Claude Skills
The open format is called Agent Skills and works in Claude Code, Codex, Cursor and other agents — most people know it as Claude Skills.
Every Agent Skill we could find on GitHub, deduplicated by content. 79 354 files from 1 739 authors, of which 61 713 are unique — the rest is the same skill repackaged into someone else's repository. For each one: what it weighs in tokens, whether it ships runnable scripts, and which MCP servers it needs.
| AI Native 产品方法论——生产运行与循环回灌的实操 Skill。 用户提供产品已上线或即将上线，Skill 自动执行生产运行流程： 可观测性设计 → 指标体系搭建 → 失败与人工修正识别 → 反馈回灌 → 价值/商业/客户循环 → 输出生产运行方案。 包含价值发现循环（§1）、AIOps案例（§2）、客服案例（§3）、SaaS案例（§4）、产品团队（§5）五个合并子模块。 基于《AI Native 产品方法论》第18-27章。
需求发现 → 方向定界 组合 Skill。从用户痛点出发，系统跑完微需求检测、 真需求验证、四层拆解，输出可直接进入方向定界的 Direction Brief。
UX 设计 → 审计放行 组合 Skill。将 RAX 风险评估、信任度分级、渐进式披露 与审计放行流程打通，输出 UX 审计报告 + 放行建议。
商业模式 → 增长策略 组合 Skill。将确定性溢价定价策略与 AI Native 增长飞轮匹配， 输出定价-增长联动策略，确保商业模式和增长方式自洽。
需求发现编排器。协调微需求检测、真需求验证、需求拆解、需求考古、好问题生成、Agent 边界设计、多元推荐改写、AI 产品三重平衡八个工具卡， 按顺序执行并输出完整的需求发现报告。自包含——八个工具卡的核心方法已内嵌。 基于《AI rebuild product needs》读者工具箱。
AI Native 产品需求发现 Skill。基于《AI rebuild product needs》方法论， 帮助用户在 AI Agent 时代重新定义需求：区分真实需求与伪需求， 以"场景为入口、处境为本体"，用行为证据替代表达性需求， 最终输出一份经过验证的 AI Native 需求简报。
需求四层拆解卡。很多团队一听到用户表达，就直接拆功能。 这张卡强迫团队先把"用户说了什么"和"用户真正被什么困住"分开。 基于《AI rebuild product needs》工具卡。
微需求五问检测器。团队天然偏爱"大需求"，这个 Skill 把看起来很小、但可能压得很深的问题重新看见。 基于《AI rebuild product needs》工具卡。
真需求判断五问验车器。AI 时代最危险的不是没有需求，而是伪需求太容易长得像真需求。 基于《AI rebuild product needs》工具卡。
需求考古五步法。用户说出来的需求只是冰山一角，真正的需求往往埋在历史决策、组织结构和业务演化中。 这个 Skill 教你如何挖掘深层需求。 基于《AI rebuild product needs》工具卡。
多元推荐改写清单。AI 时代的推荐系统不再是"猜你喜欢"， 而是"帮你发现你还不知道自己会喜欢的"。这个 Skill 提供从单一推荐到多元推荐的改写框架。 基于《AI rebuild product needs》工具卡。
好问题六维观察表。AI 时代产品经理最重要的能力不是给答案，而是提好问题。 这个 Skill 提供六个维度的观察框架，帮你从不同角度发现好问题。 基于《AI rebuild product needs》工具卡。
Agent 边界清单。AI 产品最危险的不是做不到，而是做过头。 这个 Skill 帮你系统性地定义 AI 应该做什么、不应该做什么、什么时候必须停下来等人。 基于《AI rebuild product needs》工具卡。
多元推荐改写清单。当团队想重写推荐系统时，最容易只在原目标函数上加一点随机。 这个 Skill 帮你避免"看起来更多元，底层仍然单一"。 基于《AI rebuild product needs》工具卡。
AI Native 产品方法论——方向定界阶段的实操 Skill。 用户提供一个 AI 产品方向或问题线索，Skill 自动执行方向定界流程： 问题真实性判断 → 场景切入分析 → 资料条件审查 → 能力可能性评估 → 价值判断 → 输出 Direction Brief。 基于《AI Native 产品方法论》第05章。 '
AI 产品三重平衡表。当团队讨论 AI 产品方向时，最容易只看增长和效率。 这个 Skill 帮团队同时看商业、人性、文化三层。 基于《AI rebuild product needs》工具卡。
AI 产品三重平衡表。AI 产品设计需要在商业、人性、技术三个维度之间找到平衡。 这个 Skill 提供系统性的三重平衡评估框架。 基于《AI rebuild product needs》工具卡。
AI Native 产品方法论——价值发现循环的实操 Skill。 用户提供已上线或正在验证的 AI 产品，Skill 自动执行价值发现流程： 价值信号识别 → 伪价值排除 → 价值密度评估 → 市场测试设计 → 定价策略联动 → 方向修正建议 → 输出价值发现方案。 基于《AI Native 产品方法论》第22章。 '
AI Native 产品方法论——生产运行与循环回灌的实操 Skill。 用户提供产品已上线或即将上线，Skill 自动执行生产运行流程： 可观测性设计 → 指标体系搭建 → 失败与人工修正识别 → 反馈回灌 → 价值/商业/客户循环 → 输出生产运行方案。 基于《AI Native 产品方法论》第18-27章。 '
AI Native 产品方法论——AIOps 行业案例模板 Skill。 用户提供 AIOps 场景和业务背景，Skill 自动执行全链路方法论： 方向定界 → 试验展开 → 系统构建 → 审计放行 → 生产运行，输出完整案例方案。 基于《AI Native 产品方法论》第19章 AIOps 案例，适用于高风险、强约束、重责任场景。 '
AI Native 产品方法论——AI 客服行业案例模板 Skill。 用户提供客服场景和业务背景，Skill 自动执行全链路方法论： 方向定界 → 试验展开 → 系统构建 → 审计放行 → 生产运行 → 客户循环 → 价值发现，输出完整客服产品方案。 基于《AI Native 产品方法论》第20章 AI 客服案例，适用于服务协同、经验复利场景。 '
AI Native 产品方法论——AI Native SaaS 行业案例模板 Skill。 用户提供 SaaS 产品场景和业务背景，Skill 自动执行全链路方法论： 方向定界 → 试验展开 → 系统构建 → 审计放行 → 生产运行，输出 AI Native 化改造方案。 基于《AI Native 产品方法论》第21章 AI Native SaaS 案例，适用于数据分析、业务洞察、决策支持场景。 '
AI Native 产品方法论——AI Native 产品团队设计的实操 Skill。 用户提供产品阶段和团队现状，Skill 自动执行团队设计： 角色梳理 → 人机分工设计 → 能力缺口识别 → 团队协作流程 → 能力建设路径 → 输出 AI Native 团队方案。 基于《AI Native 产品方法论》第25章 AI Native 产品团队。 '
《观照》全书编排器——根据用户输入的问题类型，路由到对应的章节Skill，串联全链路决策修正流程
检查方法使用的前提是否成立——识别情境变化、验证假设前提、重配适用方法
停止错误方向，也是一种推进——归零分析、暂停策略、止损决策
收入从哪里来，产品就会站在哪边——收入来源审视与激励偏差检查
先看机制是否有害，再看结果是否有效——价值/代价/情绪/退出权四重检查
把话说真，而不是把问题说顺——语言清洗、纪要体检、诚实表达练习
修正判断路径，而不是堆更多观点——拆解判断链，区分前提/证据/推理/情绪
持续觉察、系统反思、判断沉淀——建立个人与团队的决策觉察力
先修正看法，再调用方法——默认检查、证据校验、后果追问、八种修正视角
把问题看准，而不是把现象说圆——三层看问题法（现象层/情境层/关系层）
《判断力与直觉力》全书编排器——九步闭环决策路线图的路由器与聚合器
判断力元认知——理解什么是判断、识别判断的场景与类型
直觉训练——将直觉转化为可压缩的认知模型与模式识别
系统性思维——结构化分析、关系映射、反馈回路识别
产品心理学——用户心理模型、行为设计、动机分析
AI产品决策九步闭环总论——覆盖做什么、值不值得、用不用AI、做成什么、用户托付、怎么做、怎么验证、怎么卖、反馈回路
九步前半段——做什么、值不值得、用不用AI的判断框架
九步中段——做成什么形态、用户托付度、怎么做的决策框架
九步后段——怎么验证、怎么进入市场、反馈回路的决策框架
判断陷阱与认知偏误——识别常见判断错误模式及其防范策略
直觉进化——持续训练判断力、建立标准提升机制
组织判断力——将个人判断转化为团队判断能力的系统方法
《AI Beauty》全书编排器——审美主导权与美感体系化训练的路由器
AI在审美中的角色定位——放大器/陪练器/协作者，而非审美本身
美感的重新定义——生成焦虑、美感六维度、美感双轴模型
从生产美感到选择美感——选择力是新核心技能，Context决定输出上限
人的不可替代性——美感作为护城河、标准进化、人的核心优势
故事力即美感——叙事结构、情感节奏、信息架构的审美维度
AI Native 产品方法论——试验展开概述的实操 Skill。 用户提供 Direction Brief，Skill 自动执行试验展开框架设计： 资料准备评估 → 三层实验体系设计 → 评估Rubric建立 → 实验节奏规划 → 输出试验展开总体方案。 基于《AI Native 产品方法论》第06章（试验展开-概述）。 '
审美训练体系——系统化积累与校准审美标准、人机协作流程、标准进化机制
美感的商业价值——市场接受度、美感溢价、体验美感、物理世界平衡
AI Native 产品方法论——试验展开阶段的实操 Skill。 用户提供 Direction Brief 或问题方向，Skill 自动执行试验展开流程： 资料准备 → 能力实验 → 产品实验 → 商业实验 → 评估与失败分析 → 输出实验结论报告。 覆盖《AI Native 产品方法论》第06-10章。 '
前言与核心命题——当一切都能生成之后，审美主导权成为核心竞争力
AI Native 产品方法论——产品形态探索的实操 Skill。 用户提供能力实验结论，Skill 自动执行产品形态探索： 能力边界分析 → 交互原型设计 → 工作流嵌入测试 → 产品形态判断 → 输出产品形态建议。 基于《AI Native 产品方法论》第07章（试验展开-产品形态探索）。 '
AI Native 产品方法论——流程重构与任务设计的实操 Skill。 用户提供产品形态建议，Skill 自动执行流程重构设计： 任务拆解 → 人机协作模式选择 → 工作流设计 → 节点标注 → 验证与迭代 → 输出流程重构方案。 基于《AI Native 产品方法论》第08章（试验展开-流程重构与任务设计）。 '
AI Native 产品方法论——目标收敛与产品决策的实操 Skill。 用户提供多轮实验记录，Skill 自动执行收敛分析： 实验记录整理 → 证据对比分析 → 收敛信号识别 → 产品决策 → 输出收敛报告与决策结论。 基于《AI Native 产品方法论》第09章（试验展开-目标收敛与产品决策）。 '
AI Native 产品方法论——记忆系统设计的实操 Skill。 用户提供产品场景，Skill 自动执行记忆系统设计流程： 记忆需求分析 → 记忆分类设计 → 权限与时效策略 → 存储与索引 → 人工修正与再沉淀 → 输出记忆系统方案。 基于《AI Native 产品方法论》第13章。 '
Claude Skills — questions
Answers built from the skills we actually parsed.