60个精选Skills、工作流与开源项目，最全Claude进阶清单
摘要：开发者、内容创作者、产品构建者以及初学者均可使用
编者按：如果你最近在关注 AI，很容易产生一种错觉：工具越来越多，但真正能用起来的，反而越来越少。
对于大多数人而言，难点不在于有没有工具，而在于哪些工具值得用，以及该从哪里开始。
这份清单基于实际测试，对当前 AI 工具生态进行了系统梳理，筛选出 60 个工具并按照不同层级与使用场景进行分类：从编码与开发工具，到 agent 框架与工具接入，再到工作流自动化、数据处理与基础设施，最终延伸到学习资源与持续更新路径。
整体上，它勾勒出一条从「使用 AI」到「构建 AI 系统」的清晰路径，为开发者、内容创作者、产品构建者以及初学者提供了不同的入门路径，帮助读者在复杂的工具生态中找到适合自己的切入点。
在工具不断更迭的当下，这样一份结构化的梳理，也许比单点推荐更有意义。它提供的不是答案，而是一种更高效理解和使用 AI 的方式。
以下为原文：
我花了 100 多个小时测试各类 AI 工具，这样你就不用再自己踩坑了。
先收藏这篇 :)
2026 年的 AI 工具生态已经到了让人「信息过载」的程度：每周都有新框架，每天都有新 agent，每天早上 GitHub 都有新项目冲上热榜。
其中大多数只是炒作。有些确实有用。极少数，会真正改变你的工作方式。
我帮你把噪音筛掉了。
下面这 60 个工具，是我亲自测试后筛选出来、当前真正值得关注的——按类别整理，并附上它们各自真正擅长的场景。
建议收藏，你很可能会反复回来用。
Part 1：AI 编程 Agent & IDE
这一类工具可以让 AI 帮你写代码、审查代码、甚至管理整个开发流程。
重点是：这些是真正能在实际工作流中跑起来的，而不是只停留在 demo。
1.Claude Code
Anthropic 推出的命令行编程 agent。可以读取文件、写代码、运行测试，直接在你的本地环境操作。
如果你希望在 AI 辅助开发中保持完全控制，这是目前的「黄金标准」。
https://docs.anthropic.com/en/docs/claude-code
2.Cursor
基于 VS Code 打造的 AI 优先代码编辑器。支持行内补全、与代码库对话、多文件编辑。
适合希望把 AI 无缝融入现有开发流程的开发者。
https://www.cursor.com
3.Codex CLI
OpenAI 推出的终端编程 agent。用自然语言下指令，它会读取代码库、生成并执行代码。
在多步骤实现任务上表现很强。
https://github.com/openai/codex
4.Windsurf
由 Codeium 推出的 AI 编程 IDE。其 Cascade agent 支持多文件编辑、深度理解代码库，以及「沉浸式编码流」。
增长很快。
https://codeium.com/windsurf
5.Superpowers
为 Claude Code 打造的 20+ 实战技能集合，包括 TDD、调试、从规划到执行的流水线等。
GitHub 超 9.6 万星。如果你用 Claude Code，建议第一时间安装。
https://github.com/obra/superpowers
6.Spec Kit（GitHub）
「规格驱动开发」工具：先写 specification，再由 AI 生成代码。强制你在动手之前先想清楚。GitHub 超 5 万星。
https://github.com/github/spec-kit
7.Aider
终端里的 AI 结对编程工具，支持任意 LLM。
在处理已有代码库方面尤其强。GitHub 超 3 万星。
https://github.com/paul-gauthier/aider
Part 2：Agent 框架
用来构建可以「思考—行动—迭代」的自动化系统。
8.OpenClaw
现象级开源 AI agent。支持长期运行、多渠道（WhatsApp / Telegram / Discord），还能自己写技能。
GitHub 超 21 万星，是目前个人 AI agent 最容易上手的入口之一。
https://github.com/openclaw/openclaw
9.LangGraph
用「图结构」来编排多 agent：支持分支逻辑、人类介入（human-in-the-loop）、持久状态。
https://github.com/langchain-ai/langgraph
10.CrewAI
多 agent 协作框架，每个 agent 都有角色、目标和「人设」。
适合模拟团队协作流程。
https://github.com/crewAIInc/crewAI
11.AutoGPT
老牌全自动 agent 框架，适用于长时间运行任务。
相比早期版本已经成熟很多。
https://github.com/Significant-Gravitas/AutoGPT
12.Dify
开源 LLM 应用构建平台，把 workflow、RAG、agent 和模型管理整合在一起。
对非开发者也比较友好。
https://github.com/langgenius/dify
13.OWL
多 agent 协作框架，在 GAIA 基准测试中表现领先。
属于前沿研究走向实用化的代表。
https://github.com/camel-ai/owl
14.CopilotKit
可以把 AI copilot 直接嵌入 React 应用中。
不是只提升开发效率，而是把 AI 变成产品的一部分。
https://github.com/CopilotKit/CopilotKit
15.pydantic-ai
基于 Pydantic 的类型安全 agent 框架。
适合希望输出结构化、可验证结果的 Python 开发者。
https://github.com/pydantic/pydantic-ai
Part 3：MCP 服务与工具集成
MCP（Model Context Protocol）让 AI 真正「接入世界」。Skill 是教它怎么做，MCP 是让它「有权限去做」。
16.Tavily
专为 AI agent 设计的搜索引擎，不是蓝色链接，而是结构化、可直接被 LLM 使用的数据。
提供搜索、抽取、爬取、地图四种工具，一分钟即可接入 MCP。
https://github.com/tavily-ai/tavily-mcp
17.Context7
把最新的库文档注入到 LLM 的上下文中。
不再出现「幻觉 API」或过时方法。
在 prompt 里加一句「use context7」，就能自动拉取最新文档。
https://github.com/upstash/context7
18.Task Master AI
你的 AI 项目经理。输入 PRD，它会拆解成带依赖关系的任务。
再由 Claude 逐步执行，把混乱的开发过程变成有序流水线。
https://github.com/eyaltoledano/claude-task-master
19.MCP Playwright
为 LLM 提供浏览器自动化能力。
可以用自然语言控制真实浏览器：测试、爬取、交互都能做。
https://github.com/executeautomation/mcp-playwright
20.fastmcp
用最少的 Python 代码快速搭建 MCP 服务。
是为 Claude 等模型创建自定义工具集成的最快路径之一。
https://github.com/jlowin/fastmcp
21.markdownify-mcp
把 PDF、图片、音频等各种格式转成 Markdown。
让任意文档都能进入 AI 工作流。
https://github.com/zcaceres/markdownify-mcp
22.MCPHub
通过 HTTP 管理多个 MCP 服务。
一个面板统一管理所有工具连接。
https://github.com/samanhappy/mcphub
Part 4：Claude Skills（精选）
Skills 可以为 Claude 注入「专业工作流能力」。目前社区已有 8 万+ 个技能，下面这些是真正值得安装的。
23.PDF Processing（官方）
支持读取 PDF、提取表格、填写表单、合并与拆分文件。
对知识工作者来说，是实用性最高的技能之一。
https://github.com/anthropics/skills/tree/main/skills/pdf
24.Frontend Design（官方）
用于构建真正可用的设计系统，包括大胆的排版和可上线的 UI。
可以摆脱常见的「AI 生成感」设计风格。已有 27.7 万+ 安装。
https://github.com/anthropics/skills/tree/main/skills/frontend-design
25.Skill Creator（官方）
一个「元技能」。用自然语言描述你的工作流，5 分钟内生成完整的 SKILL.md。
无需写配置，也能创建新技能。
https://github.com/anthropics/skills/tree/main/skills/skill-creator
26.Marketing Skills（Corey Haines）
覆盖 CRO、文案、SEO、邮件自动化、增长策略等 20+ 技能。
相当于把一整套营销团队能力「模块化」。
https://github.com/coreyhaines31/marketingskills
27.Claude SEO
提供全站审计、结构化数据校验、关键词分析等功能。
共 12 个子技能，覆盖完整 SEO 工作流。
https://github.com/AgriciDaniel/claude-seo
28.Obsidian Skills
由 Obsidian CEO 开发。支持自动打标签、自动链接，以及与知识库（vault）的深度整合。
如果你在用 Obsidian，这基本是必装。
https://github.com/kepano/obsidian-skills
29.Context Optimization
用于降低 token 成本、提升 KV cache 效率。
可以显著降低 API 使用成本。GitHub 13,900+ stars。
https://github.com/muratcankoylan/agent-skills-for-context-engineering
30.Deep Research Skill
8 阶段研究流程 + 自动续写机制。
适合需要 Claude 做「深度研究」而非浅层总结的场景。
https://github.com/199-biotechnologies/claude-deep-research-skill
Part 5：本地 AI 与模型运行
在本地设备运行模型：更高隐私、更快响应、无需 API 成本。
31.Ollama
通过一条命令在本地运行开源大模型。支持 Llama、Mistral、Gemma 等。
从零到本地 AI 的最快路径。
https://github.com/ollama/ollama
32.Open WebUI
自托管的 ChatGPT 类界面。简洁、快速、功能完整。
与 Ollama 搭配使用，可以构建完全私有的 AI 系统。
https://github.com/open-webui/open-webui
33.LlamaFile
把整个大模型打包成一个可执行文件。
无需依赖，下载即可运行，极其简单。
https://github.com/Mozilla-Ocho/llamafile
34.Unsloth
模型微调速度提升 2 倍，同时减少 70% 内存占用。
如果你需要训练属于自己的模型，这是一个很好的起点。
https://github.com/unslothai/unsloth
35.vLLM
高吞吐推理引擎，性能比传统方案快 2–4 倍。
目前开源模型生产部署的主流选择之一。
https://github.com/vllm-project/vllm
Part 6：工作流与自动化
把 AI 接入你已有的工具与流程中。
36.n8n
开源工作流自动化工具，支持 400+ 集成和 AI 节点，可自托管。
目前最强的可视化 AI 自动化构建器之一。
37.Langflow
通过拖拽方式构建 agent 工作流。GitHub 超 14 万星。
无需写代码，也能搭建复杂的 agent pipeline。
https://github.com/langflow-ai/langflow
38.Huginn
自托管的 Web agent，用于监控、告警和数据采集。
强调隐私优先，所有自动化都运行在你自己的服务器上。
https://github.com/huginn/huginn
39.DSPy
用「程序」而不是「prompt」来驱动模型。
源自斯坦福研究的框架，适用于对稳定性要求更高的场景。
https://github.com/stanfordnlp/dspy
40.Temporal
面向长时间运行任务的「持久化工作流引擎」。
当你的自动化流程需要应对崩溃、重试、超时等情况时，这是标准解法。
https://github.com/temporalio/temporal
Part 7：搜索、数据与 RAG
让信息可以进出 AI 系统。
41.GPT Researcher
自动化研究 agent，可生成结构化报告。
输入一个主题，输出带来源引用的完整分析。
https://github.com/assafelovic/gpt-researcher
42.Firecrawl
把任意网站转成适用于 LLM 的数据格式。
专为 AI pipeline 设计的爬虫工具。
https://github.com/mendableai/firecrawl
43.Vanna AI
自然语言转 SQL。
用英文提问，直接生成数据库查询语句。
适合不想写 SQL 但需要用数据的人。
https://github.com/vanna-ai/vanna
44.Instructor
通过 Pydantic 模型，让任意 LLM 输出结构化 JSON。
支持 OpenAI、Anthropic、Google 等 15+ 提供商。
是很多生产级 AI 工程师的实际选择。
https://python.useinstructor.com
45.Chroma
开源向量数据库。
为 AI 应用添加语义搜索和长期记忆的最简单方式之一。
https://github.com/chroma-core/chroma
46.dlt
面向 LLM 的数据管道工具，可接入 5000+ 数据源。
帮助你把各种数据导入 AI 工作流。
https://github.com/dlt-hub/dlt
47.ExtractThinker
面向文档智能的「ORM」。
可以从任意类型文档中提取结构化数据。
https://github.com/enoch3712/ExtractThinker
Part 8：API 与基础设施
让一切在生产环境真正跑起来的「底层管道」。
48.FastAPI
用于部署 AI 应用的 Python Web 框架。
文档极其完善，并内置 Pydantic 数据校验。
https://github.com/tiangolo/fastapi
49.Portkey Gateway
通过一个 API 接入 250+ LLM。
无需改代码即可切换模型。
https://github.com/Portkey-AI/gateway
50.OmniRoute
支持 44+ AI 提供商的 API 代理。
提供负载均衡、故障切换和成本优化。
https://github.com/diegosouzapw/OmniRoute
51.lmnr
用于追踪和评估 agent 行为。
可以清楚看到 agent 在做什么，并衡量其表现是否达标。
https://github.com/lmnr-ai/lmnr
52.Codebase Memory MCP
将你的代码库转化为一个「持久知识图谱」。
让 Claude 能跨会话记住整个项目结构。
https://github.com/DeusData/codebase-memory-mcp
Part 9：精选合集与学习资源
在哪里持续获取信息、不断迭代认知。
53.Awesome Claude Skills
精选技能合集，GitHub 超 2.2 万星。
寻找新技能的首选入口。
https://github.com/travisvn/awesome-claude-skills
54.Anthropic Skills Repo
Anthropic 官方技能仓库。
也是目前技能构建的「标准范式」。
https://github.com/anthropics/skills
55.Awesome Agents
汇总 100+ 开源 agent 工具的精选列表。
https://github.com/kyrolabs/awesome-agents
56.PromptingGuide
覆盖从基础到高级的完整 Prompt 工程指南。
57.Anthropic Prompt Engineering Tutorial
包含 9 章 + Jupyter Notebook 实操练习。
是系统学习 Prompt 的最佳路径之一。
https://github.com/anthropics/prompt-eng-interactive-tutorial
58.SkillsMP
拥有 8 万+ 社区技能的市场平台。
是目前最大的 Claude 技能目录。
59.MAGI//ARCHIVE
每日更新最新 AI 项目仓库。
用于跟踪前沿进展。
https://tom-doerr.github.io/repo_posts/
60.Anthropic 官方文档
涵盖 API、Prompt、工具调用、agent 等全部核心内容。
如果你要认真做 AI 产品，这一份建议从头到尾读一遍。
如何真正使用这份清单
不要试图一次性把这 60 个工具全部装上。那只会让你信息过载、浪费时间。
我更推荐这样用：
如果你是开发者：从 Claude Code（01）+ Superpowers（05）+ Context7（17）+ Tavily（16）开始。
这一组合可以帮你搭建一套具备搜索能力和文档支持的强大 AI 编程环境。
如果你是创作者 / 知识工作者：从 OpenClaw（08）+ Obsidian Skills（28）+ PDF Processing（23）+ Frontend Design（24）开始。这一组合可以给你一个具备文件管理、文档处理和内容创作能力的 AI 助手。
如果你是在做产品：从 FastAPI（48）+ Instructor（44）+ Chroma（45）+ LangGraph（09）开始。
这一组合覆盖了后端框架、结构化输出、记忆系统和 agent 编排能力，足够支撑一个生产级 AI 应用。
如果你只是想学习：从 Anthropic 教程（57）+ PromptingGuide（56）+ Anthropic 官方文档（60）开始。
先把基础打牢，再去叠工具。
选一条路径，先深入用起来。
等需求出现，再慢慢扩展工具。
TL;DR
Skills = 教 AI「怎么做得更好」
MCP = 给 AI「接入外部工具和数据的能力」
Repos = 提供一切的开源基础设施
把这三者结合起来，你得到的就不再是「看起来很酷的 demo」，而是一套真正有生产力的 AI 工作流。
就这些。60 个工具。现在，去做点东西吧。
