Ctx 实战：当 9 万个 Skill 摆在 AI Agent 面前，如何精准推荐合适的工具

问题：AI 编码工具生态的「发现难题」

如果你在用 Claude Code 或 Codex CLI，你可能已经遇到过这个场景：想找个现成的 MCP Server 或 Agent Skill，但 GitHub 上有几万个相关项目——哪个适合当前的项目？哪个质量可靠？哪个值得安装？

这不是一个理论问题。ctx 的作者统计了一个惊人的数字：AI 编码工具生态中已有 91,464 个 Skill 实体页面、10,790 个 MCP 服务器、467 个 Agent 定义和 207 个 Harness 模板。面对这个量级的工具库，人类手工搜索和筛选的代价已经完全不可接受。

几周前我写过 Brooks-Lint 这样的 Skill 工具，但你会发现一个更深层的问题：你知道该装哪些 Skill 吗？

ctx 的解法：102,928 节点知识图谱 + 项目感知推荐

ctx（501⭐, MIT 协议, Python 3.11+）是一个开源工具，核心能力很简单：观察你在构建什么，然后推荐最适合当前项目的 Skill、Agent、MCP 和 Harness。

它不依赖模糊的语义搜索或 LLM 的随机猜测——ctx 维护了一个 102,928 个节点、290 万条边的知识图谱，覆盖了语义相似度、标签、Slug Token、来源重叠、直接链接、质量评分、使用频率、类型亲和力和图结构共 9 种关联维度。

安装与初始化

pip install claude-ctx

ctx-init --graph --hooks --model-mode skip

ctx-init --graph --graph-install-mode full

ctx-init --model-mode custom --model openai/gpt-5.5 --goal "build a CAD agent"

ctx-init 会安装预构建的知识图谱文件（fast runtime artifact），并设置 Claude Code 钩子，自动监听 PostToolUse 和 Stop 事件。

核心功能：四步工作流

1. 项目扫描与推荐

这是 ctx 最核心的实用场景——对当前项目做全面扫描，然后获取推荐的 Skill/Agent/MCP 列表：

ctx-scan-repo --repo .

ctx-scan-repo --repo . --recommend

ctx 会自动分析项目中的文件类型、依赖关系、框架特征，然后从知识图谱中匹配最相关的工具。输出的推荐列表是排好序的，包含每个工具的质量评分和适用说明。

2. 定制化 Skill/Agent 管理

ctx-agent-add --agent-path ./code-reviewer.md --name code-reviewer

ctx-harness-add --repo https://github.com/earthtojake/text-to-cad --tag cad

ctx-harness-install text-to-cad --dry-run

ctx-harness-install text-to-cad

这个设计很聪明——安装前一律 dry-run，让你看到具体会加载什么内容、改动什么文件、占用多少上下文预算，然后才真正执行。

3. 质量评估与健康检查

ctx-skill-quality list

ctx-skill-quality explain python-patterns

ctx-skill-health dashboard

质量评分基于四个维度：代码质量、文档完整性、社区活跃度和兼容性。漂移检测会标记那些已经过时或与项目不再匹配的 Skill。

4. 本地监控面板

ctx-monitor serve

面板显示当前加载的 Skill、Agent、MCP 服务器、已安装的 Harness 记录，以及图谱视图（/graph?slug=...）、LLM-Wiki 实体浏览器（/wiki/）、可筛选的 Skill 网格、会话时间线和审计日志。

实战场景

场景一：新项目起步，不知道装什么 Skill

你用 Claude Code 做一个 Python 数据管道项目。运行 ctx-scan-repo --repo . --recommend 后，ctx 会认出 Python + 数据处理的特征，推荐 pandas-patterns、data-pipeline-mcp、sql-query-agent 等 8-12 个高匹配度的工具。

场景二：担心 Skill 过期或冲突

安装了多个 Skill 后，ctx-skill-health dashboard 会检查漂移情况——如果某个 Skill 几个月没更新且你的项目已经换了框架，ctx 会标记为「可能过时」，建议你评估卸载或更新。

场景三：本地模型替代 Claude Code

如果你省钱用 Ollama 或 OpenAI API 跑 Agent，ctx 有独立的 Harness 设置流程：

ctx-init --model-mode custom --model ollama/llama-4 --goal "build a REST API"
ctx-harness-install rest-api-gen --dry-run

它会推荐兼容你模型的 Harness 模板，而不是 Claude Code 专属的 Skill。

注意事项

• 首次初始化耗时较长：下载预构建知识图谱（runtime artifact 约几十 MB）需要网络，建议在 Wi-Fi 环境下操作
• Windows 注意事项：PowerShell 的 tar.exe 需要特殊参数，推荐在 Git Bash 或 WSL 中使用
• 不是搜索引擎：ctx 的推荐基于项目特征匹配（文件类型、依赖、框架），不是让你输入关键词搜索工具
• 更新策略保守：实体更新默认打印 benefits/risks 并跳过替换，需要加 --update-existing 才执行更新
• 知识图谱是快照：shipped snapshot 是定时更新的，不是实时的在线搜索

总结

ctx 解决的是一个正在变严重的问题：AI 编码 Agent 的工具生态在飞速膨胀，但没有好的发现机制。人工翻 GitHub Trending 不是可持续的，每次盲目装 20 个 Skill 也不是好策略。

ctx 的「项目感知 × 知识图谱」方案是目前我看到最务实的解法——它不试图取代你的判断力，而是把 91,464 个 Skill 缩小到 10-15 个真正相关的候选，然后由你做最终决定。

如果你在用 Claude Code 或 Codex CLI，并且已经开始为「该装什么」而烦恼，ctx 值得一试。