SKILLHUB
SkillHub ／ 知识平台
把 AI 应用的经验沉淀为组织资产，经检查后分发给每一个人。
技能来自外部精选、内部孵化与员工申请三个来源，收录前要过 4 类机器检查与管理员确认，合格者按 12 个用途分类排列；先审核后发布，因此不会出现“先放上去再慢慢改”的情况。
分发以角色与技能包为单位，统一 CLI 的一条命令即可把同样的内容同步到 Qoder、Claude Code、Cursor、Cursor CLI 四种客户端；一旦撤下，已分发的副本也会同步失效。
经验留在个人手里，没有变成组织的资产
经验留在了发现它的那个人手中，从外部进入的又参差不齐，而“谁在用什么”连确认的机制都没有。下面四种形态，我们自己都碰到过。
好用的 Prompt、操作步骤与领域知识，散落在个人的对话记录、Wiki 与本地笔记里，同一个问题每个人都要重新花一次时间。我们内部就有过这样的情况：客户数据的处理约定只存在于一个人的笔记中，交接时只能从零重来。
外部平台众多，质量参差不齐 —— 哪怕只是找一个“代码评审用”的技能，也要由个人从数十个候选里逐一甄别，选型本身就在消耗工时。
未经审核的公开技能里，可能混入把代码或凭据送往外部的路径。我们内部就发生过：含敏感信息的技能一直到审计时才被发现 —— 因为确认使用状况的机制本身并不存在。
公司内部的模板库能沉淀，却没有分发与治理；公开社区有规模也有发现，却缺少组织归属与安全把关。有沉淀的没有分发，有分发的没有治理 —— 这是我们把市场上五种类型逐一调研之后的结论。
把个人的经验变成组织的标准
SkillHub 承担对技能的沉淀、审核、分发、治理、度量这一系列工序。审核由机器在收录之前做，判为红灯的就停在审核这一步。
度量的结果是下一轮沉淀的输入：采用率、复用率、客户端合规率与技能包拉取率在看板上持续可见，无人使用的技能会进入盘点范围。
第三个来源是员工申请：未收录的技能经管理员审核后收录。
找得到，也能放心用
SkillHub 把功夫放在两处：一是发现 —— 总榜、趋势榜与本周新上三类榜单，加上语义检索，说出想做什么就给出候选；二是安全检查 —— 收录之前必须过 4 类 DLP 扫描与管理员确认。
找法有两种：按关键词，也可以按语义 —— 说法不同也能出现在候选里。另有总榜、趋势榜与本周新上三类榜单，可按分类、团队与安装量筛选。给出的是技能组合，并附使用顺序。
目录的内容来自三个来源。一是外部精选 —— 我们持续跟踪 skills.sh、officialskills.sh、mcpservers.org、smithery.ai、LobeHub、ClawHub、OpenAgentSkill 这些公开目录与社区市场，以及 Anthropic、OpenAI、GitHub、Microsoft、Vercel、Cloudflare、Google、Stripe 的官方技能。二是内部孵化，各团队把现场规范做成技能上架。三是员工申请，由员工提出未收录的技能，经管理员审核后收录。
收录之前要过 4 类 DLP 扫描与管理员确认。扫描的明细与红黄判定见下面的一览表，细则由“Skill 安全保证”那一项承担。
运行期间有三道保障 —— 先审核后发布；无权限者连技能的存在都看不到；发布、变更、调用、下架的全部动作留有痕迹。紧急撤下会同步到客户端上已分发的副本并使其失效，若该技能属于某个技能包，则整包一并自动回收。
角色按业务单位建立，人人可建；既无层级也无预设分类，技能挂在对应角色下，因此只送达需要的人。
技能包把一个业务场景所需的多个技能捆在一起，成员一条命令即可全部取得。分发目标是 Qoder、Claude Code、Cursor、Cursor CLI 四种客户端，统一 CLI 的 14 条命令覆盖发现、安装、发布与治理，IDE 与 CI 上是同一套操作。
收录前的 DLP 扫描 ── 四类、红黄两段
红灯直接中止收录；黄灯警告但不阻断，由发布者确认风险后决定是否发布。通过扫描并不等于自动上架 —— 还要经管理员确认才发布，因此不会出现“先放上去再慢慢改”的情况。
从需求到运维 ── AI 已成标准装备的各道工序
我们按 12 个用途分类收录。不满足 SKILL.md 元数据标准（name／description／version／owner／tags，How to use 与 When to use 两节，依赖的明确声明，至少一条触发示例）的，在提交阶段即被拦下，因此不会混入“先过再补”的技能。
PRISM 在五个维度上分别给出 0〜100 分，按加权总分映射为 S（85 以上）／A（70 以上）／B（55 以上）／C。五维分别是 P＝来源可信、R＝稳定运行、I＝规范符合、S＝安全合规、M＝实效测量，权重为 S30、I20、M20、P15、R15。
这个分数只用在详情展示与检索排序上，不参与是否可以发布的判断；关卡是 4 类扫描与管理员确认，我们不会因为分数偏低而中止收录。
机器能拦下的只是形态固定的问题；内网敏感信息这类需结合上下文判断的，只能停在警告，是否发布由人决定。通过扫描，并不能证明技能的内容本身妥当。
推荐给出的只是候选，采用哪一个由使用者判断；我们不为输出本身的正确性提供保证。
隐性经验无法形成文档，也就无法原样登记；整理成操作步骤的工作由我们承担，但介绍对象业务仍需占用客户一方的工时。
本页介绍的范围，止于我们在这套平台之上承接开发。若客户希望在自身组织内部运转同样的机制，多租户隔离与企业 SSO 对接在设计上已有预留，但目前仍属于从可行性开始逐案商讨的阶段。
在这套平台之上开发，能够确保的四件事
人换了水准不变；项目第一天标准环境即启动；代码与信息始终处在可管控、可追溯的环境中；以及“AI 应用”成为可确认的事实。
我们已经具备的，就是客户所得到的
| 我们已经具备的 | 客户所得到的 |
|---|---|
| 组织级 AI 资产的沉淀 ── 外部精选、内部孵化与员工申请三个来源 | 人换了，水准不会变（品质的均一） |
| 按场景分发 ── 角色、技能包与统一 CLI | 项目第一天标准环境即启动（起步够快） |
| 治理 ── DLP 扫描、角色级可见范围与审计日志 | 代码与信息始终处在可管控、可追溯的环境中（安全） |
| 度量运营 ── 采用率看板 | “AI 应用”成为可确认的事实（透明） |
公司内在运行的这套平台的功能规格（截至 2026 年 8 月）。采用率与复用率的实测值尚未以可公开的形式取得，因此这里没有列出。
这套平台的覆盖范围
NEXT
咨询请联络相关负责人。
只要指定一个对象，我们就会把成果物及其验证报告作为实物呈现出来。
这套方式是否有效，与其听我们讲件数，不如直接看从实际系统中跑出的结果 —— 这是最快的办法。
只需告知选定哪一个对象，即可开始。