企业官网建设流程全解析

1096个技能如何不打爆上下文？AERS的SKILL.md路由器与catalog.json分层加载架构完整指南

【免费下载链接】Auto-Empirical-Research-Skills🔬 A curated collection of 23,000+ agent skills for empirical research across 8 social science disciplines. | 精选 23,000+ AI Agent 技能库，覆盖8大社会科学学科的实证研究。CoPaper.AI 20分钟完成一篇可复现的规范实证论文，并支持用户上传 Skills。-- Maintained by CoPaper.AI from Stanford REAP.项目地址: https://gitcode.com/gh_mirrors/aw/Auto-Empirical-Research-Skills

Auto-Empirical-Research-Skills（AERS）是斯坦福 REAP 团队 × CoPaper.AI 维护的实证研究 AI Agent 技能库，收录了 76 个合集、1,096 个技能，覆盖 8 大社会科学学科的因果推断、数据清洗到论文写作全流程。一个绕不开的问题是：这 1,096 个SKILL.md如果一次性塞进模型上下文，约等于 64k tokens，再叠加运行时对超长技能列表的截断，匹配效果反而更差。AERS 的解法是一套三层架构：根目录 SKILL.md 当路由器、catalog/ 目录做机器可读索引、子技能做渐进式加载。本文带你逐层拆解这套设计。

痛点：为什么"全量加载"是死路

先看一组数字：

AERS 的根 SKILL.md 在 "Install Notes" 一节直接写明了反模式：不要把整个技能库"扁平安装"（比如把所有子目录软链进~/.claude/skills）。每个注册技能的 description 都会在会话启动时加载，1,096 个技能全注册约产生64k tokens，而多数运行时会截断过长的技能列表——结果不是匹配更准，而是更差。

所以 AERS 的思路是：技能本体留在磁盘上，上下文里永远只放"一张地图 + 一个技能的正文"。

第一层：根 SKILL.md 是路由器，不是技能

整个仓库的入口是根目录的 SKILL.md——它只有 127 行，开头就声明了自己的身份：

"Treat it as a router and catalog, not as a request to load every vendoredSKILL.md."（把它当作路由器和目录，而不是"加载所有子 SKILL.md"的指令）

这个路由器的核心是一个五步工作流（见 SKILL.md 的 "Workflow" 一节）：

1. 按"阶段"分类用户任务：完整论文流水线 → 找编排器；因果推断 → 查方法对照表；AER 顶刊写作 → 直接进对应合集；
2. 只读取选中那一个子技能的SKILL.md，随后按它的"渐进式披露"指令按需加载references/、scripts/、assets/；
3. 方法表没命中时，回落到目录检索（下一节细讲）；
4. 安装问题查 docs/INSTALL.md；
5. 编辑仓库时注意子模块边界。

其中最有意思的是Method → where to start 对照表：它把 DiD / IV / RDD / 合成控制 / 面板固定效应 / DML / 贝叶斯等几十种任务映射到起始合集。但它刻意声明自己是快捷方式而非完整索引——"命名的合集不到总数的一半，其余只能经由catalog/skills.json到达"。查不到 ≠ 没有技能，必须继续走检索兜底。

第二层：catalog.json 三件套，各司其职

catalog/ 目录是"地图"，由三个文件构成，分工非常清晰：

① catalog/skills.json —— 基础索引每个技能一条记录，字段包括path、name、description、line_count，以及全局唯一的qualified_name（格式为<合集>::<技能名>，如12-pedrohcgs-claude-code-my-workflow::data-analysis）。它解决的是同名冲突：目录里有 47 个裸name在多个合集间重复（如data-analysis、lit-review、proofread），靠qualified_name或完整路径消歧。

② catalog/skills-enriched.json —— 增强索引在基础字段上追加tier、tags、quality_score、license、commercial_use，供排序和过滤使用。tags由 docs/TAXONOMY.md 中的工作流阶段（analysis 141 个、writing 88 个……）和方法标签（iv 28 个、rdd 25 个、staggered-did 17 个……）共同标注。

③ catalog/curation.json —— 人工策展的路由分层这是唯一手写的文件，定义四级排序分层：

关键设计原则写在该文件的注释里：分层只改变排序，从不删除任何技能——out-of-domain的技能在你真的问到相关话题时依然会浮出来。

根 SKILL.md 对这两个大 JSON 也给了明确的使用纪律：查询它们，而不是整读（"query them instead of reading them whole"），比如用一行 Python 过滤关键词，或者退而求其次用grep。

第三层：子技能的渐进式披露

路由选中某个子技能后，才加载它的SKILL.md；而这个子技能内部又是同样的"按需披露"模式。以旗舰 Python 分析技能为例，它的正文只写工作流骨架，细节拆在 skills/00.1-Full-empirical-analysis-skill_Python/references/ 下的 8 个主题文件：数据清洗、描述统计、统计检验、建模、稳健性、表格与图表……每一步用到才读哪一步。

这样，一次"做 DiD 分析"的完整会话，上下文里大致只有：

• 根路由器的 127 行（会话启动时）；
• 1,096 条索引中命中的几条记录（字段级查询，非全文）；
• 选中子技能的SKILL.md正文；
• 子技能中被点名加载的 1–2 个 reference 文件。

上下文占用从 O(全部技能) 降到了 O(1)，且与技能库规模几乎解耦——这就是"分层加载"的实际含义。

兜底检索：find-skill.py 的 BM25 + 分层排序

方法表覆盖不到的任务（表里明说了不到一半合集），走的是排序检索脚本 scripts/find-skill.py。它的算法很轻但很讲究：

• 对skills-enriched.json做BM25，按字段加权：name3.0 >tags2.0 >description1.0 >path0.5——技能自己名字里的命中比路径里的命中重要得多；

• 叠加 curation 分层权重（core 1.5 / extended 1.0 / duplicate 0.6 / out-of-domain 0.35）；

• 内置术语别名扩展：did→ "difference-in-differences"、rdd→ "regression discontinuity"、aigc→ "ai writing humanize"……中英文查询都能用，例如：

  python3 scripts/find-skill.py "staggered difference-in-differences event study" python3 scripts/find-skill.py "降低中文论文 AIGC 率" -k 5

还有一个细节：若查询词直接命中某个技能的独占名称（词频 ≤10，比如 "PubChem"），则豁免其 tier 惩罚——用户点名要谁，就直接给谁。

路由质量如何度量？

路由不是玄学，AERS 给检索步骤配了回归测试：evals/routing-cases.json 是手工编写的"真实任务描述 → 可接受技能路径前缀"用例集（中英双语，如 "双重差分 平行趋势检验"、"工具变量 2SLS 弱工具检验"），再由 scripts/check-routing.py 校验 top-k 命中。验收前缀来自对目录的关键词调研而非排序器自身的输出，测的是路由能力而不是复述排序结果——这是避免"自证预言"的一个好做法。

实践要点与常见误区

• ❌扁平安装全目录（软链所有子技能进运行时）：64k tokens 起步 + 截断，匹配更差。✅ 正确姿势是用插件机制、走这个路由器，或只复制少数几个高频技能；
• ⚠️按裸name注册会撞名：47 个重名技能，安装时要么按合集逐个装，要么用qualified_name消歧；
• ⚠️方法表查不到就下结论"没有"：表格只覆盖不到一半合集，应先跑find-skill.py检索再定论；
• 💡中文任务优先看中文文档：docs/CONTENT_ZH.md 和 README-zh-CN.md 对 de-AIGC、SSCI/CSSCI 润色等合集的说明比英文文档更细。

关键文件速查

一句话总结：AERS 的上下文经济学 = 127 行路由表 + 字段级索引查询 + 单技能按需加载 + 分层排序兜底。技能库从 1,096 涨到 10,000，这套架构的会话开销几乎不动——这或许是任何想建"大型技能库"的团队最值得抄的一套作业。

【免费下载链接】Auto-Empirical-Research-Skills🔬 A curated collection of 23,000+ agent skills for empirical research across 8 social science disciplines. | 精选 23,000+ AI Agent 技能库，覆盖8大社会科学学科的实证研究。CoPaper.AI 20分钟完成一篇可复现的规范实证论文，并支持用户上传 Skills。-- Maintained by CoPaper.AI from Stanford REAP.项目地址: https://gitcode.com/gh_mirrors/aw/Auto-Empirical-Research-Skills