github-repo-search
帮助用户搜索和筛选 GitHub 开源项目，输出结构化推荐报告。当用户说"帮我找开源项目"、"搜一下GitHub上有什么"、"找找XX方向的仓库"、"开源项目推荐"、"github搜索"、"/github-search"时触发。
By yunshu0909 · 382 installs
npx skills add yunshu0909/yunshu_skillshub --skill github-repo-search
Source repository · Upstream listing
GitHub 开源项目搜索助手
用途
从用户自然语言需求出发，经过需求挖掘、检索词拆解、GitHub 检索、过滤分类、深度解读，最终产出结构化推荐结果。
目标不是"给很多链接"，而是"给用户可理解、可比较、可决策、可直接行动的候选仓库列表"。
适用范围（V1.1）
数据源：GitHub 公开仓库。
默认不授权（不使用用户 Token）。
默认硬过滤： stars = 100 、 archived=false 、 is:public 。
默认输出：单榜单（Top N），榜单内按"仓库归属类型"标注。
本流程默认不包含安装与落地实施（除非用户单独提出）。
配额说明（必须知晓）
未授权 Core API： 60 次/小时 。
Search API： 10 次/分钟 （独立于 Core 额度）。
需要在报告中注明检索时间与配额状态，避免结果不可复现。
工作流程
环节一：需求收敛（必须完成，不可跳过）
硬性门控 ：环节一是整个流程的前置条件。无论用户的需求描述多么清晰，都必须走完本环节并获得用户明确确认后，才能进入环节二。禁止根据用户的初始描述直接推断需求并开始检索。即使用户说"直接搜就行"，也要先输出需求摘要让用户确认。
第一步：需求挖掘与对齐
目标 ：把"我想看看 XX"转成可执行、可排序、可解释的检索目标。
需确认信息（最少） ：
1. 主题（如：agent 记忆、RAG、浏览器自动化）
2. 数量（Top 10 / Top 20）
3. 最低 stars（默认 100）
4. 排序模式（必须二选一）： 相关性优先 / 星标优先 （默认：相关性优先）
5. 目标形态（必须二选一或多选）：
可直接使用的产品 / 可二次开发的框架 / 资料清单/方法论
建议补充信息（可选） ：
1. 偏好技术栈（Python/TS/Go 等）
2. 使用场景（学习、生产、对标）
3. 排除项（教程仓库、归档仓库、纯论文复现等）
4. 部署偏好（本地优先/云端优先/混合）
阶段输出（固定格式） ：
向用户确认以上信息。 用户明确确认后才能进入环节二，否则停在这里继续对齐。
环节二：检索执行（以下环节由模型自主执行，无需用户介入，直到环节四交付报告）
第二步：检索词拆解（5 10 组）
目标 ：平衡"召回率"和"相关性"，避免只靠单词硬搜导致偏题。
拆词规则 ：
每组 query 由以下维度组合：
1. 核心词：用户目标词
2. 同义词：替代表达（如 long term memory / stateful memory）
3. 场景词：coding、mcp、tool、platform、awesome、curated
4. 技术词：agent、sdk、framework、database、os
5. 排除思路：不在 query 里硬写过多负例，放到后续过滤阶段
产出格式 ：
第三步：执行检索与候选召回
执行原则 ：
1. 每组 query 都执行检索（建议每组 30 50 条）。
2. 合并结果形成候选池。
3. 按 owner/repo 去重。
4. 记录检索时间与 API 额度信息。
候选池字段（最少） ：
1. owner/repo
2. stars
3. description
4. repo url
5. archived
6. language
7. updated at
8. topics
9. license
第四步：去重与硬过滤
硬过滤（默认） ：
1. stars = 100
2. archived = false
3. is:public
可选硬过滤（按需） ：
1. fork = false
2. 指定语言： language:xxx
3. 更新时效：最近 6 12 个月
环节三：质量精炼
第五步：噪音剔除与相关性重排
目标 ：解决"命中 memory 但其实不是 agent memory"的噪音问题。
噪音剔除规则（示例） ：
1. 与主题无关的通用工程仓库（即使 stars 很高）
2. 关键词误命中仓库（仅描述中偶然出现 memory/agent）
3. 无实质内容或异常仓库
排序原则（V1.1） ：
star 不再作为主排序，只作为召回门槛之一。
建议综合排序权重：
1. 需求相关性：35%
2. 场景适用性：30%
3. 活跃度（更新时效）：15%
4. 工程成熟度（文档/示例/可维护）：15%
5. stars：5%
第六步：仓库归属类型分类（必须）
目标 ：让用户一眼看懂"这个仓库到底是什么角色"，避免把框架、应用、目录混为一谈。
推荐类型字典 ：
1. 通用框架层
2. 应用产品层（可直接使用）
3. 记忆层/上下文基础设施
4. MCP 服务层
5. 目录清单层（awesome/curated）
6. 垂直场景方案层
7. 方法论/研究层
第七步：深读与项目介绍撰写（必须）
目标 ：不是"仓库简介复述"，而是输出"对用户有决策价值"的详细介绍。
深读最低要求 ：
每个入选仓库至少查看：
1. README 核心定位段
2. 快速开始/功能章节标题
3. 近期维护信号（更新时间、Issue/PR 活跃）
项目介绍写作要求（固定） ：
"项目介绍"必须包含两部分并写细：
1. 这是什么：它在系统架构中的角色和边界
2. 为什么推荐：它在用户当前目标下的价值（不是泛泛优点）
可补充：
1. 典型适用场景（1 2 条）
2. 限制或不适用场景（1 条）
环节四：交付与迭代
第八步：单榜生成与报告交付（最终）
交付结构（固定） ：
1. 需求摘要
2. 检索词清单（5 10 组 + 目的）
3. 筛选与重排规则（明确写出）
4. 结果总览（原始召回/去重后/过滤后）
5. Top N 单榜（表格）
6. 结论与下一步建议
Top N 表格字段（固定） ：
仓库 星标 仓库归属类型 项目介绍（是什么 + 推荐理由） 其它信息补充 链接
:
"其它信息补充"建议内容 ：
语言 / License / 最近更新时间
上手复杂度（低/中/高）
风险提示（若有）
第九步：用户确认与迭代（可选）
迭代触发条件 ：
用户反馈"太泛/太窄/不够准/解释不够细"。
迭代动作 ：
1. 调整检索词（增加场景词或同义词）
2. 调整 stars 门槛（100 200/500）
3. 增加限定（语言/方向/更新时间）
4. 调整类型权重（例如优先应用层或优先框架层）
默认参数（V1.1）
1. 最低 stars： 100
2. 默认输出： Top 10
3. 默认过滤： archived=false
4. 默认必须分类：是
5. 默认项目介绍粒度：详细（至少"是什么 + 为什么推荐"）
质量检查清单（交付前自检）
1. 是否完成需求对齐并明确"目标形态"
2. 是否有 5 10 组 query 且每组有目的
3. 是否记录了检索时间与配额状态
4. 是否执行了去重、硬过滤和噪音剔除
5. 是否完成仓库归属类型分类
6. 是否每个推荐都有详细项目介绍（不是一句话）
7. 是否使用固定表格字段交付
8. 是否避免把安装实施混入本流程