Skip to main content
Glama

skill-router

💬 极跃Ai交流群:606140489

装不上 · 用不对 · 想投稿经验条目,直接进来问

极跃Ai交流群 606140489

check license python

你的 AI 什么都知道一点,但没真的干过

你让它脱一个 VMP 壳、拿下一个站、破一个卡密 —— 它会从零开始推。

不是它笨,是它不知道有人三年前就把这个坑填了:

「Hex-Rays 的伪代码在 VMP 上不可信」 「trace 里 LOAD/STORE 的 inputs[0] 是随机化标记不是地址,地址在 inputs[1]」 「改 SELinux 没用,别浪费时间」

这些不是知识,是经验。知识在训练数据里,经验只在别人的日志里。

这个项目就是给 AI 装一个经验包。

659 个专业方法论      按症状查,不按目录翻
922 条实战踩坑记录    症状 → 动作 → 证据出处,带置信度
1.5 毫秒              纯本地检索,不用 GPU、不用向量库

不是让 AI 变聪明,是让它别那么健忘。


Related MCP server: CodeIntel MCP Server

装之前 vs 装之后

你让它干什么

没有它

有它

脱 VMP 壳

从零推,试十几种方法

第一步就去查,直接看别人卡在哪

拿下某个站

想到哪打到哪

先跑「打点决策」,按优先级排,不浪费时间

破卡密

直接写 keygen,写三天

先判类型(本地 / 签名 / 硬件 / 云端),判错立刻止损

挖 SRC

每个点试三个 payload,全是「疑似」

按「暴露面 × 技术栈年龄 × 功能复杂度」排序

AI 卡住了

一直换参数,越试越远

连续 2 次同类尝试自动插经验;3 次强制换方法

最后一条是这套东西最值钱的地方 —— 不是库大,是它会自己拦。


它到底是什么

一个 MCP 插件。

MCP 是 AI 客户端(Claude Code / Codex / Cursor / Cline)的扩展协议。 装上去之后 AI 多了 15 个工具可以调用:查方法论、查踩坑记录、规划作战链、检查当前做法是否撞上禁令。

它不是什么(先排除误解):

常见误解

实际

要显卡 / 要跑模型

不需要。里面没有任何 AI 模型,就是词表匹配

要下载几十 GB

1.6 MB,一个 Python 脚本 + 两个 JSON

要联网才能用

装完之后全程离线,只有第一次同步索引需要网络

要 Docker / 数据库

都不要。pip install mcp 就够了

是个能聊天的 AI

不是。它是插件,得配合 Claude Code / Codex / Cursor 用

它是什么:一个 Python 脚本 + 两个 JSON 文件,python install.py 一条命令装完, Windows / macOS / Linux 通用,Python 3.10+ 即可。


适合谁

适合

不适合

用 Claude Code / Codex / Cursor 干活的人

只用网页版 ChatGPT 的(网页版装不了插件)

做逆向、渗透、CTF、安全研究

完全不碰这些领域的(装了也用不上)

被 AI「反复犯同一个错」烦过

想要一个能直接对话的 AI(这是插件不是模型)

想给团队沉淀经验的新人

期待开箱即用的成品工具(它给方法论,不给一键脚本)

安装

一键(推荐)

git clone https://github.com/jarui555/skill-router.git
cd skill-router
python install.py

就这一条。脚本干三件事:装依赖 → 跑自检 → 把该贴进客户端的配置直接打印出来(路径已填好), 复制粘贴就能用,不用自己拼路径。

Windows 用 PowerShell 也行,逻辑是同一个文件:

powershell -ExecutionPolicy Bypass -File install.ps1

手动

pip install "mcp>=1.19"
python check.py

Python 3.10+。mcp 1.x 和 2.x 都支持,代码里做了双版本适配。

接进你的客户端

所有客户端都用同一种配置:stdio + 一个 python 命令。

Claude Code

claude mcp add skill-router -- python /绝对路径/skill-router/server.py

Codex CLI

~/.codex/config.toml:

[mcp_servers.skill-router]
command = "python"
args = ["/绝对路径/skill-router/server.py"]

Cursor / Cline / 其他 JSON 配置

{
  "mcpServers": {
    "skill-router": {
      "command": "python",
      "args": ["/绝对路径/skill-router/server.py"]
    }
  }
}

Windows 把 python 换成 python.exe 的绝对路径,路径分隔符用 / 或转义后的 \\。

首次使用

装完先自检,确认你机器上跑得起来:

python check.py

全通会打印 ✓ 全部通过 8 / 8。它会验依赖、工具注册、索引、经验库、检索延迟。

如果带索引发布,clone 完就能用。想自己建索引:

skill_sync()                          # 同步 repos.json 里的全部仓库,约 3-5 分钟
skill_sync("owner/repo")              # 只同步一个

走 ungh.cc + jsDelivr + raw,不消耗 GitHub API 配额,不需要 token。 配了 GITHUB_TOKEN 只是让 enrich(补描述)快一些。

15 个工具

工具

用途

skill_plan(task)

任务 → 阶段链,每步带加载建议与 token 估算

skill_search(query)

关键词/现象检索

skill_hint(signal)

卡住时的重检索,连续 2 次同类自动插经验

skill_load(repo, name, mode)

加载正文,lite 目录视图 / full 全文 / part=N 分段

skill_cmd(repo, name)

只抽命令 + 行号(250 tokens vs 3630)

skill_meta(name)

边界:什么时候用 / 前置 / 禁止条款

skill_fit(current, observed)

自检「正在做的事是否撞上该 skill 的禁令」

skill_exp(query, phase)

查实战经验库

skill_unload()

释放上下文预算

skill_stats()

分数 / 症状库 / 任务记忆

skill_status()

索引与预算状态

skill_sync(repos)

建/刷新索引

skill_read_ref(...)

读 skill 附带的 references

skill_check_update()

检查仓库更新

skill_feedback(...)

手动标成功/失败(平时不用,工具会自己推断)

自动触发:三个条件,缺一个就退化成普通查询库

这是整套东西最关键的地方,也是最容易在别人的环境里失效的地方。

条件

谁负责

不满足会怎样

① 客户端把 server 的 instructions 注入系统提示

客户端

模型不知道有 skill_plan 这个东西

② 项目里有 rules / AGENTS.md 声明「第一动作是 skill_plan」

你

模型知道但不照做

③ 模型真的调 skill_hint

模型

卡住判定永远不触发

server 启动时通过 MCP 标准字段 instructions 下发了完整规则(第一动作、升级判据、禁止清单)。 但不同客户端对这个字段的处理不一致 —— 有的注入,有的忽略。

所以第二道保险必须自己加。把 rules/AGENTS.md 的内容贴到项目的 AGENTS.md (Codex / 多数 CLI)或 CLAUDE.md(Claude Code),或客户端的 rules 目录。

目录

server.py          MCP 服务本体,15 个工具
experience.py      经验库检索(词表 + IDF + 现象本体,1.5ms)
evolve.py          自成长:按行为推断成功/失败,微调排序
experience.json    922 条经验
repos.json         仓库清单
index.json         索引(16 源 / 659 skill,sha 已 pin)
packs/             随包 skill,clone 就有,不依赖外部仓库
cache/             正文缓存,首次 load 时自动生成
logs/error.log     被 except 吞掉的异常

packs/ 里有什么

目录

内容

packs/license/

网络授权 / 卡密 / keygen:机制分类、协议分析、云端替代、定位补丁、算法还原

packs/web-takeover/

渗透拿站:打点决策、WAF 绕过、shell 升级、隧道代理、后渗透

这两个目录在 repos.json 里对应 local/license-pack 和 local/web-takeover, path 是相对路径,以 SKILL_ROUTER_HOME 为基准解析 —— 换台机器也能用,不需要改配置。

环境变量

变量

作用

SKILL_ROUTER_HOME

数据目录,默认本文件所在目录

GITHUB_TOKEN / GH_TOKEN

可选,只影响 enrich 速度

交流

极跃Ai交流群 606140489 —— 装不上、用不对、想投稿经验条目,都来这里。

提问前先跑一遍 python check.py,把输出贴上来,比描述半天现象有用。

想干什么

怎么做

装完跑不起来

贴 check.py 输出 + Python 版本 + 系统

模型不会自己查 skill

看上面「自动触发」那节,rules/AGENTS.md 贴了吗

投稿一条经验

照 experience.json 现有格式加,必须带 evidence.source

某个 skill 内容有问题

开 issue,注明仓库名 + skill 名

边界

  • 索引里 16 个源:14 个第三方仓库 + 2 个随包 pack,第三方的内容各自有 license

  • 经验库带置信度,<0.85 会标「未验证」,版本不同坑也不同

  • 预算硬上限 40000 tokens,一次 full 加载超过 2 个 skill 会顶到闸门

Tool Schema Changelog

Recent tool additions, removals, and schema changes observed during successful MCP inspections.

Loading tool schema changelog…

    Related MCP Connectors

    Related MCP Servers

    • A
      license
      Not graded
      quality
      D
      maintenance
      Enables AI coding agents to query a pre-built semantic knowledge graph of code, reducing token usage and tool calls. Supports 16 tools for code exploration, analysis, and context building.
      24 npm
      9
      MIT
    • A
      license
      Not graded
      quality
      C
      maintenance
      Enables AI agents to perform hybrid code search, get explanations, analyze relations and impacts, retrieve context packs, and generate documentation across ~45 languages via 17 MCP tools, all powered by a local vector database and LLM.
      2
      Apache 2.0
    • A
      license
      A
      quality
      B
      maintenance
      Enables AI coding agents to evaluate code snippets and learn from execution outcomes through local bio-inspired associative memory, delivering instant zero-token bug and antipattern reflexes without LLM inference.
      5
      MIT
    • A
      license
      Not graded
      quality
      C
      maintenance
      Enables AI agents to retrieve hyper-targeted, token-efficient context from a codebase by querying a locally built AST knowledge graph, and to persist cross-session agent memory through 17 MCP tools. All indexing and retrieval run entirely offline, so proprietary code never leaves the machine.
      85 PyPI
      1
      MIT