9e405df9d0
Add machine-translated README files for Japanese, Korean, Spanish,
French, German, Portuguese (BR), Turkish, Arabic, Hindi, and Russian.
Update language selector in English and Chinese READMEs to link all 12
versions.
New files: README.{ja,ko,es,fr,de,pt-BR,tr,ar,hi,ru}.md
Modified: README.md, README.zh-CN.md (language selector bar)
44 KiB
44 KiB
Skill Seekers
English | 简体中文 | 日本語 | 한국어 | Español | Français | Deutsch | Português | Türkçe | العربية | हिन्दी | Русский
⚠️ Hinweis zur maschinellen Übersetzung
Dieses Dokument wurde automatisch durch KI übersetzt. Trotz Bemühungen um Qualität können ungenaue Ausdrücke vorkommen.
Gerne können Sie über GitHub Issue #260 zur Verbesserung der Übersetzung beitragen! Ihr Feedback ist uns sehr wertvoll.
Die Datenschicht für KI-Systeme. Skill Seekers verwandelt Dokumentationswebsites, GitHub-Repositories, PDFs, Videos, Jupyter-Notebooks, Wikis und über 10 weitere Quelltypen in strukturierte Wissensressourcen — bereit für KI-Skills (Claude, Gemini, OpenAI), RAG-Pipelines (LangChain, LlamaIndex, Pinecone) und KI-Programmierassistenten (Cursor, Windsurf, Cline) in Minuten statt Stunden.
Besuchen Sie SkillSeekersWeb.com - Durchsuchen Sie über 24 vorgefertigte Konfigurationen, teilen Sie Ihre Konfigurationen und greifen Sie auf die vollständige Dokumentation zu!
Entwicklungsroadmap und Aufgaben ansehen - 134 Aufgaben in 10 Kategorien — wählen Sie eine beliebige zum Mitwirken!
Die Datenschicht für KI-Systeme
Skill Seekers ist die universelle Vorverarbeitungsschicht, die zwischen Rohdokumentation und jedem KI-System steht, das diese konsumiert. Ob Sie Claude-Skills, eine LangChain-RAG-Pipeline oder eine Cursor-.cursorrules-Datei erstellen — die Datenaufbereitung ist identisch. Sie führen sie einmal durch und exportieren für alle Zielplattformen.
# Ein Befehl → strukturierte Wissensressource
skill-seekers create https://docs.react.dev/
# oder: skill-seekers create facebook/react
# oder: skill-seekers create ./my-project
# Export in jedes KI-System
skill-seekers package output/react --target claude # → Claude AI Skill (ZIP)
skill-seekers package output/react --target langchain # → LangChain Documents
skill-seekers package output/react --target llama-index # → LlamaIndex TextNodes
skill-seekers package output/react --target cursor # → .cursorrules
Was erstellt wird
| Ausgabe | Ziel | Einsatzbereich |
|---|---|---|
| Claude Skill (ZIP + YAML) | --target claude |
Claude Code, Claude API |
| Gemini Skill (tar.gz) | --target gemini |
Google Gemini |
| OpenAI / Custom GPT (ZIP) | --target openai |
GPT-4o, benutzerdefinierte Assistenten |
| LangChain Documents | --target langchain |
QA-Chains, Agenten, Retriever |
| LlamaIndex TextNodes | --target llama-index |
Query Engines, Chat Engines |
| Haystack Documents | --target haystack |
Enterprise-RAG-Pipelines |
| Pinecone-ready (Markdown) | --target markdown |
Vektor-Upsert |
| ChromaDB / FAISS / Qdrant | --format chroma/faiss/qdrant |
Lokale Vektordatenbanken |
Cursor .cursorrules |
--target claude → kopieren |
Cursor IDE KI-Kontext |
| Windsurf / Cline / Continue | --target claude → kopieren |
VS Code, IntelliJ, Vim |
Warum Skill Seekers
- 99 % schneller — Tage manueller Datenaufbereitung → 15–45 Minuten
- KI-Skill-Qualität — Über 500 Zeilen SKILL.md-Dateien mit Beispielen, Mustern und Anleitungen
- RAG-fertige Chunks — Intelligentes Chunking bewahrt Codeblöcke und Kontext
- 17 Quelltypen — Dokumentation + GitHub + PDF + Videos + Notebooks + Wikis u. v. m. zu einer Wissensressource vereinen
- Einmal aufbereiten, überall exportieren — Export auf 16 Plattformen ohne erneutes Scrapen
- Videos — Code, Transkripte und strukturiertes Wissen aus YouTube- und lokalen Videos extrahieren
- Kampferprobt — Über 2.540 Tests, 24+ Framework-Presets, produktionsreif
Schnellstart
pip install skill-seekers
# KI-Skill aus beliebiger Quelle erstellen
skill-seekers create https://docs.django.com/ # Dokumentationswebsite
skill-seekers create django/django # GitHub-Repository
skill-seekers create ./my-codebase # Lokales Projekt
skill-seekers create manual.pdf # PDF-Datei
skill-seekers create manual.docx # Word-Dokument
skill-seekers create book.epub # EPUB-E-Book
skill-seekers create notebook.ipynb # Jupyter Notebook
skill-seekers create page.html # Lokale HTML-Datei
skill-seekers create api-spec.yaml # OpenAPI/Swagger-Spezifikation
skill-seekers create guide.adoc # AsciiDoc-Dokument
skill-seekers create slides.pptx # PowerPoint-Präsentation
# Video (YouTube, Vimeo oder lokale Datei — erfordert skill-seekers[video])
skill-seekers video --url https://www.youtube.com/watch?v=... --name mytutorial
# Erstmalig? Automatische Installation GPU-bewusster visueller Abhängigkeiten:
skill-seekers video --setup
# Je nach Einsatzzweck exportieren
skill-seekers package output/django --target claude # Claude AI Skill
skill-seekers package output/django --target langchain # LangChain RAG
skill-seekers package output/django --target cursor # Cursor IDE Kontext
Vollständige Beispiele:
- Claude AI Skill - Skill für Claude Code
- LangChain RAG-Pipeline - QA-Chain mit Chroma
- Cursor IDE Kontext - Framework-bewusstes KI-Programmieren
Was ist Skill Seekers?
Skill Seekers ist die Datenschicht für KI-Systeme und transformiert 17 Quelltypen — Dokumentationswebsites, GitHub-Repositories, PDFs, Videos, Jupyter-Notebooks, Word-/EPUB-/AsciiDoc-Dokumente, OpenAPI/Swagger-Spezifikationen, PowerPoint-Präsentationen, RSS/Atom-Feeds, Man-Pages, Confluence-Wikis, Notion-Seiten, Slack-/Discord-Chatexporte und mehr — in strukturierte Wissensressourcen für jedes KI-Ziel:
| Anwendungsfall | Ergebnis | Beispiele |
|---|---|---|
| KI-Skills | Umfassende SKILL.md + Referenzdateien | Claude Code, Gemini, GPT |
| RAG-Pipelines | Dokumenten-Chunks mit reichhaltigen Metadaten | LangChain, LlamaIndex, Haystack |
| Vektordatenbanken | Vorformatierte, upload-bereite Daten | Pinecone, Chroma, Weaviate, FAISS |
| KI-Programmierassistenten | Kontextdateien, die Ihre IDE-KI automatisch liest | Cursor, Windsurf, Cline, Continue.dev |
Anstatt tagelange manuelle Vorverarbeitung durchzuführen, erledigt Skill Seekers dies:
- Erfassen — Dokumentation, GitHub-Repos, lokale Codebasen, PDFs, Videos, Jupyter-Notebooks, Wikis und über 17 weitere Quelltypen
- Analysieren — Tiefgreifendes AST-Parsing, Mustererkennung, API-Extraktion
- Strukturieren — Kategorisierte Referenzdateien mit Metadaten
- Verbessern — KI-gestützte SKILL.md-Generierung (Claude, Gemini oder lokal)
- Exportieren — 16 plattformspezifische Formate aus einer Ressource
Warum Skill Seekers nutzen?
Für KI-Skill-Ersteller (Claude, Gemini, OpenAI)
- Produktionsreife Skills — Über 500 Zeilen SKILL.md-Dateien mit Codebeispielen, Mustern und Anleitungen
- Verbesserungsworkflows —
security-focus,architecture-comprehensiveoder eigene YAML-Presets anwenden - Jede Domäne — Game-Engines (Godot, Unity), Frameworks (React, Django), interne Tools
- Teamarbeit — Interne Dokumentation + Code zu einer einzigen Wissensquelle vereinen
- Hohe Qualität — KI-verbessert mit Beispielen, Kurzreferenz und Navigationshinweisen
Für RAG-Entwickler und KI-Ingenieure
- RAG-fertige Daten — Vorgesplittete LangChain
Documents, LlamaIndexTextNodes, HaystackDocuments - 99 % schneller — Tage der Vorverarbeitung → 15–45 Minuten
- Intelligente Metadaten — Kategorien, Quellen, Typen → höhere Abrufgenauigkeit
- Multi-Source — Dokumentation + GitHub + PDFs in einer Pipeline kombinieren
- Plattformunabhängig — Export in jede Vektordatenbank oder jedes Framework ohne erneutes Scrapen
Für KI-Programmierassistenten-Nutzer
- Cursor / Windsurf / Cline —
.cursorrules/.windsurfrules/.clinerulesautomatisch generieren - Dauerhafter Kontext — Die KI „kennt" Ihre Frameworks ohne wiederholtes Prompting
- Immer aktuell — Kontext in Minuten aktualisieren, wenn sich die Dokumentation ändert
Kernfunktionen
Dokumentations-Scraping
- llms.txt-Unterstützung - Erkennt und nutzt automatisch LLM-bereite Dokumentationsdateien (10x schneller)
- Universal-Scraper - Funktioniert mit JEDER Dokumentationswebsite
- Intelligente Kategorisierung - Organisiert Inhalte automatisch nach Themen
- Code-Spracherkennung - Erkennt Python, JavaScript, C++, GDScript usw.
- Über 24 fertige Presets - Godot, React, Vue, Django, FastAPI und mehr
PDF-Unterstützung
- Grundlegende PDF-Extraktion - Text, Code und Bilder aus PDFs extrahieren
- OCR für gescannte PDFs - Text aus gescannten Dokumenten extrahieren
- Passwortgeschützte PDFs - Verschlüsselte PDFs verarbeiten
- Tabellenextraktion - Komplexe Tabellen aus PDFs extrahieren
- Parallelverarbeitung - 3x schneller bei großen PDFs
- Intelligentes Caching - 50 % schneller bei Wiederholungen
Videoextraktion
- YouTube und lokale Videos - Transkripte, Bildschirmcode und strukturiertes Wissen aus Videos extrahieren
- Visuelle Frameanalyse - OCR-Extraktion aus Code-Editoren, Terminals, Folien und Diagrammen
- GPU-Autoerkennung - Installiert automatisch den richtigen PyTorch-Build (CUDA/ROCm/MPS/CPU)
- KI-Verbesserung - Zwei Durchläufe: OCR-Artefakte bereinigen + ausgefeilte SKILL.md generieren
- Zeitausschnitte - Bestimmte Abschnitte mit
--start-timeund--end-timeextrahieren - Playlist-Unterstützung - Alle Videos einer YouTube-Playlist stapelweise verarbeiten
GitHub-Repository-Analyse
- Tiefgreifende Codeanalyse - AST-Parsing für Python, JavaScript, TypeScript, Java, C++, Go
- API-Extraktion - Funktionen, Klassen, Methoden mit Parametern und Typen
- Repository-Metadaten - README, Dateibaum, Sprachverteilung, Stars/Forks
- GitHub Issues und PRs - Offene/geschlossene Issues mit Labels und Meilensteinen abrufen
- CHANGELOG und Releases - Versionshistorie automatisch extrahieren
- Konflikterkennung - Dokumentierte APIs mit tatsächlicher Code-Implementierung vergleichen
- MCP-Integration - Natürliche Sprache: „Scrape GitHub Repo facebook/react"
Vereinheitlichtes Multi-Source-Scraping
- Mehrere Quellen kombinieren - Dokumentation + GitHub + PDF in einem Skill vereinen
- Konflikterkennung - Automatische Erkennung von Abweichungen zwischen Dokumentation und Code
- Intelligentes Zusammenführen - Regelbasierte oder KI-gesteuerte Konfliktlösung
- Transparente Berichte - Nebeneinander-Vergleich mit Warnhinweisen
- Dokumentationslückenanalyse - Erkennt veraltete Dokumentation und undokumentierte Funktionen
- Einzelne Wahrheitsquelle - Ein Skill zeigt sowohl Absicht (Dokumentation) als auch Realität (Code)
- Abwärtskompatibel - Bestehende Einzelquellen-Konfigurationen funktionieren weiterhin
Multi-LLM-Plattformunterstützung
- 4 LLM-Plattformen - Claude AI, Google Gemini, OpenAI ChatGPT, Generisches Markdown
- Universelles Scraping - Dieselbe Dokumentation funktioniert für alle Plattformen
- Plattformspezifische Paketierung - Optimierte Formate für jedes LLM
- Ein-Befehl-Export -
--target-Flag wählt die Plattform - Optionale Abhängigkeiten - Nur installieren, was Sie benötigen
- 100 % abwärtskompatibel - Bestehende Claude-Workflows bleiben unverändert
| Plattform | Format | Upload | Verbesserung | API Key | Benutzerdefinierter Endpunkt |
|---|---|---|---|---|---|
| Claude AI | ZIP + YAML | Auto | Ja | ANTHROPIC_API_KEY | ANTHROPIC_BASE_URL |
| Google Gemini | tar.gz | Auto | Ja | GOOGLE_API_KEY | - |
| OpenAI ChatGPT | ZIP + Vector Store | Auto | Ja | OPENAI_API_KEY | - |
| Generisches Markdown | ZIP | Manuell | Nein | - | - |
# Claude (Standard - keine Änderungen nötig!)
skill-seekers package output/react/
skill-seekers upload react.zip
# Google Gemini
pip install skill-seekers[gemini]
skill-seekers package output/react/ --target gemini
skill-seekers upload react-gemini.tar.gz --target gemini
# OpenAI ChatGPT
pip install skill-seekers[openai]
skill-seekers package output/react/ --target openai
skill-seekers upload react-openai.zip --target openai
# Generisches Markdown (universeller Export)
skill-seekers package output/react/ --target markdown
Umgebungsvariablen für Claude-kompatible APIs (z. B. GLM-4.7)
Skill Seekers unterstützt jeden Claude-kompatiblen API-Endpunkt:
# Option 1: Offizielle Anthropic API (Standard)
export ANTHROPIC_API_KEY=sk-ant-...
# Option 2: GLM-4.7 Claude-kompatible API
export ANTHROPIC_API_KEY=your-glm-47-api-key
export ANTHROPIC_BASE_URL=https://glm-4-7-endpoint.com/v1
# Alle KI-Verbesserungsfunktionen verwenden den konfigurierten Endpunkt
skill-seekers enhance output/react/
skill-seekers analyze --directory . --enhance
Hinweis: Das Setzen von ANTHROPIC_BASE_URL ermöglicht die Nutzung jedes Claude-kompatiblen API-Endpunkts, wie GLM-4.7 oder anderer kompatibler Dienste.
Installation:
# Mit Gemini-Unterstützung installieren
pip install skill-seekers[gemini]
# Mit OpenAI-Unterstützung installieren
pip install skill-seekers[openai]
# Mit allen LLM-Plattformen installieren
pip install skill-seekers[all-llms]
RAG-Framework-Integrationen
-
LangChain Documents - Direkter Export ins
Document-Format mitpage_content+ Metadaten- Geeignet für: QA-Chains, Retriever, Vektorspeicher, Agenten
- Beispiel: LangChain RAG-Pipeline
- Anleitung: LangChain-Integration
-
LlamaIndex TextNodes - Export ins
TextNode-Format mit eindeutigen IDs + Embeddings- Geeignet für: Query Engines, Chat Engines, Storage Context
- Beispiel: LlamaIndex Query Engine
- Anleitung: LlamaIndex-Integration
-
Pinecone-fertiges Format - Optimiert für Vektordatenbank-Upsert
- Geeignet für: Produktions-Vektorsuche, semantische Suche, Hybridsuche
- Beispiel: Pinecone Upsert
- Anleitung: Pinecone-Integration
Schnellexport:
# LangChain Documents (JSON)
skill-seekers package output/django --target langchain
# → output/django-langchain.json
# LlamaIndex TextNodes (JSON)
skill-seekers package output/django --target llama-index
# → output/django-llama-index.json
# Markdown (Universal)
skill-seekers package output/django --target markdown
# → output/django-markdown/SKILL.md + references/
Vollständige RAG-Pipeline-Anleitung: RAG-Pipelines-Dokumentation
KI-Programmierassistenten-Integrationen
Verwandeln Sie beliebige Framework-Dokumentation in Experten-Programmierkontext für über 4 KI-Assistenten:
-
Cursor IDE -
.cursorrulesfür KI-gestützte Codevorschläge generieren- Geeignet für: Framework-spezifische Codegenerierung, konsistente Muster
- Anleitung: Cursor-Integration
- Beispiel: Cursor React Skill
-
Windsurf - Windsurf-KI-Assistentenkontext mit
.windsurfrulesanpassen- Geeignet für: IDE-native KI-Unterstützung, Flow-basiertes Programmieren
- Anleitung: Windsurf-Integration
- Beispiel: Windsurf FastAPI Kontext
-
Cline (VS Code) - System-Prompts + MCP für VS Code Agenten
- Geeignet für: Agentische Codegenerierung in VS Code
- Anleitung: Cline-Integration
- Beispiel: Cline Django Assistent
-
Continue.dev - Kontextserver für IDE-unabhängige KI
- Geeignet für: Multi-IDE-Umgebungen (VS Code, JetBrains, Vim), benutzerdefinierte LLM-Anbieter
- Anleitung: Continue-Integration
- Beispiel: Continue Universal Kontext
Schnellexport (für KI-Programmiertools):
# Für jeden KI-Programmierassistenten (Cursor, Windsurf, Cline, Continue.dev)
skill-seekers scrape --config configs/django.json
skill-seekers package output/django --target claude
# In Ihr Projekt kopieren (Beispiel für Cursor)
cp output/django-claude/SKILL.md my-project/.cursorrules
# Oder für Windsurf
cp output/django-claude/SKILL.md my-project/.windsurf/rules/django.md
# Oder für Cline
cp output/django-claude/SKILL.md my-project/.clinerules
Integrations-Hub: Alle KI-System-Integrationen
Drei-Stream-GitHub-Architektur
- Triple-Stream-Analyse - GitHub-Repos in Code-, Dokumentations- und Insights-Streams aufteilen
- Vereinheitlichter Codebase-Analyzer - Funktioniert mit GitHub-URLs UND lokalen Pfaden
- C3.x als Analysetiefe - „basic" (1–2 Min.) oder „c3x" (20–60 Min.) Analyse wählen
- Erweiterte Router-Generierung - GitHub-Metadaten, README-Schnellstart, häufige Probleme
- Issue-Integration - Häufigste Probleme und Lösungen aus GitHub Issues
- Intelligente Routing-Schlüsselwörter - GitHub-Labels 2x gewichtet für bessere Themenerkennung
Drei Streams erklärt:
- Stream 1: Code - Tiefgreifende C3.x-Analyse (Muster, Beispiele, Anleitungen, Konfigurationen, Architektur)
- Stream 2: Dokumentation - Repository-Dokumentation (README, CONTRIBUTING, docs/*.md)
- Stream 3: Insights - Community-Wissen (Issues, Labels, Stars, Forks)
from skill_seekers.cli.unified_codebase_analyzer import UnifiedCodebaseAnalyzer
# GitHub-Repo mit allen drei Streams analysieren
analyzer = UnifiedCodebaseAnalyzer()
result = analyzer.analyze(
source="https://github.com/facebook/react",
depth="c3x", # oder "basic" für schnelle Analyse
fetch_github_metadata=True
)
print(f"Designmuster: {len(result.code_analysis['c3_1_patterns'])}")
print(f"Stars: {result.github_insights['metadata']['stars']}")
Vollständige Dokumentation: Drei-Stream-Implementierungszusammenfassung
Intelligentes Rate-Limit-Management und Konfiguration
- Multi-Token-Konfigurationssystem - Mehrere GitHub-Konten verwalten (Privat, Arbeit, Open Source)
- Sichere Konfigurationsspeicherung unter
~/.config/skill-seekers/config.json(Berechtigung 600) - Rate-Limit-Strategien pro Profil:
prompt,wait,switch,fail - Intelligente Fallback-Kette: CLI-Argument → Umgebungsvariable → Konfigurationsdatei → Abfrage
- Sichere Konfigurationsspeicherung unter
- Interaktiver Konfigurationsassistent - Ansprechende Terminal-UI für einfache Einrichtung
- Intelligenter Rate-Limit-Handler - Kein endloses Warten mehr!
- Echtzeit-Countdown, automatischer Profilwechsel
- Vier Strategien: prompt (fragen), wait (Countdown), switch (wechseln), fail (abbrechen)
- Wiederaufnahme-Funktion - Unterbrochene Aufgaben fortsetzen
- CI/CD-Unterstützung -
--non-interactive-Flag für Automatisierung
Schnelleinrichtung:
# Einmalige Konfiguration (5 Minuten)
skill-seekers config --github
# Spezifisches Profil für private Repositories verwenden
skill-seekers github --repo mycompany/private-repo --profile work
# CI/CD-Modus (schnelles Abbrechen, keine Abfragen)
skill-seekers github --repo owner/repo --non-interactive
Bootstrap-Skill - Selbst-Hosting
Skill Seekers als Claude Code Skill generieren:
./scripts/bootstrap_skill.sh
cp -r output/skill-seekers ~/.claude/skills/
Private Konfigurations-Repositories
- Git-basierte Konfigurationsquellen - Konfigurationen aus privaten/Team-Git-Repositories abrufen
- Multi-Source-Verwaltung - Unbegrenzte GitHub-, GitLab-, Bitbucket-Repositories registrieren
- Team-Zusammenarbeit - Benutzerdefinierte Konfigurationen in 3–5-Personen-Teams teilen
- Enterprise-Unterstützung - Skalierung auf 500+ Entwickler
- Sichere Authentifizierung - Umgebungsvariablen-Tokens (GITHUB_TOKEN, GITLAB_TOKEN)
Codebase-Analyse (C3.x)
C3.4: Konfigurationsmuster-Extraktion (mit KI-Verbesserung)
- 9 Konfigurationsformate - JSON, YAML, TOML, ENV, INI, Python, JavaScript, Dockerfile, Docker Compose
- 7 Mustertypen - Datenbank-, API-, Logging-, Cache-, E-Mail-, Auth-, Server-Konfigurationen
- KI-Verbesserung - Optionale Dual-Modus-KI-Analyse (API + LOCAL)
- Sicherheitsanalyse - Hartcodierte Geheimnisse und offengelegte Anmeldedaten finden
C3.3: KI-verbesserte Anleitungen
- Umfassende KI-Verbesserung - Grundanleitungen in professionelle Tutorials verwandeln
- 5 automatische Verbesserungen - Schrittbeschreibungen, Fehlerbehebung, Voraussetzungen, nächste Schritte, Anwendungsfälle
- Dual-Modus-Unterstützung - API-Modus (Claude API) oder LOCAL-Modus (Claude Code CLI)
- LOCAL-Modus kostenlos - Kostenlose Verbesserung mit Ihrem Claude Code Max Plan
Verwendung:
# Schnellanalyse (1–2 Minuten, nur Grundfunktionen)
skill-seekers analyze --directory tests/ --quick
# Umfassende Analyse (mit KI, 20–60 Minuten)
skill-seekers analyze --directory tests/ --comprehensive
# Mit KI-Verbesserung
skill-seekers analyze --directory tests/ --enhance
Vollständige Dokumentation: docs/HOW_TO_GUIDES.md
Verbesserungs-Workflow-Presets
Wiederverwendbare YAML-definierte Verbesserungspipelines, die steuern, wie KI Ihre Rohdokumentation in einen ausgefeilten Skill transformiert.
- 5 mitgelieferte Presets —
default,minimal,security-focus,architecture-comprehensive,api-documentation - Benutzerdefinierte Presets — Eigene Workflows unter
~/.config/skill-seekers/workflows/hinzufügen - Mehrere Workflows — Zwei oder mehr Workflows in einem Befehl verketten
- Vollständige CLI-Verwaltung — Workflows auflisten, anzeigen, kopieren, hinzufügen, entfernen und validieren
# Einzelnen Workflow anwenden
skill-seekers create ./my-project --enhance-workflow security-focus
# Mehrere Workflows verketten (werden der Reihe nach angewendet)
skill-seekers create ./my-project \
--enhance-workflow security-focus \
--enhance-workflow minimal
# Presets verwalten
skill-seekers workflows list # Alle auflisten (mitgeliefert + benutzerdefiniert)
skill-seekers workflows show security-focus # YAML-Inhalt anzeigen
skill-seekers workflows copy security-focus # Zum Benutzerverzeichnis kopieren (zum Bearbeiten)
skill-seekers workflows add ./my-workflow.yaml # Benutzerdefiniertes Preset installieren
skill-seekers workflows remove my-workflow # Benutzerdefiniertes Preset entfernen
skill-seekers workflows validate security-focus # Preset-Struktur validieren
# Mehrere gleichzeitig kopieren
skill-seekers workflows copy security-focus minimal api-documentation
# Mehrere Dateien gleichzeitig hinzufügen
skill-seekers workflows add ./wf-a.yaml ./wf-b.yaml
# Mehrere gleichzeitig entfernen
skill-seekers workflows remove my-wf-a my-wf-b
YAML-Preset-Format:
name: security-focus
description: "Sicherheitsorientierte Prüfung: Schwachstellen, Authentifizierung, Datenverarbeitung"
version: "1.0"
stages:
- name: vulnerabilities
type: custom
prompt: "Prüfung auf OWASP Top 10 und häufige Sicherheitslücken..."
- name: auth-review
type: custom
prompt: "Authentifizierungs- und Autorisierungsmuster untersuchen..."
uses_history: true
Leistung und Skalierung
- Async-Modus - 2–3x schnelleres Scraping mit async/await (Flag
--asyncverwenden) - Unterstützung großer Dokumentationen - 10K–40K+ Seiten mit intelligentem Aufteilen verarbeiten
- Router-/Hub-Skills - Intelligentes Routing zu spezialisierten Sub-Skills
- Paralleles Scraping - Mehrere Skills gleichzeitig verarbeiten
- Checkpoint/Wiederaufnahme - Bei langen Scraping-Vorgängen nie den Fortschritt verlieren
- Caching-System - Einmal scrapen, sofort neu erstellen
Qualitätssicherung
- Vollständig getestet - Über 2.540 Tests mit umfassender Abdeckung
Installation
# Basisinstallation (Dokumentations-Scraping, GitHub-Analyse, PDF, Paketierung)
pip install skill-seekers
# Mit Unterstützung aller LLM-Plattformen
pip install skill-seekers[all-llms]
# Mit MCP-Server
pip install skill-seekers[mcp]
# Alles
pip install skill-seekers[all]
Hilfe bei der Auswahl nötig? Starten Sie den Einrichtungsassistenten:
skill-seekers-setup
Installationsoptionen
| Installation | Funktionen |
|---|---|
pip install skill-seekers |
Scraping, GitHub-Analyse, PDF, alle Plattformen |
pip install skill-seekers[gemini] |
+ Google Gemini-Unterstützung |
pip install skill-seekers[openai] |
+ OpenAI ChatGPT-Unterstützung |
pip install skill-seekers[all-llms] |
+ Alle LLM-Plattformen |
pip install skill-seekers[mcp] |
+ MCP-Server |
pip install skill-seekers[video] |
+ YouTube-/Vimeo-Transkript- und Metadatenextraktion |
pip install skill-seekers[video-full] |
+ Whisper-Transkription und visuelle Frameextraktion |
pip install skill-seekers[jupyter] |
+ Jupyter-Notebook-Unterstützung |
pip install skill-seekers[pptx] |
+ PowerPoint-Unterstützung |
pip install skill-seekers[confluence] |
+ Confluence-Wiki-Unterstützung |
pip install skill-seekers[notion] |
+ Notion-Seitenunterstützung |
pip install skill-seekers[rss] |
+ RSS-/Atom-Feed-Unterstützung |
pip install skill-seekers[chat] |
+ Slack-/Discord-Chatexport-Unterstützung |
pip install skill-seekers[asciidoc] |
+ AsciiDoc-Dokumentunterstützung |
pip install skill-seekers[all] |
Alles aktiviert |
Visuelle Video-Abhängigkeiten (GPU-bewusst): Nach der Installation von
skill-seekers[video-full]führen Sieskill-seekers video --setupaus, um Ihre GPU automatisch zu erkennen und die richtige PyTorch- Variante + easyocr zu installieren. Dies ist der empfohlene Weg zur Installation visueller Extraktionsabhängigkeiten.
Ein-Befehl-Installations-Workflow
Der schnellste Weg von der Konfiguration zum hochgeladenen Skill — vollständig automatisiert:
# React-Skill aus offiziellen Konfigurationen installieren (automatischer Upload zu Claude)
skill-seekers install --config react
# Aus lokaler Konfigurationsdatei installieren
skill-seekers install --config configs/custom.json
# Ohne Upload installieren (nur Paketierung)
skill-seekers install --config django --no-upload
# Workflow ohne Ausführung in der Vorschau anzeigen
skill-seekers install --config react --dry-run
Ausgeführte Phasen:
Phase 1: Konfiguration abrufen (falls Konfigurationsname angegeben)
Phase 2: Dokumentation scrapen
Phase 3: KI-Verbesserung
Phase 4: Skill paketieren
Phase 5: Zu Claude hochladen (optional, erfordert API Key)
Funktionsmatrix
Skill Seekers unterstützt 4 LLM-Plattformen, 17 Quelltypen und vollständige Funktionsparität für alle Ziele.
Plattformen: Claude AI, Google Gemini, OpenAI ChatGPT, Generisches Markdown Quelltypen: Dokumentationswebsites, GitHub-Repos, PDFs, Word (.docx), EPUB, Video, lokale Codebasen, Jupyter-Notebooks, lokales HTML, OpenAPI/Swagger, AsciiDoc, PowerPoint (.pptx), RSS-/Atom-Feeds, Man-Pages, Confluence-Wikis, Notion-Seiten, Slack-/Discord-Chatexporte
Vollständige Informationen finden Sie in der vollständigen Funktionsmatrix.
Schneller Plattformvergleich
| Funktion | Claude | Gemini | OpenAI | Markdown |
|---|---|---|---|---|
| Format | ZIP + YAML | tar.gz | ZIP + Vector | ZIP |
| Upload | API | API | API | Manuell |
| Verbesserung | Sonnet 4 | 2.0 Flash | GPT-4o | Keine |
| Alle Skill-Modi | Ja | Ja | Ja | Ja |
Verwendungsbeispiele
Dokumentations-Scraping
# Dokumentationswebsite scrapen
skill-seekers scrape --config configs/react.json
# Schnelles Scraping (ohne Konfiguration)
skill-seekers scrape --url https://react.dev --name react
# Mit Async-Modus (3x schneller)
skill-seekers scrape --config configs/godot.json --async --workers 8
PDF-Extraktion
# Grundlegende PDF-Extraktion
skill-seekers pdf --pdf docs/manual.pdf --name myskill
# Erweiterte Funktionen
skill-seekers pdf --pdf docs/manual.pdf --name myskill \
--extract-tables \ # Tabellen extrahieren
--parallel \ # Schnelle Parallelverarbeitung
--workers 8 # 8 CPU-Kerne verwenden
# Gescannte PDFs (erfordert: pip install pytesseract Pillow)
skill-seekers pdf --pdf docs/scanned.pdf --name myskill --ocr
Videoextraktion
# Video-Unterstützung installieren
pip install skill-seekers[video] # Transkripte + Metadaten
pip install skill-seekers[video-full] # + Whisper-Transkription + visuelle Frameextraktion
# GPU automatisch erkennen und visuelle Abhängigkeiten installieren (PyTorch + easyocr)
skill-seekers video --setup
# Aus YouTube-Video extrahieren
skill-seekers video --url https://www.youtube.com/watch?v=dQw4w9WgXcQ --name mytutorial
# Aus einer YouTube-Playlist extrahieren
skill-seekers video --playlist https://www.youtube.com/playlist?list=... --name myplaylist
# Aus einer lokalen Videodatei extrahieren
skill-seekers video --video-file recording.mp4 --name myrecording
# Mit visueller Frameanalyse extrahieren (erfordert video-full-Abhängigkeiten)
skill-seekers video --url https://www.youtube.com/watch?v=... --name mytutorial --visual
# Mit KI-Verbesserung (OCR bereinigen + ausgefeilte SKILL.md generieren)
skill-seekers video --url https://www.youtube.com/watch?v=... --visual --enhance-level 2
# Bestimmten Abschnitt eines Videos ausschneiden (unterstützt Sekunden, MM:SS, HH:MM:SS)
skill-seekers video --url https://www.youtube.com/watch?v=... --start-time 1:30 --end-time 5:00
# Vision API für OCR-Frames mit niedriger Konfidenz verwenden (erfordert ANTHROPIC_API_KEY)
skill-seekers video --url https://www.youtube.com/watch?v=... --visual --vision-ocr
# Skill aus zuvor extrahierten Daten neu erstellen (Download überspringen)
skill-seekers video --from-json output/mytutorial/video_data/extracted_data.json --name mytutorial
Vollständige Anleitung: Siehe docs/VIDEO_GUIDE.md für die vollständige CLI-Referenz, Details zur visuellen Pipeline, KI-Verbesserungsoptionen und Fehlerbehebung.
GitHub-Repository-Analyse
# Grundlegendes Repository-Scraping
skill-seekers github --repo facebook/react
# Mit Authentifizierung (höhere Rate-Limits)
export GITHUB_TOKEN=ghp_your_token_here
skill-seekers github --repo facebook/react
# Inhalte anpassen
skill-seekers github --repo django/django \
--include-issues \ # GitHub Issues extrahieren
--max-issues 100 \ # Issue-Anzahl begrenzen
--include-changelog # CHANGELOG.md extrahieren
Vereinheitlichtes Multi-Source-Scraping
Dokumentation + GitHub + PDF zu einem vereinheitlichten Skill mit Konflikterkennung kombinieren:
# Vorhandene vereinheitlichte Konfigurationen verwenden
skill-seekers unified --config configs/react_unified.json
# Oder vereinheitlichte Konfiguration erstellen
cat > configs/myframework_unified.json << 'EOF'
{
"name": "myframework",
"merge_mode": "rule-based",
"sources": [
{
"type": "documentation",
"base_url": "https://docs.myframework.com/",
"max_pages": 200
},
{
"type": "github",
"repo": "owner/myframework",
"code_analysis_depth": "surface"
}
]
}
EOF
skill-seekers unified --config configs/myframework_unified.json
Die Konflikterkennung findet automatisch:
- Im Code fehlend (hoch): Dokumentiert, aber nicht implementiert
- In der Dokumentation fehlend (mittel): Implementiert, aber nicht dokumentiert
- Signatur-Abweichung: Unterschiedliche Parameter/Typen
- Beschreibungs-Abweichung: Unterschiedliche Erklärungen
Vollständige Anleitung: Siehe docs/UNIFIED_SCRAPING.md.
Private Konfigurations-Repositories
Benutzerdefinierte Konfigurationen über private Git-Repositories im Team teilen:
# MCP-Tools verwenden, um das private Team-Repository zu registrieren
add_config_source(
name="team",
git_url="https://github.com/mycompany/skill-configs.git",
token_env="GITHUB_TOKEN"
)
# Konfiguration aus dem Team-Repository abrufen
fetch_config(source="team", config_name="internal-api")
Unterstützte Plattformen:
- GitHub (
GITHUB_TOKEN), GitLab (GITLAB_TOKEN), Gitea (GITEA_TOKEN), Bitbucket (BITBUCKET_TOKEN)
Vollständige Anleitung: Siehe docs/GIT_CONFIG_SOURCES.md.
Funktionsweise
graph LR
A[Dokumentationswebsite] --> B[Skill Seekers]
B --> C[Scraper]
B --> D[KI-Verbesserung]
B --> E[Paketierer]
C --> F[Geordnete Referenzdateien]
D --> F
F --> E
E --> G[Claude Skill .zip]
G --> H[Upload zu Claude AI]
- llms.txt erkennen - Prüft zuerst auf llms-full.txt, llms.txt, llms-small.txt
- Scrapen: Alle Seiten aus der Dokumentation extrahieren
- Kategorisieren: Inhalte nach Themen organisieren (API, Anleitungen, Tutorials usw.)
- Verbessern: KI analysiert Dokumente und erstellt umfassende SKILL.md mit Beispielen
- Paketieren: Alles in eine Claude-fertige
.zip-Datei bündeln
Voraussetzungen
Bevor Sie beginnen, stellen Sie sicher, dass Sie Folgendes haben:
- Python 3.10 oder höher - Herunterladen | Prüfen:
python3 --version - Git - Herunterladen | Prüfen:
git --version - 15–30 Minuten für die erstmalige Einrichtung
Erstmalig hier? → Starten Sie hier: Narrensichere Schnellstartanleitung
Skills zu Claude hochladen
Sobald Ihr Skill paketiert ist, müssen Sie ihn zu Claude hochladen:
Option 1: Automatischer Upload (API-basiert)
# API Key setzen (einmalig)
export ANTHROPIC_API_KEY=sk-ant-...
# Paketieren und automatisch hochladen
skill-seekers package output/react/ --upload
# ODER vorhandene .zip hochladen
skill-seekers upload output/react.zip
Option 2: Manueller Upload (ohne API Key)
# Skill paketieren
skill-seekers package output/react/
# → Erstellt output/react.zip
# Dann manuell hochladen:
# - Gehen Sie zu https://claude.ai/skills
# - Klicken Sie auf „Skill hochladen"
# - Wählen Sie output/react.zip
Option 3: MCP (Claude Code)
In Claude Code einfach fragen:
"Paketiere und lade den React-Skill hoch"
Installation für KI-Agenten
Skill Seekers kann Skills automatisch für über 10 KI-Programmieragenten installieren.
# Für einen bestimmten Agenten installieren
skill-seekers install-agent output/react/ --agent cursor
# Für alle Agenten gleichzeitig installieren
skill-seekers install-agent output/react/ --agent all
# Vorschau ohne Installation
skill-seekers install-agent output/react/ --agent cursor --dry-run
Unterstützte Agenten
| Agent | Pfad | Typ |
|---|---|---|
| Claude Code | ~/.claude/skills/ |
Global |
| Cursor | .cursor/skills/ |
Projekt |
| VS Code / Copilot | .github/skills/ |
Projekt |
| Amp | ~/.amp/skills/ |
Global |
| Goose | ~/.config/goose/skills/ |
Global |
| OpenCode | ~/.opencode/skills/ |
Global |
| Windsurf | ~/.windsurf/skills/ |
Global |
MCP-Integration (26 Tools)
Skill Seekers liefert einen MCP-Server für die Verwendung mit Claude Code, Cursor, Windsurf, VS Code + Cline oder IntelliJ IDEA.
# stdio-Modus (Claude Code, VS Code + Cline)
python -m skill_seekers.mcp.server_fastmcp
# HTTP-Modus (Cursor, Windsurf, IntelliJ)
python -m skill_seekers.mcp.server_fastmcp --transport http --port 8765
# Alle Agenten automatisch konfigurieren
./setup_mcp.sh
Alle 26 verfügbaren Tools:
- Kern (9):
list_configs,generate_config,validate_config,estimate_pages,scrape_docs,package_skill,upload_skill,enhance_skill,install_skill - Erweitert (10):
scrape_github,scrape_pdf,unified_scrape,merge_sources,detect_conflicts,add_config_source,fetch_config,list_config_sources,remove_config_source,split_config - Vektordatenbank (4):
export_to_chroma,export_to_weaviate,export_to_faiss,export_to_qdrant - Cloud (3):
cloud_upload,cloud_download,cloud_list
Vollständige Anleitung: docs/MCP_SETUP.md
Konfiguration
Verfügbare Presets (24+)
# Alle Presets auflisten
skill-seekers list-configs
| Kategorie | Presets |
|---|---|
| Web-Frameworks | react, vue, angular, svelte, nextjs |
| Python | django, flask, fastapi, sqlalchemy, pytest |
| Spieleentwicklung | godot, pygame, unity |
| Tools und DevOps | docker, kubernetes, terraform, ansible |
| Vereinheitlicht (Doku + GitHub) | react-unified, vue-unified, nextjs-unified u. a. |
Eigene Konfiguration erstellen
# Option 1: Interaktiv
skill-seekers scrape --interactive
# Option 2: Preset kopieren und bearbeiten
cp configs/react.json configs/myframework.json
nano configs/myframework.json
skill-seekers scrape --config configs/myframework.json
Konfigurationsdatei-Struktur
{
"name": "myframework",
"description": "Wann dieser Skill verwendet werden soll",
"base_url": "https://docs.myframework.com/",
"selectors": {
"main_content": "article",
"title": "h1",
"code_blocks": "pre code"
},
"url_patterns": {
"include": ["/docs", "/guide"],
"exclude": ["/blog", "/about"]
},
"categories": {
"getting_started": ["intro", "quickstart"],
"api": ["api", "reference"]
},
"rate_limit": 0.5,
"max_pages": 500
}
Speicherorte für Konfigurationen
Das Tool sucht in dieser Reihenfolge:
- Exakter Pfad wie angegeben
./configs/(aktuelles Verzeichnis)~/.config/skill-seekers/configs/(Benutzerkonfigurationsverzeichnis)- SkillSeekersWeb.com API (Preset-Konfigurationen)
Was wird erstellt
output/
├── godot_data/ # Gescrapte Rohdaten
│ ├── pages/ # JSON-Dateien (eine pro Seite)
│ └── summary.json # Übersicht
│
└── godot/ # Der Skill
├── SKILL.md # Verbessert mit echten Beispielen
├── references/ # Kategorisierte Dokumentation
│ ├── index.md
│ ├── getting_started.md
│ ├── scripting.md
│ └── ...
├── scripts/ # Leer (eigene hinzufügen)
└── assets/ # Leer (eigene hinzufügen)
Fehlerbehebung
Kein Inhalt extrahiert?
- Überprüfen Sie Ihren
main_content-Selektor - Versuchen Sie:
article,main,div[role="main"]
Daten vorhanden, aber werden nicht verwendet?
# Erneutes Scraping erzwingen
rm -rf output/myframework_data/
skill-seekers scrape --config configs/myframework.json
Kategorien nicht gut?
Bearbeiten Sie den categories-Abschnitt in der Konfiguration mit besseren Schlüsselwörtern.
Dokumentation aktualisieren?
# Alte Daten löschen und erneut scrapen
rm -rf output/godot_data/
skill-seekers scrape --config configs/godot.json
Verbesserung funktioniert nicht?
# Prüfen, ob API Key gesetzt ist
echo $ANTHROPIC_API_KEY
# LOCAL-Modus versuchen (nutzt Claude Code Max, kein API Key nötig)
skill-seekers enhance output/react/ --mode LOCAL
# Hintergrund-Verbesserungsstatus überwachen
skill-seekers enhance-status output/react/ --watch
GitHub-Rate-Limit-Probleme?
# GitHub Token setzen (5000 Anfragen/Stunde vs. 60/Stunde anonym)
export GITHUB_TOKEN=ghp_your_token_here
# Oder mehrere Profile konfigurieren
skill-seekers config --github
Leistung
| Aufgabe | Dauer | Hinweise |
|---|---|---|
| Scraping (synchron) | 15–45 Min. | Nur beim ersten Mal, thread-basiert |
| Scraping (asynchron) | 5–15 Min. | 2–3x schneller mit --async-Flag |
| Erstellen | 1–3 Min. | Schneller Neuaufbau aus Cache |
| Neuerstellen | <1 Min. | Mit --skip-scrape |
| Verbesserung (LOCAL) | 30–60 Sek. | Nutzt Claude Code Max |
| Verbesserung (API) | 20–40 Sek. | Erfordert API Key |
| Video (Transkript) | 1–3 Min. | YouTube/lokal, nur Transkript |
| Video (visuell) | 5–15 Min. | + OCR-Frameextraktion |
| Paketierung | 5–10 Sek. | Finale .zip-Erstellung |
Dokumentation
Erste Schritte
- BULLETPROOF_QUICKSTART.md - Neue Nutzer starten hier!
- QUICKSTART.md - Schnellstart für erfahrene Nutzer
- TROUBLESHOOTING.md - Häufige Probleme und Lösungen
- docs/QUICK_REFERENCE.md - Einseiter-Kurzreferenz
Anleitungen
- docs/LARGE_DOCUMENTATION.md - 10K–40K+ Seiten verarbeiten
- ASYNC_SUPPORT.md - Async-Modus-Anleitung (2–3x schnelleres Scraping)
- docs/ENHANCEMENT_MODES.md - KI-Verbesserungsmodi-Anleitung
- docs/MCP_SETUP.md - MCP-Integrations-Einrichtung
- docs/UNIFIED_SCRAPING.md - Multi-Source-Scraping
- docs/VIDEO_GUIDE.md - Vollständige Videoextraktions-Anleitung
Integrationsanleitungen
- docs/integrations/LANGCHAIN.md - LangChain RAG
- docs/integrations/CURSOR.md - Cursor IDE
- docs/integrations/WINDSURF.md - Windsurf IDE
- docs/integrations/CLINE.md - Cline (VS Code)
- docs/integrations/RAG_PIPELINES.md - Alle RAG-Pipelines
Lizenz
MIT-Lizenz - siehe LICENSE-Datei für Details
Viel Erfolg beim Erstellen von Skills!
Sicherheit
