Agente de investigación autónomo y de código abierto que planifica preguntas, recopila fuentes web y locales, y redacta informes con citas usando cualquier proveedor de LLM.
yusufkaraaslan/Skill_Seekers
Convierte sitios de documentación, repositorios de GitHub, PDF y otras fuentes en recursos de conocimiento estructurados para Claude, Gemini, skills de OpenAI, pipelines RAG y asistentes de programación con IA.
- Estrellas
- 15,184
- Forks
- 1,781
- Issues abiertos
- 50
- Último commit
- hace 20 días
¿Qué es?
Skill Seekers es una CLI de Python y un servidor MCP que transforma material de distintas fuentes en paquetes de conocimiento para herramientas de IA. Puede extraer contenido de sitios de documentación (incluidas aplicaciones JavaScript de una sola página y sitios que publican llms.txt), analizar repositorios de GitHub y bases de código locales mediante análisis AST, e incorporar PDF, documentos de Word, EPUB, notebooks de Jupyter, especificaciones OpenAPI, videos y más. También permite combinar varias fuentes en una sola skill y detectar conflictos.
El resultado es un archivo SKILL.md con archivos de referencia que se puede empaquetar para Claude, Gemini u OpenAI, o exportar como documentos divididos en fragmentos para LangChain, LlamaIndex y bases de datos vectoriales como Pinecone, Chroma y Qdrant. Las skills también se pueden instalar directamente en agentes como Cursor, Windsurf, Cline y Claude Code. La mejora con IA se ejecuta mediante una API o un agente local, y el proyecto incluye un servidor MCP con 40 herramientas.
Funciones clave
- 01Extrae contenido de sitios de documentación y los descubre mediante sitemap, llms.txt y un navegador sin interfaz gráfica
- 02Analiza repositorios de GitHub y código local mediante análisis AST y detección de patrones de diseño
- 03Incorpora fuentes PDF, Word, EPUB, Jupyter, OpenAPI, PowerPoint y videos
- 04Combina varias fuentes en una sola skill y detecta conflictos
- 05Exporta a 22 destinos, incluidos Claude, Gemini, OpenAI, LangChain y bases de datos vectoriales
- 06Incluye un servidor MCP e instala skills en 19 agentes de programación con IA
Casos de uso
- Convertir la documentación de un framework en una skill de Claude para un asistente de programación
- Crear una base de conocimiento RAG a partir de documentación, PDF y un repositorio de GitHub para LangChain o LlamaIndex
- Preparar archivos de contexto para que Cursor o Cline lean automáticamente la documentación de un proyecto
- Combinar una wiki interna y especificaciones de API en una referencia consultable
Inicio rápido
- 1
Instala el paquete desde PyPI
pip install skill-seekers - 2
Crea un skill a partir de un sitio de documentación
skill-seekers create https://docs.djangoproject.com/ - 3
Empaqueta el skill para tu plataforma de IA (Claude)
skill-seekers package output/django --target claude
Antes de usarlo
- Algunos tipos de fuente necesitan extras opcionales; por ejemplo, el vídeo requiere skill-seekers[video].
- La extracción visual de vídeo requiere un paso de configuración compatible con GPU y dependencias adicionales, como PyTorch y easyocr.
- La mejora mediante IA requiere una clave de API para los modos alojados o un agente local, como Claude Code.
Temas
Preguntas frecuentes
- ¿Qué es Skill_Seekers?
- Convierte sitios de documentación, repositorios de GitHub, PDF y otras fuentes en recursos de conocimiento estructurados para Claude, Gemini, skills de OpenAI, pipelines RAG y asistentes de programación con IA. Skill Seekers es una CLI de Python y un servidor MCP que transforma material de distintas fuentes en paquetes de conocimiento para herramientas de IA. Puede extraer contenido de sitios de documentación (incluidas aplicaciones JavaScript de una sola página y sitios que publican llms.txt), analizar repositorios de GitHub y bases de código locales mediante análisis AST, e incorporar PDF, documentos de Word, EPUB, notebooks de Jupyter, especificaciones OpenAPI, videos y más. También permite combinar varias fuentes en una sola skill y detectar conflictos.
- ¿Skill_Seekers es gratuito? ¿Qué licencia tiene?
- Skill_Seekers es open source bajo la licencia MIT. Revisa los términos de la licencia antes de usarlo en productos comerciales.
- ¿Skill_Seekers sigue mantenido?
- Mantenimiento activo. El último commit de Skill_Seekers fue el 30 sept 2026.
- ¿Para qué puedo usar Skill_Seekers?
- Convertir la documentación de un framework en una skill de Claude para un asistente de programación Crear una base de conocimiento RAG a partir de documentación, PDF y un repositorio de GitHub para LangChain o LlamaIndex Preparar archivos de contexto para que Cursor o Cline lean automáticamente la documentación de un proyecto Combinar una wiki interna y especificaciones de API en una referencia consultable
- ¿Cómo se instala Skill_Seekers?
- Instala el paquete desde PyPI: pip install skill-seekers Crea un skill a partir de un sitio de documentación: skill-seekers create https://docs.djangoproject.com/ Empaqueta el skill para tu plataforma de IA (Claude): skill-seekers package output/django --target claude
- ¿Dónde consigo Skill_Seekers?
- El código fuente y las instrucciones de instalación están en GitHub: https://github.com/yusufkaraaslan/Skill_Seekers
Resumen generado por IA a partir del README del proyecto. Las estadísticas de GitHub se actualizan a diario.
Proyectos relacionados
Indexa bases de código multilingües en un grafo de conocimiento para consultar, buscar y editar código en lenguaje natural mediante un agente de IA o un servidor MCP.
Una CLI que analiza tu código y genera archivos compactos de contexto para IA (CLAUDE.md, .cursorrules, AGENTS.md), para que los asistentes de programación exploren menos el proyecto y consuman menos tokens.
Sistema de memoria para agentes que almacena, recupera y analiza recuerdos para que los agentes de IA aprendan con el tiempo, en lugar de limitarse a repetir el historial del chat.
Framework de Python para crear servidores y clientes MCP, además de apps interactivas que conectan LLMs con herramientas y datos.
Infraestructura de memoria nativa para agentes que convierte las conversaciones y ejecuciones de agentes LLM en memoria persistente y estructurada para aplicaciones Python y TypeScript.