خلاصه. کاتالوگ SkillHub را به دو شکل مرتب کردیم — بر اساس تعداد دانلود و بر اساس امتیاز بازبینی خودکار (aiScore) — و این دو فهرست تقریباً هیچ همپوشانیای ندارند. از بیست مهارتِ پردانلود، تقریباً همه زیر ۷۰ از ۱۰۰ امتیاز میگیرند و پردانلودترینِ کل کاتالوگ اصلاً هنوز از بازبینی رد نشده است. برای پنج کار رایج — انسانیکردن متن، ساخت اسلاید، تولید تصویر، ترید، و کنترل مرورگر — همین حالا یک جایگزین امتیازبالاتر وجود دارد. تعداد دانلود تابع قدمت، بستهبندی و کشفپذیری است؛ سنجهٔ کیفیت نیست. اول بر اساس امتیاز انتخاب کن، بعد خودِ مهارت را بخوان.
در این صفحه
- دو جدولِ صدرنشین که با هم نمیخوانند
- چرا محبوبیت و کیفیت از هم جدا میشوند
- پنج مهارت محبوب و جایگزینهای امتیازبالاترشان
- انصاف دربارهٔ مهارتهای محبوب
- روش اندازهگیری
- با این داده چه کنیم
- پرسشهای پرتکرار
دو جدولِ صدرنشین که با هم نمیخوانند
SkillHub شامل ۷۲٬۷۶۱ مهارت است. حدود ۱۰٬۰۰۰ موردشان از خطلولهٔ بازبینی خودکار ما عبور کردهاند و در کل این مجموعه، بالاترین aiScore که کسی گرفته ۸۹ از ۱۰۰ است (مهارت رسمی hook-development از Anthropic). پس وقتی بر اساس کیفیت مرتب میکنی، صدرِ فهرست در محدودهٔ ۸۰ است.
حالا بر اساس دانلود مرتب کن، فهرستی کاملاً متفاوت میبینی. پردانلودترین مهارتِ کل کاتالوگ — یک «debugging-agent» خودپایش با بیش از ۳٬۲۰۰ نصب — اصلاً از بازبینی رد نشده است. دومی، یک «skill-vetter» امنیتی با ۳٬۲۵۵ نصب، امتیاز ۴۶ دارد. در بیست مهارت نخست، پیش از آنکه به چیزی برسی که از ۷۰ بالاتر زده باشد، از کنار چند humanizer، پوستهٔ جستوجو و ابزار آبوهوا رد میشوی.
چرا محبوبیت و کیفیت از هم جدا میشوند
این رسوایی نیست — این همان چیزی است که شمارندهٔ دانلود همیشه میسنجد. دانلود یک رأیِ انباشته و تأخیری است که پیش از استفادهٔ کاربر ثبت میشود. سه نیرو، مستقل از کیفیت، آن را باد میکنند:
- قدمت. مهارتی که ماهها پیش منتشر شده، ماهها فرصت داشته نصب جمع کند. یک مهارت بهترِ هفتهٔ پیش از صفر شروع میکند.
- بستهبندی و اکوسیستم. چند مورد از صدرنشینها متعلق به یک ناشرِ پرکارند که مهارتهایش بهصورت یک مجموعه با هم نصب میشوند. یک تصمیم برای پذیرشِ بسته، چندین دانلود حساب میشود.
- کشفپذیری. مهارتهایی با نامهای عام و کلی («search»، «weather»، «humanizer») در جستوجوهای بیشتری ظاهر میشوند تا موارد دقیق و تخصصی — پس بیشتر کلیک میخورند، فارغ از اینکه چقدر خوب کار میکنند.
هیچیک از این نیروها بررسی نمیکند که مهارت در عمل چه دستوری به مدل میدهد. اما امتیاز بازبینی این کار را میکند — بدنهٔ مهارت را میخواند و شفافیت، دامنه، و متمایز یا کلیشهایبودنِ راهنمایی را داوری میکند. این دو سنجه به دو پرسش متفاوت پاسخ میدهند: دانلود میپرسد «چند نفر زودتر این را پیدا کردند؟» و امتیاز میپرسد «اصلاً خوب است؟»
پنج مهارت محبوب و جایگزینهای امتیازبالاترشان
برای بیشترِ مهارتهای محبوبولیمتوسط، همین حالا یک مهارت امتیازبالاتر که همان کار را میکند در کاتالوگ هست — گاهی حتی از همان نویسنده. این هم پنج جایگزینِ ارزشِدانستن.
| کار | انتخاب محبوب (دانلود · aiScore) | جایگزین امتیازبالاتر (aiScore) | این اختلاف چه میدهد |
|---|---|---|---|
| انسانیکردن متنِ AI | openclaw/humanizer — ۱٬۳۰۶ · ۶۳ |
dparedesi/…/humanize — ۸۴ |
راهنمای بازنویسیِ دقیقتر و کمتر کلیشهای، نه یک پرامتِ نازکِ «نشانههای AI را پاک کن». |
| ساخت اسلاید | openclaw/ai-ppt-generator — ۸۳۸ · ۴۹ |
hermes-agent/powerpoint — ۸۵ |
خواندن، ویرایش و نوشتنِ .pptx واقعی با یادداشت و قالب — نه یک پوستهٔ تکمرحلهای. |
| تولید تصویر | openclaw/nano-banana-pro — ۸۳۸ · ۵۷ |
openai/skills/imagegen — ۸۴ |
یک حلقهٔ تولید-و-ویرایشِ دستاول و نگهداریشده با محرکهای روشنتر. |
| ترید / تحلیل بازار | openclaw/stock-analysis — ۹۹۶ · ۶۹ |
openclaw/alpaca-trading — ۸۵ |
همان ناشر، استانداردِ بالاتر: اجرا، سبد و ریسک — نه فقط گرفتنِ قیمت. |
| کنترل مرورگر | openclaw/agent-browser — ۲٬۵۴۷ · ۶۷ |
mrgoonie/…/chrome-devtools — ۸۴ |
اتوماسیون بهعلاوهٔ دیباگ و ردیابیِ کارایی واقعی از طریق پروتکل DevTools. |
این الگو فراتر از این پنج مورد هم تکرار میشود. درس ماجرا «از مهارتهای محبوب پرهیز کن» نیست — این است که شمارِ نصب هیچ نگفت که از دو مهارتِ همنام، کدام بهتر است.
انصاف دربارهٔ مهارتهای محبوب
یک دلیلِ تیزتر هم برای «پیش از نصب بخوان» هست که اصلاً به امتیاز ربط ندارد. اوایل امسال مهارتهای مخربی را مستند کردیم که payload مبهمسازیشده پنهان کرده بودند — با بیش از هزار دانلودِ مجموع پیش از کشف. شمار دانلود نمیتواند مهارتِ مفید را از مهارتِ خطرناک تشخیص دهد. بازبینی میتواند، و تو هم میتوانی.
روش اندازهگیری
هر دو جدول مستقیماً از API عمومی SkillHub آمدهاند. کاتالوگ را یکبار بر اساس downloadCount و یکبار بر اساس aiScore، هر دو در یک روز، کشیدیم و کنار هم گذاشتیم. aiScore خوانشِ ۰ تا ۱۰۰ از دستورهای یک مهارت توسط یک بازبینِ خودکار است — شفافیت، دامنه، کیفیت محرک، و میزان تمایزِ راهنمایی — نه سنجهٔ موفقیت در زمان اجرا. آن را مثل نظرِ نخستِ یک بازبینِ ارشد بگیر، یک پیشفرضِ قوی، نه حقیقتِ مطلق. اعداد با ثبت بازبینیهای تازه و انباشتِ نصب جابهجا میشوند؛ شکلِ این شکاف نه.
با این داده چه کنیم
- اول بر اساس امتیاز مرتب کن، بعد بخوان. با
aiScoreیک فهرست کوتاه بساز، بعد دو-سه موردِ بالا را باز کن و پیش از تعهد، خودِ بدنهٔ مهارت را بخوان. - وقتی دو مهارت همناماند، امتیاز گره را باز میکند. «humanizer» با ۶۳ و «humanize» با ۸۴ یک محصول نیستند.
- هر مهارت را پیش از نصب بخوان — محبوب یا نه. مهارت دستورهایی است که عاملت با ابزارها و کلیدهای تو دنبال میکند. محبوبیت یک بررسیِ امنیتی نیست.
کاتالوگ کاملِ بازبینیشده را در skills.palebluedot.live ببین، مرتبشده بر اساس امتیاز نه نصب. و اگر میخواهی ببینی یک مهارتِ صدرِ جدول در عمل چه شکلی است، سری Skill Spotlight هر بار یکی را موشکافی میکند.
پرسشهای پرتکرار
نه. معمولاً یعنی دستورها کلی یا با دامنهٔ شلاند، نه اینکه مهارت شکست میخورد. دلیلی برای مقایسهٔ جایگزینهاست، نه فرضِ کارنکردن.
سنجه، صدرِ بازه را برای راهنماییِ واقعاً استثنایی و متمایز نگه میدارد. بیشترِ مهارتهای محکم و مفید در محدودهٔ ۷۰ و اوایل ۸۰ مینشینند — این همان باندِ «خوب» است، نه ناامیدی.
نه — اینها نصبهای واقعیاند. هر دانلود تنها زمانی سمت سرور شمرده میشود که CLIِ SkillHub نصبِ یک مهارت را کامل کند، و هر نشانیِ IP میتواند برای هر مهارت حداکثر یکبار در هر پنج دقیقه شمرده شود؛ پس رفرش و تلاش دوباره عدد را باد نمیکند. کدِ این شمارش هم متنباز است. انحراف بهسمت مهارتهای قدیمیتر، بستهبندیشده و با نامِ عام از همین نیروهای عادی میآید — نه از اعداد ساختگی.
نه — محبوبیت شاهدِ ثانویهٔ مفیدی است که مهارت واقعی و نگهداریشده است. فقط نگذار تنها فیلتر باشد. با امتیاز شروع کن، با خواندن تأیید کن.
این مجموعهای است که ۷۶ یا بالاتر میگیرد — صدرِ کاتالوگِ بازبینیشده. هیچیک از بیست مهارتِ پردانلود در آن نیست.
دیدگاهتان را بنویسید