本期报告选取 GitHub 近期最受关注的四个项目，涵盖 AI 代理技能基础设施、产品管理垂直应用、本地模型选择工具和编程助手教程四个维度。这四个项目的背景非常一致——都在解决 AI 编程工具从"能用"走向"好用"过程中的工程化痛点。
google/skills：给 AI 代理的官方产品说明书
这个仓库是 Google 于 2026 年 4 月在 Google Cloud Next 大会上发布的官方 Agent Skills 集合，引起了业界的广泛讨论。所谓 Agent Skill，是一个标准化的"技能包"——本质上是一个包含 SKILL.md 文件及其配套资源（代码片段、参考文档、模板）的文件夹，目标是给 AI 编码代理提供针对 Google 产品的精确操作指令，而不是让模型凭训练数据中的过时知识去猜。它涵盖了 BigQuery、Cloud Run、Firebase、GKE、AlloyDB、Cloud SQL、Gemini API 等 Google Cloud 产品的基础技能，以及 Google Cloud 卓越架构框架（安全性、可靠性、成本优化等）的最佳实践技能。通过 npx skills add google/skills 一行命令安装，代理只在执行相关任务时按需加载对应技能，避免上下文膨胀。
它的核心价值在于解决了一个结构性矛盾：模型规模再大，也有"知识截止期"的问题。Gemini 3.0 Pro 在没有 Skill 辅助时，针对 Gemini SDK 代码生成的准确率只有 6.8%；加上对应的 gemini-api-dev Skill 后，准确率飙升到 96%，提升了整整 14 倍。Flash 版本也从 6.8% 提升到 87%。这不是增量改进，而是从"几乎不能用"到"可以信赖"的质变。这个数据直接击中了所有 AI 编程用户最痛的感知——模型对最新 API 的掌握程度存在结构性缺陷，而 Skills 提供的是一个工程化的解决方案：把最新文档打包成代理能直接消费的格式。
在设计理念上，Skills 区别于传统文档的关键在于它是"面向代理执行"而非"面向人阅读"的。传统文档告诉人"这个产品能做什么"，而 SKILL.md 告诉代理"在这个项目里，做这件事时该检查什么、改哪个配置文件、用什么命令验证结果"，更像一份可执行的 runbook。Google 选择直接采纳 Anthropic 最初提出的开放标准，这意味着同一套技能文件可以在 Claude Code、Cursor、Windsurf、Gemini CLI、Codex CLI、GitHub Copilot 等多个平台上通用——SKILL.md 正在成为事实上的行业标准。此外，Skills 与 MCP（Model Context Protocol）形成互补关系：MCP 解决的是"代理能调用什么工具"的能力层问题，而 Skills 解决的是"什么场景下用这些工具、怎么用、用什么参数"的编排层问题，两者结合才是完整的代理上下文方案。技能不会一股脑塞进 prompt，而是通过 skill registry 做按需发现和加载，精准控制上下文窗口的使用。
另一个值得关注的趋势是 Google 这种体量的公司押注一个开放标准，意味着"为代理编写产品说明书"正在从实验性做法变成基础设施层的标配。开发者工具公司如果不出自己的 Skill，就会在 AI 代理的工作流里失去存在感。addyosmani/agent-skills 作为社区代表，以及 awesome-agent-skills 收录 1200+ 技能的资源整合，都在印证这个生态正在快速扩张。
phuryn/pm-skills：把产品管理方法论变成 AI 可执行的技能包
PM Skills Marketplace 是一套给 AI 助手用的产品管理技能包，把 Teresa Torres、Marty Cagan 等人的经典 PM 方法论编码成 AI 可执行的 Skills、Commands 和 Plugins，覆盖从产品发现、战略、执行、上市到增长的完整生命周期。具体来说，它包含 9 个插件、68 个独立技能、42 个链式工作流。用户输入 /discover 或 /write-prd，AI 不再泛泛回答，而是按结构化框架一步步引导产出。
它的核心理念是：“Generic AI gives you text. PM Skills Marketplace gives you structure.” 每个 skill 对应一个经过验证的 PM 框架（如 Opportunity Solution Tree、RICE 优先级、Pretotyping），AI 调用时按框架走，而非自由发挥。技术上采用标准的 Claude 插件市场格式，但特意做了多平台兼容——除了 Claude，也能用于 Gemini CLI、OpenCode、Cursor、Kiro。配套还有 pm-brain（PM 的第二大脑，纯 Markdown + 本地文件），两者可以组合使用。代码极简，本质是精心组织的 Markdown 文件加少量 Python 验证脚本，没有复杂工程。
3 个月拿到约 13k star，踩中了 2025-2026 年 AI agent skill / plugin marketplaces 爆发的时间窗口。它是这个赛道里最早也最完整的 PM 垂直类技能包，内容质量高——作者 Paweł Huryn 本人是 PM 领域的写作者（The Product Compass Newsletter），框架选择专业、有公信力。“即插即用"体验好，在 Claude Cowork 里两步就装好，降低了使用门槛。PM 群体对这个需求的饥渴程度可见一斑。
类似项目中，cursor.directory 上有零散的 PM prompt，OpenCode 社区也有一些 PM skill，但都远不及 pm-skills 的体系完整度。传统 PM 工具如 Productboard、Aha!、Notion 模板等不是 AI agent 原生的，不具备"在对话中按框架执行"的能力——这让 pm-skills 在垂直赛道上几乎没有真正的对手。
Andyyyy64/whichllm：帮你在本地模型海洋里找到最合适的那一个
whichllm 是一个命令行工具，能自动检测你的 GPU/CPU/内存，然后从 HuggingFace 上找出最适合你硬件、实际性能最好的本地大模型。它的核心功能包括：一键检测硬件并推荐最优模型、GPU 模拟（买卡前先测）、反向规划（想知道什么卡能跑某个模型）、升级对比、直接聊天以及输出 Python 代码片段。打开终端、跑一条命令，立刻告诉你"你的 RTX 4060 跑 Qwen3-14B Q3_K_M 最好，每秒 22 token”。
它解决的问题非常具体：2024-2026 年本地大模型爆发，Qwen、Llama、DeepSeek 等每周出新，普通用户面对 HuggingFace 上海量的模型和 GGUF 量化变体，根本不知道该下哪个。whichllm 的核心理念是"能装下 ≠ 最合适"——市面上已有的工具基本只做"哪些模型放得进你的显存"这种简单的容量匹配，而 whichllm 要做的是在能放下的模型里找出真正最好的那个。它融合了 LiveBench、Artificial Analysis、Aider、Chatbot Arena ELO、Open LLM Leaderboard 等多个真实评测数据，并建立了证据分级体系——每个分数都标记为 direct/variant/base/interpolated/self-reported，不同级别有不同的置信度折扣。过时的评测数据会沿模型家族代际自动降权，确保 2024 年的模型不会因为旧榜单一枝独秀而压过新模型。资源估算不仅考虑模型权重，还包括 GQA KV 缓存、激活内存、框架开销、MoE 的活跃参数量等。
在这个生态里 whichllm 卡了一个独特的生态位：它不做推理、不做 GUI，专注做"选模型"这一件事。可以与 Ollama 配合使用（输出 JSON 喂给 Ollama），也可以帮用户在 LM Studio 里选模型。它提供了买卡前的模拟功能，帮用户省了试错成本，在 Reddit 的 LocalLLaMA 社区和 Twitter 上传播力很强。代码分 hardware / models / engine / output 四个模块，硬件检测（NVIDIA/AMD/Apple/CPU）、模型抓取、评分引擎、输出展示各司其职，架构层次清晰。
luongnv89/claude-howto：填补 AI 编程助手上手路径的空白
claude-howto 是一份 Claude Code（Anthropic 的 AI 编程助手）的结构化实战教程，36k stars、4.3k forks，2025 年 11 月创建，7 个月内暴涨，速度惊人。它的核心功能包括：10 个模块覆盖 Claude Code 的全部功能（Slash Commands、Memory、Skills、Subagents、MCP 协议、Hooks、Plugins、Checkpoints、CLI 高级用法等），即拷即用的配置文件模板（.claude/commands/、CLAUDE.md、MCP 配置、Shell hook 脚本等），Mermaid 流程图直观展示每个特性的内部运作机制，内置自评系统，以及多语言支持和 EPUB 离线版生成脚本。
它不是官方文档那种"功能罗列式"参考手册，而是一套从零到高级代理编排的实训课程。设计理念是"给看得懂的人用的实用手册"——不教你怎么装 Claude Code（默认你已经装了），而是教你怎么组合使用各个特性，比如把 slash commands + subagents + hooks + MCP 串成一条自动代码审查流水线。学习路径按难度渐进设计（Beginner → Intermediate → Advanced），每个模块标了耗时（30 分钟到 2 小时不等），总计约 11-13 小时。纯 Markdown 结构，零构建依赖，fork 即用，与 Claude Code 版本号保持同步（当前适配 v2.1.160），行为不会过时。
踩中了时间点：Claude Code（2025 年中发布后迅速普及）的用户基数爆炸增长，但官方文档偏参考性，没有好的"上手教程"。README 一开头就说"你装了 Claude Code，敲了几个 prompt，然后呢？"——这是无数新用户的真实心理。可操作性强——不是泛泛而谈，而是真的给文件让你 cp 到项目里就能跑。15 分钟就能看到效果，传播力极强。作者持续维护，每个 Claude Code 版本更新后就同步，让人觉得"这是活的，不是僵尸项目"。有 logo、徽章、对比表格、多语言入口，降低了非英语用户的入门门槛。
趋势小结
本期报告选取的四个项目有一个共同背景：2025-2026 年 AI 编程工具从"能用"走向"好用"的关键阶段——模型基础能力已不是瓶颈，如何让 AI 在特定场景下给出精准、可操作、结构化的输出，才是真正的工程化痛点。Skills 解决的是模型对最新 API 的知识缺陷，pm-skills 解决的是 AI 在专业领域（PM）缺乏结构化框架的问题，whichllm 解决的是普通用户面对海量模型选择时的信息不对称，claude-howto 则填补了 AI 编程助手用户上手路径的空白。
这四个方向共同指向一个趋势：AI 编程工具的竞争焦点正在从"模型能力"转向"上下文质量"——谁能提供更精准、更时效、更结构化的上下文，谁就能在实际工作流中真正落地。从 Skills 框架的普及到垂直领域技能包的涌现，从本地模型选择工具的兴起到编程助手的教程生态，GitHub 趋势榜单正在记录这场从"让模型更聪明"到"让模型更可用"的范式转变。对于开发者而言，这意味着关注模型本身的同时，更需要关注围绕模型建立的工具链和工作流——这才是下一阶段真正的差异化所在。