核心用法
Frankenstein 是一款元技能（meta-skill），其核心使命是解决"技能碎片化"问题。当用户面对多个功能重叠但各有优劣的AI技能时，该技能能够自动执行八步合成流程：首先并行搜索 ClawHub、GitHub、skills.sh、skillsmp.com 等六大技能仓库，收集候选技能；随后强制通过 skill-auditor 进行安全评分（仅保留≥7分的技能）；接着在 sandwrap 沙箱中对安全技能进行只读分析，提取核心特性、方法论、脚本工具和独特优势；构建对比矩阵识别各技能的最佳特性；最终通过 skill-creator 组装成统一的"弗兰肯斯坦"技能，并经过三轮迭代验证确保质量。
显著优点
系统性整合能力：不同于人工逐个试用技能，Frankenstein 建立了标准化的评估框架，通过对比矩阵量化各技能优劣，避免主观偏见。安全优先设计：强制安全扫描和沙箱分析机制，从源头阻断高风险技能的混入，这是普通技能搜索工具所不具备的。深度推理依赖：明确要求使用 Opus 等顶级推理模型进行技能对比和合成，确保能捕捉方法论层面的细微差异，产出高质量整合方案。透明溯源：最终生成的技能会清晰标注各特性来源，既尊重原作者，也便于用户理解设计决策。
潜在缺点与局限性
外部依赖脆弱性：依赖 clawhub、skill-auditor、sandwrap、skill-creator 四个外部工具链，任一工具失效或API变更都会导致流程中断。网络访问门槛：需要同时访问多个外部平台，在企业内网或受限环境中可能无法正常工作。无法解决架构冲突：当两个技能在底层方法论上存在根本性矛盾时（如同步vs异步处理哲学），Frankenstein 只能识别冲突但无法自动调和，仍需人工判断。质量天花板效应：最终产出受限于现有公开技能的质量，如果某领域缺乏优质开源技能，合成结果也会相应平庸。
适合的目标群体
技能开发者：希望快速构建领域专用技能，避免从零开始的开发者。企业AI架构师：需要评估和整合多个内部/外部技能，构建统一AI能力中台的团队。高级AI用户：对单一技能功能不满意，希望获得"最佳组合"方案的专业用户。开源社区贡献者：希望基于现有技能改进并回馈社区的技术人员。
使用风险
性能风险：八步流程涉及多次网络请求、安全扫描和子代理创建，单次执行可能消耗大量token和时间，不适合实时场景。子代理失控风险：虽然要求使用高能力模型，但 spawned 子代理的行为仍需要监控，存在资源耗尽或意外循环的可能。安全扫描盲区：skill-auditor 的评分机制可能存在漏报，且评分标准本身可能无法覆盖所有攻击向量。知识产权风险：组合多个开源技能时，若各技能采用不同许可证（如GPL与MIT混用），可能产生合规问题，需人工核查最终产出的许可证兼容性。