，以识别依赖关系和代码中的漏洞：

自动化安全（Dependabot+GitHub操作）

依赖机器人 自动：

每周扫描依赖关系以查找漏洞
创建安全更新的拉取请求
将次要/补丁更新分组，以便于查看

GitHub操作 在每次推送时运行安全扫描：

安全：Python依赖漏洞扫描程序
pip审计：PyPI包漏洞审计工具
Bandit：Python代码安全linter
检测秘密：秘密检测扫描仪

手动安全扫描

# Basic security scan (Safety + pip-audit)
make security-check

# Comprehensive security audit with reports
make security-check-full

# Install security scanning tools
make security-install

# Pre-publish with security checks
make pre-publish

安全报告

运行后 make security-check-full，报告将保存到 .security-reports/:

safety-report.json -依赖漏洞
pip-audit-report.json -软件包漏洞
bandit-report.json -代码安全问题

安全策略

有关漏洞报告和安全最佳实践，请参阅 .github/SECURITY.md.

关键安全功能：

自动依赖性扫描（Dependabot）
每周安全扫描（GitHub操作）
预发布安全门
秘密检测（检测秘密）
代码安全陷阱（Bandit）

文档

部署和发布

看文档/DEPLOY.md 完整的部署和发布工作流程，包括：

Claude MPM多代理协调的自动发布过程
使用存储的凭据进行PyPI发布
自制水龙头管理（整合bobmatnyc/tools水龙头）
预发布验证、质量门和安全扫描
所有渠道的发布后验证
回滚程序和故障排除
下一版本的快速参考命令

建筑

看 docs/architecture/README.md 用于详细的架构设计。

技能收藏

看文档/技能/资源.md 获取与mcp技能集兼容的技能库的综合索引，包括：

官方人类学技能
社区收藏（obra/超能力、克劳德mpm技能等）
特定于工具链的技能（Python、TypeScript、Rust、Go、Java）
运营和DevOps技能
提供类似技能能力的MCP服务器

故障排除

Claude CLI集成

“未找到Claude CLI”错误

症状：安装或安装失败，出现“未找到Claude CLI”错误。

解决方案:

验证是否安装了Claude Code:
- 确保Claude Code（VS Code扩展）已安装并激活
- 检查扩展是否为最新版本
检查是否 claude 命令可用:
```
which claude
```
- 如果找不到该命令，请重新安装Claude Code
- 在macOS上，CLI应位于： /usr/local/bin/claude 或者在你的路径中

必要时添加到PATH:

# Find where Claude CLI is installed
find /Applications -name "claude" 2>/dev/null

# Add to PATH in your shell profile (~/.zshrc, ~/.bashrc, etc.)
export PATH="/path/to/claude/bin:$PATH"

验证CLI是否正常工作:
```
claude --version
claude mcp list
```

回退选项：使用 --skip-agents 手动标记和配置：

mcp-skillset setup --skip-agents
# Then use: mcp-skillset install --agent claude-desktop

模型下载问题

如果在首次运行时下载嵌入模型时遇到问题：

1.检查互联网连接

该模型可从HuggingFace Hub下载。验证您是否可以联系到：

curl -I https://huggingface.co

2.手动模型下载

如果自动下载失败，请手动预下载模型：

python -c "from sentence_transformers import SentenceTransformer; SentenceTransformer('sentence-transformers/all-MiniLM-L6-v2')"

这将模型下载到 ~/.cache/huggingface/ 并验证其工作正常。

3.代理配置

如果位于公司代理之后，请配置环境变量：

export HTTP_PROXY=http://proxy.example.com:8080
export HTTPS_PROXY=http://proxy.example.com:8080
export HF_ENDPOINT=https://huggingface.co  # Or your mirror

4.离线/气隙安装

对于没有互联网接入的环境：

在有互联网的机器上：

下载模型：

python -c "from sentence_transformers import SentenceTransformer; SentenceTransformer('sentence-transformers/all-MiniLM-L6-v2')"

打包模型缓存：

cd ~/.cache/huggingface
tar -czf sentence-transformers-model.tar.gz hub/

在气隙式机器上：

转移 sentence-transformers-model.tar.gz 到目标机器

解压缩到HuggingFace缓存目录：

mkdir -p ~/.cache/huggingface
cd ~/.cache/huggingface
tar -xzf /path/to/sentence-transformers-model.tar.gz

安装mcp技能套件（如果需要，可使用传送轮）：
```
pip install mcp-skillset  # Or install from wheel
```
验证设置：
```
mcp-skillset doctor
```

5.自定义缓存位置

如果需要使用其他缓存目录：

export HF_HOME=/custom/path/to/cache
export TRANSFORMERS_CACHE=/custom/path/to/cache
mcp-skillset setup

6.磁盘空间问题

检查缓存目录中的可用空间：

df -h ~/.cache/huggingface

该型号需要约90MB，但在下载过程中允许约100MB的临时文件。

7.许可问题

确保缓存目录可写：

mkdir -p ~/.cache/huggingface
chmod 755 ~/.cache/huggingface

常见问题

模型下载过程中的“连接超时”

检查互联网连接和防火墙设置
尝试手动下载（见上述步骤2）
如果位于公司网络后面，则配置代理（请参阅上述步骤3）

“设备上没有剩余空间”

检查磁盘空间： df -h ~/.cache
清除旧的HuggingFace缓存： rm -rf ~/.cache/huggingface/*
使用自定义缓存位置（见上述步骤5）

缓存目录上的“权限被拒绝”

修复权限： chmod 755 ~/.cache/huggingface
或者使用具有适当权限的自定义缓存位置

初始设置缓慢

首次运行下载约90MB并构建索引
预计时间：2-10分钟，具体取决于连接速度和技能数量
后续运行使用缓存模型，速度更快

获取帮助

如果您遇到此处未涵盖的问题：

检查 GitHub 问题
审核日志： ~/.mcp-skillset/logs/
运行健康检查： mcp-skillset doctor
通过以下方式打开新问题：
- 错误消息和堆栈跟踪
- 输出 mcp-skillset --version
- 操作系统和Python版本
- 重现步骤

贡献

欢迎投稿！请先阅读我们的投稿指南。

分叉存储库
创建要素分支
进行更改
跑 make quality 确保测试通过
提交拉取请求

许可证

MIT许可证-请参阅许可证了解详情。

致谢

建立在模型上下文协议
灵感源自克劳德技能
用途色度数据库用于矢量搜索
嵌入通过句子变换器

链接

PyPI包: PyPI上的mcp技能集
文档: GitHub维基
问题追踪器: GitHub 问题
MCP注册表: MCP服务器
出版指南: docs/publishing.md

状态: ✅ v0.5.0-生产就绪| 测试覆盖率: 85-96% | 测试：77通过（48单元+29安保）

使用说明

mcp技能组合

主要特点

安全

安全特性

信任级别

快速安全检查

安装

先决条件

使用Homebrew（macOS/Linux）

紫外线（推荐-最快）

使用pipx（替代）

有pip（回退）

来源

本地开发（无安装）

首次运行要求

培养进步技能

什么是进步技能？

创造技能

CLI：交互模式（推荐）

CLI：命令行模式

CLI：预览模式

MCP工具（用于AI代理）

可用模板

例子

部署

技能结构

后续步骤

快速开始

1.设置

2.探索可用技能

3.启动MCP服务器

4.使用克劳德代码

实际使用场景

项目结构

建筑

配置

全局配置(~/.mcp-skillset/config.yaml)

混合搜索模式

项目配置(.mcp-skillset.yaml)

CLI命令

快速参考

核心命令

setup -初始配置

config -配置管理

index -重建索引

install -代理集成

build-skill -渐进式技能创造

mcp -MCP服务器

搜索和发现命令

search -语义搜索

list -列出所有技能

info / show -技能详情

recommend -智能推荐

demo -交互式技能资源管理器

存储库管理命令

repo add -添加存储库

repo list -列出存储库

repo update -更新存储库

GitHub发现命令

discover search -搜索GitHub

discover trending -获取热门转载

discover topic -按主题搜索

discover verify -验证存储库

discover limits -API费率限制

实用程序命令

doctor -健康检查

stats -使用统计

enrich -快速充实

全局选项

命令工作流

壳牌完井

快速安装

特性

验证

文档

MCP工具

工具详细信息

1.技能_搜索

2.煎锅

全局配置(`~/.mcp-skillset/config.yaml`)

项目配置(`.mcp-skillset.yaml`)

`setup` -初始配置

`config` -配置管理

`index` -重建索引

`install` -代理集成

`build-skill` -渐进式技能创造

`mcp` -MCP服务器

`search` -语义搜索

`list` -列出所有技能

`info` / `show` -技能详情

`recommend` -智能推荐

`demo` -交互式技能资源管理器

`repo add` -添加存储库

`repo list` -列出存储库

`repo update` -更新存储库

`discover search` -搜索GitHub

`discover trending` -获取热门转载

`discover topic` -按主题搜索

`discover verify` -验证存储库

`discover limits` -API费率限制

`doctor` -健康检查

`stats` -使用统计

`enrich` -快速充实