AI 音乐 Agent Skill 全景评估：2026 年谁能用？
给 AI agent 装个能写歌的 skill，听起来很酷。但现状是：这个赛道里几乎没有一个能直接拿来用的工具。依赖付费 API 的项目被上游服务封杀，本地程序化生成的音质劝退，商业 SDK 又没有 agent 集成路径。三头不靠。
我们看了四个音乐 agent skill 项目。结论前置：一个都装不了。但有一条技术路线值得长期跟踪。
选手一览
EsshUwU/music-skill（1 星，Python）——程序化音乐生成和 MIDI 混音，用 pretty_midi、pyfluidsynth 和 FFmpeg。纯本地，零 API 依赖。从文字 prompt 出发，一个音符一个音符地构建曲子，覆盖电影管弦到 lo-fi 嘻哈等多种风格。也能拿现成的 MIDI 文件重新编曲。
Cynaps3 OpenClaw 插件（2 星，TypeScript）——26 个 agent 工具，双 provider 方案（Suno + Sonauto）。绑定 skill playbook，面向 OpenClaw 平台。
vargHQ/skills（18 星，TypeScript）——多模态 agent skill 套装，覆盖视频、图片、语音和音乐生成。兼容 Claude Code、Cursor、Windsurf、OpenCode、ClawHub。音乐路径依赖外部生成 API。
fltman/claude-code-suno-musicgen-skill（6 星）——给 Claude Code 用的 Suno 音乐生成 skill。README 已删除，项目描述明确指出 Suno 阻止脚本自动点击和下载。
SamurAIGPT/Generative-Media-Skills（3,167 星，多模态）——泛生成式媒体的巨无霸，覆盖图片、视频、音频，走 muapi。不是专门的音乐 skill，但体量绕不开。
API 依赖的死结
四个音乐项目里，三个依赖 Suno。Suno 禁止自动化操作——fltman 项目的描述里白纸黑字写了。Cynaps3 插件主 provider 是 Suno，Sonauto 当后备。它们都不是官方 agent API，而是网页服务的包装器。
这跟之前 Skywork Office 的情况一模一样——skill 能用多久取决于上游服务什么时候改规则、封自动化、开始收费。我们的规则很简单：skill 依赖付费 API = 自动 PASS。一个能不能用取决于第三方网站「容忍度」的 skill，不是基础设施，是演示。
SamurAIGPT 的 3,167 星看着唬人，但它是个多模态内容工厂包装器，音乐只是几十个子功能之一，全走 muapi。同样的问题，更大的规模。
本地路线：EsshUwU/music-skill
这个项目走了完全不同的路。零 API。零网络请求。Python 代码逐音符构建 MIDI 文件，然后用 FluidSynth 渲染成音频。
支持两种模式：
create-music——从文字 prompt 生成新曲子。处理段落结构、和弦进行、旋律发展和乐器选择。输入「电影管弦，紧张感渐强」，输出多轨 MIDI，包含弦乐、铜管和打击乐。
remix-music——拿现成 MIDI 文件重新编曲。保留原曲的节奏和时值，叠加新声部、和声和乐器配置。
输出是一个目录，里面有生成脚本、MIDI 文件和渲染好的 WAV/MP3。全程本地。全程可审查。
依赖可控：pretty_midi、numpy、scipy、mido、pyfluidsynth。系统要求：FluidSynth（apt/brew 都能装）、FFmpeg、一个 SoundFont 文件。推荐 SoundFont（FluidR3_GM）141 MB，本地用没问题。
哪里行
本地优先方案的核心价值是：用音质换了可靠性。FluidSynth 搭配好 SoundFont 能出不错的器乐声——相当于游戏配乐水平，谈不上录音室品质。给 agent 生成内容做背景音乐够用。想在流媒体发歌就算了。
程序化生成还意味着 agent 有完全控制权。可以精确指定音符序列、力度、演奏法。想改哪改哪，不用等黑盒 API 重新生成一遍碰运气。
MIDI 混音这个功能实打实有用。拿个现成的 MIDI，让 agent 把它改编成别种风格或乐器编制，这是个很具体的实用场景。
哪里不行
1 个 star。README 是个 markdown，安装说明粗糙，没有代码结构详解，只有一个高层次的流程描述。SKILL.md 文件 404——skill 元数据可能只存在 repo 顶层结构里。
音质天花板是真实的。FluidSynth + SoundFont 听起来就是 FluidSynth + SoundFont。1990 年代的技术栈在 2026 年还在用，不是因为好听，是因为稳定。做氛围音乐、游戏配乐、通知音效行，带人声或者要现代制作的就算了。
没有 Hermes Agent 集成。这个 skill 当初设计时是给通用 agent 用的，不是专门面向 Hermes。要把它移植成带正确 skill_manage 钩子的 Hermes 兼容 skill 格式。
结论
当前没有一个音乐 agent skill 能装进生产环境。依赖 API 的按规则一票否决。本地程序化的架构方向对，但缺 Hermes 集成，音质也需要提升。
能改变判断的条件：
- 一个基于程序化 MIDI 路线的 Hermes 原生 music skill
- 用本地模型音频生成（Stable Audio、AudioCraft）替换 FluidSynth 做渲染引擎，提升音质
- 把「作曲（MIDI）」和「渲染（音频引擎）」解耦，渲染后端可以随意换
目前 agent 音乐生成的处境跟 2023 年的图片生成差不多——本地工具存在，集成路径不成熟。关注程序化 MIDI 路线。一切依赖 Suno 的东西跳过。
Sources: EsshUwU/music-skill GitHub, Cynaps3 OpenClaw Plugin GitHub, vargHQ/skills GitHub, fltman/suno-skill GitHub, SamurAIGPT/Generative-Media-Skills GitHub