快速了解本文
项目将静态清单转化为数据驱动的技能发现器，自动匹配短剧创作 Skill。
元技能引导 Agent 读取数据文件，根据条件推荐并安装合适的 Skill。
AI 盲评测验验证了部分 Skill 在特定题材下的质量提升效果。
项目采用 CC0 1.0 许可，需区分团队原创内容与第三方开源内容授权。
本摘要由 AI 辅助整理，请以正文内容为准。
本文目录
在使用 AI Agent 进行短剧或漫剧创作时，创作者常面临技能（Skill）选型困难。尽管开源社区积累了大量优质项目，但 Agent 缺乏直接消费这些静态清单的能力。awesome-short-drama-skills 项目收录了 83 个 AI 短剧与漫剧 Skill 项目及 16 个相关开源平台，覆盖剧本、改编、分镜及 Seedance、可灵、MiniMax 等视频模型的提示词生成。这些 Skill 采用标准的 SKILL.md 格式，兼容 Claude Code、Codex、OpenClaw 以及千问、豆包、WorkBuddy 等国内外智能体。为了解决“人找技能”的困境，该项目将传统的 Awesome List 转化为数据驱动的 Agent 技能发现器。
01数据驱动的元技能与抓取流水线
项目的核心在于名为 short-drama-skill-finder 的元技能（Meta-skill）。其工作机制是引导 Agent 读取项目维护的 shortdramaskills.com/data.json 数据文件。Agent 会根据当前的创作阶段、目标视频模型、所用 Agent 类型和许可证等条件，自动筛选并推荐 3 到 5 个合适的 Skill，同时提供安装命令。这种机制将选型过程从人工检索转变为 Agent 自动匹配。
为了保障数据源的准确性与时效性，项目团队通过 Python 脚本（如 index_skills.py）建立了周更流水线，自动抓取第三方仓库信息。在工程取舍上，流水线具备容错机制：当单个仓库抓取出错时，系统会沿用上次数据，并生成 issue 供人工审核。这种自动化与人工检查结合的方式，确保了 data.json 的更新频率与分类准确性，这也是该机制稳定运行的前提。
02自动装配工作流
通过元技能自动装配 Skill 并完成创作的工作流包含以下关键步骤：
- 在支持 SKILL.md 格式的 Agent 环境中，确保已安装 Node.js。
- 执行命令
npx skills add UnderleveledBuilder/awesome-short-drama-skills安装元技能。 - 在 Agent 中发起创作任务（例如指定使用特定视频模型生成短剧分镜）。
- 元技能触发，引导 Agent 读取
data.json，根据任务条件匹配并返回推荐的 Skill 列表及安装命令。 - Agent 执行安装命令，加载对应 Skill 后继续完成创作任务。
03AI 盲评测验体系与适用边界
为验证 Skill 对 Agent 创作质量的实际提升，项目进行了三轮 AI 盲评测验。在第三轮评测（2026-10-31）中，20 个 Skill 针对同一张“女频悬疑复仇”选题卡生成 60 集短剧全剧骨架，由 Opus 和 GPT 作为 AI 评审进行两两盲比。结果显示，hongguo-shortdrama-screenwriting 等 4 个 Skill 在两位 AI 评审中均排名前五，且优于无 Skill 对照组。
这种基于 AI 评审的量化参考存在明确的适用边界。评测仅覆盖了单一模型（claude-opus-5-5）和单一题材（女频悬疑复仇），且两位 AI 评审之间存在较大分歧。因此，评测结果不能直接外推为所有创作场景下的绝对效果保证，创作者在采用时需结合自身模型与题材进行验证。
04授权边界与采用条件
在授权方面，项目采用 CC0 1.0 Universal 许可证。该许可仅覆盖项目团队编写的简介、点评和分类，摘录的第三方 Skill 文字版权归原作者。这意味着在复用项目数据或进行二次开发时，需明确区分团队原创内容与第三方开源内容的授权边界。对于使用兼容 SKILL.md 格式智能体的开发者与创作者而言，该项目提供了一条从海量开源项目中自动化筛选并接入专业短剧技能的有效路径。