wshobson Agents 智能体插件市场

wshobson/agents 是面向 Claude Code、Codex、Cursor 等 AI 编程智能体的插件市场：含 92 个插件、202 个专家智能体、181 项技能与 105 条命令，一套 Markdown 源生成多端原生产物，按需安装、即用即载。

Skill Documentation

摘要

wshobson/agents 是一个面向 AI 编程智能体的「智能体插件市场」，由社区知名的 Seth Hobson 维护。它把 92 个插件、202 个领域专家智能体、181 项技能与 105 条命令打包成一套 Markdown 源，能自动生成为 Claude Code、Codex CLI、Cursor、OpenCode、Antigravity CLI、GitHub Copilot 五端的原生产物。安装某个插件时只加载它自己的组件进上下文，不是把整个市场塞进来。仓库在 GitHub 已积累 3.9 万 + star，MIT 协议。

它到底提供什么

• **92 个插件**：最小可装的独立单元，彼此隔离、可组合
• **202 个智能体**：架构、语言、基础设施、安全、数据、机器学习、文档、商业、SEO 等方向的领域专家
• **181 项技能**：渐进式披露的知识包，触发时才载入
• **105 条命令**：脚手架、安全扫描、测试生成、基础设施搭建等斜杠命令
• **16 个编排器**：多智能体协同工作流（全栈、安全、机器学习、事件响应）

一套源，多端原生

最值得说的是它的分发方式：只有一个 `plugins/` 源目录，但能为五种智能体框架各自生成「原生的」产物，而不是最低公分母式的翻译——比如给 Codex 生成 `.codex/` 树、给 Cursor 生成 `.cursor-plugin/`、给 Copilot 生成 Markdown 智能体档案。每种适配器吐出来的都是该框架地道支持的格式。

插件如何隔离加载

每个插件从目录结构里被自动发现，互相独立。装一个插件，上下文里只出现它自带的 agents / commands / skills，其余 91 个插件完全不占地方。这对长会话尤其重要——你不会因为装了整个市场而把上下文撑爆。

分层模型策略

仓库内建了一套按任务难度分层的模型调度：最长视野的自主大迁移用最贵的模型（Fable 5），架构与安全评审用 Opus，文档与调试用 Sonnet，快操作与 SEO 用 Haiku。等于把「什么活交给什么模型」这套经验直接固化进了插件配置。

质量评测框架

配套的 `plugin-eval` 是三层评测：静态结构检查（<2 秒、免费）、LLM 裁判（四个维度语义评分）、蒙特卡洛（50–100 次模拟运行统计可靠性）。技能不是写完就发，而是带认证流程的。

适合谁用

• 想给 Claude Code / Codex / Cursor 一次性配齐「专家 bench」的个人开发者
• 团队希望用统一插件格式标准化多个智能体工具的行为
• 维护多端兼容产物、不想为每个框架各写一套的工程负责人

和零散技能仓库有什么不同?

零散仓库通常只服务一种工具，且所有技能平铺在一个目录里。wshobson/agents 的价值在于「市场 + 多端生成 + 分层模型 + 评测认证」四件套：你拿到的是一套可治理、可评测、跨工具一致的智能体能力库，而不是一堆彼此无关的 SKILL.md。

安装到 Claude Code 复杂吗?

不复杂。两行命令：先 `/plugin marketplace add wshobson/agents` 注册市场，再 `/plugin install python-development`（或任意 92 个插件之一）装单个插件。Codex / Cursor 从提交好的注册表原生安装；Antigravity 和 OpenCode 走 `make generate` + 安装。每个插件自带使用文档。

多端产物是"翻译"还是原生?

是原生的，不是翻译。官方明确说每个适配器产出的是「harness-native artifacts」，即贴合该框架地道约定的格式，而不是把同一份 Markdown 简单改个后缀。代价是需要为每个端维护适配器，但这正是它跨五端都能直接用且不掉链子的原因。

没用过的智能体能直接用吗?

能。202 个智能体按领域分好类，触发条件写在各自的 frontmatter 里，描述写得像「什么时候该用我」。你不用背命令，描述当前任务，匹配的专家智能体自己就会被唤起。