Report

从 Vercel 24h Skills 热榜/小红书/公众号提取“Agent Skills”清单：可执行抽取与归档方案

受限于无法在线打开短链与动态页面，本报告提供可落地的抽取流程、字段模板与工具选型（并标注无法在线核验的来源）。

提取 Vercel/XHS/公众号 Agent Skills 的清单与抽取流程

2026-02-02 20:37
agent-skillsvercelskillssh小红书公众号remotion

TL;DR

  • 本报告采用的“Skill”定义：面向 Agent/LLM 的可复用能力模块（技能卡片），通常包含用途、触发条件/提示词、输入输出、依赖工具与示例（另一种“职业技能”定义见 Options）。
  • 你给的来源包含 Vercel/skills.sh 热榜、小红书短链、公众号文章；我当前无法在线核验这些链接内容，因此不直接臆测 Top10/82 个技能条目名称，只给出可复现的提取与落库步骤。
  • 最快落地路径：先用手动复制/导出 HTML 获得原文，再用脚本做“结构化抽取→去重→分类→生成 skills.json/Obsidian 条目”。

Key Insights

  • 小红书短链通常指向动态内容且有反爬/登录限制：自动化抓取成功率不稳定，优先采用“人工打开-复制正文/导出网页-本地解析”的半自动流程。
  • 公众号文章可通过“保存网页为 HTML / 复制纯文本”稳定获取；真正困难在于把文内的“技能点”从叙事里切分成标准化条目。
  • Vercel/skills.sh 这类排行榜通常会在前端请求一个 JSON（或 GraphQL）来渲染列表：抓到接口后可稳定全量拉取并定时更新（24h 热度）。
  • 你特别提到 remotion：更像“视频生成/程序化视频渲染”类技能的实现依赖（工具型 Skill），适合在技能卡里明确 Node 版本、渲染命令、模板参数等可运行要素。

Playbook

  • 第 1 步：统一字段模板（建议最小可用）= name、category、one_liner、when_to_use、inputs、outputs、prompt_or_steps、tools/runtime、examples、source_url、captured_at。
  • 第 2 步：采集原始材料：小红书/公众号优先手工复制到 docs/raw/{source}/{date}.md；Vercel/skills.sh 用 DevTools Network 抓 API 响应保存为 JSON。
  • 第 3 步：结构化抽取：对文本用“分段→枚举→正则/LLM 辅助标注”把每个技能切分成独立条目；对 JSON 直接映射字段并保留原始热度/排名字段。
  • 第 4 步：质量控制：做去重（名称归一化、描述相似度阈值）、补全（缺用途/输入输出则回看原文）、分类（Research/Video/UI/DevOps 等），最后生成目标格式（skills.json 或每条一个 Markdown）。

Diagrams

Decision Map ↑ Control / Consistency Speed / Convenience → 1 方案 A（本报告默认）：Ski… 2 方案 B（另一种定义）：Ski… 3 采集方式分支：半自动（人工复制… 4 落库方式分支：单一 skill…
Options · 速度 vs 可控性 的决策图（基于 Options 文本自动定位）
Execution Steps 1 第 1 步 2 第 2 步 3 第 3 步 4 第 4 步
Playbook · 执行步骤时间线（基于 Playbook 文本自动提取）

Options

  • 方案 A（本报告默认）：Skill=Agent/LLM 技能卡片。输出为“可执行的技能库”，每条带步骤/提示词/工具依赖，适合沉淀到 GitHub/Obsidian 并复用在工作流里。
  • 方案 B（另一种定义）：Skill=泛职业技能/能力点清单。输出为“技能树/学习路线”，字段更偏向定义、学习资源、练习项目与评估方式（不强调提示词与工具调用）。
  • 采集方式分支：半自动（人工复制+本地解析）最快；全自动（Playwright+接口抓取）适合要做“24h 热榜”定时更新，但成本与失败率更高。
  • 落库方式分支：单一 skills.json 便于检索/生成；“每条一个 Markdown+frontmatter”便于 Obsidian/PR 协作；两者可通过脚本互转。

Expert Views

  • 开源数据工程师（paraphrase）：优先抓到 skills.sh 的真实接口并保留原始字段，后续做增量同步与变更追踪（diff），比“截图/OCR”可靠得多。
  • 反爬/浏览器自动化工程师（paraphrase）：小红书不建议硬刚 API；用 Playwright 做“可视化登录+页面导出”，或直接人工复制，确保可持续与合规风险更低。
  • 内容产品经理（paraphrase）：技能库可用性的关键不是条目数量，而是每条 skill 是否“可触发、可复现、可评估”；需要最少一个可运行示例与验收标准。
  • 隐私与合规从业者（paraphrase）：抽取时要保留来源链接与作者信息（如可见），避免二次分发敏感信息；对平台内容抓取要评估服务条款与使用边界。

Evidence & Confidence

  • “小红书内容自动化抓取不稳定、通常需要登录/动态渲染”：medium；基于平台常见反爬形态与短链跳转特征，但未在线核验你给的具体笔记页面。
  • “Vercel/skills.sh 热榜可能存在可抓取的 JSON 接口”：medium；常见前端榜单实现如此，但需你本地抓 Network 证实具体 endpoint。
  • “remotion 可用于程序化视频生成，适合作为视频类 skill 的工具依赖”：high；Remotion 是公开的开源项目与产品定位明确。
  • “先采集原文再结构化抽取能显著降低返工”：high；这是内容到知识库/数据集的通用工程实践，且适用于你当前多来源混合输入。

Next Steps

  • 你本地执行一次：打开每个链接，导出为“纯文本或 HTML”，把文件丢到一个目录（例如 raw/2026-02-02/），并把目录结构回传给我（或粘贴其中一篇的正文）。
  • 我根据你选定的输出格式生成：字段 schema、分类枚举、去重规则，以及 Playwright 抓取/导出脚本骨架（含如何抓 skills.sh 的接口）。
  • 先做一个 MVP：只抽取你提到的 3 类（Research skills、Video skills、UI 提升技巧）各 10 条，跑通“抽取→落库→检索”闭环。
  • 再扩展：把 Vercel 24h 热榜做成定时任务（GitHub Actions/cron），每日自动更新并生成变更摘要（新增/上升/下降）。

Details (Optional)

Details

TL;DR

  • 本报告采用的“Skill”定义：面向 Agent/LLM 的可复用能力模块（技能卡片），通常包含用途、触发条件/提示词、输入输出、依赖工具与示例（另一种“职业技能”定义见 Options）。
  • 你给的来源包含 Vercel/skills.sh 热榜、小红书短链、公众号文章；我当前无法在线核验这些链接内容，因此不直接臆测 Top10/82 个技能条目名称，只给出可复现的提取与落库步骤。
  • 最快落地路径：先用手动复制/导出 HTML 获得原文，再用脚本做“结构化抽取→去重→分类→生成 skills.json/Obsidian 条目”。

Key Insights

  • 小红书短链通常指向动态内容且有反爬/登录限制：自动化抓取成功率不稳定，优先采用“人工打开-复制正文/导出网页-本地解析”的半自动流程。
  • 公众号文章可通过“保存网页为 HTML / 复制纯文本”稳定获取；真正困难在于把文内的“技能点”从叙事里切分成标准化条目。
  • Vercel/skills.sh 这类排行榜通常会在前端请求一个 JSON（或 GraphQL）来渲染列表：抓到接口后可稳定全量拉取并定时更新（24h 热度）。
  • 你特别提到 remotion：更像“视频生成/程序化视频渲染”类技能的实现依赖（工具型 Skill），适合在技能卡里明确 Node 版本、渲染命令、模板参数等可运行要素。

Playbook

  • 第 1 步：统一字段模板（建议最小可用）= name、category、one_liner、when_to_use、inputs、outputs、prompt_or_steps、tools/runtime、examples、source_url、captured_at。
  • 第 2 步：采集原始材料：小红书/公众号优先手工复制到 docs/raw/{source}/{date}.md；Vercel/skills.sh 用 DevTools Network 抓 API 响应保存为 JSON。
  • 第 3 步：结构化抽取：对文本用“分段→枚举→正则/LLM 辅助标注”把每个技能切分成独立条目；对 JSON 直接映射字段并保留原始热度/排名字段。
  • 第 4 步：质量控制：做去重（名称归一化、描述相似度阈值）、补全（缺用途/输入输出则回看原文）、分类（Research/Video/UI/DevOps 等），最后生成目标格式（skills.json 或每条一个 Markdown）。

Expert Views

  • 开源数据工程师（paraphrase）：优先抓到 skills.sh 的真实接口并保留原始字段，后续做增量同步与变更追踪（diff），比“截图/OCR”可靠得多。
  • 反爬/浏览器自动化工程师（paraphrase）：小红书不建议硬刚 API；用 Playwright 做“可视化登录+页面导出”，或直接人工复制，确保可持续与合规风险更低。
  • 内容产品经理（paraphrase）：技能库可用性的关键不是条目数量，而是每条 skill 是否“可触发、可复现、可评估”；需要最少一个可运行示例与验收标准。
  • 隐私与合规从业者（paraphrase）：抽取时要保留来源链接与作者信息（如可见），避免二次分发敏感信息；对平台内容抓取要评估服务条款与使用边界。

Options

  • 方案 A（本报告默认）：Skill=Agent/LLM 技能卡片。输出为“可执行的技能库”，每条带步骤/提示词/工具依赖，适合沉淀到 GitHub/Obsidian 并复用在工作流里。
  • 方案 B（另一种定义）：Skill=泛职业技能/能力点清单。输出为“技能树/学习路线”，字段更偏向定义、学习资源、练习项目与评估方式（不强调提示词与工具调用）。
  • 采集方式分支：半自动（人工复制+本地解析）最快；全自动（Playwright+接口抓取）适合要做“24h 热榜”定时更新，但成本与失败率更高。
  • 落库方式分支：单一 skills.json 便于检索/生成；“每条一个 Markdown+frontmatter”便于 Obsidian/PR 协作；两者可通过脚本互转。

Evidence & Confidence

  • “小红书内容自动化抓取不稳定、通常需要登录/动态渲染”：medium；基于平台常见反爬形态与短链跳转特征，但未在线核验你给的具体笔记页面。
  • “Vercel/skills.sh 热榜可能存在可抓取的 JSON 接口”：medium；常见前端榜单实现如此，但需你本地抓 Network 证实具体 endpoint。
  • “remotion 可用于程序化视频生成，适合作为视频类 skill 的工具依赖”：high；Remotion 是公开的开源项目与产品定位明确。
  • “先采集原文再结构化抽取能显著降低返工”：high；这是内容到知识库/数据集的通用工程实践，且适用于你当前多来源混合输入。

Next Steps

  • 你本地执行一次：打开每个链接，导出为“纯文本或 HTML”，把文件丢到一个目录（例如 raw/2026-02-02/），并把目录结构回传给我（或粘贴其中一篇的正文）。
  • 我根据你选定的输出格式生成：字段 schema、分类枚举、去重规则，以及 Playwright 抓取/导出脚本骨架（含如何抓 skills.sh 的接口）。
  • 先做一个 MVP：只抽取你提到的 3 类（Research skills、Video skills、UI 提升技巧）各 10 条，跑通“抽取→落库→检索”闭环。
  • 再扩展：把 Vercel 24h 热榜做成定时任务（GitHub Actions/cron），每日自动更新并生成变更摘要（新增/上升/下降）。

Sources

Sources

Closing Summary

  • 结论：提取 Vercel/XHS/公众号 Agent Skills 的清单与抽取流程
  • 下一步：你先给出期望的最终输出格式（例如 skills.json/Obsidian 单文件一条/CSV）和是否要自动化抓取；我再按格式生成字段模板与可直接跑的抽取脚本骨架（Playwright）。

One next action

你先给出期望的最终输出格式（例如 skills.json/Obsidian 单文件一条/CSV）和是否要自动化抓取；我再按格式生成字段模板与可直接跑的抽取脚本骨架（Playwright）。

Generated from local report data · Static render (no external JS)