本周热门AI提示词及分析
主要参考：GitHub Trending weekly、项目仓库页、Agent Skills 文档
这周 GitHub 上和 AI 提示词相关的热度，有一个很明显的变化：大家不再只收藏一串好用的 prompt，而是在把 prompt 做成可以复用、可以审计、可以交给 agent 执行的工作包。
以前的 prompt 更像一张便签。现在的 skill 更像一个小型工具箱：有说明文档，有脚本，有参考资料，有输出格式，有边界条件。这个变化挺重要，因为它说明 AI 使用者的需求正在从"怎么问得更好"转向"怎么把一件事稳定地交给 AI 做"。
本周最值得看的项目
| 项目 | 类型 | 本周信号 | 我怎么看 |
|---|---|---|---|
| mvanhorn/last30days-skill | 调研型 skill | GitHub Trending 本周新增约 12,602 stars | 把信息搜集做成 agent 工作流，击中了很多人现在的刚需 |
| chopratejas/headroom | 上下文压缩工具 | 本周新增约 10,406 stars | 不是传统 prompt，但解决了 agent 最烦人的成本和噪声问题 |
| addyosmani/agent-skills | 编码 agent skills | 本周新增约 9,348 stars | 质量高，适合当作 skill 写作范本 |
| Leonxlnx/taste-skill | 审美和设计判断 skill | 本周新增约 8,097 stars | 有意思。它承认 AI 不是缺语法，而是缺判断 |
| phuryn/pm-skills | 产品经理 skill | 本周新增约 5,408 stars | PM 场景开始被 skill 化，说明这个形态不只属于工程师 |
| Panniantong/Agent-Reach | 信息触达和搜索 CLI | 本周新增约 5,183 stars | Agent 要做调研，就绕不开网页、社媒、代码平台这些入口 |
| NVIDIA/SkillSpector | skill 安全扫描 | 本周新增约 2,799 stars | 热点背后的冷问题：skill 也是供应链，当然会有风险 |
项目逐个介绍
mvanhorn/last30days-skill
这个项目可以理解成一个给 agent 用的"最近 30 天研究员"。你给它一个话题，它会去 Reddit、X、YouTube、Hacker News、Polymarket、GitHub 和网页里找近期信号，再把结果合成一份摘要。
它的重点不是网页搜索，而是"跨平台找真实讨论"。比如一个工具最近是不是火了，Google 可能只给你官网、测评和 SEO 文章，但 Reddit 评论、X 争论、HN 讨论、YouTube transcript 和 GitHub release 往往更接近社区实际反馈。
适合谁：内容研究、竞品分析、投资观察、销售会前准备、产品经理做需求判断。
为什么火：AI 领域变化太快，很多信息还没进入搜索引擎的稳定结果页。这个 skill 把"最近大家在讨论什么"变成了一个可以反复执行的任务。
chopratejas/headroom
headroom 不是提示词库，但它很值得放进这篇文章。它做的是压缩 LLM 工具输出、日志、文件和 RAG chunks，在进入模型上下文之前先把噪声降下来。项目介绍里给出的目标很直接：减少 60% 到 95% token，同时尽量保留回答质量。
这类工具解决的是 agent 时代的新麻烦。agent 会调用搜索、读文件、跑测试、看日志。工具越多，输出越长。最后模型拿到一堆冗余文本，既贵，也容易漏重点。
适合谁：做 RAG、MCP server、AI coding agent、自动化调试工具的人。
为什么火：大家已经发现，prompt 写得再好，如果上下文里塞满低价值内容，模型还是会变笨。headroom 解决的是"喂给模型什么"的问题。
addyosmani/agent-skills
这是本周最值得认真拆的项目之一。它不是那种"复制即可使用"的 prompt 合集，而是一组面向 AI coding agent 的工程技能。仓库定位很清楚：给 AI 编码代理使用的生产级工程 skills。
它的价值在结构。好的 coding agent 不是只会生成代码，还要知道怎么审查、怎么测试、怎么处理性能、怎么避免前端质量问题、怎么在已有项目里小心改动。这个仓库把这些经验写成 skill，让 agent 在具体场景里调用。
适合谁：工程团队、独立开发者、使用 Codex、Claude Code、Cursor、Copilot 类工具的人。
为什么火：AI 编码工具已经不缺"会写代码"这件事，缺的是稳定的工程习惯。这个项目让团队可以把习惯变成可复用的 agent 规则。
Leonxlnx/taste-skill
taste-skill 的标题很直白：让 AI 有更好的 taste，少生成无聊、泛泛的东西。这个项目有趣的地方在于，它没有把问题归结为"模型能力不够"，而是盯住 AI 输出里最常见的毛病：太平均、太顺滑、太像模板。
它适合用在设计、写作、产品展示、前端页面、品牌表达这些场景。很多 AI 内容并不是错，而是缺少取舍。页面什么都想放，文章什么都想解释，视觉什么都想发光，最后就变成一眼能看出来的 AI 味。
适合谁：设计师、内容创作者、产品经理、前端开发者、做作品集或 landing page 的人。
为什么火：大家现在已经不满足于"AI 能做出来"，而是开始在意"做出来像不像一个有判断的人做的"。
phuryn/pm-skills
pm-skills 是给产品经理用的 skill marketplace。它把产品工作拆成一组可调用的技能和命令，覆盖 discovery、strategy、execution、launch、growth、AI shipping 等流程。仓库介绍里提到，它包含数十个 PM skills 和一批链式工作流。
它不是单纯帮你写 PRD。更准确地说，它把产品经理常用的框架做成 agent 可执行的流程，比如机会树、假设识别、需求优先级、市场扫描、定价策略、北极星指标、访谈脚本。
适合谁：产品经理、创业者、增长团队、负责 AI 产品落地的人。
为什么火：PM 使用 AI 的痛点不是"帮我写几段文案"，而是"帮我把混乱的问题推进到可讨论、可验证、可执行"。这个仓库正好踩在这个点上。
Panniantong/Agent-Reach
Agent-Reach 的定位是给 AI agent 一双"看互联网的眼睛"。它用一个 CLI 让 agent 读取和搜索 Twitter、Reddit、YouTube、GitHub、Bilibili、小红书等平台，而且强调不需要 API 费用。
它和 last30days-skill 有点像，但角度不同。last30days 更像一个完整调研 skill，Agent-Reach 更像 agent 的外部感知工具。前者偏"做成一份研究结论"，后者偏"让 agent 能触达更多来源"。
适合谁：做 agent 工具链、舆情分析、跨平台内容研究、社媒信息监控的人。
为什么火：agent 想做真实任务，就不能只待在模型内部。谁能稳定拿到外部信息，谁就更接近可用的 agent。
NVIDIA/SkillSpector
SkillSpector 是一个 AI agent skill 安全扫描器。它检查 skill 里的漏洞、恶意模式和安全风险。这个项目在这周出现得很及时，因为 skill 正在被大家当成插件一样安装。
一个普通 prompt 主要影响模型怎么回答。但 skill 可能带脚本，可能读写文件，可能调用外部工具。如果用户从 GitHub 上随手安装一个 skill，本质上是在信任一段陌生的工作流。
适合谁：使用第三方 skills 的开发者、企业安全团队、维护 agent 平台的人。
为什么火：skill 越流行，供应链风险越明显。这个项目提醒大家，AI skill 不是"文本收藏夹"，它更接近代码包。
f/prompts.chat
这是经典的 prompt library，前身是 Awesome ChatGPT Prompts。它的定位是分享、发现和收藏社区 prompt，也支持自托管，方便团队内部做私有 prompt 库。
它的价值在覆盖面。你可以从这里看到很多典型 prompt 写法：角色设定、任务约束、输出格式、语气要求、领域场景。对于新手，它是一个很好的入口。对于熟手，它更适合当灵感库，而不是直接复制进生产流程。
适合谁：刚开始学 prompt 的人、内容团队、需要维护内部 prompt 模板的组织。
为什么仍然重要：虽然 skill 变热，但 prompt library 仍然是原料库。只是原料要被整理进流程，才会变成稳定能力。
dair-ai/Prompt-Engineering-Guide
Prompt Engineering Guide 更像一本持续更新的教材。它收集 prompt engineering、context engineering、RAG、AI agents 的指南、论文、课程、notebook 和资源。
如果说 prompts.chat 适合"找几个能用的 prompt"，那这个项目更适合"理解为什么这样写"。它覆盖 zero-shot、few-shot、chain-of-thought、ReAct、RAG、tool use、function calling 等技术脉络。
适合谁：想系统学习 prompt engineering 的开发者、研究者、AI 产品经理。
为什么值得看：短期热点会变，但基础方法论会留下来。这个项目适合当知识底座。
x1xhlol/system-prompts-and-models-of-ai-tools
这个仓库收集很多 AI 工具的 system prompts、内部工具和模型信息，覆盖 Cursor、Claude Code、Devin、Windsurf、v0、Replit、Lovable、Manus、Perplexity 等产品。
它的价值不在"照抄 system prompt"。真正有用的是看这些产品怎么定义角色、怎么约束行为、怎么安排工具调用、怎么处理权限和边界。对于想做 AI 产品的人，这是一份很直接的观察材料。
适合谁：AI 产品经理、agent 产品开发者、提示词工程研究者、想研究 AI coding 工具设计的人。
为什么火：大家不只想知道 prompt 怎么写，也想知道成熟 AI 产品到底怎么组织模型、工具和规则。
一、AI skill 正在替代"单条神奇 prompt"
这周最热的一批项目，大多不是"给 ChatGPT 的 100 个提示词"这种老形态。它们更接近可安装的工作流。
Agent Skills 对 skill 的定义很直接：一个 skill 是一个文件夹，里面通常有 SKILL.md，也可以带脚本、参考资料和资源文件。这个设计很朴素，但好用。因为真正难的不是写一句漂亮 prompt，而是把任务拆清楚，让 agent 知道什么时候读资料、什么时候调用脚本、什么时候停止。
addyosmani/agent-skills 代表工程经验的 skill 化。mvanhorn/last30days-skill 代表调研任务的 skill 化。phuryn/pm-skills 代表产品流程的 skill 化。三者放在一起看，趋势很清楚：prompt 正在从一句话，变成一个有结构的工作单元。
二、提示词库还活着，但用途变了
传统 prompt 仓库没有消失，只是位置变了。
f/prompts.chat 这类大型 prompt library 仍然很有价值。它适合做灵感库，也适合新手快速理解"同一个模型，用不同角色和约束会差多少"。但如果你要把它用于稳定工作流，通常还需要二次整理。直接复制 prompt 往往只能解决一次性问题。
dair-ai/Prompt-Engineering-Guide 更像教材。它覆盖 prompt engineering、RAG、agents、context engineering 等内容。这个项目适合系统学习，不适合拿来就用。它的价值在于帮你理解为什么某些提示词有效，而不是给你一堆可复制的句子。
x1xhlol/system-prompts-and-models-of-ai-tools 则比较特殊。它不太像 prompt 库，更像一份 AI 产品逆向观察笔记。你可以从里面看到很多成熟工具如何设计 system prompt、内部工具和行为边界。
我的判断是：提示词库会继续存在，但"收藏 prompt"的价值会下降。"理解 prompt 背后的任务设计"会更值钱。
三、为什么 headroom 这种项目也算这一波热点
chopratejas/headroom 严格说不是 AI 提示词项目。它做的是压缩 LLM 工具输出、日志和 RAG chunks，减少上下文噪声和 token 占用。
但它能在这一周涨得这么快，说明大家正在遇到同一个问题：agent 越会调用工具，输出就越吵。日志、搜索结果、代码片段、网页正文一多，模型的注意力会被挤掉，成本也会上来。
所以提示词的下一步，不只是"写得更清楚"。还包括把上下文喂得更干净。这个方向以后会越来越重要。
四、taste-skill 说明大家开始关心"判断力"
Leonxlnx/taste-skill 很有代表性。它的目标不是让 AI 会写代码，也不是让 AI 会搜索，而是让 AI 的输出更有审美和取舍。
这类项目会火，背后有点尴尬：很多 AI 产物不是不能用，而是看起来太像 AI。文字太顺，界面太满，配色太安全，结论太圆。用户一眼就能看出那种平均值味道。
所以 taste-skill 这类项目其实是在补一个能力：判断什么该删，什么该留，什么时候不要把东西做得太完整。这个需求会在设计、写作、品牌、产品演示里变得更强。
五、skill 热起来以后，安全问题也会跟着来
NVIDIA/SkillSpector 值得放在同一篇里讲，因为它提醒了一个很现实的问题：skill 不是普通 prompt。
一个 prompt 最多影响模型怎么说话。一个 skill 可能包含脚本、文件读取、外部工具调用和执行流程。如果用户从 GitHub 上随手安装 skill，就等于把一段陌生的工作流程交给本地 agent。这里面当然可能有风险。
所以我觉得 SkillSpector 这种项目会变得越来越必要。以后看一个 AI skill，不能只看它有没有 star，还要看它有没有清楚的权限边界、有没有脚本、脚本做了什么、有没有要求访问敏感文件。
这件事有点像 npm 包早年的状态。大家先兴奋地安装，后来才认真讨论供应链安全。
六、这周的结论
本周 GitHub 的 AI 提示词热点，其实不是提示词本身变强了，而是提示词开始变成产品的一部分。
Prompt 负责意图，skill 负责任务结构，工具负责执行，安全扫描负责兜底。这个组合会是接下来一段时间的主线。
如果只选三个项目先看，我会选：
- addyosmani/agent-skills：学习 skill 怎么写。
- mvanhorn/last30days-skill：学习调研任务怎么封装。
- NVIDIA/SkillSpector：学习怎么审视 skill 的风险。
如果你做内容、产品或研发管理，再补看 f/prompts.chat、dair-ai/Prompt-Engineering-Guide 和 phuryn/pm-skills。它们不是同一种东西，但放在一起看，能比较清楚地看到 AI 工作流正在往哪里走。
资料来源
- GitHub Trending weekly: https://github.com/trending?since=weekly
- Agent Skills 文档: https://agentskills.io/
- mvanhorn/last30days-skill: https://github.com/mvanhorn/last30days-skill
- chopratejas/headroom: https://github.com/chopratejas/headroom
- addyosmani/agent-skills: https://github.com/addyosmani/agent-skills
- Leonxlnx/taste-skill: https://github.com/Leonxlnx/taste-skill
- phuryn/pm-skills: https://github.com/phuryn/pm-skills
- Panniantong/Agent-Reach: https://github.com/Panniantong/Agent-Reach
- NVIDIA/SkillSpector: https://github.com/NVIDIA/SkillSpector
- f/prompts.chat: https://github.com/f/prompts.chat
- dair-ai/Prompt-Engineering-Guide: https://github.com/dair-ai/Prompt-Engineering-Guide
- x1xhlol/system-prompts-and-models-of-ai-tools: https://github.com/x1xhlol/system-prompts-and-models-of-ai-tools