Skills

Awesome-OKF: conecta el catálogo de recursos OKF a tu AI agent

Encaja mejor si quieres que un AI agent busque en el catálogo Open Knowledge Format (OKF) de herramientas, plugins, skills y documentos, o convierta en bloque contenido existente a un formato OKF pensado para un agent. Necesitas un entorno Python y un cliente compatible con MCP, y debes recordar que los README se generan: los cambios de entradas solo van en data/catalog.yaml.

Official source · Awesome-OKF

Install

pipx install awesome-okf

Para quién

  • Desarrolladores o usuarios de agent que quieren que un AI agent consulte directamente el catálogo de recursos OKF (Open Knowledge Format): el catálogo incluye herramientas, plugins, skills, propuestas y documentos relacionados con OKF.
  • Quienes ya usan un cliente compatible con MCP y quieren búsqueda programática con herramientas como search_catalog y get_catalog_entry.
  • Quienes quieren convertir su contenido en un catálogo OKF (archivos Markdown + YAML frontmatter) y comprobarlo con myokf validate.

Cuándo no encaja:

  • Situaciones en las que no necesitas descubrir ni convertir recursos OKF y solo quieres consultar datos de otros ámbitos.
  • Editores directos del README: lo oficial indica que README*.md se genera, no debe editarse a mano, y hay que cambiar data/catalog.yaml y volver a generar.
  • Lo que lo oficial no explica (lista de clientes compatibles, rango de idiomas de entrada de la conversión, requisitos concretos del sistema) no se adivina en esta página; se marca como no confirmado.

Primera prueba en 3 minutos

Requisito: un entorno Python local con pipx instalado (método oficial de instalación). Es una CLI + MCP meta-server implementada en Python.

  1. Instalar: ejecutar en un terminal

    pipx install awesome-okf

  2. Conectar el agent: registra el MCP server en tu cliente MCP con el comando awesome-okf-server (la nota oficial es "Connect it to your MCP client"; las rutas exactas de registro por cliente no están en la evidencia, sigue la documentación de tu cliente).

  3. Lanzar una tarea de solo lectura de bajo riesgo: dile al agent «usa search_catalog para buscar herramientas OKF en el catálogo y devuelve las primeras entradas». La herramienta acepta query/kind/limit, consulta el catálogo y no escribe.

Señal de éxito: el agent devuelve entradas del catálogo (según datos de get_catalog_entry / list_catalog) o totales de catalog_stats, lo que indica que el meta-server está conectado.

Nota: el primer intento solo debe consultar. convert_to_okf y scripts/convert-to-okf.py crean archivos de catálogo OKF y escriben en disco. Ejecútalos solo cuando confirmes la ruta de destino y sepas que generarán archivos Markdown + YAML frontmatter.

Casos de uso

Caso 1: que el agent busque recursos OKF. Escenario: quieres saber qué herramientas o habilidades hay en el ecosistema OKF. Pide al agent conectado: «usa search_catalog, pon las palabras clave en query, filtra por kind si quieres y controla el número con limit». El agent llama a la herramienta de búsqueda del meta-server y devuelve herramientas/plugins/skills/propuestas/documentos coincidentes; para totales usa catalog_stats. Es solo consulta; el resultado son las propias entradas del catálogo.

Caso 2: convertir contenido existente en un catálogo OKF. Escenario: tienes texto estructurado (listas, JSON, pares clave-valor, listas de URL) y quieres un formato de conocimiento pensado para un agent. Usa scripts/convert-to-okf.py; el modo --format anything prueba la cadena de análisis (list → JSON → key-value → URLs → line-per-row) hasta que un analizador acierte. Resultado confirmable: un catálogo de archivos Markdown con YAML frontmatter, luego comprobable con myokf validate. Efecto secundario: este paso escribe archivos en disco; la conversión la hace un motor local. Confirma primero el directorio de salida. La evidencia no cubre: si llamar a la herramienta MCP convert_to_okf hace la misma conversión, y el comportamiento exacto de error si falla.

Límites de uso

  • No edites README*.md directamente: son producto generado. Para cambiar entradas, edita data/catalog.yaml y vuelve a generar; lo oficial exige que las entradas pasen awesome-okf validate y pytest antes de enviarlas.
  • Acceso de red/archivos: la conversión usa un motor local (extraction done by local engines only) y no obtiene nada del exterior. El comportamiento de red del propio meta-server no está descrito oficialmente; márcalo como desconocido.
  • Punto a confirmar: cualquier acción que escriba archivos (conversión, generación) debe confirmar primero la ruta de destino. Las herramientas de consulta (search_catalog, list_catalog, get_catalog_entry, catalog_stats) leen el catálogo, pero no hay evidencia bastante para la conclusión de seguridad absoluta «no escribe archivos ni ejecuta comandos»; esta página no lo afirma.
  • Entorno de ejecución: CLI y MCP meta-server implementados en Python e instalados con pipx; hace falta un cliente compatible con MCP. Lo oficial no enumera qué clientes MCP admite.
  • No confirmado: el rango de lenguas naturales admitidas, los detalles de registro de cada cliente MCP y las versiones de dependencias del sistema no están en el texto oficial. Consulta la documentación reciente del repositorio antes de usarlo.