2026 年 7 月 16 日，GitHub Trending 的 13 個專案總共新增 10,191 顆 stars。其中 3,669 顆流向三個 Skills repo。比例是 36%。
這三個專案做的事差很遠，也沒有綁同一家模型。Hallmark 管網頁設計，mattpocock/skills 管工程流程，marketingskills 管 SEO、文案與轉換率。硬要找共同點，就是它們都把「有經驗的人平常怎麼判斷」寫成 Agent 可以照著走的步驟。
半年前，大家還在比哪個 Agent 會不會寫程式。現在多數 Agent 都能交出一段看起來像樣的程式碼，麻煩反而出在細節：它知道你家專案怎麼寫嗎？規格不清楚時會先問，還是一本正經地猜？準備刪檔案時，誰叫它停？Skills 就是拿來補這些洞。
先看數字，不急著講故事
mattpocock/skills 單日多了 2,160 顆 stars，是今天 13 個專案裡最高的新增數，GitHub 卻只把它排在第三。光這一點就夠了：Trending 名次並不是 stars today 的排序。拿排行榜找題目很好用，拿它做精密比較就會誤判。
三個 repo，到底在賣什麼？
mattpocock/skills：把工程習慣寫成可呼叫流程
這個 repo 早就超過「收幾個好用 prompt」的階段。它把 Skills 分成兩類：一類由使用者主動叫出，另一類讓模型遇到特定情況時自己採用。grill-me 負責追問規格，tdd 管紅綠重構，code-review 分開檢查專案規範與原始需求。
我更在意它怎麼分工。訪談、規格、開發和審查開始接得起來，已經很像一套小型工作系統。
Hallmark：大家受夠了 AI 網頁長得一樣
Hallmark 講得很白：它就是不要 AI 再生出罐頭網頁。它會先選頁面的大結構、套用主題，做完再跑 57 項 anti-slop 檢查。作者還訂了一個很實際的標準：同一套 Skill 接到兩份設計需求，成品應該看得出是兩個網站，不能只換顏色交差。
這件事有點好笑，也很合理。當生成前端的能力普及，差異不再是「做不做得出來」，而是「會不會又做出那個紫色漸層、三張卡片、置中大標題」。品味開始被整理成檢查表。
marketingskills：工程之外的工作也開始模組化
marketingskills 把 CRO、SEO、文案、分析和 growth engineering 寫成 Agent 看得懂的工作說明。我對這類 Skill 比工程類更保留，因為行銷會跟著產品、受眾和市場改變，去年有效的做法，今年可能只剩下過時口號。
Skills 已經跨出工程圈。只要一份工作有固定檢查順序、常見錯誤和可驗證的輸出，就會有人想把經驗打包。
為什麼偏偏是現在？
先講最現實的：Skill 很容易安裝。多數內容就是 Markdown 加參考資料，fork 不難，閱讀門檻也比 MCP Server 或完整 App 低。使用者至少能先打開檔案，看看 Agent 到底會被教些什麼。
模型彼此的差距縮小後，工作流程變得更顯眼。同一個模型，有沒有專案規則、驗收方法和停損點，做出來的東西可能差很多。Open Interpreter 今天也在榜上，甚至把「切換 agent harness」列成主要功能。大家終於開始正眼看模型外面的那一圈東西。
還有一個很老派、但確實好用的原因：Git repo 本來就適合保存這些內容。貼在社群上的 prompt 很快會失去版本，也塞不下多少腳本和範例。放進 repo 後可以更新、追 issue、收 PR，誰改了什麼也查得到。
模型像一雙手，Skill 比較像貼在工作桌前的 SOP。SOP 寫得好會少犯錯，寫錯了也會把錯誤放大。
安裝越多，不會讓 Agent 無限變強
Skills 會互相打架。一份要求先寫完整規格，另一份鼓勵立刻做 prototype；一份鎖定舊版框架，另一份叫 Agent 跟著專案最新慣例走。兩套指示單獨看都合理，放在一起就可能讓 Agent 左右互搏。
內容也會過期。CLI 參數、API 版本和框架慣例一改，昨天的最佳實務可能就是今天的錯誤答案。Stars 很高，只能證明很多人按過收藏，不能保證作者會一直維護每一份說明。
我會把 Skills 當專案相依套件管理：少量安裝、固定版本、知道來源，重要流程要有測試。看到一個 repo 有五十個 Skills，不需要一次全塞進 Agent。
接下來值得看什麼？
我不太在意這些 repo 下週還在不在榜上。我更想看三件事：版本能不能固定、權限有沒有講清楚、作者能不能拿出使用前後的測試結果。下載量可以把東西推上榜，真正留下來還是得靠它少出錯。
非工程領域也很值得盯。設計和行銷已經上榜，財務、教育、法務、營運大概很快就會有人做。只是這些工作犯錯的代價更高，寫得像專家完全不夠，資料從哪裡來、責任到哪裡停，都得講明白。
今天這 3,669 顆 stars，比較像一張集體需求單：很多人手上已經有夠強的模型，現在缺的是一套不必每次重教的做事方法。