60個精選Skills、工作流與開源專案，最全Claude進階清單

摘要：開發者、內容創作者、產品建造者以及初學者均可使用

原文標題：Top 60 Claude Skills, Workflows, and GitHub Repos for AI—The Complete List.
原文作者：Khairallah AL-Awady
編譯：Peggy，BlockBeats

編者按：如果你最近在關注 AI，很容易產生一種錯覺：工具越來越多，但真正能用起來的，反而越來越少。

對於大多數人而言，難點不在於有沒有工具，而在於哪些工具值得用，以及該從哪裡開始。

這份清單基於實際測試，對當前 AI 工具生態進行了系統梳理，篩選出 60 個工具並按照不同層級與使用場景進行分類：從編碼與開發工具，到 agent 框架與工具接入，再到工作流自動化、資料處理與基礎設施，最終延伸到學習資源與持續更新路徑。

整體上，它勾勒出一條從「使用 AI」到「建構 AI 系統」的清晰路徑，為開發者、內容創作者、產品建造者以及初學者提供了不同的入門路徑，幫助讀者在複雜的工具生態中找到適合自己的切入點。

在工具不斷更迭的當下，這樣一份結構化的梳理，也許比單點推薦更有意義。它提供的不是答案，而是一種更高效理解和使用 AI 的方式。

以下為原文：

我花了 100 多個小時測試各類 AI 工具，這樣你就不用再自己踩坑了。

先收藏這篇 :)

2026 年的 AI 工具生態已經到了讓人「資訊過載」的程度：每周都有新框架，每天都有新 agent，每天早上 GitHub 都有新項目衝上熱榜。

其中大多數只是炒作。有些確實有用。極少數，會真正改變你的工作方式。

我幫你把噪音篩掉了。

下面這 60 個工具，是我親自測試後篩選出來、當前真正值得關注的——按類別整理，並附上它們各自真正擅長的場景。

建議收藏，你很可能會反覆回來使用。

Part 1: AI 編程 Agent & IDE

這一類工具可以讓 AI 幫你寫程式碼、審查程式碼、甚至管理整個開發流程。
重點是：這些是真正能在實際工作流中運行起來的，而不是只停留在 demo。

1. Claude Code
Anthropic 推出的命令行編程 agent。可以讀取檔案、撰寫程式碼、執行測試，直接在你的本機環境操作。
如果你希望在 AI 輔助開發中保持完全控制，這是目前的「黃金標準」。
https://docs.anthropic.com/en/docs/claude-code

2. Cursor
基於 VS Code 打造的 AI 優先程式碼編輯器。支援行內補全、與程式庫對話、多檔案編輯。
適合希望把 AI 無縫融入現有開發流程的開發者。
https://www.cursor.com

3. Codex CLI
OpenAI 推出的終端程式碼 agent。用自然語言下指令，它會讀取程式碼庫、生成並執行程式碼。
在多步驟實現任務上表現很強。
https://github.com/openai/codex

4. Windsurf
由 Codeium 推出的 AI 編程 IDE。其 Cascade agent 支援多檔案編輯、深度理解程式碼庫，以及「沉浸式編碼流」。
增長很快。
https://codeium.com/windsurf

5.超能力
为 Claude Code 打造的 20+ 實戰技能集合，包括 TDD、除錯、從規劃到執行的流水線等。
GitHub 超 9.6 萬星。如果你用 Claude Code，建議第一時間安裝。
https://github.com/obra/superpowers

6.規格套件（GitHub）
「規格驅動開發」工具：先寫 specification，再由 AI 生成程式碼。強制你在動手之前先想清楚。GitHub 超 5 萬星。
https://github.com/github/spec-kit

7.Aider
終端裡的 AI 結對編程工具，支援任意 LLM。
在處理已有程式庫方面尤其強。GitHub 超 3 萬星。
https://github.com/paul-gauthier/aider

Part 2：Agent 框架

用來構建可以「思考—行動—迭代」的自動化系統。

8.OpenClaw
現象級開源 AI agent。支援長期運行、多渠道（WhatsApp / Telegram / Discord），還能自己寫技能。
GitHub 超 21 萬星，是目前個人 AI agent 最容易上手的入口之一。
https://github.com/openclaw/openclaw

9. LangGraph
用「圖結構」來編排多 Agent：支援分支邏輯、人類介入（human-in-the-loop）、持久狀態。
https://github.com/langchain-ai/langgraph

10. CrewAI
多 Agent 協作框架，每個 Agent 都有角色、目標和「人設」。
適合模擬團隊協作流程。
https://github.com/crewAIInc/crewAI

11. AutoGPT
老牌全自動 Agent 框架，適用於長時間運行任務。
相較早期版本已經成熟很多。
https://github.com/Significant-Gravitas/AutoGPT

12. Dify
開源 LLM 應用構建平台，將 workflow、RAG、Agent 和模型管理整合在一起。
對非開發者也比較友好。
https://github.com/langgenius/dify

13. OWL
多 Agent 協作框架，在 GAIA 基準測試中表現領先。
屬於前沿研究走向實用化的代表。
https://github.com/camel-ai/owl

14.CopilotKit
可以將 AI copilot 直接嵌入 React 應用中。
不僅提升開發效率，還可以將 AI 變成產品的一部分。
https://github.com/CopilotKit/CopilotKit

15.pydantic-ai
基於 Pydantic 的類型安全 agent 框架。
適合希望輸出結構化、可驗證結果的 Python 開發者。
https://github.com/pydantic/pydantic-ai

Part 3：MCP 服務與工具集成

MCP（Model Context Protocol）讓 AI 真正「接入世界」。Skill 是教它怎麼做，MCP 是讓它「有權限去做」。

16.Tavily
專為 AI agent 設計的搜索引擎，不是藍色鏈接，而是結構化、可直接被 LLM 使用的數據。
提供搜索、提取、爬取、地圖四種工具，一分鐘即可接入 MCP。
https://github.com/tavily-ai/tavily-mcp

17.Context7
將最新的庫文檔注入到 LLM 的上下文中。
不再出現「幻覺 API」或過時方法。
在提示符中加一句「use context7」，就能自動拉取最新文檔。
https://github.com/upstash/context7

18.任務大師 AI
你的 AI 專案經理。輸入 PRD，它會拆解成帶依賴關係的任務。
再由 Claude 逐步執行，把混亂的開發流程變成有序流水線。
https://github.com/eyaltoledano/claude-task-master

19.MCP Playwright
為 LLM 提供瀏覽器自動化能力。
可以用自然語言控制真實瀏覽器：測試、爬取、互動都能做。
https://github.com/executeautomation/mcp-playwright

20.fastmcp
用最少的 Python 代碼快速搭建 MCP 服務。
是為 Claude 等模型創建自定義工具集成的最快路徑之一。
https://github.com/jlowin/fastmcp

21.markdownify-mcp
把 PDF、圖片、音頻等各種格式轉成 Markdown。
讓任意文件都能進入 AI 工作流。
https://github.com/zcaceres/markdownify-mcp

22.MCPHub
通過 HTTP 管理多個 MCP 服務。
一個面板統一管理所有工具連接。
https://github.com/samanhappy/mcphub

第 4 部分：Claude 技能（精選）

Skills 可以为 Claude 注入「專業工作流能力」。目前社群已有 8 萬+ 個技能，下面這些是真正值得安裝的。

23. PDF 處理（官方）
支援讀取 PDF、提取表格、填寫表單、合併與拆分檔案。
對知識工作者來說，是實用性最高的技能之一。

https://github.com/anthropics/skills/tree/main/skills/pdf

24. 前端設計（官方）
用於構建真正可用的設計系統，包括大膽的排版和可上線的 UI。
可以摆脱常見的「AI 生成感」設計風格。已有 27.7 萬+ 安裝。

https://github.com/anthropics/skills/tree/main/skills/frontend-design

25. 技能創建者（官方）
一個「元技能」。用自然語言描述你的工作流，5 分鐘內生成完整的 SKILL.md。
無需寫配置，也能創建新技能。

https://github.com/anthropics/skills/tree/main/skills/skill-creator

26. 行銷技能（Corey Haines）
覆蓋 CRO、文案、SEO、郵件自動化、增長策略等 20+ 技能。
相當於把一整套行銷團隊能力「模組化」。

https://github.com/coreyhaines31/marketingskills

27.Claude SEO
提供全站審計、結構化資料驗證、關鍵詞分析等功能。
共 12 個子技能，覆蓋完整 SEO 工作流程。

https://github.com/AgriciDaniel/claude-seo

28.Obsidian Skills
由 Obsidian CEO 開發。支援自動標記、自動鏈接，以及與知識庫（vault）的深度整合。
如果你在用 Obsidian，這基本是必裝。

https://github.com/kepano/obsidian-skills

29.Context Optimization
用於降低代幣成本、提升 KV 快取效率。
可以顯著降低 API 使用成本。GitHub 13,900+ stars。

https://github.com/muratcankoylan/agent-skills-for-context-engineering

30.Deep Research Skill
8 階段研究流程 + 自動續寫機制。
適合需要 Claude 做「深度研究」而非淺層總結的場景。

https://github.com/199-biotechnologies/claude-deep-research-skill

Part 5: 本地 AI 与模型运行

在本地设备运行模型：更高隱私、更快響應、無需 API 成本。

31.Ollama
通過一條命令在本地運行開源大模型。支持 Llama、Mistral、Gemma 等。
從零到本地 AI 的最快路徑。

https://github.com/ollama/ollama

32.Open WebUI
自托管的 ChatGPT 類界面。簡潔、快速、功能完整。
與 Ollama 搭配使用，可以構建完全私有的 AI 系統。

https://github.com/open-webui/open-webui

33.LlamaFile
把整個大模型打包成一個可執行文件。
無需依賴，下載即可運行，極其簡單。

https://github.com/Mozilla-Ocho/llamafile

34.Unsloth
模型微調速度提升 2 倍，同時減少 70% 記憶體佔用。
如果你需要訓練屬於自己的模型，這是一個很好的起點。

https://github.com/unslothai/unsloth

35.vLLM
高吞吐推論引擎，性能比傳統方案快 2–4 倍。
目前開源模型生產部署的主流選擇之一。

https://github.com/vllm-project/vllm

Part 6：工作流與自動化

將 AI 接入你已有的工具與流程中。

36.n8n
開源工作流自動化工具，支持 400+ 整合和 AI 節點，可自托管。
目前最強的視覺化 AI 自動化構建器之一。

https://github.com/n8n-io/n8n

37.Langflow
通過拖放方式構建 agent 工作流。GitHub 超 14 萬星。
無需寫代碼，也能搭建複雜的 agent pipeline。

https://github.com/langflow-ai/langflow

38.Huginn
自托管的 Web agent，用於監控、告警和數據采集。
強調隱私優先，所有自動化都運行在你自己的伺服器上。

https://github.com/huginn/huginn

39.DSPy
用「程序」而不是「prompt」來驅動模型。
源自史丹福研究的框架，適用於對穩定性要求更高的場景。

https://github.com/stanfordnlp/dspy

40. Temporal
面向长時間運行任務的「持久化工作流引擎」。
當你的自動化流程需要應對崩潰、重試、超時等情況時，這是標準解法。

https://github.com/temporalio/temporal

Part 7：搜索、數據與 RAG

讓信息可以進出 AI 系統。

41. GPT Researcher
自動化研究 agent，可生成結構化報告。
輸入一個主題，輸出帶來源引用的完整分析。

https://github.com/assafelovic/gpt-researcher

42. Firecrawl
把任意網站轉成適用於 LLM 的數據格式。
專為 AI pipeline 設計的爬蟲工具。

https://github.com/mendableai/firecrawl

43. Vanna AI
自然語言轉 SQL。
用英文提問，直接生成數據庫查詢語句。
適合不想寫 SQL 但需要用數據的人。

https://github.com/vanna-ai/vanna

44. Instructor
通過 Pydantic 模型，讓任意 LLM 輸出結構化 JSON。
支援 OpenAI、Anthropic、Google 等 15+ 提供商。
是很多生產級 AI 工程師的實際選擇。

https://python.useinstructor.com

45.Chroma
開源向量資料庫。
為 AI 應用添加語義搜索和長期記憶的最簡單方法之一。

https://github.com/chroma-core/chroma

46.dlt
面向 LLM 的資料管道工具，可接入 5000+ 資料來源。
幫助你將各種資料導入 AI 工作流。

https://github.com/dlt-hub/dlt

47.ExtractThinker
面向文件智能的「ORM」。
可以從任意類型文件中提取結構化資料。

https://github.com/enoch3712/ExtractThinker

Part 8：API 與基礎設施

讓一切在生產環境真正跑起來的「底層管道」。

48.FastAPI
用於部署 AI 應用的 Python Web 框架。
文件極其完善，並內建 Pydantic 資料驗證。

https://github.com/tiangolo/fastapi

49.Portkey Gateway
通過一個 API 接入 250+ LLM。
無需改代碼即可切換模型。

https://github.com/Portkey-AI/gateway

50.OmniRoute
支持 44+ AI 提供商的 API 代理。
提供负载均衡、故障切换和成本优化。

https://github.com/diegosouzapw/OmniRoute

51.lmnr
用于追踪和评估 agent 行为。
可以清楚看到 agent 在做什么，并衡量其表现是否达标。

https://github.com/lmnr-ai/lmnr

52.Codebase Memory MCP
将你的代码库转化为一个「持久知识图谱」。
让 Claude 能跨会话记住整个项目结构。

https://github.com/DeusData/codebase-memory-mcp

第九部分：精选合集与学习资源

在哪裡持續獲取信息、不斷迭代認知。

53.Awesome Claude Skills
精選技能合集，GitHub 超 2.2 萬星。
尋找新技能的首選入口。

https://github.com/travisvn/awesome-claude-skills

54.人类中心技能仓库
Anthropic 官方技能仓库。
也是目前技能构建的「标准范式」。

https://github.com/anthropics/skills

55.绝妙 Agent
汇总 100+ 开源 agent 工具的精选列表。

https://github.com/kyrolabs/awesome-agents

56.PromptingGuide
覆盖从基础到高级的完整 Prompt 工程指南。

https://www.promptingguide.ai

57.Anthropic Prompt 工程教程
包含 9 章 + Jupyter Notebook 实操练习。
是系统学习 Prompt 的最佳路径之一。

https://github.com/anthropics/prompt-eng-interactive-tutorial

58.SkillsMP
拥有 8 万+ 社区技能的市场平台。
是目前最大的 Claude 技能目录。

https://skillsmp.com

59.MAGI//ARCHIVE
每日更新最新 AI 项目存儲庫。
用於追蹤前沿進展。

https://tom-doerr.github.io/repo_posts/

60.Anthropic 官方文件
涵蓋 API、提示、工具呼叫、代理等所有核心內容。
如果你要認真做 AI 產品，這一份建議從頭到尾讀一遍。

https://docs.anthropic.com

如何真正使用這份清單

不要嘗試一次性把這 60 個工具全部裝上。那只會讓你資訊過載、浪費時間。

我更推薦這樣用：

如果你是開發者：從 Claude Code（01）+ Superpowers（05）+ Context7（17）+ Tavily（16）開始。
這一組合可以幫你搭建一套具備搜索能力和文件支援的強大 AI 編程環境。

如果你是創作者 / 知識工作者：從 OpenClaw（08）+ Obsidian Skills（28）+ PDF Processing（23）+ Frontend Design（24）開始。這一組合可以給你一個具備文件管理、文件處理和內容創作能力的 AI 助手。

如果你是在做產品：從 FastAPI（48）+ Instructor（44）+ Chroma（45）+ LangGraph（09）開始。
這一組合覆蓋了後端框架、結構化輸出、記憶系統和代理編排能力，足夠支撐一個生產級 AI 應用。

如果你只是想學習：從 Anthropic 教程（57）+ PromptingGuide（56）+ Anthropic 官方文件（60）開始。
先把基礎打牢，再去疊工具。

選一條路徑，先深入用起來。

等需求出現，再慢慢擴展工具。

TL;DR

Skills = 教 AI「怎麼做得更好」
MCP = 給 AI「接入外部工具和數據的能力」
Repos = 提供一切的開源基礎設施

把這三者結合起來，你得到的就不再是「看起來很酷的 demo」，而是一套真正有生產力的 AI 工作流。

就這些。60 個工具。現在，去做點東西吧。

[原文鏈接]