PullNexus

Реестр на базе GitHub и CLI для локальных ресурсов ИИ. Ищите, скачивайте и отправляйте повторно используемые навыки, инструменты, шаблоны, наборы данных и артефакты рабочих процессов.

Быстрый старт

pip install pullnexus

Поиск в реестре:

pullnexus search "fine-tune 35B on consumer GPU"
pullnexus search "local agent loop" --type skill

Просмотр доступных ресурсов:

pullnexus list-skills --type dataset
pullnexus pull local-rag-starter-pack

Начало отправки:

pullnexus submit --interactive --type skill
# or open an issue: github.com/MRWillisT/PullNexus/issues/new/choose

Текущий реестр: 156 ресурсов по 10 типам: навыки, инструменты, шаблоны, сценарии (playbooks), политики, промпты, наборы данных, окружения, оценки (evals) и репозитории.

1. Видение

Локальные модели быстро совершенствуются, но окружающие их рабочие процессы остаются фрагментированными. Полезные промпты, примеры JSONL, определения инструментов, шаблоны, заметки об оборудовании и наборы для оценки разбросаны по репозиториям, gist-ам и логам чатов.

PullNexus упаковывает эти артефакты в согласованный формат реестра, который можно искать через CLI уже сегодня и расширять другими клиентами со временем. Практическая цель проста: найти релевантный ресурс, изучить его метаданные, скачать его, если он устанавливаемый, или использовать как справочный материал для вашей собственной локальной настройки.

Это небольшой открытый уровень дистрибуции для локальных рабочих процессов ИИ, а не хостинг моделей, платформа для агентов или галерея промптов.

2. Почему сейчас

Несколько элементов созрели одновременно:

• Локальные инструменты вывода, такие как Ollama, llama.cpp, LM Studio и vLLM, стали привычной частью рабочих процессов разработчиков.

• Все больше людей предпочитают локальный вывод, так как цена, конфиденциальность и задержка имеют значение в повседневном использовании.

• Повторно используемым материалам вокруг этих рабочих процессов все еще не хватает стандартного дома. У моделей и наборов данных есть хабы; у операционных артефактов их обычно нет.

• Большинство смежных инструментов решают задачи оркестрации времени выполнения или хостинга моделей, а не обнаружения и повторного использования небольших строительных блоков, таких как навыки, сценарии, шаблоны или оценки.

Это делает типизированный, ориентированный на скачивание реестр полезным даже в скромном масштабе.

3. Как это работает

1. Ресурсы индексируются в skills/index.json с типизированными метаданными.

2. CLI может искать в реестре, фильтровать по типу/категории/тегу и скачивать устанавливаемые ресурсы.

3. Участники могут отправлять ресурсы через GitHub или создавать черновую папку с помощью интерактивного мастера.

4. Ресурсы остаются версионированными, помеченными тегами и доступными для проверки в репозитории.

5. Та же схема может поддерживать более функциональные клиенты и интеграции в будущем.

Рабочий процесс участия

Ресурсам не обязательно начинаться как «навыки». Полезный набор диалогов JSONL, сценарий развертывания, шаблон модели, документ политики, справочник инструментов или профиль окружения — все это может пройти через один и тот же формат реестра.

На практике многие записи приходят из реальной проектной работы: что-то становится повторно используемым, документируется и добавляется в реестр с метаданными и дополнительными вспомогательными файлами.

Интерфейс CLI

Текущие публичные команды:

pullnexus search rust debugger --type skill
pullnexus list-skills --category automation
pullnexus pull local-rag-starter-pack
pullnexus submit --interactive --type playbook

Некоторые типы ресурсов являются устанавливаемыми пакетами файлов; другие — это справочные записи, указывающие на внешние репозитории, наборы данных или документацию.

4. Как на самом деле выглядит навык

Вот структура папки для навыка — это то, что отправляют люди:

skills/python-advanced-debugging/
├── skill.json          → Metadata (name, description, tags, version, license)
├── examples.jsonl      → JSONL conversation pairs or training examples
├── README.md           → Human-readable explanation and usage notes
├── eval.jsonl          → Test cases to verify the skill behaves as expected
└── tools/              → Optional MCP tool definitions

Пример skill.json:

{
  "name": "python-advanced-debugging",
  "version": "1.2.0",
  "description": "Expert techniques for memory leaks, pdb, and tracing in Python",
  "tags": ["python", "debugging", "development"],
  "license": "CC0-1.0",
  "evaluation_cases": 12,
  "mcp_compatible": true
}

Структура намеренно проста, чтобы проверка, повторное использование и валидация оставались понятными.

5. Текущие возможности

Доступно сегодня

• Реестр на базе GitHub со 156 индексированными ресурсами по 10 типам

• Публичные команды CLI для поиска, скачивания/установки, листинга и создания каркаса отправки

• Интерактивный мастер отправки, который генерирует папки ресурсов и проверяет метаданные

• Поддержка схемы для навыков, инструментов, шаблонов, политик, сценариев, промптов, наборов данных, окружений, оценок и репозиториев

• Локальное/удаленное получение реестра, чтобы CLI мог корректно работать, когда GitHub недоступен

• Папки навыков, построенные на простых файлах: метаданные, примеры JSONL, README и дополнительные определения оценок/инструментов

Режим помощника MCP

Любой ИИ-помощник, подключенный к серверу PullNexus MCP, может использовать живой реестр прямо во время разговора, вместо того чтобы отвечать только на основе общих фоновых знаний.

• Поиск в реестре во время разговора

• Рекомендация конкретных ресурсов на основе стека, проблемы или цели пользователя

• Локальное скачивание устанавливаемых ресурсов, не покидая чат

• Отправка обратной связи о совместимости после успешного или неудачного рабочего процесса

Пример промпта для демонстрации «до/после»:

I’m building a fully local RAG pipeline for PDFs with Ollama. Retrieval quality is bad, chunking feels wrong, and I want something concrete I can inspect or install. What should I use?

Без PullNexus большинство помощников дают общие советы о фреймворках RAG и размере чанков. С подключенным PullNexus MCP помощник может искать в живом реестре, рекомендовать конкретные ресурсы, такие как local-rag-starter-pack и rag-eval-baseline, и предложить немедленно скачать их в локальную папку.

Другие хорошие демонстрационные промпты — это те, которые включают реальный стек плюс режим сбоя: отладка локального RAG, оркестрация агентов, интеграция MCP или отладка Python — все это работает хорошо.

Ближайшие задачи

• Более четкое представление дополнительных упакованных команд в основном CLI

• Улучшение документации по интеграции MCP/клиентов

• Усиление валидации, проверки и отчетности о совместимости отправленных ресурсов

• Улучшение UX просмотра и фильтрации реестра

• Добавление автоматизации вокруг публикации и проверок качества

6. Позиционирование

PullNexus находится между «сырыми» репозиториями и полноценными платформенными продуктами. Он не пытается хостить модели или заменять среды выполнения агентов. Его задача уже: хранить повторно используемые ресурсы локального ИИ в одном доступном для поиска формате с достаточным количеством метаданных, чтобы их было легко обнаружить и использовать повторно.

7. Проблемы и решения

8. Управление

PullNexus в настоящее время поддерживается одним человеком. Решения о формате реестра, правилах участия и модерации принимаются открыто в репозитории через issues и pull requests. Это делает проект понятным: быстрые решения, публичное обоснование и четкий след изменений.

Если проект вырастет в полноценную работу нескольких сопровождающих, управление может расшириться до облегченной модели с документированными ролями и правилами принятия решений. На данный момент приоритет прост: поддерживать стандарты ясными, процесс публичным, а проект полезным.

9. Основные моменты реестра

Несколько точек входа, о которых стоит знать:

• autonomous-agent-training-pack — 160+ синтетических примеров JSONL, 16 тем, готовые к использованию разбивки train/val/test

• synthetic-general-training-pack — 110+ примеров обучения общего назначения для кодинга, рассуждений, документации и веба

• agent-role-orchestrator / agent-role-coder / agent-role-reviewer — системные промпты для полноценной локальной мультиагентной настройки

• local-agent-system-blueprint — руководство для начинающих по созданию локальной автономной агентной системы

• multi-agent-roles-template — конфигурация ролей JSON для локальной системы из 5 агентов «из коробки»

• vibe-coder-workflow — полный цикл самостоятельного разработчика, от смутной идеи до работающего кода

• qwen3-35b-12gb-llama-server — конфигурация llama-server для Qwen3 на 12 ГБ VRAM, предоставленная сообществом

• kv-cache-vram-best-practices — политика оптимизации VRAM для настройки кэша KV

• n8n-mcp-workflows / autonomous-agent-payments — записи экосистемы MCP

Ищите в реестре, чтобы просмотреть все 155 записей: pullnexus list-skills

10. Дорожная карта на ближайшее время

11. О сопровождающем

PullNexus поддерживается разработчиком, который потратил около полутора лет на работу над реальными проектами с поддержкой ИИ. Проект вырос из повторяющихся проблем с повторным использованием: полезные промпты, примеры JSONL, заметки о развертывании и справочники инструментов постоянно появлялись в специальных форматах без четкого места для их стандартизации.

Вот почему репозиторий ориентирован на практические артефакты и простые файлы. Цель не в том, чтобы сначала представить грандиозное видение платформы; цель в том, чтобы сделать повторно используемые материалы локального ИИ проще для упаковки, проверки, поиска и использования.

Ищите в реестре. Скачивайте то, что подходит. Отправляйте то, что помогло.