docs-seeker

Name: docs-seeker
Author: jackspace

github.com/jackspace开发1638 次安装12 周前更新

代码仓库

关于 docs-seeker

docs-seeker 是技术文档发现与分析技能，面向需要查找库、框架或网站文档的工作流。它优先使用 llms.txt，并在不可用时转向仓库分析或并行研究。

主要功能

01优先查找 context7.com 上的 llms.txt
02按主题检索文档内容
03使用 Repomix 分析代码仓库
04并行分配文档探索任务
05按指定版本查找资料

适用场景

01查找某个库或框架的文档
02探索特定功能的相关资料
03在 llms.txt 不可用时分析仓库
04整理多个文档来源的研究结果

安装

复制下面的命令，在终端中运行。

$npx skills add https://github.com/jackspace/claudeskillz --skill docs-seeker

安装后在 Claude Code 中输入/docs-seeker确认已加载。

附带文件SKILL.jsonWORKFLOWS.md

详细介绍

文档发现与分析

概述

通过多种策略，智能地发现和分析技术文档：

优先使用 llms.txt：搜索适合 AI 阅读的标准化文档
仓库分析：使用 Repomix 分析 GitHub 仓库
并行探索：部署多个 Explorer Agent，全面覆盖内容
备用研究：其他方法不可用时，使用 Researcher Agent

核心工作流

阶段 1：初步发现

确定目标
- 从用户请求中提取库或框架名称
- 记录版本要求（默认：最新版本）
- 如果范围不明确，则进行澄清
- 确定目标是 GitHub 仓库还是网站

搜索 llms.txt（优先使用 context7.com）

首先：尝试 context7.com 模式

对于 GitHub 仓库：

Pattern: https://context7.com/{org}/{repo}/llms.txt
Examples:
- https://github.com/imagick/imagick → https://context7.com/imagick/imagick/llms.txt
- https://github.com/vercel/next.js → https://context7.com/vercel/next.js/llms.txt
- https://github.com/better-auth/better-auth → https://context7.com/better-auth/better-auth/llms.txt

对于网站：

Pattern: https://context7.com/websites/{normalized-domain-path}/llms.txt
Examples:
- https://docs.imgix.com/ → https://context7.com/websites/imgix/llms.txt
- https://docs.byteplus.com/en/docs/ModelArk/ → https://context7.com/websites/byteplus_en_modelark/llms.txt
- https://docs.haystack.deepset.ai/docs → https://context7.com/websites/haystack_deepset_ai/llms.txt
- https://ffmpeg.org/doxygen/8.0/ → https://context7.com/websites/ffmpeg_doxygen_8_0/llms.txt

针对特定主题的搜索（用户询问特定功能时）：

Pattern: https://context7.com/{path}/llms.txt?topic={query}
Examples:
- https://context7.com/shadcn-ui/ui/llms.txt?topic=date
- https://context7.com/shadcn-ui/ui/llms.txt?topic=button
- https://context7.com/vercel/next.js/llms.txt?topic=cache
- https://context7.com/websites/ffmpeg_doxygen_8_0/llms.txt?topic=compress

备用方案：传统的 llms.txt 搜索

WebSearch: "[library name] llms.txt site:[docs domain]"

常见模式：

https://docs.[library].com/llms.txt
https://[library].dev/llms.txt
https://[library].io/llms.txt

→ 找到？继续阶段 2 → 未找到？继续阶段 3

阶段 2：处理 llms.txt

单个 URL：

使用 WebFetch 获取内容
提取并呈现信息

多个 URL（3 个以上）：

重要：并行启动多个 Explorer Agent
每个主要文档部分分配一个 Agent（首批最多 5 个）
每个 Agent 阅读分配的 URL
汇总发现，形成综合报告

示例：

Launch 3 Explorer agents simultaneously:
- Agent 1: getting-started.md, installation.md
- Agent 2: api-reference.md, core-concepts.md
- Agent 3: examples.md, best-practices.md

阶段 3：仓库分析

未找到 llms.txt 时：

通过 WebSearch 查找 GitHub 仓库

使用 Repomix 打包仓库：

npm install -g repomix  # if needed
git clone [repo-url] /tmp/docs-analysis
cd /tmp/docs-analysis
repomix --output repomix-output.xml

阅读 repomix-output.xml 并提取文档

Repomix 的优势：

将整个仓库放入单个适合 AI 阅读的文件中
保留目录结构
针对 AI 使用进行了优化

阶段 4：备用研究

不存在 GitHub 仓库时：

并行启动多个 Researcher Agent
关注领域：官方文档、教程、API 参考、社区指南
汇总发现，形成综合报告

Agent 分配指南

1–3 个 URL：单个 Explorer Agent
4–10 个 URL：3–5 个 Explorer Agent（每个负责 2–3 个 URL）
11 个以上 URL：5–7 个 Explorer Agent（优先处理最相关的内容）

版本处理

最新版本（默认）：

搜索时不指定版本
使用当前文档路径

特定版本：

在搜索中包含版本：[library] v[version] llms.txt
检查版本化路径：/v[version]/llms.txt
对于仓库：检出特定标签或分支

输出格式

# Documentation for [Library] [Version]

## Source
- Method: [llms.txt / Repository / Research]
- URLs: [list of sources]
- Date accessed: [current date]

## Key Information
[Extracted relevant information organized by topic]

## Additional Resources
[Related links, examples, references]

## Notes
[Any limitations, missing information, or caveats]