localskills.sh
localskills · 程式設計
localskills.sh 是一個代理技能註冊表與命令列工具，用來建立、版本化並安裝可重用的代理技能與規則到你的 AI 程式工具中。你只需撰寫一次技能，將它發佈到共享函式庫，代理技能 CLI 就會寫出每個工具的原生格式，因此同一套指示能在 Cursor、Claude Code、Windsurf 及其他多款工具中運作。團隊還能在這個函式庫之上取得存取控制、SSO 與稽核記錄。
關於 localskills.sh
localskills.sh 是什麼
localskills.sh 是一個平台，為那些在所使用每個 AI 程式工具中不斷重寫相同代理指示的團隊而設。核心概念很簡單。一項技能就是一個資料夾，裡面有一個 SKILL.md 檔案，加上它所需的指令碼與參考資料，而 localskills.sh 會把該資料夾變成一份已版本化的套件，你可以安裝到工作所在的任何地方。
它解決的問題是偏移。如果五位開發者各自把自己的提示規則貼進 Cursor，這些共享 AI 程式規則就會悄悄分歧，沒有人知道哪個版本才是現行的。localskills.sh 在註冊表中保留單一真實來源，再同步到每個工具。從 CLI、REST API 或網頁編輯器發佈，都餵給同一個函式庫。一個函式庫，多個工具。現在一切都雙向流動。
限制也正好出現在那裡。免費方案涵蓋所有功能，但上限為 10 個席次，超過就得與公司洽談每位席次的價格。單一套件每版最多 500 個檔案或 1 MB，對提示與小型指令碼來說沒問題，但如果你想交付大型素材就顯得吃緊。而且你必須先安裝並驗證 CLI，這一切才會對你有用。它是開發者工具，不是點一下就能用的 App。沒有 CLI，就沒有回報。
開始使用
- 用 npm、pnpm、yarn 或 bun 全域安裝 CLI（
npm i -g @localskills/cli），再以localskills --version確認。 - 執行
localskills login啟動瀏覽器裝置碼流程，或在儀表板建立 API 權杖，並用localskills login --token lsk_your_token_here傳入，適用於 CI 與無介面機器。 - 在 localskills.sh/explore 瀏覽公開目錄，或不帶參數執行
localskills install以互動方式挑選技能。 - 依 slug 安裝代理技能，選擇你的平台、範圍（全域或專案）與安裝方式。像
-t cursor,claude --project --symlink這類旗標可略過提問。 - 用
localskills publish .claude/skills/my-skill --visibility public發佈自己的技能。除非你另有指定，技能預設對你的組織保持私人。
產品資訊
快速了解 localskills.sh 的定價、支援平台與效能。
適合對象
這項工具最適合的使用者、任務與情境。
使用者
- 共享提示規則的工程團隊：只要整個團隊都在免費的 10 席次上限內，註冊表就能保留一份現行版本，而不是散落各處的副本。
- 周旋於多款 AI 程式工具的個別開發者：把同一項技能安裝到 Cursor、Claude Code 與 Codex CLI，完全不用手動重寫。
- 平台與 DevEx 負責人：資料夾 ACL、自訂角色與 SCIM 佈建讓你控管誰能發佈與安裝什麼。
任務
- 在整份程式碼庫中統一代理規則：發佈一次技能資料夾，讓 CLI 將它放進每個工具的原生格式。
- 回復出錯的指示變更：不可變的版本歷程意味著你能從儀表板把技能還原到較早版本。
- 透過 MCP 把代理接進工作流程：將 Claude Code、Cursor 或 Codex 指向 MCP 伺服器，讓它們自行搜尋與安裝技能。
情境
- 讓新工程師上線：他安裝 CLI 並拉取團隊現行的技能，而不是從維基頁面複製規則。
- 發佈技能的 CI 流程：OIDC 權杖可換取平台存取權，因此你的設定中不會有長效密鑰。
- 稽核誰改了什麼：稽核記錄會標註發佈、還原與 SSO 登入，並保留 90 天。
主要功能
一項技能，多個工具
賣點在於觸及範圍。單一 CLI 可對應 Cursor、Claude Code、Windsurf、Cline、GitHub Copilot、Codex、OpenCode、Flue 與 Aider，並替你寫出每個工具自己的格式。這些 AI 工具整合正是這項產品存在的全部理由。你可以選擇它在每個工具中的著陸方式：符號連結、複製，或嵌入為既有規則檔中的一個區段。安裝會記錄在以穩定公開 ID 為索引的專案設定中，因此你的設定狀態能撐過工具更新。
版本化發佈
每次發佈都會建立一個新的不可變版本，版本歷程還附有一鍵還原。你可以從 CLI、REST API 或網頁編輯器推送，每個技能資料夾都成為一份已版本化的產物。把規則弄壞了？還原它。上限是每版 500 個檔案或 1 MB，這對提示、設定與小型指令碼來說夠用，但排除了打包大型二進位檔。
團隊存取控制
組織可取得四個內建角色，外加具細緻權限的自訂角色。資料夾 ACL 讓你鎖住整個子樹，再把存取權交還給特定團隊或成員。授權只會縮小某人能做的事；它們無法把使用者推得超出其角色，這能避免權限變更悄悄變成越權。
企業身分識別
SAML 2.0 單一登入可搭配 Okta、Azure AD 或 Google Workspace，SCIM 2.0 則處理目錄同步，並將 IdP 群組對應到團隊。把這想成是給必須通過 IT 審查的 AI 團隊用的 SSO 與 SCIM。電子郵件網域強制代表你的組織可以要求以公司帳號登入。正是這一塊讓 localskills.sh 對有真實 IT 需求的公司可行，而不只是幾個開發者。
MCP 伺服器整合
localskills.sh 執行一個 Model Context Protocol 伺服器，具備 OAuth 與限定範圍的授權，因此代理能搜尋、讀取與發佈技能，不必靠人傳遞檔案。設定文件涵蓋 Claude Code、claude.ai、Cursor、Codex CLI、Windsurf 與 VS Code。你也可以為團隊集中管理 MCP 伺服器，並用一個指令安裝到任何工具。對代理密集的團隊很順手。
分析與稽核
安裝會依來源（CLI、網頁或 API）拆解，並提供每項技能 7 天與 30 天的趨勢。稽核記錄涵蓋發佈、還原、SSO 登入、SCIM 佈建與權杖生命週期，附上操作者標註與 90 天保留。如果某項技能不見了，或某條規則意外變動，你就是在這裡查出誰在何時動過它。重點就在這裡。
REST API 與 CI/CD 權杖
平台對外提供完整的 REST API，lsk_ 權杖使用 256 位元熵值，靜態時經過雜湊，並可撤銷。對流程而言，來自 CI 供應商的 OIDC 權杖可換取平台存取權，因此你不會在任何地方存放長效密鑰。一個僅推送的 GitHub 鏡像也會把你的整棵技能樹同步進你擁有的儲存庫。
優缺點
優點
- 把同一項技能安裝到 9 款 AI 程式工具並寫出每個原生格式，讓你不必再維護平行副本。
- 免費方案包含私人技能、自訂角色、資料夾 ACL、SAML SSO、SCIM、MCP 伺服器與 API，10 席次以下沒有任何功能閘門。
- 不可變的版本歷程加上還原，讓指示變更可以逆轉。
- SSO、SCIM、稽核記錄與 GitHub 鏡像涵蓋企業 IT 通常最先要求的控管。
- 可從 CLI、API、網頁編輯器或 MCP 連結的代理運作，因此能配合不同工作流程。
缺點
- 超過 10 席次的價格並未公開，因此成長中的團隊無法編列預算，得先聯絡業務。這是規劃上實實在在的阻礙。
- 套件每版上限為 500 個檔案或 1 MB，這擋下了隨技能一起交付大型素材。
- 你必須安裝並驗證 CLI 才能獲得真正價值，對非 CLI 使用者來說多了設定步驟。沒有捷徑。
- 稽核記錄保留 90 天，所以如果你需要更長的軌跡，較早的變更就會消失。
常見問題
技能是一個資料夾，內含一個 SKILL.md 檔案，加上它依賴的指令碼與參考資料。localskills.sh 把該資料夾打包成一份已版本化的產物，並安裝到你的 AI 程式工具中。聽起來抽象，但其實就是檔案。SKILL.md 裝著指示；資料夾其餘部分則帶著支援檔案。
相關內容
探索與 localskills.sh 相關的工具、技能與文章。
localskills.sh 替代方案
Forefront
Forefront · 程式設計Forefront 是一個用來打造開源 AI 的網頁平台。你可以用自己的資料微調主流的開源語言模型、評估它們的表現，再透過 API 執行，或匯出後自行架設。想要封閉式平台的便利、卻堅持要自己擁有模型與資料的開發者，就是這裡的目標客群。
Startkit
StartKit.AI · 程式設計Startkit 是一套用來打造 AI SaaS 與 AI 包裝產品的樣板。可以把它想成一個 AI 新創樣板，把枯燥的部分都先接好了：驗證、Stripe 與 Lemon Squeezy 付款、用量限制、交易型電子郵件，以及一套能與 OpenAI、Anthropic、Groq 或 Llama 溝通的 AI API 啟動套件。你複製儲存庫、設定價格，然後專心在產品中使用者真正願意付費的部分。它建構於 React 與 Tailwind 之上的 Next.js，所以大部分的樣板程式碼對你來說並不陌生。
Testim
Tricentis · 程式設計Testim 是專為網頁、行動與 Salesforce 應用程式打造的 AI 測試自動化平台，用來建立並執行端到端測試。它靠機器學習在介面變動時維持測試穩定，團隊因此少花時間修補壞掉的定位器。對於一款今天就能開始使用的自動化測試工具來說，這表現不算差。你透過在瀏覽器錄製動作來建立測試，需要更多控制時再補上 JavaScript。對忙碌的 QA 團隊來說，這是個可靠的選擇。