Agentic Awesome Skills 中的 antigravity-skill-orchestrator：基于记忆的智能技能编排 Meta-Skill 实战指南

Agentic Awesome Skills 中的 antigravity-skill-orchestrator基于记忆的智能技能编排 Meta-Skill 实战指南【免费下载链接】agentic-awesome-skillsAAS Core is the local, agent-first control plane for complete catalog discovery, agent-owned selection, stack validation, and planning, backed by 2,600 agentic skills. Includes CLI, local MCP, catalog, plugins, and Workbench.项目地址: https://gitcode.com/GitHub_Trending/an/agentic-awesome-skills导读antigravity-skill-orchestrator是 Agentic Awesome Skills 生态中的一个 Meta-Skill元技能它的职责不是直接解决某个业务问题而是协调先评估用户请求的复杂度再决定是否需要调用专业化技能随后从本地环境或主技能目录中选出最合适的技能组合并通过agent-memory-mcp记忆系统记录与检索「已被验证有效的技能组合」最终构建可持续复用的机构化知识。本文以 SKILL.md 为骨架结合仓库中真实的记忆系统实现与技能目录完整讲解其使用场景、核心概念、四步编排流程、代码级示例与最佳实践帮助你掌握一套「既不滥用技能、又能高效组合技能」的 Agent 任务编排方法论。技能定位一个会「克制」的编排器在 Agentic Awesome Skills 仓库中antigravity-skill-orchestrator被归类为meta类别风险等级为safe来源为community其 Frontmatter 描述如下A meta-skill that understands task requirements, dynamically selects appropriate skills, tracks successful skill combinations usingagent-memory-mcp, and prevents skill overuse for simple tasks.翻译过来即理解任务需求、动态选择合适技能、使用agent-memory-mcp跟踪成功的技能组合并防止在简单任务上过度使用技能。这正是它与一般「技能调用器」的本质区别——它把「判断该不该用技能」这件事本身做成了可执行的流程。它与仓库中其他编排类技能如agent-orchestrator、open-dynamic-workflows不同它严格禁止创建新技能唯一的使命是组合并复用社区提供的、或当前环境中已有的技能。这一点在 README.md 中被明确为三大能力Evaluate Task Complexity通过护栏防止在简单任务上过度使用专业化技能Dynamically Select Skills为复杂问题挑选最佳技能组合Track Skill Combinations利用agent-memory-mcp存储、搜索与检索成功的技能组合随时间为 Agent 积累机构化知识。何时使用本技能依据 SKILL.md在以下场景应主动调用它面对复杂、多步骤的问题且该问题很可能跨越多个专业领域例如前端 数据库 部署你不确定某个用户请求到底该用哪些技能需要从更广泛的技能生态中发现它们用户明确要求编排组合技能为这个重要任务使用最好的工具你想检索针对某类问题此前已成功的技能组合记录。反之对于一次性小问题改一行 CSS、写一个简单脚本、重命名一个变量本技能同样会告诉你不要用它。核心概念四块基石1. 任务评估护栏Task Evaluation Guardrails编排器的第一原则是克制。并非所有任务都需要专业化技能对直截了当的问题小型 CSS 修复、简单脚本编写、变量重命名禁止使用专业化技能——过度工程化只会浪费 Token 与时间。在调用任何技能之前必须完成两级判断任务是否简单/自包含若是直接用 Agent 在当前环境中具备的普通文件编辑、搜索、终端能力解决任务是否复杂/跨领域只有这时才进入技能编排流程。此外有一条硬性红线编排器严禁创建新技能。它的唯一职责是组合、使用社区或当前环境中已有的技能。2. 技能选择与组合Skill Selection Combinations当任务被判定为复杂后需要拆解出必要的领域例如前端、数据库、部署然后在当前环境中搜索可用技能为每个需求找到最匹配的一个若本地技能不足则查询主技能目录Master Skill Catalog。选择时务必遵循最小技能集原则只选取完成任务所需的最少技能切勿过度选择。3. 主技能目录Master Skill CatalogAntigravity 生态维护了一个高度精选的主技能目录。原文档给出的获取地址为社区维护的远程 CATALOG 文件而在本仓库中与之对应的正是仓库根目录下的 CATALOG.md——该目录为自动生成共 2681 行收录了2141 个技能截至文件头标注的生成时间并按照细分子类组织例如agent-orchestration (27)、architecture (28)、backend (40)、cloud (146)、ai-ml (129)等章节。原文档将主目录的顶级分类归纳为 9 大主类类别典型覆盖architecture系统与软件架构设计business业务分析与商业建模data-ai数据与 AI/MLdevelopment通用开发与编码general通用技能infrastructure基础设施与云security安全与合规testing测试与质量保障workflow工作流与编排当本地技能不足以完成任务时扫描这 9 大分类以发现合适的技能并将其带入当前上下文。例如仓库中真实存在的 react-patterns、nodejs-backend-patterns、postgresql、stripe-integration 等技能都可以作为组合的候选对象。4. 记忆集成Memory Integrationagent-memory-mcp为了让经验可以沉淀编排器依赖agent-memory-mcp技能来记录与检索成功的技能组合从而构建机构化知识institutional knowledge。该技能在仓库中位于 plugins/agentic-awesome-skills-claude/skills/agent-memory-mcp/SKILL.md是一个以 MCP Server 形式运行的混合记忆系统提供持久化、可搜索的知识管理能力架构、模式、决策。它暴露的核心 MCP 工具如下工具参数用途memory_searchquery(string)、type?(string)、tags?(string[])按查询词、类型或标签搜索记忆memory_writekey(string)、type(string)、content(string)、tags?(string[])记录新知识或决策memory_readkey(string)按 key 读取特定记忆内容memory_stats{}查看记忆使用统计在编排器的场景中type字段统一使用skill_combination从而将技能组合这一知识类型与架构决策decision、模式pattern等其他类型区分开来。四步编排流程从请求到沉淀编排器将一次完整的任务编排拆解为四个可独立触发、可验证的步骤步骤 1任务评估与护栏检查触发条件面对一个新的、可能用到技能的用户请求阅读用户请求自问仅凭基本的文件编辑与终端命令我能否高效解决这个问题若能 → 直接解决不调用任何专业化技能编排到此终止若不能 → 进入步骤 2。这一步是防止技能滥用的第一道闸门也是编排器区别于普通技能路由器的关键设计。步骤 2检索历史知识触发条件任务被判定为复杂使用agent-memory-mcp提供的memory_search工具搜索相似的历史任务例如memory_search({ query: skill combination for react native and firebase, type: skill_combination })若存在可用的组合记录用memory_read读取详情若无相关记忆进入步骤 3。这一步让 Agent 不再每次从零开始而是站在历史经验之上工作。步骤 3发现并选择技能触发条件历史知识无法覆盖当前任务分析核心需求例如需要 React UI、Node.js 后端和 PostgreSQL 数据库使用当前环境的技能列表或等效发现机制为每个需求查询本地技能若本地技能不足使用当前环境可用的 Web 或命令行检索工具获取主技能目录本仓库对应 CATALOG.md扫描目录的 9 大主类挑选合适的技能带入当前上下文选择最小技能集——不要过度选择。步骤 4应用技能并记录组合触发条件使用所选技能成功执行完任务后假设任务已用一组新的技能组合成功完成例如react-patternsnodejs-backend-patternspostgresql使用agent-memory-mcp的memory_write记录该组合以备将来复用type必须为skill_combination提供描述性的key与content说明这些技能为何配合良好。实战示例护栏、写入与检索示例 1简单任务的处理护栏生效用户请求把index.css中提交按钮的颜色改成蓝色。编排器行为评估后判定为简单/自包含任务——不调用任何专业化技能直接编辑index.css。这一示例直观展示了编排器的克制技能虽多但用在刀刃上才是价值。示例 2记录新的技能组合在成功构建一个复杂功能后使用agent-memory-mcp工具沉淀经验// 使用 agent-memory-mcp 工具在成功构建复杂功能后记录 memory_write({ key: combination-ecommerce-checkout, type: skill_combination, content: For e-commerce checkouts, using stripe-integration combined with react-state-management and postgresql effectively handles the full flow from UI state to payment processing to order recording., tags: [ecommerce, checkout, stripe, react] })注意key的高描述性combination-ecommerce-checkout——这正是最佳实践中强调的便于后续检索。文中用到的 react-state-management、stripe-integration、postgresql 均可在仓库中直接找到对应技能文件。示例 3检索既有组合在新一轮电商任务开始时// 新电商任务开始时 memory_search({ query: ecommerce checkout, type: skill_combination }) // 返回 key combination-ecommerce-checkout随后读取 memory_read({ key: combination-ecommerce-checkout })memory_search返回的组合 key 通过memory_read展开为完整内容Agent 即可复用这套已被验证的方案而不必重新摸索技能搭配。最佳实践与红线原文档给出了明确的 Do / Dont 清单✅Do在寻找技能之前永远先评估任务复杂度✅Do尽可能缩小被编排技能的数量✅Domemory_write时使用高描述性的key便于日后搜索❌Dont对简单 Bug 修复或 UI 微调用此技能❌Dont在没有明确的冲突解决计划时组合指令重叠、相互冲突的技能❌Dont尝试构造、生成或创建新技能——只组合现有技能。这些红线与该技能的meta分类和safe风险评级一脉相承确保它始终作为一个协调者而非创造者存在。依赖与限制关键依赖agent-memory-mcp是本技能正常运转的必需品它提供技能组合的持久化存储。使用前需确认该技能已安装并运行其安装与 MCP Server 启动方式见 agent-memory-mcp/SKILL.md需要 Node.js v18并通过npm run start-server project_id absolute_path_to_target_workspace启动记忆库。限制清单仅当任务与上文描述的范围明确匹配时才使用本技能其输出不能替代环境特定的验证、测试或专家审查若缺少必要的输入、权限、安全边界或成功标准应停下来向用户澄清而不是盲目执行。小结antigravity-skill-orchestrator的价值不在于调用了多少技能而在于一套可复制的决策纪律先评估、再记忆、后选择、终沉淀。配合agent-memory-mcp的持久化能力与 CATALOG.md 的 2141 个技能资源它让 Agent 在复杂跨领域任务中既能找到最合适的工具组合又能把成功经验转化为可检索的长期资产同时始终对简单任务保持克制——这正是它在 Agentic Awesome Skills 生态中作为 Meta-Skill 的独特定位。【免费下载链接】agentic-awesome-skillsAAS Core is the local, agent-first control plane for complete catalog discovery, agent-owned selection, stack validation, and planning, backed by 2,600 agentic skills. Includes CLI, local MCP, catalog, plugins, and Workbench.项目地址: https://gitcode.com/GitHub_Trending/an/agentic-awesome-skills创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考