Resource Miner — 资源类 GitHub 仓库深度挖掘

对「没有代码架构」的资源类仓库做深度价值分析。repo-miner 的三段式框架侧重代码架构 /
创新点 / 可复用代码模式，套不进 awesome 列表、教程书、数据集这类仓库（会得「近零代码行
= 已放弃」的错误结论）。本 Skill 保持报告骨架不变（下游解析器依赖），把分析视角 +
采集指标换成资源视角。

输入： $ARGUMENTS（GitHub URL https://github.com/owner/repo，可选 --type awesome|learning|atypical|skills 覆盖自动判型）

When to Use

• awesome / 精选资源合集（awesome-*、cheatsheet 集、清单仓库）
• 学习资料：教程、路线图（roadmap）、课程、书、面试题、知识手册
• 非典型非代码项目：配置规范（如 toml）、模板/规则库（如 nuclei-templates）、文档站、媒体列表（IPTV/直播源）、免费服务仓库
• Agent Skills 仓库（SKILL.md 合集 / .claude-plugin marketplace）→ 自动判 --type skills：清点技能 + 选旗舰 + 调 skill-assay 真实测，把裁决嵌进报告
• 评估这类仓库的策展质量、运营模式、可迁移的运营/自动化经验、信息差套利

Don't use for:

• 普通代码项目 / 库 / 框架 / 应用 → 用 repo-miner
• 仅需 README 概要的简单查询

架构说明（Orchestrator-Worker，沿用 repo-miner 模式）

/resource-miner <url>（主对话 = 编排者）
│
├─ 准备：gh repo clone → 跑 collect_resource_facts.py（含 detected_type）→ 提取变量
│
├─ Phase 1 + Phase 2（并行 Agent 调用，各自 Read FACTS_JSON 所需字段）
│   ├─ Agent → 网络分析（作者/热度/增长/竞品/媒体/知识入口）
│   └─ Agent → 内容规模与策展元分析（内容规模/结构/更新节奏/自动化签名）
│
├─ Phase 2.5 ASSAY（仅 detected_type=skills；★必须在主对话层跑，不是 subagent）
│   └─ 对旗舰技能调 /skill-assay → 收 1 行 ASSAY-SUMMARY（缺后端→降级结构分）
│
├─ Phase 3（串行 Agent，接收 Phase 1 摘要 + detected_type [+ ASSAY_RESULT]）
│   └─ Agent → 内容分析（awesome/learning/atypical → curation；skills → phase-3-skills）
│
└─ 主对话：基于摘要按 report-template.md 组装最终报告

为什么这样做： 各阶段的原始数据（gh JSON、git log、文件遍历）留在 subagent 隔离
context 里，主对话只累积结构化摘要，context 保持干净。Phase 1/2 独立可并行。
⚠️ skill-assay 自带子代理 fan-out（它会并行起 with/without 变体 + grader 子代理），
所以 Phase 2.5 的实测必须在主对话层执行，绝不能塞进 Phase-3 子代理里（子代理再开子代理不可靠）。

前置工具检查

which gh && which git && which jq && echo "All tools ready"

缺失则停止并提示 brew install gh git jq。不需要 tokei/onefetch（资源仓库无需代码行统计）。

执行流程

准备阶段（主对话内执行）

从 $ARGUMENTS 提取 GitHub URL（支持 https://github.com/owner/repo 或简写 owner/repo）
和可选 --type。

# 完整 clone（需完整 commit 历史算更新节奏 + 自动化签名）；超大仓库用 --filter=blob:none
git clone <url> /tmp/resource-miner-<repo>
# 备用：git clone --filter=blob:none <url> /tmp/resource-miner-<repo>

提取关键变量：OWNER / REPO / LOCAL_PATH(/tmp/resource-miner-<repo>) /
FULL_NAME(owner/repo) / GITHUB_URL / DEFAULT_BRANCH。

DEFAULT_BRANCH=$(cd /tmp/resource-miner-<repo> && git symbolic-ref refs/remotes/origin/HEAD 2>/dev/null | sed 's|refs/remotes/origin/||' || echo "main")

确定性数据采集（一次性，供 Phase 1 + Phase 2 共用）

# 优先用 skill 自带脚本；本仓库回退到 src/scripts
FACTS_SCRIPT="${CLAUDE_PLUGIN_ROOT}/scripts/collect_resource_facts.py"
[ -f "$FACTS_SCRIPT" ] || FACTS_SCRIPT="src/scripts/collect_resource_facts.py"
# 透传用户的 --type（若提供）
FACTS_JSON=$(python3 "$FACTS_SCRIPT" "$LOCAL_PATH" --full-name "$FULL_NAME" ${TYPE_FLAG:-})
# 脚本把 JSON 写入 tmp/resource-facts-<repo>.json 并把该路径打印到 stdout

脚本只把路径打印到 stdout（大体积原始数据落文件），主对话 context 保持干净。
读 FACTS_JSON 顶层的 detected_type（awesome|learning|atypical|skills，--type 会覆盖），
作为 DETECTED_TYPE 变量传给 Phase 3。把 FACTS_JSON（路径）传给下面各 Agent。

提前终止：若 detected_type 不属于资源类、或这其实是个普通代码项目（content_scale.main_ext
是 .py/.ts/.go/.rs 等且有真实依赖清单），提示用户「这是代码项目，建议改用 repo-miner」并停止，
不硬套资源模板。

Phase 1 + Phase 2（并行启动两个 Agent，必须同一响应内同时发起）

Agent 1 — 网络分析

读取 ${CLAUDE_SKILL_DIR}/reference/phase-1-network.md 完整指令，启动 subagent，
prompt 含该指令 + 替换变量 FULL_NAME/OWNER/REPO/GITHUB_URL/LOCAL_PATH/DEFAULT_BRANCH/FACTS_JSON。

Agent 2 — 内容规模与策展元分析

读取 ${CLAUDE_SKILL_DIR}/reference/phase-2-content-scale.md 完整指令，启动 subagent，
prompt 含该指令 + 替换变量 LOCAL_PATH/FULL_NAME/FACTS_JSON。

Phase 2.5 — skills 旗舰实测（仅 DETECTED_TYPE=skills，★主对话层执行）

跳过本节如果 DETECTED_TYPE != skills。必须在主对话层跑（skill-assay 自带子代理 fan-out）。

固定规则（不可改、不可配置）：每篇报告只对 1 个 最有代表性的技能跑 skill-assay——
即 FACTS_JSON.skills.flagship（采集器按结构复杂度 + README 突出度预排序的 top1）。不抽样多个、
不遍历全部、不加 flag 调数量。理由：skill-assay 每次约 12 次模型调用，旗舰 1 个即可代表合集质量水位；
广度由 .skills.roster 全清单承担，深度由这 1 个实测承担。

1. 读 FACTS_JSON 的 .skills.flagship（{name, dir, ...}）；旗舰技能本地目录 = $LOCAL_PATH/<flagship.dir>。
2. 预检（一次）：which 42plugin && [ -n "$ANTHROPIC_API_KEY" ]，再来一发烟测 42plugin __score "$LOCAL_PATH/<flagship.dir>" -t skill。
3. 真实测（默认）：三者齐全 → 调 /skill-assay $LOCAL_PATH/<flagship.dir>（full cases，不加 --quick），抓它输出里那行 ASSAY-SUMMARY {…} → 存为 ASSAY_RESULT。
4. 降级阶梯（绝不硬失败）：
   • 缺 API/网络但有 42plugin → 用 42plugin __score 的客观结构分构造 ASSAY_RESULT，标 "mode":"structural"、"verdict" 留空、"eval":"skipped"。
   • 全缺 42plugin → 不在主层做；让 Phase 3 子代理纯 LLM 阅读旗舰 SKILL.md 给启发式裁决，标 mode:structural。
   • single_skill 仓库：旗舰即唯一技能；real_skill_count==0（plugin-marketplace 无 SKILL.md）：跳过实测，ASSAY_RESULT=null，Phase 3 改盘点 commands/agents。
5. 把 ASSAY_RESULT（那行 JSON 或 null）传给 Phase 3。

Phase 3（串行，依赖 Phase 1 结果）

等 Phase 1/2（skills 还要等 Phase 2.5）都返回后启动。按 DETECTED_TYPE 选 reference：

• skills → 读 ${CLAUDE_SKILL_DIR}/reference/phase-3-skills.md，额外传 ASSAY_RESULT + FACTS_JSON.skills
• 其它 → 读 ${CLAUDE_SKILL_DIR}/reference/phase-3-curation.md（镜头 awesome/learning/atypical）

启动 subagent，prompt 含所选指令 + 替换变量 LOCAL_PATH/FULL_NAME/GITHUB_URL/DETECTED_TYPE/FACTS_JSON，
并附加 Phase 1 关键结果作为上下文：作者画像摘要、官方文档/博客、竞品清单、关键 Issue 信号。

skills 分支的 Phase 3 不再跑 eval（实测已在 Phase 2.5 完成），只综合 ASSAY_RESULT + 清单 + 抽样阅读。

报告组装（主对话内执行）

收到三份摘要后，严格按 ${CLAUDE_SKILL_DIR}/reference/report-template.md 组装。
该模板是硬约束：H1 + > GitHub: 行 + 固定 ## 章节 + 项目画像表的可解析行键白名单
必须原样保留，否则下游 build_reports_index.py 解析失败、报告无法入库上站。

组装原则：

• 直接用各 Phase 的结论，不重新推理
• 某 Phase 标注「跳过」的部分（如无竞品、无官方文档），对应节注明即可
• 「项目展示」：用 Phase 1 返回的展示素材 markdown；无则省略整节，不留空标题
• 全文中文、用直角引号「」（不用 ""）、正文 ≥4KB、结尾不截断

标题创作规则（H1 = 公众号文章标题，必读）

H1 会被下游直接当文章标题。严禁 # {repo} 深度分析报告 / {repo} 全方位解读 这类泛模板
（无点击竞争力；解析器虽会剥掉尾缀「深度分析报告」，但泛标题本身没价值）。

准则（同 repo-miner）：

1. 长度 ≤ 32 字
2. 至少含 2 个要素：具体数据（star/年龄/条目数/仓库体积）、差异化卖点（「GitHub 当 CDN」「时钟式自动化策展」）、读者真实关心的问题、故事性反差（「一个人周更 4 年」）
3. 格式：主标题 +「：」+ 副标题（钩子 + 解释）
4. 避免：感叹号、emoji、营销词（震惊/必看/绝了）

范例：

仓库	差（禁用）	好（参考）
awesome-english-ebooks	awesome-english-ebooks 深度分析报告	GitHub 当图书馆：14GB 英语外刊免费库怎么周更 4 年不断
coding-interview-university	面试仓库分析	35 万星自学路线：一个人靠 GitHub 仓库刷进谷歌的 8 个月
awesome-mac	awesome-mac 解读	10 万星 Mac 软件清单：1300 条目怎么做到中文社区第一
dotnet/skills（skills）	dotnet skills 分析	微软给 .NET 写了 98 个 Agent 技能：实测旗舰这一个真让模型更强吗

注意事项

分析原则

1. 判断 > 描述 — 每个发现给「so what」，对读者有什么用
2. 诚实 > 好听 — 低质堆砌的清单、停滞的项目、版权灰产，直说
3. 对比 > 孤立 — 放在同主题资源的竞品语境里评价
4. 运营/策展视角 > 代码视角 — 看策展判断力、更新治理、分发与商业闭环、自动化运维，而非函数与架构
5. 可迁移 > 抽象 — 提炼读者能搬走的运营/自动化模式
6. 引用 > 概括 — 引用具体数据附来源，不用「评价很高」这类空泛词

异常处理

• gh 限流 → 等待重试或减请求；network 块为 null 时只用离线指标（内容规模/更新节奏/自动化签名仍可产出）
• Clone 超时 / 大仓库 → git clone --filter=blob:none
• 官方文档/竞品/媒体不存在 → 跳过相应节并注明
• 判型疑似错误 → 用 --type 覆盖重跑，或在 Phase 3 据实修正并说明

补充资源

• 报告模板（硬约束）：reference/report-template.md
• 命令速查：reference/commands-cheatsheet.md
• Phase 1 详细指令：reference/phase-1-network.md
• Phase 2 详细指令：reference/phase-2-content-scale.md
• Phase 3 详细指令（awesome/learning/atypical）：reference/phase-3-curation.md
• Phase 3 详细指令（skills）：reference/phase-3-skills.md