正在打开每日关注
正在打开每日关注
以语义检索、去重和结果反馈，按需为 Agent 推荐 Skill，降低上下文成本与触发歧义。
🚀Skill 装得越多，Agent 反而可能越笨？ 开源项目 The Librarian 给数千个 Agent Skills 配了一位“图书管理员”。 Agent 不再把整个 Skill 库塞进上下文，而是用自然语言描述任务，由 Librarian： • 通过语义搜索找到最合适的 Skill • 自动避免推荐重复或相似能力 • 根据历史使用结果调整后续推荐 • 统计无效、低成功率和长期未使用的 Skill 项目基于 MCP 构建，使用 Ollama 生成本地 Embedding、SQLite 存储数据，还可调用 Apple Intelligence 在设备端进行二次排序。 最妙的是：你只需要安装一个 Skill——教会 Agent 在执行复杂任务前，先去询问 Librarian。 支持 Claude Code、Cursor、Claude Desktop、Goose 等 MCP 客户端，全流程本地运行。 https://t.co/rCJQimdb5a
是什么
aka-kika/the-librarian 是一个 Python 编写的本地优先 MCP Server，目标是在 Agent 与大规模 Skill 集合之间增加一层“图书管理员”。它不把所有 Skill 正文放进上下文，而是让 Agent 用自然语言描述任务，再返回少量候选。仓库元数据显示其有 38 个 Stars，创建于 2026-07-17，最近提交于 2026-08-04。
架构与核心设计
系统递归读取 SKILL.md 的描述，用 Ollama 的 nomic-embed-text 生成向量，交由 SQLite WAL 存储；查询时结合余弦相似度、MMR 多样性选择与近期推荐衰减，避免重复命中。可选的 Apple Intelligence Foundation Model 负责最终重排。find、brainstorm、report、reindex 与 stats 分别覆盖检索、发散、结果记录、索引更新和治理分析。
值得借鉴
最有价值的是把“检索”和“治理”连成闭环：Agent 只读取推荐并追加报告，人工依据查询、成功率和长期未使用数据清理或改写 Skill。README 报告两个快照累计 130 次查询、76 次结果报告、302 个不同 Skill 被调用，约 59% 查询产生了反馈。
边界与风险
效果依赖 Skill 描述质量、Embedding 服务可用性和 Agent 是否持续上报结果；Apple 重排还具有设备平台限制。README 也承认近期衰减可能隐藏刚被验证的优胜 Skill。上述使用数据属于项目自报，不能直接等同于普遍准确率或生产收益。