VibeSkills 完整指南：一文读懂 AI Agent 智能技能路由与工作流编排，任务奖励提升 21.12 个百分点

VibeSkills 完整指南：一文读懂 AI Agent 智能技能路由与工作流编排，任务奖励提升 21.12 个百分点

【免费下载链接】Vibe-SkillsIntelligent Skill routing and workflow orchestration for AI agents — +21.12 pp reward, −29.6% tokens on SkillsBench with DeepSeekV4Flash-VE.项目地址: https://gitcode.com/gh_mirrors/vi/Vibe-Skills

VibeSkills 是一个面向 AI Agent 的智能技能路由与工作流编排框架：它自动发现并路由你本地安装的大量 Skills，把复杂任务拆成可检查的工作单元，再按依赖顺序组织执行。在 SkillsBench 基准测试中，它让 AI Agent 的任务奖励平均提升21.12 个百分点，同时 Token 消耗降低 29.6%、工具调用减少 33.1%。

什么是 VibeSkills：AI Agent 的"Skills 调度大管家"

用 AI Agent 干活的朋友多半有过这种体验：

• 装了几十个甚至上百个 Skill，用着用着就忘了自己装过什么；
• 遇到跨领域的复杂任务，不知道该让 AI 调用哪些 Skill，只好自己逐个指定；
• 很多 Agent 框架只做"被动触发"——AI 看到几个关键词就用一两个熟悉的 Skill，其余任务临场发挥。

VibeSkills 解决的正是这个问题。它自己就是一个通用 Skill，装进任何支持本地 Skills 的 AI 应用后，充当任务模块与本地 Skills 之间的调度层：先拆任务，再为每一部分挑选真正合适的 Skill，最后统一推进并检查交付结果。

这种"先拆任务、再选 Skill"的思路，和被动触发的最大区别是：

📌 核心理念可以一句话概括：安装数量代表可选范围，而不是每次任务都要用的清单。你只管继续添加自己的、团队的、第三方的 Skill，VibeSkills 只选当前任务用得上的那部分。

SkillsBench 实测：奖励 +21.12 个百分点，Token −29.6%

数据是这套 AI Agent 工作流编排框架最有说服力的部分。项目团队把 SkillsBench 改造成更接近生产环境的设置：每题都在全局 195 个专业 Skill 共存的环境下测试（而非只配一道题的配套 Skill），考察 Agent 能否从大量已安装 Skill 中自主发现、选择并组织成有效工作流。

在 DeepSeekV4Flash-VE + OpenHands 基线上，v4.1.0 的结果如下：

• 平均 Verifier Reward：50.3% → 71.4%（+21.12 个百分点）
• 满分率：47.6% → 69.5%，满分任务从 39 项增至 57 项
• 逐题对比：Lean Vibe 领先 23 项、相同 55 项、落后 4 项
• 总 Token：491.1M → 345.8M（−29.6%）；工具调用：9,954 → 6,664 次（−33.1%）

💡 一个反直觉的结论：日志分析显示，VibeSkills 并没有调用更多 Skill。它的优势来自"明确目标 → 拆成可检查子任务 → 只选少量真正相关的 Skill → 按依赖顺序执行"这条链路，减少了任务理解错误、步骤遗漏和选错 Skill 的情况；而原生 Agent 更容易在错误方向上反复调工具、重复读上下文和返工。

实战案例：100+ Skills 中只选 7 个，端到端完成机器学习实验

项目在 docs/cases/ml-experiment/ 公开了一个完整案例，值得新手仔细看：

任务：用公开数据完成一个可复现的分类实验，交付数据审计、统计复核、4 张结果图、科学报告和 7 页组会 Slides。

按L级计划推进时，本机已配置目录中有100 多个 Skill，VibeSkills 阅读候选的SKILL.md后只选出 7 个，把工作组织成5 个工作组、10 个工作单元（环境准备 → 数据审计 → 基线建模 → 统计与科学复核 → 图表与报告 → Slides 与验收），10/10 全部完成，最后17/17 项检查通过最终验收。

案例的所有过程文件都原样保留，可以顺着需求、计划、执行、验收一路看：

• 执行计划与技能分配：docs/cases/ml-experiment/evidence/module-work-plan.json
• 实际执行结果：docs/cases/ml-experiment/evidence/module-execution.json
• 最终验收报告：docs/cases/ml-experiment/evidence/delivery-acceptance-report.json
• 复现脚本：docs/cases/ml-experiment/reproduce/

它如何工作：从接收任务到检查交付的 5 步流程

VibeSkills 为 Agent 提供一套完整的交付流程，每个阶段都回答一个具体问题：要做什么、怎样推进、哪些 Skill 参与、实际完成了什么、能否交付。运行时协议详见 protocols/runtime.md，对外入口契约见 SKILL.md。

Ⅰ. 确认需求—— 开始工作前先确认目标、限制条件、已有材料和交付内容。需求没确认，流程就停在这里，给后续计划和检查一个明确依据。

Ⅱ. 推荐级别—— 根据任务范围、步骤、依赖和可并行度推荐L或XL，由你确认：

Ⅲ. 组织 Skills—— 查看本地 Skill 目录，为任务各部分选择方法，并写清每个 Skill 负责什么、要交付什么、怎样确认完成。

Ⅳ. 执行并记录—— 计划确认后按计划执行；代码任务适合时走 TDD（先写失败测试 → 修改 → 重测）。完成、失败、阻塞都会记录，中断后可从已有进度继续。

Ⅴ. 检查结果—— 把实际结果与计划逐项对照，必做内容未完成、失败或被卡住时，任务不会通过最终检查。

🔧 这套"内核很小、边界清晰"的设计在 docs/architecture.md 中有完整阐述：任务理解、计划构建、执行、验证都收敛在一个小内核里，Skill 只是能力来源而不是主角。

技能很多会烧 Token 吗？按需读取的设计

这是新手最关心的成本问题。VibeSkills 的做法是本地索引 + 候选筛选 + 按需阅读：

1. 目录发现和索引生成都在本机完成，先提取每个 Skill 的名称、说明、适用场景等紧凑信息；
2. 只用这些紧凑信息为任务各部分筛选候选；
3. 只有保留下来的候选才会被 Agent 阅读完整SKILL.md，执行时也只使用写进计划的 Skill。

所以 Token 开销主要取决于本次保留了几个候选、文档多长、任务多复杂，而不是把整个 Skill 库读一遍。你还可以通过~/.vibeskills/skill-roots.json（用户级）或工作区下的<workspace>/.vibeskills/skill-roots.json（项目级）挂载额外 Skill 目录，新 Skill 立即参与后续任务，无需等待项目收录。

快速上手：三步安装并调用 VibeSkills 🚀

官方建议从发布版本包安装（同一份安装包适配所有 AI 应用，安装器只会写入<SkillsDir>/vibe，不改宿主设置）。详细说明见 docs/install/README.md。

第 1 步：获取并安装。下载当前发布包解压后，对目标 Skills 目录运行安装脚本（默认目录~/.agents/skills）：

bash ./install.sh --skills-dir "$HOME/.agents/skills"

Windows (PowerShell) 用户可改用 install.ps1：

pwsh -NoProfile -File .\install.ps1 -SkillsDir "$HOME\.agents\skills"

如需获取源码参与开发，也可以克隆仓库：git clone https://gitcode.com/gh_mirrors/vi/Vibe-Skills（仓库 checkout 安装仅用于开发场景）。

第 2 步：校验安装。用配套检查脚本验证文件完整性：

bash ./check.sh --skills-dir "$HOME/.agents/skills"

第 3 步：调用。在任何支持本地 Skills 的 AI 应用中，通过应用的 Skills 入口输入$vibe或/vibe（或使用该应用提供的入口语法），然后把任务原样交给它即可——发现、组织、执行、检查全部自动完成，你不需要记每个 Skill 该什么时候用。

⚠️ 小提示：check证明的是"安装完整"，不等于"任务已完成"；安装状态与任务验收是分开记录的，避免混淆。遇到问题先看 docs/troubleshooting.md。

更多文档与项目资源

VibeSkills 的内置 Skill 库覆盖了科研、数据、工程、写作等众多领域（bundled/skills/ 下有上百个技能包），而它真正的价值在于让你已经拥有的这些经验资产开始被系统性地调度起来——这正是它能在基准测试中同时做到"得分更高、花得更少"的原因。

【免费下载链接】Vibe-SkillsIntelligent Skill routing and workflow orchestration for AI agents — +21.12 pp reward, −29.6% tokens on SkillsBench with DeepSeekV4Flash-VE.项目地址: https://gitcode.com/gh_mirrors/vi/Vibe-Skills