技术栈顾问Skill：一句话选对技术栈，告别架构选型纠结
- 覆盖广：内置 10 大技术类别、超过 56 种技术、25 套全栈组合，从 前端到消息队列一站覆盖。
- 本地运行：基于本地数据库进行推荐，无需联网调用外部服务，选型过程私密、稳定、可复现。
- 两种核心玩法：既可按「类别 + 关键词」精准推荐单项技术，也可直接给出「全栈组合」方案。
- 支持横向对比：一条
--compare命令即可把同类技术摆在同一张桌子上比较差异。 - 还能扫描遗留项目：用扫描脚本读取现有代码库，为老项目改造提供依据。
该技能叫什么？如何下载安装 AI 技能提升开发效率？
技能中文名：技术栈顾问Skill 技能英文名：tech-stack-advisor 技能 ID：12830
它要解决的问题非常具体：技术选型是一个「信息分散 + 决策成本高」的环节。前端框架怎么挑？数据库用 PostgreSQL 还是 MongoDB？AI 应用该上哪套组合？这些问题往往要靠翻阅大量文档、博客和社区讨论才能得出结论。技术栈顾问Skill 把这个决策过程收敛为一次本地命令调用：你描述需求关键词，它从本地数据库中给出候选技术与组合建议。
一键安装 AI 技能提升开发效率的思路
这个技能本身是一个基于脚本运行的本地技能，核心是 advisor.py 与 scanner.py 两个脚本，安装在技能目录 .agent/skills/tech-stack-advisor/ 之下。提升效率的关键在于：把「选型知识库」一次性装进本地，此后每次决策只需一条命令，而不是一次搜索。
安装与准备步骤（通用流程，具体命令与入口以官方说明为准）：
- 确认运行前提：本机具备 Python 运行环境，因为技能通过
python命令调用脚本；技能文件位于.agent/skills/tech-stack-advisor/目录下。 - 获取并放置技能：通过你所用 AI 技能平台（或技能市场）的安装入口获取该技能，安装后确认目录下存在
scripts/advisor.py与scripts/scanner.py。 - 验证是否生效：执行列出类别命令，若能返回 10 大类别清单，说明技能已可用：
python .agent/skills/tech-stack-advisor/scripts/advisor.py --list
- 跑一次真实推荐：再执行一条带关键词的推荐命令，例如
--category web --keywords "seo,fast"，若返回候选技术列表即代表安装完全正常。
提示：若你的技能目录不在
.agent/skills/下，请将命令中的路径替换为实际安装路径；具体的下载地址、安装入口与版本信息以官方说明为准。
该技能的主要功能和特点
- 十大类别技术库：覆盖前端、后端、数据库、移动端、开发运维、人工智能/机器学习、身份验证、测试、消息传递、内容管理系统，共 56 种以上技术。例如前端包含 React、Vue、Angular、Svelte、Next.js、Astro、HTMX；后端包含 Node.js、Python、Go、Rust、Java、C#、PHP、Elixir。
- 25 套全栈组合：不止推荐单个零件，还能给出前后端 + 数据库 + 运维的成套搭配，避免「各选各的、拼不成一台车」。
- 关键词驱动推荐：用自然语言关键词（如
seo、rag、realtime）表达诉求，技能据此筛出匹配技术。 - 技术横向对比：
--compare可按类别把同类技术并列展示，帮助看清差异再做决定。 - 遗留代码库扫描：
scanner.py支持对指定路径进行扫描，识别现有项目使用的技术，为迁移与升级提供起点。 - 类别别名快捷方式：
web、fullstack、all三个别名可一次性覆盖多个类别，省去逐个指定。 - 本地化、可离线：全部基于本地数据库，不依赖外部检索服务，结果稳定可复现。
和普通工具比强在哪：普通搜索给出的是「一堆观点」，而这个技能给出的是「结构化候选清单 + 成套组合 + 可对比维度」，把开放式搜索变成了收敛式决策。
如何使用该技能？
以下为分步骤使用指南，所有命令均在项目根目录下执行（路径以实际安装位置为准）。
步骤 1：先看全貌，列出所有类别
python .agent/skills/tech-stack-advisor/scripts/advisor.py --list
输出说明：返回 10 个技术类别及每类下的技术数量与示例，帮助你确定该往哪个类别提问。
步骤 2：按类别 + 关键词获取推荐
python .agent/skills/tech-stack-advisor/scripts/advisor.py --category web --keywords "seo,fast"
输入示例解读：--category web 表示在前端 + 后端 + 数据库范围内查找；--keywords "seo,fast" 表示看重 SEO 友好与高性能。输出为一组匹配的技术建议。
再比如 AI 场景：
python .agent/skills/tech-stack-advisor/scripts/advisor.py --category ai_ml --keywords "rag,enterprise"
表示在人工智能/机器学习类别中寻找适合企业级 RAG 应用的技术。
步骤 3：直接要一套全栈组合
python .agent/skills/tech-stack-advisor/scripts/advisor.py --stack --keywords "saas,react,seo"
适用场景：新项目从零起步，需要一次性拿到「前端 + 后端 + 数据库 + 运维」的完整搭配建议。关键词可以写业务形态（saas）、偏好技术（react）和关键诉求（seo）。
步骤 4：做技术横向对比
python .agent/skills/tech-stack-advisor/scripts/advisor.py --compare --category frontend
python .agent/skills/tech-stack-advisor/scripts/advisor.py --compare --category database
输出说明：把同类技术并列呈现，便于团队评审时逐项讨论取舍，例如前端 7 个框架、数据库 7 种方案之间的差异。
步骤 5：扫描遗留项目
python .agent/skills/tech-stack-advisor/scripts/scanner.py --path "."
适用场景：接手一个老项目，先摸清它用了哪些技术，再决定是继续维护还是逐步迁移。--path "." 表示扫描当前目录，也可替换为具体项目路径。
类别别名速查：web = 前端 + 后端 + 数据库；fullstack = 前端 + 后端 + 数据库 + 开发运维；all = 全部 10 个类别。
同类型竞品对比分析
| 方案名称 | 定位 | 核心功能 | 安装/使用门槛 | 适用场景 | 优势与不足 |
|---|---|---|---|---|---|
| 技术栈顾问Skill（tech-stack-advisor） | 本地化技术选型决策助手 | 10 类 56+ 技术推荐、25 套全栈组合、技术对比、遗留项目扫描 | 需 Python 环境，命令行为主，学习成本低 | 新项目选型、老项目摸底、团队技术评审 | 优势：结构化输出、可离线、组合成套；不足：依赖本地数据库更新，需命令行操作 |
| 通用搜索引擎 / 技术社区 | 开放信息检索 | 海量博客、问答、评测文章 | 零门槛 | 泛化了解某个技术 | 优势：信息量极大；不足：观点碎片化、结论需自行归纳、耗时 |
| AI 通用对话助手 | 开放式问答 | 自然语言问答、代码示例生成 | 零门槛 | 快速了解概念、写示例代码 | 优势：交互自然；不足：答案不稳定、缺少统一技术库与组合视角、难以横向对比 |
| 技术选型清单/电子表格（人工维护） | 团队自建知识库 | 人工整理的候选技术列表 | 需人工持续维护 | 有固定技术规范的团队 | 优势：贴合团队实际；不足：维护成本高、易过时、缺乏推荐与扫描能力 |
从对比可见，技术栈顾问Skill 的差异点在于「收敛」与「成套」：它不提供海量信息，而是直接给出可讨论的候选清单与组合方案。
该技能的典型应用场景与实际体验情况
场景一：初创团队从零搭建 SaaS 产品
角色是技术负责人，痛点是「既要快上线，又要留扩展余地」。使用方式：直接跑 --stack --keywords "saas,react,seo" 拿全栈组合，再用 --compare --category database 对比数据库选项。实际体验：命令一行出结果，几分钟内就能形成一份可拿去开会讨论的方案；注意事项是关键词要写业务诉求而非模糊形容词，写得越具体，推荐越贴合。
场景二：企业级 AI 应用选型
角色是 AI 工程师，痛点是 RAG 方案里向量库、编排框架、模型服务怎么搭。使用方式：--category ai_ml --keywords "rag,enterprise"。实际体验：能从 OpenAI、LangChain、Hugging Face、Ollama、Vector DBs 这一层直接给出候选，省去大量资料搜集；注意该类别技术迭代快，最终仍需结合官方文档确认版本与能力。
场景三：接手遗留系统做技术摸底
角色是外聘顾问或新入职工程师，痛点是「不知道这坨代码用了什么」。使用方式：scanner.py --path "." 扫描项目目录。实际体验：先拿到技术清单，再用 --compare 评估替换方案，迁移路线清晰很多；注意扫描结果需人工复核，尤其是多语言混用的项目。
场景四：技术评审会前的横向对比准备
角色是架构师，痛点是会上各执一词缺共同参照。使用方式：会前用 --compare --category frontend 或 --compare --category database 生成对比清单发群里。实际体验：讨论从「我觉得」变成「这一列怎么选」，会议效率明显提升；注意对比结果只是决策输入，最终仍需结合团队人力与历史包袱判断。
该技能能为用户带来的价值
- 把选型从「搜索几小时」压缩到「命令几秒钟」：原本需要翻阅十几篇文章的决策，现在一两条命令即可得到结构化候选清单。
- 降低技术决策门槛：对经验尚浅的开发者，10 大类别与 25 套全栈组合相当于一份随身携带的选型地图，不必凭直觉拍板。
- 减少返工成本：先用
--compare对比、再用--stack定组合，能在写第一行代码前发现搭配风险，避免上线后推倒重来。 - 让遗留系统改造有据可依：扫描脚本把「摸不清家底」变成一份可讨论的技术清单，为迁移排期提供事实基础。
- 团队协作标准化：同一套本地数据库、同一套命令输出，让技术评审有共同参照物，减少无效争论。
- 长期价值：随着使用频次增加，团队可以沉淀出「哪些关键词对应哪些推荐」的经验，形成自己的选型方法论。
常见问题 FAQ
Q1：这个技能怎么安装？安装后怎么确认能用？
A：通过你所用 AI 技能平台的安装入口获取技能，确认 .agent/skills/tech-stack-advisor/ 下存在 scripts/advisor.py 与 scanner.py，然后执行 python .agent/skills/tech-stack-advisor/scripts/advisor.py --list，能列出 10 大类别即表示生效。具体下载地址与安装入口以官方说明为准。
Q2：使用这个技能收费吗？ A：技能详情中未涉及收费信息。该技能基于本地数据库与本地脚本运行，不依赖外部付费接口；是否收费请以官方说明为准。
Q3：它适合谁用？我一个人做小项目有必要吗？
A：适合技术负责人、架构师、全栈开发者、AI 工程师，以及刚接手陌生项目的开发者。个人小项目同样有用——一条 --stack 命令就能定下整套技术组合，省去反复纠结的时间。
Q4：它和直接问 AI 助手 / 搜索引擎有什么区别？ A：搜索引擎和通用 AI 给出的是分散观点，需要你自己归纳；本技能基于结构化本地数据库，直接输出候选技术、全栈组合和可对比清单，结论更收敛、更可复现。
Q5：推荐结果可以直接照抄落地吗？ A：建议作为决策输入而非最终答案。推荐基于关键词与内置数据库匹配，实际落地还需结合团队技术储备、预算、合规要求与最新官方文档确认；技术迭代较快的类别（如 AI/ML）尤其需要二次核实。