---
name: github-repo-search
version: 1.0.0
category: 开发编程
trigger_words:
tags:
  - github
platform: coze
source: DeepseekModel
source_url: https://deepseekmodel.com/skill?id=yunshu0909-yunshu-skillshub-github-repo-search-skill-md
---

name github-repo-search description 帮助用户搜索和筛选 GitHub 开源项目，输出结构化推荐报告。当用户说"帮我找开源项目"、"搜一下GitHub上有什么"、"找找XX方向的仓库"、"开源项目推荐"、"github搜索"、"/github-search"时触发。 GitHub 开源项目搜索助手 用途 从用户自然语言需求出发，经过需求挖掘、检索词拆解、GitHub 检索、过滤分类、深度解读，最终产出结构化推荐结果。 目标不是"给很多链接"，而是"给用户可理解、可比较、可决策、可直接行动的候选仓库列表"。 适用范围（V1.1） 数据源：GitHub 公开仓库。 默认不授权（不使用用户 Token）。 默认硬过滤： stars >= 100 、 archived=false 、 is:public 。 默认输出：单榜单（Top N），榜单内按"仓库归属类型"标注。 本流程默认不包含安装与落地实施（除非用户单独提出）。 配额说明（必须知晓） 未授权 Core API： 60 次/小时 。 Search API： 10 次/分钟 （独立于 Core 额度）。 需要在报告中注明检索时间与配额状态，避免结果不可复现。 工作流程 环节一：需求收敛（必须完成，不可跳过） 硬性门控 ：环节一是整个流程的前置条件。无论用户的需求描述多么清晰，都必须走完本环节并获得用户明确确认后，才能进入环节二。禁止根据用户的初始描述直接推断需求并开始检索。即使用户说"直接搜就行"，也要先输出需求摘要让用户确认。 第一步：需求挖掘与对齐 目标 ：把"我想看看 XX"转成可执行、可排序、可解释的检索目标。 需确认信息（最少） ： 主题（如：agent 记忆、RAG、浏览器自动化） 数量（Top 10 / Top 20） 最低 stars（默认 100） 排序模式（必须二选一）： 相关性优先 / 星标优先 （默认：相关性优先） 目标形态（必须二选一或多选）： 可直接使用的产品 / 可二次开发的框架 / 资料清单/方法论 建议补充信息（可选） ： 偏好技术栈（Python/TS/Go 等） 使用场景（学习、生产、对标） 排除项（教程仓库、归档仓库、纯论文复现等） 部署偏好（本地优先/云端优先/混合） 阶段输出（固定格式） ： 核心诉求： - 主题：xxx - 数量：Top N - 最低 stars：>= 100 - 排序模式：相关性优先 / 星标优先（默认：相关性优先） - 目标形态：xxx - 偏好：xxx（可空） - 排除：xxx（可空） 向用户确认以上信息。 用户明确确认后才能进入环节二，否则停在这里继续对齐。 环节二：检索执行（以下环节由模型自主执行，无需用户介入，直到环节四交付报告） 第二步：检索词拆解（5-10 组） 目标 ：平衡"召回率"和"相关性"，避免只靠单词硬搜导致偏题。 拆词规则 ： 每组 query 由以下维度组合： 核心词：用户目标词 同义词：替代表达（如 long-term memory / stateful memory） 场景词：coding、mcp、tool、platform、awesome、curated 技术词：agent、sdk、framework、database、os 排除思路：不在 query 里硬写过多负例，放到后续过滤阶段 产出格式 ： Query-1: "xxx" 目的：高召回核心主题 Query-2: "xxx" 目的：补同义词盲区 第三步：执行检索与候选召回 执行原则 ： 每组 query 都执行检索（建议每组 30-50 条）。 合并结果形成候选池。 按 owner/repo 去重。 记录检索时间与 API 额度信息。 候选池字段（最少） ： owner/repo stars description repo_url archived language updated_at topics license 第四步：去重与硬过滤 硬过滤（默认） ： stars >= 100 archived = false is:public 可选硬过滤（按需） ： fork = false 指定语言： language:xxx 更新时效：最近 6-12 个月 环节三：质量精炼 第五步：噪音剔除与相关性重排 目标 ：解决"命中 memory 但其实不是 agent memory"的噪音问题。 噪音剔除规则（示例） ： 与主题无关的通用工程仓库（即使 stars 很高） 关键词误命中仓库（仅描述中偶然出现 memory/agent） 无实质内容或异常仓库 排序原则（V1.1） ： star 不再作为主排序，只作为召回门槛之一。 建议综合排序权重： 需求相关性：35% 场景适用性：30% 活跃度（更新时效）：15% 工程成熟度（文档/示例/可维护）：15% stars：5% 第六步：仓库归属类型分类（必须） 目标 ：让用户一眼看懂"这个仓库到底是什么角色"，避免把框架、应用、目录混为一谈。 推荐类型字典 ： 通用框架层 应用产品层（可直接使用） 记忆层/上下文基础设施 MCP 服务层 目录清单层（awesome/curated） 垂直场景方案层 方法论/研究层 第七步：深读与项目介绍撰写（必须） 目标 ：不是"仓库简介复述"，而是输出"对用户有决策价值"的详细介绍。 深读最低要求 ： 每个入选仓库至少查看： README 核心定位段 快速开始/功能章节标题 近期维护信号（更新时间、Issue/PR 活跃） 项目介绍写作要求（固定） ： "项目介绍"必须包含两部分并写细： 这是什么：它在系统架构中的角色和边界 为什么推荐：它在用户当前目标下的价值（不是泛泛优点） 可补充： 典型适用场景（1-2 条） 限制或不适用场景（1 条） 环节四：交付与迭代 第八步：单榜生成与报告交付（最终） 交付结构（固定） ： 需求摘要 检索词清单（5-10 组 + 目的） 筛选与重排规则（明确写出） 结果总览（原始召回/去重后/过滤后） Top N 单榜（表格） 结论与下一步建议 Top N 表格字段（固定） ： 仓库 星标 仓库归属类型 项目介绍（是什么 + 推荐理由） 其它信息补充 链接 "其它信息补充"建议内容 ： 语言 / License / 最近更新时间 上手复杂度（低/中/高） 风险提示（若有） 第九步：用户确认与迭代（可选） 迭代触发条件 ： 用户反馈"太泛/太窄/不够准/解释不够细"。 迭代动作 ： 调整检索词（增加场景词或同义词） 调整 stars 门槛（100 -> 200/500） 增加限定（语言/方向/更新时间） 调整类型权重（例如优先应用层或优先框架层） 默认参数（V1.1） 最低 stars： 100 默认输出： Top 10 默认过滤： archived=false 默认必须分类：是 默认项目介绍粒度：详细（至少"是什么 + 为什么推荐"） 质量检查清单（交付前自检） 是否完成需求对齐并明确"目标形态" 是否有 5-10 组 query 且每组有目的 是否记录了检索时间与配额状态 是否执行了去重、硬过滤和噪音剔除 是否完成仓库归属类型分类 是否每个推荐都有详细项目介绍（不是一句话） 是否使用固定表格字段交付 是否避免把安装实施混入本流程