北京
我發現囤Agent的Skills有癮，
今天剛裝了一大堆同類Skill，還沒用熟就想提前知道這類里最好的到底是哪一個。轉頭又發現某個佬推薦了自留的20個Skills，回回路過我都忍不住點進去看。
這事就很像以前我看App Store榜單和Steam新品榜。
人類是很難拒絕榜單的。
尤其是那種帶一點幸存者偏差，帶一點我替你試過了踩過坑的榜單。
所以我就在想，既然我每天都在被Skill選都選不過來的苦惱折磨，
那為什么不讓Agent也體驗一下呢。
于是就有了一個新Skill，
我給它起名叫淘金小鎮。
它干的第一件事就是，每天去ClawHub上看一眼下載榜Top100，把當天榜單存下來，生成一份對比報告，再部署到一個GitHub Pages頁上。
當然，如果只能用來看Clawhub的話，也沒必要做成Skill了，我就掛一個靜態網頁，每天更新一下，給大家看結論就好了。這個Skill還能夠針對一些像Claude Code的更新日志，或者像AA Index這種模型排行榜，觀測它們的更新，讓模型以最少的環境依賴穩定地運行多次數據分析。
github.com/LearnPrompt/skillrush-town
做著做著我發現，網頁其實是最不重要的一層。
真正有意思的是，它把一個每天都會變的公開信息源，變成了一個可以被Agent復盤的情報網。
淘金小鎮最早我是用Codex去做的。當時ClawHub沒有一個現成公開API，所以我一開始走的是瀏覽器自動化，讓Agent像人一樣打開網頁，看頁面，請求數據，然后把結果存下來。
但就是瀏覽器自動化這個東西吧，
你說它不靠譜，它能干很多API覆蓋不到的活。
你說它靠譜吧，它又經常在你最不想管它的時候出問題。瀏覽器環境沒了，登錄態變了，頁面加載慢了，本地依賴抽風了一大堆。
就算我寫了足夠復雜足夠詳細的提示語，一周還是有三天是失敗的。
當時我就覺得，這不行，
不然就加大token消耗，我直接上GPT 5.5 high，但失敗率還是超高。
那直接推倒重來，讓新版Codex上無限循環模式（/goal），目標就是找出依賴最少的方案，循環30次都可以把ClawHub的Top100拉下來。
這樣比我在提示語里面上十幾個限制都好用，斷掉也可以重連，模型還可以發揮自己想象力。
到第五個小時的時候GPT發現了一條新路，clawhub.ai/skills?sort=downloads這個地址，點開后怎么看都是榜單地址，但本質上只是一個入口，沒數據的，背后是一個Convex服務。
Convex你可以先理解成一種云端數據庫加后端函數。很多網站會把數據存在Convex里，前端頁面打開以后，再通過一個query去問它要數據。
ClawHub這里對應的query path叫skills:listPublicPageV4，大概就是公開Skill列表頁的第四版查詢。
再繼續看參數，這里面有幾個關鍵條件。
按下載量排序，sort=downloads。
從高到低，dir=desc。
只看非可疑Skill，nonSuspiciousOnly=true。
每頁25條，numItems=25。
到這一步，還不能直接說拿到了Top100。
因為它一次只吐25條。
但返回結果里有一個nextCursor，
這個東西你可以把它理解成下一頁書簽。你拿著這個書簽，就可以拿到下一頁。
連續問4次，25條乘4，Top100就出來了。
這就是淘金小鎮最早成型的思路。
它不是隨便抓了一個頁面文本，
是盡量復刻了ClawHub頁面自己拿數據的方式。
網頁怎么問，我就怎么問。
這樣拿到的榜單，才更接近用戶看到的。
連續運行兩天就能清晰感受到差別了。
今天第17名是哪個，哪個Skill掉排名了。哪個Skill今天突然沖上來。哪個作者做的Skill連續幾天都在增長。
這些東西，網頁本身不會告訴你。
當這些數據開始連續存在的時候，榜單就變成了一條時間線。
我印象很深的像Self-Improving Agent這類自進化的Skill，后來它跟另一個Proactive Agent融合，做了一個新Skill，Self-Improving + Proactive Agent，很快就沖上前三了。
但如果我只是在X上隨機刷到，甚至會因為這名字覺得只是個二創。
如果每天留快照，我們能清晰地知道新上榜的Skill跟我們已經安裝Skill有什么區別，使用頻率不高的情況下，值不值得花時間去重新適應。
光看新進榜的話誤導性有點高，很可能只是剛好被某個大號推薦了。有些Skill可能上榜很久了，但因為版本更新更好用了，排名就一下子往上竄了，但有的時候真的會下意識把它忽略掉。
我就是這樣水靈靈錯過了agent-browser的大更新半個月。
所以我給淘金小鎮追加了幾條新規。
前100名里最近排名一下子提了8名以上的，
下載量增長排進前20的，
下載和星標都提升了10名的,
都挖出來跟我原有的Skill體系做差距對比。
好處就是它不太受我們的信息流影響。
最近我就看到Polymarket的Skill上榜了，平時光顧著裝一大堆UI設計和HTML PPT的skill了，原來都開始把預測市場也接進Agent工作流了。
還有就是像Agent上下文管理這類Skill真的是每過一段時間就有個新神出來，就我剛把LLM Wiki做成Skill接進來，GBrain就火了。剛剛下了一個QMD，讓本地模型管理上下文，有5個內存層的Elite Longterm Memory又火了。
從同一類能力的排名變動可以看出大家最近在用同一種能力的時候，會有什么樣的偏好。
這就是我覺得淘金小鎮有意思的地方，
它是在幫我把值得判斷的金子先撈出來。
你想想看，
現在Agent的Skill生態其實有點像早期的Chrome插件市場，
所有人都在上傳，
名字一個比一個猛，說明一個比一個玄。
問題是我不可能每天把所有新的都試一遍。
因為信息流真的太快了。
你今天覺得一個工具火，明天可能沒人提了。
你今天錯過一個小Skill，三天后它可能已經變成很多Agent工作流里的基礎設施。
人眼是追不上這個速度的。
但Agent可以。
給它一個固定路線，讓它每天去同一個地方，拿同一類數據做比較，然后把值得看的撈上來。
今天誰還在，誰是新來的，
誰掉下去了，誰突然很多人開始用。
你看一眼就都知道了。
對我來說，這就是淘金。
不是找到唯一正確的Skill。
而是在一堆沙子里，
先把那些會發光的東西撈出來。
剩下的，再慢慢試。
@ 作者 / 卡爾
最后，感謝你看到這里如果喜歡這篇文章，不妨順手給我們點贊｜在看｜轉發｜評論
如果想要第一時間收到推送，不妨給我個星標
如果你有更有趣的玩法，歡迎在評論區聊聊
更多的內容正在不斷填坑中……
特別聲明：以上內容(如有圖片或視頻亦包括在內)為自媒體平臺“網易號”用戶上傳并發布，本平臺僅提供信息存儲服務。
Notice: The content above (including the pictures and videos if any) is uploaded and posted by a user of NetEase Hao, which is a social media platform and only provides information storage services.
