PullNexus

基于 GitHub 的本地 AI 资源注册表与 CLI。 搜索、拉取并提交可复用的技能、工具、模板、数据集和工作流工件。

快速入门

pip install pullnexus

搜索注册表：

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

浏览可用资源：

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

开始提交：

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

当前注册表：涵盖 10 种资源类型的 156 个资源：技能、工具、模板、剧本 (playbooks)、策略、提示词 (prompts)、数据集、环境、评估集 (evals) 和存储库。

1. 愿景

本地模型正在快速改进，但周边的生态工作流仍然碎片化。有用的提示词、JSONL 示例、工具定义、模板、硬件说明和评估集散落在各个存储库、Gist 和聊天记录中。

PullNexus 将这些工件打包成一种一致的注册表格式，既可以通过 CLI 即时搜索，也可以随着时间的推移由其他客户端进行扩展。其实际目标很简单：找到相关资源，检查其元数据，如果是可安装的则将其拉取，或者将其用作您自己本地设置的参考资料。

它是一个用于本地 AI 工作流的小型开放分发层，而不是模型托管平台、托管代理平台或提示词库。

2. 为什么是现在

几个关键要素已同时成熟：

• Ollama、llama.cpp、LM Studio 和 vLLM 等本地推理工具已成为开发者工作流的常态。

• 更多人选择将推理保持在本地，因为价格、隐私和延迟在日常使用中至关重要。

• 围绕这些工作流的可复用材料仍然缺乏一个标准的归宿。模型和数据集有中心，但操作工件通常没有。

• 大多数相邻工具解决的是运行时编排或模型托管问题，而不是发现和复用诸如技能、剧本、模板或评估集等较小的构建块。

这使得一个类型化、以拉取为导向的注册表即使在适度规模下也很有用。

3. 工作原理

1. 资源在 skills/index.json 中通过类型化元数据进行索引。

2. CLI 可以搜索注册表，按类型/类别/标签进行过滤，并拉取可安装的资源。

3. 贡献者可以通过 GitHub 提交，或使用交互式向导生成草稿文件夹。

4. 资源在存储库中保持版本化、标记化且可审查。

5. 相同的模式可以在以后支持更丰富的客户端和集成。

贡献工作流

资源不需要一开始就是“技能”。有用的 JSONL 对话集、部署剧本、模型模板、策略文档、工具参考或环境配置文件都可以通过相同的注册表格式进行处理。

在实践中，许多条目来自实际的项目工作：某些内容变得可复用，经过记录，并附带元数据和可选的支持文件添加到注册表中。

CLI 界面

当前公开命令：

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

某些资源类型是可安装的文件包；其他则是指向外部存储库、数据集或文档的参考条目。

4. 技能的实际形态

这是技能的文件夹结构——这就是人们提交的内容：

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

示例 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
}

这种结构特意保持简洁，以便审查、复用和验证过程保持简单直接。

5. 当前功能

今日可用

• 基于 GitHub 的注册表，索引了 10 种资源类型的 156 个资源

• 用于搜索、拉取/安装、列出和提交脚手架的公共 CLI 命令

• 生成资源文件夹并验证元数据的交互式提交向导

• 支持技能、工具、模板、策略、剧本、提示词、数据集、环境、评估集和存储库的模式

• 本地/远程注册表获取，以便在 GitHub 不可用时 CLI 可以优雅降级

• 基于纯文件的技能文件夹：元数据、JSONL 示例、README 以及可选的评估/工具定义

MCP 助手模式

任何连接到 PullNexus MCP 服务器的 AI 助手都可以在对话中使用实时注册表，而不是仅仅依靠通用的背景知识进行回复。

• 在对话进行时搜索注册表

• 根据用户的技术栈、问题或目标推荐特定资源

• 无需离开聊天即可在本地拉取可安装资源

• 在工作流成功或失败后提交兼容性反馈

用于强大演示的前后对比提示词示例：

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?

如果没有 PullNexus，大多数助手只会给出关于 RAG 框架和分块大小的宽泛建议。连接 PullNexus MCP 后，助手可以搜索实时注册表，推荐具体的资源（如 local-rag-starter-pack 和 rag-eval-baseline），并主动提出将其立即拉取到本地文件夹中。

其他好的演示提示词是那些包含真实技术栈加上失败模式的提示词：本地 RAG 调试、代理编排、MCP 集成或 Python 调试都非常适用。

近期工作

• 在主 CLI 中更清晰地公开额外的打包命令界面

• 改进 MCP/客户端集成文档

• 加强围绕已提交资源的验证、审查和兼容性报告

• 改进注册表浏览和过滤的用户体验

• 围绕发布和质量检查增加更多自动化

6. 定位

PullNexus 位于原始存储库和完整平台产品之间。它并不试图托管模型或取代代理运行时。它的工作范围更窄：将可复用的本地 AI 资源保持在一种可搜索的格式中，并提供足够的元数据，使其易于发现和复用。

7. 挑战与缓解措施

8. 治理

PullNexus 目前由一人维护。关于注册表格式、贡献规则和审核的决策通过 Issue 和 Pull Request 在存储库中公开进行。这使项目保持简单：快速决策、公开理由和清晰的记录。

如果项目发展成为真正的多人维护工作，治理可以扩展为具有记录角色和决策规则的轻量级维护者模型。目前，优先级很简单：保持标准清晰，保持流程公开，并保持项目有用。

9. 注册表亮点

几个值得了解的入口点：

• autonomous-agent-training-pack — 160+ 个合成 JSONL 示例，16 个主题，即用型训练/验证/测试集划分

• synthetic-general-training-pack — 110+ 个用于编码、推理、文档和 Web 的通用训练示例

• agent-role-orchestrator / agent-role-coder / agent-role-reviewer — 用于完整多代理本地设置的系统提示词

• local-agent-system-blueprint — 构建本地自主代理系统的初学者指南

• multi-agent-roles-template — 开箱即用的 5 代理本地系统 JSON 角色配置

• vibe-coder-workflow — 完整的自学构建者循环，从模糊想法到可运行代码

• qwen3-35b-12gb-llama-server — 社区贡献的 Qwen3 在 12GB 显存上的 llama-server 配置

• kv-cache-vram-best-practices — 用于 KV 缓存调优的显存优化策略

• n8n-mcp-workflows / autonomous-agent-payments — MCP 生态系统条目

搜索注册表以浏览所有 155 个条目：pullnexus list-skills

10. 近期路线图

11. 关于维护者

PullNexus 由一位在 AI 辅助项目上工作了大约一年半的开发者维护。该项目源于反复出现的复用问题：有用的提示词、JSONL 示例、部署说明和工具参考不断以临时格式出现，且没有明确的地方来标准化它们。

这就是为什么存储库偏向于实用工件和纯文件。目标不是首先展示宏大的平台愿景；而是使可复用的本地 AI 材料更容易打包、审查、查找和使用。

搜索注册表。拉取合适的资源。提交有帮助的内容。