khazix-skills：一个 AI Agent 技能集的开源实践

说起 AI Agent，大家通常会聊模型能力、上下文长度、工具调用架构。但真正把 Agent 用进日常工作流的人，注意力往往不在这些宏大叙事上——而在于"这个任务能不能交给 Agent 自动跑完，然后我直接看结果"。

Kharix-skills 就是在这个层面上打磨出来的一套工具集。作者是公众号「数字生命卡兹克」的运营者，视觉设计出身、不是程序员，但这套 Skills 目前在 GitHub 上已经拿到了 7,805 颗星，同时跑在 Claude Code、Codex、OpenCode、OpenClaw 多个平台上。

它的设计哲学很直接：功能不多，但每个都每天真的会被用到。

学习目标

读完本文你应该能够：

• 说清 khazix-skills 里三个 Skill 各自解决什么真实痛点，以及它们之间的边界在哪里。
• 解释 neat-freak 为什么把「记忆 / 项目文档 / 对外文档」分成三层分别同步，而不是只动记忆。
• 用 hv-analysis 的「纵—横—交汇」框架，描述一份深度研究报告是怎么被组织出来的。
• 判断 khazix-writer 适合哪类写作场景，以及它把哪些事明确留给「人」而不是 Agent。
• 在你的 Agent 里装上一个 Skill，并理解它为什么能跨 Claude Code / Codex / OpenCode / OpenClaw 通用。

本文目录

• 项目概览
• 三个 Skill + 一个 Prompt
• 横纵分析法（Prompt 版）
• 安装方式
• Agent Skills 标准
• 总结
• 自测题
• 练习
• 进阶路径
• 常见问题 FAQ

项目概览

作者在 README 里说得很坦白：“没什么花活，就是几个挺实用的东西。“三个 Skill 加一个 Prompt，全都是自己在项目里跑通了一段时间、确实省事了，才搬出来开源的。

三个 Skill + 一个 Prompt

1. neat-freak（洁癖）—— 会话结束后的知识同步

“每次任务做完要退出窗口的时候，如果不跑一遍 /neat，我就浑身难受，如坐针毡如芒刺背如鲠在喉。”

这是整个仓库里 Star 增长最快的 Skill，核心解决一个问题：代码迭代了七八轮，文档和 Agent 记忆还停在最初那版。

问题背景

在 AI 协作开发中，有一个很常见的恶性循环：

• 你让 Agent 新增了一个 API 路由
• Agent 在当前会话里知道这件事
• 下次新会话开始，Agent 的记忆里还是旧的路由列表
• CLAUDE.md 里也没更新
• 下一次开发，Agent 在错误信息的基础上做决策

模型没变笨，是文档和记忆腐化了。neat-freak 就是来处理这个的。

三层知识体系

这个 Skill 的核心判断是：项目知识分三层，受众不同，职责不重叠，必须分别处理。

只动记忆不动文档的方案（比如 Claude Code 内置的 AutoDream）是不够的——下游同事拿到手的还是过期文档。neat-freak 把这三层都纳入了同步范围。

执行流程

neat-freak 的执行流程分为五步，每一步都有强制检查项：

1. 盘点现状：先做 ls 确认目录结构，枚举所有文档和记忆文件
2. 变更影响矩阵：判断这次会话改动会波及哪些层级的文档
3. 实际修改：用 Edit / Write 工具真正修改文件，不是描述"要改什么”
4. 自检清单：逐项勾选，包括路径是否存在、是否有相对时间遗留（“今天”、“最近”）
5. 变更摘要：输出精简的变更报告

触发方式很灵活：

/neat            # 直接命令
整理一下          # 中文自然语言
同步一下          # 中文自然语言
sync up          # English

适用场景

• 每次任务收尾、准备退出会话时
• 发现文档和代码对不上时
• 交接给同事或新 Agent 前
• 跨项目改动（上游改了，下游的 docs 也要对齐）

2. hv-analysis（横纵分析法）—— 万字 PDF 研究报告

“纵向追时间深度，横向追同期广度，最终交汇出判断。”

hv-analysis 是一个深度研究框架，融合了索绪尔的历时-共时分析、社会科学的纵向-横截面研究设计、以及商学院案例研究法的核心思想。

它的目标是：给你一份 10,000–30,000 字的 PDF 研究报告，内容覆盖研究对象的完整发展史和当前竞争格局。

方法论结构

纵向（Diachronic）：沿时间轴还原对象从诞生到当下的完整叙事。远超年表，挖掘每个关键节点的决策逻辑——为什么选了 A 而非 B？当时的约束条件是什么？哪些早期决策"锁定"了后来的发展方向？

横向（Synchronic）：以当下为切面，把研究对象和同赛道竞品摆出来逐一对比。从核心差异、用户口碑、生态位、趋势判断四个维度展开。

横纵交汇：这是报告的精华段。把历史脉络和竞争格局结合，给出综合判断。核心回答：历史中的哪些决策决定了今天在横向对比中的位置？

并行搜索策略

信息收集阶段用子 Agent 并行处理：

• 子 Agent 1：纵向信息（起源、发展历程、关键事件、融资/团队变动）
• 子 Agent 2：横向信息（竞品识别、特点对比、市场份额）
• 子 Agent 3（复杂对象才需要）：补充信息（创始人深度背景、行业环境、用户社区讨论）

搜索优先级：一手来源 > 二手来源。官方博客 > 权威媒体原创报道 > 转载聚合。涉及学术概念时还要查 arXiv。

适合与不适合

适合：调研竞品、调研新概念、调研公司、写作前期的素材准备、系统性了解一个领域。

不适合：单纯查一个名词解释（杀鸡用牛刀）、写公众号文章（用 khazix-writer）。

写作风格

hv-analysis 内置了卡兹克的写作风格指南——不是冷冰冰的咨询报告——它是一篇让人能从头读到尾的深度叙事。节奏感、叙事驱动、知识"聊着聊着顺手掏出来”、敢于下判断但标注推测、层层剥开的修辞、回环呼应。

禁止套话：“首先…其次…最后”、“可以看出”、“可以看到”。

3. khazix-writer（卡兹克写作）—— Agent 文风迁移

“有见识的普通人在认真聊一件打动他的事。”

这是卡兹克公众号「数字生命卡兹克」的写作风格 Skill。装上之后，Agent 写出来的内容就是他的口吻、节奏、和立场。

Skill 的设计逻辑

khazix-writer 是一个有立场的文风生成器，不是通用的"好文笔模板"。它会：

• 拒绝写「增强、抓手、闭环」
• 拒绝写「首先…其次…」
• 拒绝写「在当今 AI 快速发展的时代」
• 拒绝「说白了 / 本质上」这类虚词

如果你要的读者不吃这一口（不认可这种文风），这个 Skill 不适合你。

AI 与人的边界

Skill 文档里花了不少篇幅讲 AI 和人的分工——哪些事 AI 擅长做，哪些必须人来：

AI 擅长做的：找证据和佐证、找类比比喻、按确定角度扩写、补充学科背景知识、梳理逻辑和结构建议。

必须人来的：第一手观察和真实经历、核心创意角度（“从 A 联想到 B"这种）、情绪的真实表达、数据到人物的同理心转换。

这个边界意识很清醒——Skill 是文风工具，不是创作替代品。

文章原型

卡兹克的文章基本可以归为五种原型，写作前先判断属于哪种：

1. 调查实验型：亲自下场做一件事，然后报道发现。本质是"我替你去做了这件事”。
2. 产品体验型：拿到产品实际使用，带着读者一起体验。本质是"跟我一起玩"。
3. 现象解读型：观察到一个现象，层层深入分析。本质是"你注意到了吗？背后是什么？"
4. 工具分享型：分享一个实用的工具/Prompt，用个人故事包裹。本质是"我发现了一个好东西"。
5. 方法论分享型：把长期积累的经验系统分享。本质是"我把压箱底的东西掏给你了"。

风格内核

节奏感：句子时长时短，大量用逗号制造口语化停顿。段落之间跳跃自然，经常一句话自成一段来制造重点。

句式断裂：用极短的句子或短语独立成段，制造停顿和重量感。“黑暗森林。““大时代啊，朋友们。”

回环呼应：前面埋的细节后面再次出现，读者会觉得这是一个完整的作品，不是信息堆砌。

人物画像法：从一个数据点出发，用 3-5 句话让一个人物变得立体，产生共鸣。

层层剥开的修辞：不直接讲结论，而是"现象→表面解释→更深的追问→核心洞察”。

4. 横纵分析法（Prompt 版）—— 轻量版即开即用

hv-analysis 的轻量版本——一段 Prompt，复制粘贴到任何支持 Deep Research 的模型里就能跑（ChatGPT Deep Research、Gemini Deep Research、Grok Deep Search、Claude Research 都行），不需要安装任何 Skill。

适合还没开始用 Claude Code / Codex 这类带 Skill 系统的 Agent，但又想体验这个方法论的人。半小时左右出一份万字级研究报告。

安装方式

在支持 Skill 的 Agent 里，直接说：

帮我安装这个 skill：https://github.com/KKKKhazix/khazix-skills/tree/main/<skill-name>

把 <skill-name> 换成你想装的，比如 neat-freak、hv-analysis、khazix-writer。Agent 会自己 clone 到对应目录，不用操心路径。

Agent Skills 标准

这几个 Skill 都遵循 Agent Skills 开放标准：

• SKILL.md 是标准化结构，跨平台通用
• 安装方式统一，不绑定特定供应商
• Claude Code、Codex、OpenCode、OpenClaw 都能直接加载

这也是 khazix-skills 能够跨平台工作的技术基础——面向 Agent Skills 标准设计，而非为某一个 Agent 量身定制。

总结

khazix-skills 功能不多，靠的是每天真的被用这件事。

三个 Skill 各有明确的适用边界：

• neat-freak 解决的是"文档和记忆跟上了代码变化"这个看似基础、实际上很多人都在受苦的问题。
• hv-analysis 解决的是"想系统研究一个产品/公司但不知道从哪下手"的问题，方法论清晰，可执行。
• khazix-writer 是文风工具，解决的是"Agent 写出来的东西太 AI 味"的问题——它不是教你写好文章——它把你的文风迁移给 Agent。

作者不是程序员，这个背景反而让这套 Skills 更接地气——没有炫技，只有每天跑在日常工作流里的实操。

仓库地址：KKKKhazix/khazix-skills

自测题

1. neat-freak 想解决的核心问题是什么？为什么「只动记忆、不动文档」的方案（比如 AutoDream）不够？
2. 项目知识被分成了哪三层？每一层的受众和职责分别是什么？
3. hv-analysis 的「纵向 / 横向 / 横纵交汇」分别回答什么问题？为什么报告里「交汇」段最值钱？
4. khazix-writer 是一个「通用好文笔模板」吗？它把哪些写作环节明确留给「人」？
5. 横纵分析法为什么能做成一段纯 Prompt、不依赖 Skill 系统？它适合什么人用？
6. 这几个 Skill 为什么能在 Claude Code、Codex、OpenCode、OpenClaw 上通用？背后的标准是什么？

参考答案

1. 核心是「代码改了，文档和 Agent 记忆还停在老版本」，导致下游在错误信息上做决策。只动记忆的方案只更新了 Agent 自己，人类同事和下游开发者拿到的还是过期文档，所以 neat-freak 把记忆、项目文档、对外文档三层一起同步。
2. 三层：Agent 记忆系统（给 Agent 自己，存偏好、非项目的事实、跨项目 reference）、项目根 CLAUDE.md / AGENTS.md（给当前项目的 AI，存约定、结构、红线）、docs/ + README.md（给别人，存接入指南、架构图、运维手册）。受众不同，职责不能混。
3. 纵向沿时间轴还原发展史，挖每个关键节点的决策逻辑；横向以当下为切面，把竞品摆出来逐维对比；交汇把两者结合，回答「历史里哪些决策决定了今天的横向位置」。这一段把脉络和格局打通，是报告的判断落点，所以最值钱。
4. 不是。它是「有立场的文风生成器」，只迁移卡兹克的口吻和节奏。明确留给「人」的包括：第一手观察和真实经历、核心创意角度、情绪的真实表达、数据到人物的同理心转换。
5. 因为它本质是一段方法论 Prompt，复制粘贴到任何支持 Deep Research 的模型（ChatGPT / Gemini / Grok / Claude）就能跑，不依赖 Skill 安装机制。适合还没上 Skill 系统、又想体验这套方法论的人，半小时出万字报告。
6. 因为它们都遵循 Agent Skills 开放标准：SKILL.md 结构标准化、安装方式统一、不绑定特定供应商，所以任何兼容该标准的 Agent 都能直接加载。

练习

1. 在你的项目里跑一次 neat-freak 的思路：列出现在有哪些文档和记忆文件，挑一个最近改过的模块，检查文档和记忆是否还停留在旧版本，把对不上的地方补平。
2. 找一个你感兴趣的产品或公司，按「纵向（发展史）→ 横向（竞品对比）→ 交汇（综合判断）」三步走，先只写提纲，体会每段分别要回答什么问题。
3. 装一个 khazix-writer（或类似文风 Skill），拿一篇你之前用 AI 写的文章重跑，对比两版在「立场、节奏、口语停顿」上的差异，记下哪一版更像是「人在聊」。
4. 把横纵分析法 Prompt 版复制到任意一个 Deep Research 模型里，针对一个你正在研究的话题跑一份简版报告，验证它是否真能产出「纵—横—交汇」的结构。
5. 挑你日常用的一个 Agent，确认它是不是兼容 Agent Skills 标准；如果不兼容，查一下它用什么 Skill 格式，思考跨平台通用的价值在哪里。

进阶路径

• 把知识同步自动化：在你自己的项目里把 neat-freak 的思路固化成退出会话前的固定动作，甚至接进 CI，让文档和记忆不再依赖「想起来才跑」。
• 建自己的研究模板：在 hv-analysis 的纵—横—交汇框架上，按你常做的调研类型（竞品、技术、公司）各存一套提问清单，下次直接套。
• 沉淀个人文风：如果你也在写东西，参考 khazix-writer 把「立场、节奏、句式断裂、回环呼应」拆成可描述的维度，做成自己的文风 Skill。
• 吃透 Agent Skills 标准：读一遍 agentskills.io 的规范，理解 SKILL.md 的结构，未来自己写或挑 Skill 时更有判断力。

常见问题 FAQ

Q1：我不是程序员，也能用这套 Skills 吗？ 能。作者本人就是视觉设计出身、不是程序员，Skills 的安装基本是靠自然语言让 Agent 自己 clone，不需要你手写路径或配置。先把 neat-freak 用顺，再按需加别的。

Q2：neat-freak 会不会改坏我的文档？ 它每一步都有强制检查项，实际修改用的是 Edit / Write 工具，并且最后会输出变更摘要。第一次用时建议盯着它的变更清单看一遍，确认无误再让它收尾。

Q3：hv-analysis 出一份报告要多久、贵不贵？ 取决于对象复杂度和你用的模型，通常产出 10,000–30,000 字的 PDF。它靠子 Agent 并行搜一手/二手来源，模型调用次数不少，跑大模型的研究任务本身有 token 成本，先用轻量对象试一次再决定。

Q4：khazix-writer 能让我「零基础」写出卡兹克那种文章吗？ 不能，也不该这么期待。它迁移的是文风，不是替你产出第一手观察和核心创意——那些必须你来。把它当「口吻插件」，内容还得是你自己的真东西。

Q5：这些 Skill 在不同 Agent 上行为完全一致吗？ 大体一致，因为都遵循 Agent Skills 标准；但每个 Agent 对 SKILL.md 的解析、工具权限、上下文长度有差异，复杂任务（比如 hv-analysis 的长报告）在不同平台上体验可能不同，落地前先用小任务验证。