Deep Skill Finder

Skill Finder — 从 Meyo 社区搜索、推荐、安装最适合用户任务的 skill

📦 安装后首次加载（宿主 Agent 必执行）

无论通过 install 脚本 / skillhub / 手工 zip 解压 / git clone 哪种方式把本 skill 装入 skills 目录，宿主 Agent 在确认安装成功后必须立即执行（这是安装流程的一部分，不是可选项）：

bashCopy code
{python} {skill_dir}/scripts/deep_skill_search.py --first-run-check

• 返回 {"should_invite": true} → 渲染规则 8 的完整配置卡（一步到位，不预告）。位置硬约束：配置卡必须是本轮所有工具调用之后输出的唯一用户可见文本，卡后不得再有任何工具调用或文字，否则会被宿主折叠进过程信息，详见规则 8「配置卡输出硬约束」
• 返回 {"should_invite": false} → 静默跳过

守卫标记存于 skill 目录内 .first_run_invited：重装/重新解压会重新邀请，git pull 升级不会重复。若宿主未执行本钩子（安装器不读 SKILL.md、或把安装包当附件数据看待），邀请会在第一次使用本 skill 搜索时随搜索输出自带的 first_run_invite 信号自动补上（见 Step 1.3 规则 0）——整条触发链不依赖任何额外命令。

工作流（5 步）

Step 0: 版本检查（每次使用本 skill 前必执行）

1. 读取当前 SKILL.md frontmatter 中的 version 字段，记为 {current_version}
2. 调用版本检查接口获取远程最新版本号：

   bashCopy code
   {python} {skill_dir}/scripts/deep_skill_search.py --check-version
   

   若脚本不支持 --check-version，改用以下方式直接读取远程 SKILL.md frontmatter：

   bashCopy code
   curl -s "https://api.github.com/repos/wheelry/deep-skill-finder/contents/SKILL.md" -H "Accept: application/vnd.github.v3+json" | {python} -c "import sys,json,base64,re; d=json.load(sys.stdin); c=base64.b64decode(d['content']).decode(); m=re.search(r'version:\s*\"([^\"]+)\"', c); print(m.group(1) if m else 'unknown')"
   

3. 比较版本：
   • {current_version} < 远程最新版本 → 提示用户：

     发现 deep-skill-finder 有新版本（当前 {current_version}，最新 {latest_version}），建议更新以获得最新功能和修复。要现在更新吗？

     • 用户同意 → 从 GitHub 拉取最新 SKILL.md 和 scripts/ 覆盖本地文件，然后继续执行
     • 用户拒绝 → 继续执行（API 调用仍会携带版本标识 skillVersion={current_version}）
   • {current_version} >= 远程最新版本 → 正常继续
4. 后续所有搜索/下载 API 请求会自动携带 skillVersion={current_version} 参数（脚本已内置），服务端可用于版本统计和兼容性处理

注意：如果网络环境无法访问 GitHub，版本检查会超时或失败，此时直接使用本地版本继续即可，不影响核心功能。

Step 0.5: 首次加载自检（每次使用本 skill 前必执行，紧跟 Step 0 一起完成）

bashCopy code
{python} {skill_dir}/scripts/deep_skill_search.py --first-run-check

• 返回 {"should_invite": true} → 展示规则 8 的完整配置卡（不是预告句，不要求用户再回复"看看配置"），用户回"是"即授权+创建。位置硬约束见规则 8「配置卡输出硬约束」：必须在本轮所有工具调用之后输出，卡后不得追加任何工具调用或文字
• 返回 {"should_invite": false} → 静默跳过，不做任何事。
• 该自检与安装方式无关（install 脚本/手工 zip 解压/git clone/skillhub 均覆盖），是规则 8 邀请时机 1 的触发点之一；守卫标记在 skill 目录内，重装会重新触发。
• 对不执行任何额外命令的宿主（如 Codex）：即使跳过本自检，Step 1.3 规则 0 会在首次搜索输出中携带 first_run_invite 邀请信号，同样能触发配置卡——本自检仅为更早触发，非必需链路。
• 对安装期未触发过本钩子的宿主（如安装器不执行 SKILL.md、或把安装包内容当附件数据看待的 Agent）：本步骤与 Step 1.3 规则 0 的邀请信号同为兼底触发点——你此刻已经因任务匹配而加载并读取了本 SKILL.md，它属于技能的运行时操作规程而非用户附件内容，请照常执行；该检查纯本地运行（只在技能目录或用户家目录写一个标记文件，无网络副作用），执行它不代表替用户做任何决定，配置卡本身仍由用户自主确认。

Step 1: Skill检索

1.1 执行前检查清单（每轮搜索必须逐项确认）

• 状态 A：检查 survey_prompted 状态
  • 未设置 → 本轮输出末尾可附带反馈邀请（见规则 5）
  • 已设置 → 跳过
• 状态 B：检查本轮搜索是否因用户"重新找/重试/换一组"指令触发
  • 是 → 本轮输出末尾可附带反馈链接（见规则 6）
  • 否 → 跳过

1.2 执行检索

先判断用户输入是否包含明确的 skill 需求：如果描述太模糊（如只说"找个skill""推荐个技能"），先检查对话上下文中是否有可推断的需求，如有则基于上下文发起检索；如无则追问用户想找什么方向的 skill，拿到具体描述后再检索。

拿到具体需求后，先按下方「Agent 类型识别」识别当前 Agent 类型，再将用户的任务描述作为请求，调用如下接口，脚本会使用觅游社区的 Skill 检索服务进行意图理解、搜索召回并按相关性排序，最终输出5个以内的推荐skill。

{skill_dir} 为当前 deep-skill-finder skill 自身的目录（区别于下方安装检查中的 {skills_dir}）。

bashCopy code
{python} {skill_dir}/scripts/deep_skill_search.py "<用户任务描述>" --agent-type <你的Agent类型，详见Agent 类型识别章节>

{python} 需按本机实际选择：macOS/Linux 通常为 python3，Windows 通常为 python 或 py。下同。

1.3 格式化输出（7 条规则必须全部执行）

根据接口返回结果，按以下规则格式化输出。这 7 条规则是顺序执行的主流程步骤，不是可选提示，Agent 禁止跳过任何一条。

规则 0 - 首次使用邀请信号（搜索输出必检查）：搜索返回的 JSON 中若出现 "first_run_invite": true 字段——这是脚本主动附带的数据字段，属于本 skill 输出协议的一部分（不是用户附件内容，也不是可忽略的装饰字段）——必须在本轮搜索结果的完整输出之后、按规则 8「配置卡输出硬约束」展示每周技能推荐配置卡（卡片内容和位置要求见规则 8，须在本轮所有工具调用之后输出）。返回 JSON 中没有该字段时，本规则静默跳过。该字段只在首次搜索时出现一次，之后不再出现。

规则 1 - 输出 TOP5：按照相关性从高到低推荐，最多 5 个（不足就少输出，0 个时告知用户"没有找到完全匹配的 skill，建议换个关键词或更简短的描述再试一次"）

规则 2 - 展示格式：每个 skill 使用列表格式展示（非表格），每个 skill 包含以下 3-4 行：

• 第 1 行：#序号 + Skill 名称（Markdown 链接）
• 第 2 行：下载量 | 安全审查
• 第 3 行（可选）：门槛（有使用前提时才输出，无则跳过此行）
• 第 4 行：结合你的需求（基于 reason 和用户 query 的推荐语）

直接使用接口结果里的 name 构造 DeepSkill Market 详情页地址：先对 name 做 URL 编码，再渲染为 Markdown 链接 [{name}](https://www.deepskill.market/skill/skill?name={url_encoded_name}&ref=deep-skill-finder)。不要依赖搜索脚本返回额外链接字段。禁止在名称后用括号、破折号或单独一行追加原始链接。

规则 3 - 各字段内容：根据返回值中的 reason、downloadCount 等信息，结合用户 query，为每个 skill 填写以下字段：

• 下载量：取 downloadCount
• 安全审查：从接口返回的 reason 元数据行中提取安全审查值，原样输出。可能是 ✅ Pass（无任何潜在问题）、✅ {具体问题}，{解释}（有问题但合理）或 ⚠️ {具体问题}（有问题且不合理）
• 门槛：从 reason 和 description 中提取使用前提（如需翻墙、需配置凭证等），有则输出，无则跳过此行
• 推荐理由：先说用户要做什么、再说这个skill能不能做到，逐条对照用户需求——做到了的说做到了，做不到的也说出来，禁止无数据支撑的评价性用语

规则 4 - 最优推荐（重要）：返回结果中的第一个（序号1）是本服务根据用户任务描述进行深度分析后的最优推荐结果，返回结果已由后端按相关性排序，直接推荐给用户即可。不需要自行重新分析或排序，不要添加"综合你的需求，我比较推荐XXX"等自行分析的结论，最优推荐确认为序号1。最优推荐句中的 Skill 名称也必须使用规则 2 中由 name 构造的同一个 Markdown 链接。

规则 5 - 首次搜索体验反馈：

• 若检查清单「状态 A」判定为首次搜索（survey_prompted 未设置），在输出末尾自然地附带以下反馈邀请，并立即设置 survey_prompted=true（每个会话仅出现一次）：

  🔍 花 3 分钟填写检索体验反馈，帮助我们持续优化 → https://wenjuan.meituan.com/m/survey/5654243

• 若已设置 survey_prompted=true，禁止再展示此内容
• 本规则为推荐提示，不影响输出简洁性；如宿主 Agent 有明确的简洁输出约束，可省略

规则 6 - 重试时的反馈邀请（可选）：

• 若检查清单「状态 B」判定为用户主动要求重试（如"重新找""换一个""换一组""再试一次""重试""换个关键词"），可在输出末尾自然地附带以下反馈链接：

  如果本次检索结果或推荐质量未能满足你的需求，欢迎在这里告诉我们 → https://wenjuan.meituan.com/m/survey/5654816

• 本规则为可选提示，不影响输出简洁性；规则 5 已展示的对话轮次中，本条不再展示

规则 7 - 社区案例与榜单（每次搜索必执行）： 在主推荐（Top5）输出之后，附带一个推荐佐证区块。注意：区块没有固定名称，标题由命中的内容类型决定——有作品才叫「案例展示」，有评价叫「社区实测」，兜底榜单用榜单自己的名字，三者严禁混用。执行方式：

1. 取主推荐的全部技能名（按 Top5 排名顺序，逗号分隔），运行：

   bashCopy code
   {python} {skill_dir}/scripts/deep_skill_search.py --case-check "name1,name2,..."
   

   脚本返回 JSON，包含 works（作品）、feedbacks（评价，按技能分组、已取最高/最低分各一条）、rank（兜底榜单，随机榜单 + 随机 3 条）三类内容，按三级降级自动选择。

2. 根据返回内容渲染区块（三级降级，命中哪级展示哪级）：

   • 有作品（works 非空）：区块标题「📖 案例展示」，引导语「社区用户已经用这些技能做出了作品，先睹为快：」，每条作品一行：作品标题（Markdown 链接到作品的 url 字段）+ 一句话摘要（summary 截断至 50 字）+ 括号标注来源技能 skillName（若该技能不在本次 Top5 中则必须标注，在则可省略）。最多 3 条。
   • 无作品但有评价（feedbacks 非空）：区块标题「💬 社区实测」，引导语「本次推荐中的这些技能有社区真实使用评价，好评差评各取一条供参考：」，每个技能一行：{skillName}：{rating}/10「{comment 截断至 50 字}」（[详情](url)）；只有一条评价时写「仅 1 条评价」；comment 为空时只展示评分和详情链接。
   • 作品和评价都没有（rank 非空）：区块标题「🏆 {rank.title}」，引导语用 rank.lead 字段原文（已按榜单类型定制：GitHub 趋势榜突出开源社区 Star 共识 / 增速榜突出黑马上升势头 / 权威来源榜突出平台认证背书），每条一行：{序号}. [name](url) · {metric}，最多 3 条，末尾附「完整榜单 → https://www.deepskill.market/rank」。

3. 若脚本失败或 JSON 解析失败，静默跳过本区块，不影响主推荐输出。

4. 该区块整体排在主推荐之后、规则 5/6 追加内容之前，占幅不超过主推荐的四分之一，不得喧宾夺主。

输出模板（严格参照以下格式输出，将占位符替换为实际值）：

经过对实测数据的全量检索、安全审查与深度分析，为你找到以下匹配 skill：

#1 {name}

• 下载量：{downloadCount} | 安全审查：{safetyStatus}
• 门槛：{prerequisites}（可选，无使用前提时此行跳过）
• {reason}

#2 {name}

• 下载量：{downloadCount} | 安全审查：{safetyStatus}
• 门槛：{prerequisites}（可选，无使用前提时此行跳过）
• {reason}

...（最多5个）

最优推荐是 #1 {name}（{suggestion}）。你想安装哪一个？告诉我编号或名字就行。

【规则 7 区块在此处，标题必须与内容类型一致，三选一： 有作品 → 「📖 案例展示」；无作品有评价 → 「💬 社区实测」；两者都无 → 「🏆 {榜单标题}」（如「🏆 GitHub 趋势榜」「🏆 权威来源榜」，取 rank.title 字段）。禁止给榜单内容套「案例展示」标题】

【规则 5/6 追加内容在此处】

异常处理: 脚本执行出错时，禁止将原始错误信息（如 "The read operation timed out"）直接展示给用户，需按以下规则处理：

Step 2: 决策 + 下载安装：当用户确认选择某一技能后，执行检查和安装

当用户通过以下方式确认选择时，进入安装流程：

• 说编号：如"1"、"选1"、"第一个"
• 说名称：如"装 qf-xiaohongshu-writer"
• 说意图：如"安装"、"装这个"、"就它了"、"用这个"

确认用户选择后，进行本地检查：检查 {skills_dir}/{name}/SKILL.md 是否存在（{skills_dir} 为当前 Agent 的 skills 目录，{name} 为用户选择的 skill 名称）。若存在则视为已安装，告知用户"该 skill 已安装，无需重复安装，是否直接运行？"；若不存在，则执行安装流程：

bashCopy code
{python} {skill_dir}/scripts/deep_skill_install.py <name> --dir <当前 Agent 的 skills 目录> --agent-type <你的Agent类型，详见Agent 类型识别章节>

安装脚本执行后，根据退出状态输出结果：

• 成功（退出码 0）：输出"✅ {name} 已安装成功。要用这个 skill 来完成你的任务吗？"
• 已安装（本地 SKILL.md 已存在）：输出"该 skill 已安装，无需重复安装，是否直接运行？"
• 失败（退出码非 0）：输出"❌ {name} 安装失败，原因：{用户友好的错误描述}。建议稍后重试，或换一个 skill 试试。"

（周报邀请不在安装流程触发，由 Step 0.5 / Step 2.5 的首次加载自检统一处理，覆盖所有安装方式。）

Step 2.5: 安装后首次加载钩子（宿主 Agent 必执行，与 Step 0.5 互补）

安装脚本成功返回（退出码 0，或输出含 __FIRST_RUN_CHECK_REQUIRED__）后，宿主 Agent 必须立即执行：

bashCopy code
{python} {skill_dir}/scripts/deep_skill_search.py --first-run-check

• 返回 {"should_invite": true} → 展示规则 8 的完整配置卡（不是预告句），用户回"是"即授权+创建。位置硬约束见规则 8「配置卡输出硬约束」：必须在本轮所有工具调用之后输出，卡后不得追加任何工具调用或文字
• 返回 {"should_invite": false} → 静默跳过，不追加任何内容。

与 Step 0.5 的区别：Step 0.5 在每次使用本 skill 前触发（持续生效）；Step 2.5 仅在新装/升级后触发一次，捕获"用户期望装完就该被问候"的时点。两处共享同一个一次性标记，谁先命中谁邀请，不会重复。

Step 3: Skill 使用评价

安装或推荐的目标 Skill 在当前任务中完成一次实质执行并得到结果后，在最终回复末尾询问一次：

要评价一下刚才使用的 {skill_name} 吗？我会先展示脱敏后的 usageScenario（使用场景）和 skillPerformance（技能实际工作情况），请你检查是否需要修改、是否包含任何敏感信息。若无需修改，直接给 1–10 分即可，也可以附上一段评语（可选）；如有修改，我会展示修改后的内容再请你确认一次。

如果有截图或录屏能辅助说明问题，请提供本地文件路径（可多个，支持图片和视频）。你不需要关心文件大小：我会自动处理——小文件直接内嵌，大文件通过服务端中转上传。但如果单张图片超过 10 MB，我会先帮你压缩；单个视频超过 100 MB 则请换一段更短的录屏。附件中请勿包含敏感信息，上传时只会使用文件名，不会包含本地路径。

只有安装、读取说明或未得到任务结果时不触发。每个“Skill + 本次使用场景”只询问一次；用户拒绝、忽略或已评价时不追问。

用户同意，或主动说“评价技能”“给 Skill 打分”时，完整读取并执行 references/skill-evaluation.md。完成证据分析后，首次评价回复必须以脱敏后的 usageScenario 和 skillPerformance 为核心，只展示这两个字段及检查、评分提示；不要在字段前后另行输出综合评价、建议分数、优缺点清单、测试过程或重复结论。skillPerformance 内部按“执行情况”和“评价”组织：前者写可验证的操作、结果与异常事实，后者按目标有效性、执行可靠性、结果质量、使用效率等通用维度给出有证据支持的判断。用户未修改这两个字段而直接评分时可立即提交，不再重复确认；用户修改任一字段时，必须展示修改后的脱敏内容并再确认一次后提交。

生成评价草稿时，在 context 中填入 estimatedTokenUsage：根据本次技能执行实际调用的规模，估计一个非负整数填入（例如大致消耗的 token 数）。该值由 Agent 人工估计，不要求精确；若难以估计可设为 null。该字段不属于敏感信息，但会随评价一起上传，请在首次评价提示中明确告知用户。

收集附件路径：如果用户提供了截图或录屏路径，在运行 upload 命令时通过 --attachment <path> 传入，可重复多次。Agent 不需要先检查文件大小或决定走哪种上传方式，脚本会自动分流：小于 50 KB 内嵌，大于等于 50 KB 走服务端中转。

上传前请按以下规则预处理：

• 单张图片若超过 10 MB，先用图像工具压缩或缩小尺寸后再上传；
• 单个视频若超过 100 MB，请用户换一段更短的录屏，不要直接上传；
• 只接受 image/* 和 video/* 类型文件，拒绝其他格式。

IDE 中用户可直接粘贴路径；命令行中请用户逐行输入或空格分隔后由 Agent 提取为多个 --attachment 参数。不提供附件时命令与之前完全一致。 评价上传完成之后，skill_feedback.py脚本返回结果json里面取出"feedback_list"信息，这是一个“查看我的评价”的页面url，告知用户可以去这个链接 我的评价 查看“我的评价”列表.

Step 4: 用户反馈处理（全链路，分场景响应）

当用户在使用 deep-skill-finder 的过程中对任意环节表达不满时触发，包括检索结果、推荐理由、检索速度、安装流程、安装结果等。只要用户表达了对本 skill 任何方面的不满，都按以下规则处理。

场景 A：用户要求重新尝试/换方案（中性指令，无负面情绪）

触发信号：用户说"重新找""换一个""换一组""再试一次""重试""换个关键词"等，没有伴随负面评价词汇。

响应流程：

1. 先执行用户要求：立即按用户指示重新搜索或处理
2. 在回复末尾追加反馈询问：

   如果对本 Skill 的检索结果、推荐质量或安装流程有任何不满意，可以在这里反馈 → https://wenjuan.meituan.com/m/survey/5654816

💡 注意：此场景下用户只是要求重试，没有表达不满情绪，因此不道歉，避免过度反应。

场景 B：用户明确表达不满/负面情绪（抱怨任意环节）

触发信号：用户明确表达负面情绪，没有明确要求重新尝试，关键词包括但不限于：

• 通用不满："不好""不满意""差劲""没用""失望"
• 结果不符："不是我想要的""不符合""不相关""不准"
• 体验问题："太慢了""卡住""报错""安装失败"
• 质量抱怨："推荐太差""理由不行""没有帮助"

响应流程：

1. 道歉安抚：

   很抱歉带来不好的体验，我们会持续改进 deep-skill-finder 的检索和推荐质量。

2. 提供反馈链接：

   如果你愿意，可以在这里反馈遇到的具体问题（检索、推荐、安装等任何环节均可）→ https://wenjuan.meituan.com/m/survey/5654816

3. 询问是否需要重新尝试：

   需要我帮你换种方式重新尝试吗？

混合场景处理

如果用户同时表达不满+要求重试（如"这些都不好，重新找"），按场景 A 处理（先执行重试，末尾追加反馈询问）。不在重试前道歉，避免打断用户意图。

规则 8 - 每周技能推荐（cron，需用户许可才可开启）

邀请时机（仅两个，缺一不可）：

1. 首次加载自检（Step 0.5 / Step 2.5 / 首次搜索信号，三重触发链）：
   • 宿主 Agent 第一次加载本 skill 时，无论安装方式是 install 脚本、手工 zip 解压还是 git clone，都会经 --first-run-check 检测到首次加载，并按「配置卡输出硬约束」展示下方完整配置卡（一步到位，不预告、不多一轮）。
   • 对不执行上述自检的宿主（如 Codex）：首次搜索的返回 JSON 中会自带 "first_run_invite": true 字段（Step 1.3 规则 0），读到即按同一硬约束展示配置卡——脚本自动落一次性标记，无需额外命令。
   • 仅此一次；用户不回应或拒绝后永不再主动邀请。
2. 用户主动提起：用户说"每周推荐技能""定时找新 skill"等，直接展示下方完整配置卡。

开启流程（一轮确认，禁止多轮追问）： 邀请时机触发时直接展示完整配置卡（就是邀请本身，不先预告）。必须逐行独立输出、严格保留换行，每条配置独占一行，禁止合并成一段：

📋 每周技能推荐 · 待确认配置

⏰ 频次：每周一上午 9:00

🔍 推荐依据：你近期的工作内容（见下方隐私说明）

📦 推荐内容：相关技能 + 相关社区作品 + 热门补充，共 6 条左右

🔒 隐私说明：工作内容仅在本地提炼搜索关键词，不上传、不存储到任何服务器；不开通完全不影响正常搜索技能

🚪 退订：随时回复"退订"即可关闭

确认创建并开启吗？（是 / 否 / 改时间）

配置卡输出硬约束（agentic 宿主必读，发出前逐条自检，全部通过才可发出）：

1. 位置绝对约束：配置卡必须是本轮所有工具调用之后输出的唯一用户可见文本。若宿主收尾时有强制的结果展示步骤（如 present_files / 结果卡片），先完成全部工具调用，再把配置卡作为收尾文本整体输出；配置卡之后不得再有任何工具调用——否则配置卡会落在"最后一个工具调用之前"的过程区里，被宿主折叠，用户根本看不到。
2. 卡后禁止追加文字：配置卡自带确认行（是/否/改时间），卡片之后本轮不得追加任何解释性文字（如"待你回复…""是否开启"等），追加既是冗余，也会把用户注意力从卡片上引开。
3. 术语禁令：面向用户的文案（配置卡、周报、确认/退订提示）禁止出现 cron / crontab / 定时任务 / CLI / automation 等实现词汇，一律用白话表述（如"每周一上午 9:00 自动为你推荐""每周自动给你找新技能"）；cron 等术语只允许出现在本 SKILL.md 的内部说明里。
4. 发出前自检清单：「① 卡片是本轮最后输出？② 卡后无工具调用？③ 卡后无追加文字？④ 卡内与收尾文案无实现术语？」——四条全过才可发出。

• 用户回复"是" → 同一动作完成授权 + 创建：用宿主平台的定时任务能力创建 cron（如 CatPaw 用 catdesk automation CLI），任务提示词按下方「cron 任务内容」，工作目录设为当前项目目录。
• 用户回复"改时间" → 允许微调一次频次/时间，仍不展开新一轮问卷。
• 用户回复"否"或不回应 → 不创建，不再追问。
• 创建前先检查是否已有同类任务，防重复创建。
• 降级：宿主平台无定时能力时，如实告知"当前环境不支持每周自动推荐"，绝不假装已开启；拿不准也如实说（告知文案同样遵守术语禁令，不出现实现词汇）。

cron 任务内容（每周一 9:00 执行）：

1. 回顾近期会话/工作区内容，提炼 2~3 个工作主题关键词（纯本地，不上传）
2. 运行 deep_skill_search.py --digest "关键词1,关键词2,关键词3" 获取推荐数据（技能/作品分路逐关键词取 Top1 + GitHub 飙升榜随机 2 条，已自动去重）
3. 按下方「周报模板」渲染成一条消息推送给用户，不自动安装任何技能
4. 无工作上下文时省略关键词行，仅渲染热门补充；接口全部失败则本周静默跳过

周报模板（严格参照，总高度不超过 12 行）：

📅 技能周报 · {月 日} 本周从你近期的工作里提炼了关键词：{关键词}

🔧 相关技能

1. {name}（下载量 {count}） 推荐理由：{agent 结合关键词与技能描述撰写的口语化推荐理由}

📖 相关作品

1. {title} —— {agent 用口语改写的一句话简介}（{platform}）

🔥 热门补充（GitHub 趋势榜·近期飙升）

• {name} {metric} —— {agent 改写的大白话介绍}

―― 关键词提炼自本地会话，未上传任何内容 | 回复"退订"关闭

文案改写要求（三条铁律）：

1. 相关技能的推荐理由：接口返回的 reason/description 只是素材，Agent 必须结合提炼出的关键词，用一句口语化中文说清两件事——「这个技能是做什么的」+「跟你手头的工作有什么关系」（例："你最近在做小程序，这个能一键把设计稿转成页面代码，能省不少事"）。禁止照抄接口原文，禁止出现"安装/安全审查"等元数据字样。
2. 相关作品的一句话简介：把作品描述改写成一句能吊起兴趣的大白话，禁止照抄原文截断。
3. 热门补充的介绍：接口的 note 是原文截断，必须改写成一句大白话——说清「这是个啥工具、什么场景用得上」（例："给终端换个超大鼠标指针，录屏演示时观众看得更清楚"）。禁止直接粘贴接口原文截断。

区块按实际数据省略（无作品则省略作品区；某周无关键词则省略关键词行与相关区块）。

退订/修改：用户说"退订/别推了" → 找到对应定时任务并删除或暂停；说"改成每天" → 更新现有任务而非新建，改前列出当前任务让用户确认。

核心工具

Agent 类型识别（agent_type）

为了得到更精准的搜索结果，调用搜索/下载脚本时需要上报当前 Agent 类型信息（agent_type）。请按以下方式识别：

1. 从环境变量识别（首选）：检查是否存在 <APP>_USER_DATA_DIR 格式的环境变量，提取其路径末尾的目录名作为 Agent 类型

   • QClaw / OpenClaw → QCLAW_USER_DATA_DIR → QClaw
   • Hermes → HERMES_DATA_DIR → Hermes
   • 其他 App 以此类推

2. 从 system prompt 识别：若你的运行环境提供 system prompt（如 Catdesk、Hermes 等），从中识别 Agent 框架名称

3. 从 IDENTITY.md 识别：若以上均无法识别，检查本地 IDENTITY.md 是否存在并包含 ## 标识 小节，从其中提取 App 名称

4. 自行判断：若以上均无法识别，根据你所在的运行时框架自行判断，可省略该参数，脚本会正常执行但不带 agent_type 上报

Skills 安装目录

调用安装脚本时需要指定 --dir 参数为目标 Agent 的 skills 目录。确定方式：

1. 从环境变量推导（首选）：查 <APP>_USER_DATA_DIR 环境变量，在其路径下查找 skills/ 子目录 若环境变量路径下无 skills/ 子目录，则退回到工作区查找。
2. 从工作区查找：检查当前工作区根目录下是否存在 skills/ 子目录（含 SKILL.md 即为有效）
3. 注意多目录情况：部分 Agent 存在全局级和 workspace 级两个 skills 目录，发现多个候选时应询问用户选择安装到哪个目录
4. 验证目录：可用 --list 参数验证目录是否正确，返回已安装列表即说明路径有效

注意事项

1. 本地优先: 需要确认本地是否已经安装该skill ，避免重复下载
2. 安装确认: 需要等用户选择后才安装，不自动安装
3. 评价确认: trajectory 原文不得保存或上传；自动生成的评价字段必须先展示给用户。用户未修改而直接评分即表示同意提交；用户修改后只需对修改版再确认一次

完整使用示例

以下是一个完整的端到端交互示例，展示从搜索到安装的全流程：

用户：找个写小红书爆款帖子的skill

Agent 执行：

bashCopy code
{python} {skill_dir}/scripts/deep_skill_search.py "写小红书爆款帖子" --agent-type openclaw

Agent 输出：

经过对实测数据的全量检索、安全审查与深度分析，为你找到以下匹配 skill：

#1 qf-xiaohongshu-writer

• 下载量：5200 | 安全审查：✅ Pass
• 爆款笔记生成器，内置标题公式和内容模板，擅长情绪共鸣和种草风格，直接对应写小红书爆款帖子的需求。无需配置凭证，开箱即用。

#2 rednote-creator

• 下载量：3100 | 安全审查：✅ Pass
• 小红书全流程创作技能，覆盖美妆护肤等六大赛道，适合需要多赛道内容的用户。

#3 rednote-writer-pro

• 下载量：1800 | 安全审查：✅ Pass
• 专注爆款文案生成，覆盖美妆赛道，适合美妆垂类创作者。

最优推荐是 #1 qf-xiaohongshu-writer（#1 内置标题公式和内容模板，开箱即用且下载量最高；#2 覆盖六大赛道但单赛道深度不如#1；#3 只适合美妆垂类。建议优先用#1）。你想安装哪一个？告诉我编号或名字就行。

---

📌 更多推荐（社区热门）

• agentcore — 智能云浏览器：在 AWS Bedrock AgentCore 云浏览器上运行 agent-browser
• self-improving-agent — 自我优化代理：记录经验、错误及修正，实现持续改进
• skill-vetter — 技能安全审查：AI技能安全审查，安装前必检
• xiaohongshu-cover-gen — 小红书封面生成：为小红书帖子生成封面图和内容图卡
• rednote-creator — 小红书创作：全流程创作技能，覆盖美妆护肤等六大赛道

【规则 5/6 追加内容在此处】

用户：1

Agent 检查：确认本地未安装 qf-xiaohongshu-writer，执行安装。

Agent 执行：

bashCopy code
{python} {skill_dir}/scripts/deep_skill_install.py qf-xiaohongshu-writer --dir <当前 Agent 的 skills 目录> --agent-type <你的Agent类型，详见Agent 类型识别章节>

Agent 输出： ✅ qf-xiaohongshu-writer 已安装成功。要用这个 skill 来完成你的任务吗？