一個超越 README 的綜合分析技能，透過 API 數據、社群討論與競品研究來評估 GitHub 專案。
安裝與下載
1. ClawHub CLI
從來源直接安裝技能的最快方式。
npx clawhub@latest install github-explorer
2. 手動安裝
將技能資料夾複製到以下位置之一
~/.openclaw/skills/ <project>/skills/ 優先級：工作區 > 本地 > 內建
3. 提示詞安裝
將此提示詞複製到 OpenClaw 即可自動安裝。
請幫我使用 Clawhub 安裝 github-explorer。如果尚未安裝 Clawhub，請先安裝（npm i -g clawhub）。
想要直接下載？
取得包含原生技能檔案的ZIP壓縮檔。
什麼是 GitHub Explorer？
GitHub Explorer 是為 AI agents 設計的高階技能，用於對任何儲存庫進行深度的技術與社群稽核。雖然大多數工具僅停留在 README 階段，但此 Openclaw Skills 整合透過分析 Issues、Commits 與跨平台討論，提供專案可行性的 360 度全方位視圖。
它利用多層工作流直接從 GitHub API 獲取數據，並在技術部落格、中文社群（如知乎與微信）以及全球討論板（如 Reddit）上並行搜尋查詢。這確保了開發者能夠收到一份涵蓋架構、專案健康狀況與真實使用者回饋的結構化報告。
GitHub Explorer 應用場景
- 透過分析維護者活動與 Issue 解決品質，評估開源函式庫的生產就緒性。
- 將儲存庫與競品進行基準測試，識別技術優勢與侷限性。
- 調查專案超越其行銷材料的真實社群情感與常見坑點。
- 複雜軟體專案的技術棧發現與架構分析。
GitHub Explorer 運作原理
- 儲存庫定位：使用專門的搜尋層確定確切的 org/repo 並收集初始元數據，如 stars 與 license。
- 多源並行採集：觸發 GitHub API 獲取原始內容（README、Issues、Commits），同時搜尋技術部落格與社群論壇。
- 內容提取：對於高反爬網站（微信、知乎）採用專門的提取邏輯，確保獲取乾淨的 markdown 數據。
- 分析與綜合：評估專案成熟度，識別高品質技術討論，並提取競爭替代方案。
- 結構化報告：產出包含所有引用來源與社群執行緒深度連結的標準化報告。
GitHub Explorer 設定指南
確保已配置核心 Openclaw Skills 環境。需要 GitHub Personal Access Token (PAT) 進行 API 存取以避免頻率限制。您可以透過 CLI 直接調用搜尋層：
python3 skills/search-layer/scripts/search.py --queries "project_name review" --mode deep --intent exploratory --num 5
對於社群貼文的高保真提取，請使用：
python3 skills/content-extract/scripts/content_extract.py --url <URL>
GitHub Explorer 資料結構與分類體系
該技能將其輸出組織為高度結構化的 markdown 報告，具有以下元數據分類：
| Section | Data Included |
|---|---|
| 專案身份 | 連結名稱與一句話定位聲明。 |
| 核心機制 | 技術架構摘要與主要技術棧。 |
| 健康指標 | Star/Fork 計數、License 類型與 Commit 頻率趨勢。 |
| Issue 亮點 | 前 3-5 個帶連結的高品質技術 Issue。 |
| 競品分析 | 與替代方案的對比，包括直接的 GitHub/文件連結。 |
| 社群回聲 | 來自 X/Twitter、Reddit 與 V2EX 的彙整摘要與連結。 |
GitHub Explorer 進階特性
- 多源意圖感知：支援探索性研究、競品對比與狀態更新的專門模式。
- 高保真提取：當標準抓取方法遇到反爬措施時，自動回退到 MinerU-HTML。
- 跨平台綜合：彙整來自英文與中文開發者生態系統的技術見解。
- 視覺優化：包括強制性的 Telegram 友善格式，並針對清單渲染修復了零寬空格問題。
SKILL.md
加載中
Openclaw 相關技能
OpenClaw Discord 整合
一個無縫插件，使 OpenClaw AI 代理能夠透過 Discord 機器人進行通訊，支援斜線指令（slash commands）和富訊息嵌入（rich message embeds）。
S2-Chronos-Memzero: 全息記憶矩陣
S2-Chronos-Memzero 是一個高效的因果記憶矩陣，利用 1 分鐘增量狀態壓縮技術記錄環境和代理人決策時間線。
精選*
