Agent Skills (OpenCode)
2026-09-04 19:55:45作者:房伟宁
This project uses skills installed under .opencode/skills/ (or a compatible path).
Core Rules
- If a task matches a skill, invoke it with the
skilltool before acting. - Skills are located in
.opencode/skills/<skill-name>/SKILL.md. - Follow the skill workflow strictly; do not partially apply it.
- Never skip required steps such as spec, plan, or test when a skill demands them.
Intent → Skill Mapping
Map the user's intent to the matching skill automatically:
- Feature / new functionality →
spec-driven-development, thenincremental-implementationandtest-driven-development - Planning / breakdown →
planning-and-task-breakdown - Bug / failure / unexpected behavior →
debugging-and-error-recovery - Code review →
code-review-and-quality - Refactoring / simplification →
code-simplification - API or interface design →
api-and-interface-design - UI work →
frontend-ui-engineering
Execution Model
For every request:
- Determine if any skill applies (even a small chance).
- Load the skill with
skill({ name: "<skill-name>" }). - Follow the skill workflow exactly.
- Only proceed to implementation once required steps are complete.
把它保存为你项目根目录的 `AGENTS.md`,OpenCode 会自动加载。
这个模板与仓库根 [AGENTS.md](https://gitcode.com/GitHub_Trending/agentskill/agent-skills/blob/020ec10a788f5703108d093a4bd3d9a7c3847d36/AGENTS.md?utm_source=gitcode_repo_files#L11-L68) 的 OpenCode 集成章节几乎一一对应:Core Rules 对应其 "Core Rules",Intent → Skill Mapping 对应其意图映射表(Feature 走 `spec-driven-development` → `incremental-implementation` + `test-driven-development`,Bug 走 `debugging-and-error-recovery`,评审走 `code-review-and-quality` 等)。值得补充的是,根 `AGENTS.md` 还包含一节模板未展开的 **Anti-Rationalization(反合理化)**:以下想法是错误的、必须忽略——"这个任务太小用不着技能"、"我可以快速直接实现"、"我先收集一下上下文"。如果你的 OpenCode 会话频繁绕过技能,可以把这一节也加进你的项目级 `AGENTS.md`。
> **注意:** agent-skills 仓库根目录的 `AGENTS.md` 是为该仓库的贡献者准备的,不应复制到其他项目,参见 [CONTRIBUTING.md](https://gitcode.com/GitHub_Trending/agentskill/agent-skills/blob/020ec10a788f5703108d093a4bd3d9a7c3847d36/CONTRIBUTING.md?utm_source=gitcode_repo_files) 中关于仓库级文件的说明。
## 四、工作原理:发现、调用与生命周期映射
### 1. 技能发现
OpenCode 按以下顺序扫描路径(项目级优先,然后是全局):
- `.opencode/skills/<name>/SKILL.md`
- `~/.config/opencode/skills/<name>/SKILL.md`
- `.claude/skills/<name>/SKILL.md`
- `~/.claude/skills/<name>/SKILL.md`
- `.agents/skills/<name>/SKILL.md`
- `~/.agents/skills/<name>/SKILL.md`
每个技能必须包含带合法 `name` 和 `description` frontmatter 的 `SKILL.md`。
### 2. 自动技能调用
当你的项目 `AGENTS.md` 指示 agent 使用技能时,agent 会对每一个请求做评估并映射到合适的技能。典型映射:
- "build a feature"(做个功能)→ `incremental-implementation` + `test-driven-development`
- "design a system"(设计系统)→ `spec-driven-development`
- "fix a bug"(修 bug)→ `debugging-and-error-recovery`
- "review this code"(评审这段代码)→ `code-review-and-quality`
这些被调用技能都是真实存在于仓库中的完整工作流,例如 [skills/debugging-and-error-recovery/SKILL.md](https://gitcode.com/GitHub_Trending/agentskill/agent-skills/blob/020ec10a788f5703108d093a4bd3d9a7c3847d36/skills/debugging-and-error-recovery/SKILL.md?utm_source=gitcode_repo_files)、[skills/code-review-and-quality/SKILL.md](https://gitcode.com/GitHub_Trending/agentskill/agent-skills/blob/020ec10a788f5703108d093a4bd3d9a7c3847d36/skills/code-review-and-quality/SKILL.md?utm_source=gitcode_repo_files),内部包含步骤、检查点、验证要求和反合理化表格——这正是 OpenCode 侧只需要"薄薄的" AGENTS.md 的原因:编排规则在项目里,工作流细节在技能里。
### 3. 生命周期映射(隐式命令)
OpenCode 不要求 slash 命令,但如果你偏好显式命令,见下一节。在 agent 驱动模式下,开发生命周期被隐式映射为:
- DEFINE → `spec-driven-development`
- PLAN → `planning-and-task-breakdown`
- BUILD → `incremental-implementation` + `test-driven-development`
- VERIFY → `debugging-and-error-recovery`
- REVIEW → `code-review-and-quality`
- SHIP → `shipping-and-launch`
这与 [README.md](https://gitcode.com/GitHub_Trending/agentskill/agent-skills/blob/020ec10a788f5703108d093a4bd3d9a7c3847d36/README.md?utm_source=gitcode_repo_files) 中 DEFINE → PLAN → BUILD → VERIFY → REVIEW → SHIP 的六段生命周期完全一致,意味着你在 Claude Code 等工具里用 `/spec`、`/plan` 等命令完成的事,在 OpenCode 里由意图映射隐式完成。
### 4. 可选:复制 slash 命令文件
如果你偏好显式命令,把这个仓库的命令文件复制到你自己的项目中,并调整其内容以调用你安装的技能:
```bash
mkdir -p .opencode/commands
cp /path/to/agent-skills/.opencode/commands/*.md .opencode/commands/
注意: 当前仓库
main分支的.opencode/目录下并没有commands/*.md文件(实际只有skills/镜像),因此这条命令目前无文件可复制。可以自行创建命令文件,或关注提议添加这些文件的 PR #200;一旦它们存在,上面的复制模式即可生效。
一个典型的命令文件长这样:
---
description: Break work into small verifiable tasks
---
Invoke the planning-and-task-breakdown skill. Read the spec and create tasks with acceptance criteria.
把它保存为 .opencode/commands/plan.md,即可在 OpenCode 中获得 /plan 命令。
五、使用示例
示例 1:功能开发
用户输入:
Add authentication to this app
Agent 行为:
- 识别这是功能类工作
- 调用
spec-driven-development - 先产出 spec 再写代码
- 随后转入规划与实现技能(
planning-and-task-breakdown、incremental-implementation、test-driven-development)
示例 2:修 Bug
用户输入:
This endpoint is returning 500 errors
Agent 行为:
- 调用
debugging-and-error-recovery - 按"复现 → 定位 → 修复 → 加防护"的流程推进
示例 3:代码评审
用户输入:
Review this PR
登录后查看全文
热门项目推荐
相关项目推荐
atomcodeClaude Code 的开源替代方案。连接任意大模型,编辑代码,运行命令,自动验证 — 全自动执行。用 Rust 构建,极致性能。 | An open-source alternative to Claude Code. Connect any LLM, edit code, run commands, and verify changes — autonomously. Built in Rust for speed. Get StartedRust0622
Hy4-previewHy4 preview 是由腾讯混元团队研发的新一代混合专家(MoE)旗舰模型。模型总参数量 770B,每个 token 激活 49B,主干共包含78层,第一层采用标准 FFN,其余 77 层均为 MoE 结构,每层包含 256 个路由专家与 1 个共享专家,每个 token 激活 top-8 路由专家及共享专家。主干之外原生内置 1 层 MTP(总参数量 10B,激活 0.7B)以支持投机解码。Python00
GLM-5.3GLM-5.3 与 GLM-5.2 使用相同的基座模型——所有提升均来自后训练。与 GLM-5.2 相比,它在复杂编程和长程任务上的表现显著提升。Jinja00
GLM-5.3-FlashGLM-5.3-Flash (320B-A18B),是GLM-5系列的首个原生多模态模型。320B总参数,能力超过GLM-5.2Jinja00
Spark-X2.5-4BSpark-X2.5-4B 旨在让强大的 AI 更实用、更高效、更易获得。在广泛日常任务中表现强劲,涵盖对话、写作、翻译、推理、编码、工具调用以及智能体工作流,并在同等规模的开源模型中取得领先成绩。Spark-X2.5 将面向效率的架构与最高 1M tokens 的原生上下文窗口相结合,并支持 200 多种语言。Python00
Spark-X2.5-1.7BSpark-X2.5-1.7B 旨在让强大的 AI 更加实用、高效且易于获取。这些模型在广泛的日常任务中表现出色,涵盖对话、写作、翻译、推理、编程、工具调用和智能体工作流,并在同等规模的开源模型中取得领先结果。Spark-X2.5 将面向效率的架构与最高 1M tokens 的原生上下文窗口相结合,并支持 200 多种语言。Python00
项目优选
收起
deepin linux kernel
C
33
18
本项目是CANN提供的transformer类大模型算子库,实现网络在NPU上加速计算。
C++
1.12 K
2.72 K
openEuler内核是openEuler操作系统的核心,既是系统性能与稳定性的基石,也是连接处理器、设备与服务的桥梁。
C
527
590
本项目是CANN提供的神经网络类计算算子库,实现网络在NPU上加速计算。
C++
904
1.82 K
作为 Ascend for PyTorch 社区的核心组件,TorchNPU 是昇腾专为 PyTorch 打造的深度学习适配插件,使 PyTorch 框架能够直接调用昇腾 NPU,为开发者提供昇腾 AI 处理器的超强算力。
Python
854
1.34 K
暂无描述
Markdown
889
5.78 K
JiuwenSwarm 是一款基于openJiuwen开发的智能AI Agent,它能够将大语言模型的强大能力,通过你日常使用的各类通讯应用,直接延伸至你的指尖。
Python
3.52 K
1.01 K
本项目是CANN提供的数学类基础计算算子库,实现网络在NPU上加速计算。
C++
1.33 K
1.45 K
CANN 学习中心仓,支持在线互动运行、边学边练,提供教程、示例与优化方案,一站式助力昇腾开发者快速上手。
Jupyter Notebook
980
502
AscendNPU-IR是基于MLIR(Multi-Level Intermediate Representation)构建的,面向昇腾亲和算子编译时使用的中间表示,提供昇腾完备表达能力,通过编译优化提升昇腾AI处理器计算效率,支持通过生态框架使能昇腾AI处理器与深度调优
C++
540
384