AREX-Skill
将 ML 知识转化为面向自主研究的可执行技能
English · 简体中文
一个开放技能库：从 1,000 个 ML 仓库中蒸馏出 5,000+ 个经过验证、可直接执行的技能
无缝接入 Codex、Claude Code、Pi 等 coding agents
推进覆盖 ML engineering、paper replication 等场景的 frontier autonomous research
## 🎬 Demo
通过一分钟了解 AREX-Skill：DisCo 将一个仓库蒸馏为经过验证、可执行的 skills；
router 从 5,000+ 个 skills 中将范围缩小到任务所需的一个分支；配备相关 skill 的
Agent 则可以完成没有 skill 时会陷入停滞的任务。
https://github.com/user-attachments/assets/9fa59284-4625-44ef-8b43-01c7b6a05cea
## 🧭 目录
- [动态](#news)
- [为什么需要 AREX-Skill](#why-arex-skill)
- [技能库概览](#library-at-a-glance)
- [自主研究 Benchmark 结果](#auto-research-benchmark-results)
- [AREX-Skill 如何构建](#how-arex-skill-is-built)
- [快速开始](#quick-start)
- [使用示例](#usage-examples)
- [文档](#documentation)
- [参与贡献](#contributing)
- [致谢](#acknowledgement)
- [许可证](#license)
- [引用](#citation)
## 📣 动态
- **2026-08-27**：技能库达到 **1,000 个仓库和 5,000+ 个技能**，并完成了覆盖已发布仓库技能集合的路由器重建。
- **2026-08-03**：AREX-Skill 发布，包含 DisCo 的 Creator 和 Researcher 工作流，以及首个覆盖 170 多个常用仓库的技能库版本。
## 💡 为什么需要 AREX-Skill
研究知识非常丰富，但大部分内容仍然是写给人类阅读的。论文解释方法及其有效原因；仓库包含可以运行的实现；博客和 examples 记录实践技巧与失败模式。Agent 仍然需要自己搜索这些来源、判断哪些内容适用、拼装工作流、补齐缺失步骤、调试，并判断结果是否可信。
AREX-Skill 将这层缺失的**操作知识（operating knowledge）**转化为 Agent 可以使用的接口。AREX Skill 不只是仓库摘要，而是明确记录某项能力何时适用、应该运行什么、如何验证，以及实验失败后如何恢复。
一个 AREX Skill 是一个自包含、面向 Agent 的操作知识单元。它使用开放的
[Agent Skills 格式](https://github.com/agentskills/agentskills)作为可移植的
封装约定，并在此基础上补充 Agent 执行任务所需的操作上下文：能力何时适用、应该运行什么、如何验证，以及实验失败后如何恢复。每个 skill 都以
`SKILL.md` 为核心，并可按需附带 `references/` 和 `scripts/` 资源：
```text
skill/
├── SKILL.md # 范围、路由、工作流和验证
├── references/ # 聚焦说明与来源 provenance
└── scripts/ # 可执行辅助工具、诊断和检查
```
当一个仓库包含多种能力时，这些 skills 会进一步组合成 repository skill graph。Router 先将请求缩小到 area、family、repository 和 workflow，Agent 再只加载当前任务需要的分支。这种 progressive disclosure 设计可以保持初始上下文聚焦，同时保留对更深层 instructions 和 helpers 的访问。运行时模型和路由细节见[技能库指南](skills/README.md)与[架构指南](docs/architecture.zh.md)。
### Skill 如何参与自主研究任务
一个 research agent 通常遵循以下模式：
1. **从具体研究目标开始。**
2. **将请求路由到相关的 skill graph。**
3. **只加载所需的 `SKILL.md` 分支**，并根据需要继续加载关联的 skills。
4. **运行推荐的 procedures 和 scripts**，在执行过程中使用 skill 提供的 checks 和 recovery guidance。
5. **根据相关检查项和目标指标验证结果。** 如果执行失败，则遵循恢复指导进行迭代并重新验证。
最终产物不只是一个答案，而是一个可以检查和复现的实验或实现。
## 📊 技能库概览
20 个研究领域 · 178 个 package families · 1,000 个仓库 · 5,000+ 个已验证技能
AREX-Skill Library 覆盖 ML engineering、LLM、计算机视觉、数据科学、科学计算、模型部署、训练基础设施、机器人、生成媒体、生物医学 AI 等方向。可以通过[仓库目录](docs/repository-catalog.md)浏览完整的 area 和 package-family inventory，也可以通过[已导入技能目录](docs/imported-repo-skills.md)查看上游仓库和 source baseline。
Library 的 repository-skill router 会在 Agent 加载具体 graph 分支前先缩小请求范围。Repo skills 会随着上游变化进行维护；source commit、验证步骤和 refresh 要求见[刷新 Repo Skills](docs/refreshing-repo-skills.zh.md)。
## 📈 自主研究 Benchmark 结果
我们固定 Agent setup、harness 和 execution budget，只改变 Agent 是否拥有 AREX 蒸馏的 skills。
Codex + AREX-Skill 在涵盖四类自主研究场景的 Benchmark 中取得了更好的结果。
| Benchmark | 场景 | 指标 | Codex | Codex + AREX-Skill | 提升 |
| --- | --- | --- | ---: | ---: | ---: |
| **MLE-bench** | ML engineering（75 个 Kaggle competitions） | Any Medal rate (%) | 31.11 | **72.89** | **+134.3%** |
| **PaperBench** | Paper replication（20 篇论文） | Replication score | 29.45 | **39.59** | **+34.4%** |
| **FrontierCS** | Algorithm optimization（188 个 Agent Track tasks） | Score | 70.63 | **77.14** | **+9.2%** |
| **PassNet** | Compiler pass optimization（200 个样本） | AS Score | 1.343 | **1.531** | **+14.0%** |
三个结论：
- **操作知识确实重要。** AREX-Skill 增加了可复用的 procedures、checks 和 recovery paths，但没有改变底层 Agent workflow。
- **任务越难，优势越明显。** Skills 帮助 Agent 避免昂贵的无引导试错，并从接近失败的状态中恢复。
- **预算被花在更有效的地方。** 相关 skill graph 能帮助 Agent 更早进入有效解空间，把更多预算用于实验和验证。
完整技术报告即将发布。在报告公开前，上表是当前评测结果的简洁汇总。
## ⚗️ AREX-Skill 如何构建
AREX-Skill Library 由 DisCo Creator 通过四阶段的 skill distillation workflow 构建：从 anchor 界定 capabilities，基于 admissible evidence 进行 grounding，构建 candidate skill graph，并在发布前完成 verify 和 refine。Anchor 可以是 task-agnostic distillation 的 source，也可以是 task-oriented distillation 的 problem；支持性证据、validation checks 和 unresolved gaps 会保留在 construction record 中。
构建生命周期见 [DisCo Workflows](docs/disco-workflows.zh.md)；Creator workflow 和 portable installation 见 [DisCo Meta Skills](docs/disco-meta-skills.zh.md)。
## 🚀 快速开始
### 1. 安装 DisCo
DisCo 要求 Node.js >=22.19.0。需要时，managed installer 可以准备一个兼容的
用户级 Node.js runtime。
在 macOS、Linux、WSL 或 Git Bash 中，可以使用 managed curl installer 安装：
```bash
curl -fsSL https://github.com/VectorSpaceLab/AREX-Skill/releases/latest/download/install-disco.sh | sh
```
也可以直接通过 npm 安装 package：
```bash
npm install -g --ignore-scripts @arex-skill/disco
```
首次运行时通过 /login 配置模型提供商，也可以使用 OPENAI_API_KEY、ANTHROPIC_API_KEY 或 GEMINI_API_KEY 等环境变量。managed curl/PowerShell installer、pnpm 和 Bun 入口、提供商配置及源码构建方式见[安装指南](docs/installation.zh.md)。
### 2. 安装技能库并启动 Researcher 模式
```bash
disco repo-skills install
disco
```
DisCo 的默认 **Researcher mode** 原生支持加载和路由 AREX-Skill Library。在提示框中尝试一个具体任务：
```text
使用已安装的 skills，在这台机器上以相同模型、工作负载和硬件约束比较 vLLM 与 SGLang。报告经过验证的吞吐量，并保留复现实验所需的命令和测量结果。
```
Router 会选择相关 repository skills，Agent 只会渐进式加载当前任务需要的 instructions。
### 3. 将选定的 skills 导入其他 coding agent
DisCo 可以把选定的 repository skills 和 scoped router 导出到兼容的 coding agents。导入 Codex 推荐的用户级 skills 目录：
```bash
disco --creator -p "/skill:import-repo-skills-to-agent import vllm and sglang to ~/.agents"
```
导入 Claude Code 时使用它的用户级 skills 目录：
```bash
disco --creator -p "/skill:import-repo-skills-to-agent import vllm and sglang to ~/.claude"
```
导入后重启目标 Agent，使其重新加载 skills。目标目录、覆盖处理、portable Creator workflows 和其他 Agent 的使用方式见 [DisCo Meta Skills](docs/disco-meta-skills.zh.md) 与 [DisCo Workflows](docs/disco-workflows.zh.md)。
### 创建或刷新 skills
DisCo Creator 也可以构建 repository / paper skills、验证它们，并依据新的上游证据刷新已有 repository skills。为了保持 Quick Start 简洁，相关内容放在文档中：
- [DisCo Meta Skills](docs/disco-meta-skills.zh.md) — 选择并使用 Creator meta skills；
- [DisCo Workflows](docs/disco-workflows.zh.md) — 构建、验证和导出；
- [Refreshing Repo Skills](docs/refreshing-repo-skills.zh.md) — 维护和 refresh checklist。
## 🖼️ 使用示例
AREX-Skill Library 可以支持许多 ML workflow。下面是两个具有代表性的 repository-skill 场景。
### 高吞吐推理
[vLLM](skills/repositories/repo-skills/vllm/) 和 [SGLang](skills/repositories/repo-skills/sglang/) skills 可以指导一个受控的 serving 对比：
```text
在相同模型和工作负载下比较 vLLM 与 SGLang。在相同硬件和显存约束下
分别调优，报告经过验证的吞吐量，并保留复现实验所需的命令和测量结果。
```
### 蛋白质结构建模
[AlphaFold2](skills/repositories/repo-skills/alphafold2/) skills 可以为蛋白质结构建模工作流提供操作指导：
```text
使用已安装的 AlphaFold2 skills 设置并验证这个蛋白质结构建模工作流。
先从一个很小的 synthetic input 开始，检查 sequence/MSA 的形状和依赖，
运行相关的模型路径，并报告复现结果所需的命令和检查项。不要把未经训练
的输出当作科学预测。
```
完整的端到端 session 导出见 [examples 目录](examples/README.md)。
更多 repository capabilities：
[FAISS](skills/repositories/repo-skills/faiss/) ·
[Unsloth](skills/repositories/repo-skills/unsloth/) ·
[Diffusers](skills/repositories/repo-skills/diffusers/) ·
[LeRobot](skills/repositories/repo-skills/lerobot/) ·
[AlphaFold2](skills/repositories/repo-skills/alphafold2/) ·
[完整仓库目录](docs/repository-catalog.md)。
## 📚 文档
| 文档 | 适合用于… |
| --- | --- |
| [安装指南](docs/installation.zh.md) | 安装 DisCo、配置提供商、安装或更新技能库，或从源码构建。 |
| [DisCo 工作流指南](docs/disco-workflows.zh.md) | 运行 Researcher / Creator workflows、验证 graph 和导出 skills。 |
| [DisCo Meta Skills](docs/disco-meta-skills.zh.md) | 创建 repository / paper skills，以及安装 portable Creator workflows。 |
| [刷新 Repository Skills](docs/refreshing-repo-skills.zh.md) | 根据上游变化刷新 skill，并更新 provenance、routing 和 catalog 数据。 |
| [AREX-Skill Library（英文）](skills/README.md) | 理解 runtime collection、router、repository graphs 和 managed installation。 |
| [仓库目录（英文）](docs/repository-catalog.md) | 按 area 和 package family 浏览完整技能集合。 |
| [文档索引（英文）](docs/README.md) | 查看全部文档，并选择下一步阅读内容。 |
## 🤝 参与贡献
欢迎三类贡献：
1. **新增 repository skills。** 在 skills/repositories/repo-skills// 下提交经过验证的 graph；当路由或覆盖范围变化时，同步更新 router 和公开 catalog。
2. **刷新或扩展已有 skills。** 使用最新的上游证据，保留 provenance 和 license metadata，并提供支持本次变更的验证步骤。
3. **改进 DisCo 及其 workflows。** 在 cli/ 及相关项目文档中贡献 CLI、runtime、bundled skill 和文档修改。
Skill pull request 应说明上游 source commit、使用的 model 和 provider、相关 reasoning level、生产 workflow、验证命令、已知缺口，以及 router 或 catalog 是否需要更新。完整要求见[贡献指南](CONTRIBUTING_CN.md)，英文版本见 [CONTRIBUTING.md](CONTRIBUTING.md)。
## 🙏 致谢
DisCo 的 CLI 和 Agent runtime 构建在
[earendil-works/pi](https://github.com/earendil-works/pi) 的基础之上。Pi 是一个开源
AI Agent 工具包，提供统一的 LLM API、Agent loop、终端 UI 和 coding-agent CLI。
AREX-Skill 同样离不开 GitHub 开源社区的支持。技能库中的 repository skills
得以建立，是因为众多研究者和工程师向社区开源了高质量的 ML、Agent、数据、
生物/化学、视觉和基础设施项目。
## 📄 许可证
除非文件或组件另有说明，仓库级 AREX-Skill 材料采用 Apache License 2.0。
> ⚠️ **AREX-Skill Library 中的每个 skill 都有自己的许可证。** 使用、复制、修改或再分发某个 skill 前，必须检查该 skill 的 SKILL.md 中的 license metadata。对于该 skill 而言，其独立许可证才是权威依据，不会被本仓库的 Apache-2.0 许可证替代。
[cli/](cli/) 下独立发布的 DisCo npm package 使用自身的 [MIT License](cli/LICENSE)，上游署名见 [cli/THIRD_PARTY_NOTICES.md](cli/THIRD_PARTY_NOTICES.md)。
## 📝 引用
如果本仓库对你有所帮助，欢迎点亮 Star ⭐ 并引用我们的论文：
```
@article{chen2026arexskill,
title={{Repo-To-Skill}: Distilling {GitHub} Repositories Into {AI4AI} Skills},
author={Chen, Jianlyu and Hu, Yuyang and Qian, Hongjin and Liu, Jiawei and Wei, Wenqing and Chen, Xiaolong and Lian, Defu and Dou, Zhicheng and Li, Chaozhuo and Ye, Qiwei and Liu, Zheng},
journal={arXiv preprint arXiv:2609.02749},
year={2026}
}
```