Claude Code、Cursor、Codex、Windsurf、Gemini CLI……电脑上一口气装了七八个AI编码工具，每个都挺好用。但Skill文件散落在七八个不同的目录里，改一个要同步七八遍，删一个要翻七八个文件夹。时间一长，哪份版本过期了自己都搞不清。

这不是个别现象——开发者社区里"8个AI工具装完，Skill管理先崩了"的吐槽已经成了标配。有人查了一下自己的电脑，同一个find-skills被重复安装了十几次，散落在不同平台的不同目录。问题根源很清楚：每个Agent的Skill目录彼此隔离，互不感知。同一个SKILL.md被复制了N份，版本分裂是早晚的事。更隐蔽的代价是：装了、忘了、过时了也没删，Skill库慢慢变成一个连自己都不信任的黑盒。

中央仓库+投影：Single Source of Truth

aweskill的解法很直接：只留一份。

所有Skill文件存放在~/.aweskill/skills/这个中央仓库里，然后通过"投影"机制，把Skill映射到每个Agent各自认的目录。

投影有三种方式：macOS/Linux用symlink，Windows用junction，都不行就托管副本copy。对Agent来说，它看到的还是自己熟悉的~/.claude/skills/或者~/.cursor/skills/，只不过路径背后指向的是中央仓库里的同一份文件。

改一处，全部同步。版本分裂从根本上不可能发生。

这背后是一个老生常谈但总被忽视的系统设计原则：Single Source of Truth。同一份数据，一旦有了多个副本，就已经埋下了分裂的种子。副本越多，同步成本越高；同步一旦被省略，版本开始各自漂移；最终没有人知道哪个是最新的。

aweskill把47个AI编码工具的Skill目录全部指向一个中央仓库，从根上消灭了副本。新增Skill？丢进中央仓库就行，所有Agent自动生效，不需要每个Agent分别装一遍。中央仓库还能直接初始化成Git仓库推到GitHub，多台设备通过push/pull同步，连跨设备的统一都实现了。这就是"SKILL.md的npm"——不是简单的安装器，而是一个包管理器的架构思路：本地唯一存储，按需分发。

全生命周期：从安装到灾难恢复

光能装Skill还不够。Skill会过时、会损坏、会重复、会丢失。市面上同类工具大多停在"安装"这一步，aweskill管的是Skill的完整生命周期：发现→安装→组织→更新→维护→恢复。

发现：aweskill find一口气搜索skills.sh和sciskillhub.org两个社区源，加上本地中央仓库。想找蛋白质组学的Skill？一条命令就出来。

安装：aweskill install支持GitHub仓库、sciskill标识符、本地路径，三种来源一键入库。

组织：Bundle机制让你按工作流分组——"前端开发"一个Bundle，"数据分析"一个Bundle，批量投影到指定Agent。团队里新人来了？一个aweskill agent add bundle frontend --global --agent all搞定。

更新：aweskill update记录每个Skill的来源地址，拉取上游更新时自动保护本地修改。你在中央仓库里的定制不会被覆盖。

维护：这是aweskill和所有同类工具拉开差距的地方。doctor系列命令——sync修复断裂的投影、clean清理可疑文件、dedup处理重复Skill、fix-skills修复格式损坏的SKILL.md。所有doctor命令默认dry-run，加--apply才真正执行，改之前还能--backup备份原文件。

恢复：store backup一键打包，store restore一键还原。磁盘挂了、误删了、版本搞乱了，都能找回来。

同类工具里，sciskill做了注册表发现，SkillManager做了GUI同步，skills-manage做了中央库+市场浏览。但没有一家做到"出了问题能修"。aweskill的doctor是整个生态里唯一的Skill诊断修复方案。

Agent自治：让AI自己管Skill

aweskill最独特的设计：它不只给人用，还给Agent自己用。

内置了两个元技能：aweskill和aweskill-doctor。投影到Agent之后，你可以直接用自然语言跟Agent说——

"帮我找一个Python数据分析的Skill并安装。"
"检查一下Codex的Skill有没有断裂的投影。"
"把前端Bundle投影到Cursor和Claude Code。"

Agent会自己调用aweskill的CLI命令完成操作。你甚至可以让Agent直接读README.ai.md来完成aweskill自身的安装和初始化——从零开始，不需要人碰键盘。

这不是噱头。当你管理的Skill数量超过20个、Agent超过5个的时候，手动操作已经不现实了。哪个Skill更新了、哪个投影断裂了、哪个目录里混入了可疑文件——这些琐碎的维护工作，恰恰是最适合交给Agent自己做的。换个角度想：你教Agent怎么管理自己的工具箱，Agent反过来帮你维护工具箱，这才叫闭环。

和同类工具相比，SkillManager是给人用的Tauri桌面应用，sciskill是给人用的注册表浏览，vercel-labs/skills是给人用的安装CLI。aweskill是唯一一个设计了"Agent可自主操作"能力的管理器。两个元技能就是Agent的操作手册——读一遍就知道怎么调用find、install、update、bundle、doctor这些命令。

说到底，aweskill解决的不是"怎么装Skill"的问题——npm install -g aweskill一行命令谁都会。它解决的是"装完之后怎么办"的问题。Skill会过时，投影会断裂，目录会混乱，版本会漂移。这些事情不是可能发生，而是一定会发生。区别只在于：有没有一个工具能在混乱发生之后，帮你修回来。

适用场景很明确：同时用两个以上AI编码工具的，需要跨工具同步Skill的，重视更新和恢复能力的——aweskill就是刚需。只用一个工具、装完再也不更新的——手动管理就够了，不用折腾。

Skill是你和AI协作的SOP，是你把自己的工作方式沉淀进AI的过程。方法论属于自己，不属于任何一个工具。把Skill统一管好，是为了让方法论有一个稳定的地方持续沉淀——不因版本混乱而失效，不因AI迭代而贬值。

GitHub: github.com/mugpeng/aweskill

上篇文章：告别Vibe Coding：Superpowers+Ralph-Loop双循环实战指南，让Claude Code产出工业级代码