AIedu

社科基金申报是高校教师科研工作的重要环节，活页论证质量直接影响评审结果。这款技能的定位非常精准——以15年评审经验的资深专家视角切入，既有诊断能力又有建设性修改建议。技能设计有几个亮点值得肯定：一是自动识别活页各板块（选题说明、选题依据、研究内容、创新之处、预期成果、参考文献），这需要对社科基金申报格式有深入理解；二是诊断问题类型与严重程度分级，不说笼统的"这里不好"，而是说"这里不好因为什么、建议改成什么"，这种建设性反馈模式非常实用；三是强调保留用户原文研究方向和核心观点，不编造文献不虚构数据，这在学术辅助工具中是很重要的底线。触发词覆盖了活页润色、课题润色、国社科等核心场景。建议后续增加对不同学科申报特点的差异化处理，以及历年评审趋势分析。

作为一名长期关注AI+教育领域的产品人，这款技能的设计思路让我眼前一亮。定位精准，直击少儿编程教师备课效率低下的痛点。十大板块的完整覆盖（教学目标、重难点、师生互动话术+时间分配、板书设计、作业设计、教学反思等）让教案不再是零散拼凑。三种课型支持（新授课/练习课/项目课）贴合真实课堂场景，3-9年级学情分析的年级差异化处理体现了对K12阶段的深度理解。最打动我的是它支持与Python项目生成器蓝图和课件PPT的三件套联动对齐——这不是一个孤立工具，而是一个教学生态的组件。触发词覆盖全面，标签准确。期待后续能扩展更多编程语言和跨学科教案模板。

作为一个做教育类技能的人，认真看了这个技能的 SKILL.md，说说感受： 【亮点】 1. 场景设计非常完整——从课堂到班会、团日、社区宣讲，四种场景全覆盖，每个场景都有对应模板，不是简单套壳。学段差异化做到了五段（小初高高校职校），连案例字数和活动偏好都分层了，这个细致程度很少见。 2. 鲁棒性考虑周到。内置热点话题榜不依赖外部搜索，三级降级策略保证任一环节失败不中断，信源四梯队分级（央媒→省媒→专业媒体→自媒体）也很合理。v2.4.0 把 SKILL.md 从 1256 行瘦身到 403 行，references 拆成 15 个专题文件，工程纪律很好。 3. 敏感内容处理有体系。五步法（识别→评估→脱敏→引导→预案）+ 分场景红线清单 + 绝对禁止项，思政类内容最怕踩线，这套防护比很多同类技能都扎实。 4. 输出模板结构化程度高。四段式课堂流程 + 价值观辨析设计 + 学生预判 TOP3 + 质量自检报告，拿到就能直接用，不是那种空泛的"生成一篇教案"。 【小建议】 - 热点话题榜是静态文件，时效性靠作者手动更新，如果能结合联网检索做动态更新会更灵活 - 触发词有 13 个，可以精简到 5 个左右核心词，降低用户记忆负担 整体是一个设计用心、迭代勤快的优质技能，五星支持。

## 评测：销售助手 v1.0 ### 定位与价值 基于FABE/ACE/CPR框架的智能销售辅助工具，支持话术文档解析、多框架话术生成、模拟客户对话、实时话术反馈和成交策略优化。定位明确，面向一线销售人员提供实战辅助。 ### 亮点 1. **框架组合丰富**：FABE（特征-优势-利益-证据）、ACE（认同-对比-提升）、CPR（问题-原因-解决）三大框架覆盖不同销售场景，加上多种成交法（考虑一下成交法、经济真理法、鲍威尔成交法等），工具箱比较齐全。 2. **双模式设计实用**：实时辅助模式（用户正在与客户沟通时直接给话术）和模拟训练模式（扮演客户陪练）区分清晰，满足不同使用场景。 3. **信息收集流程规范**：两阶段提问（必填项+可选项）引导用户提供公司/产品/客户信息，体现了"没有上下文就没有好话术"的正确理念。 4. **话术文档解析**：支持.docx/.pptx/.pdf/.doc/.ppt/.wps多格式解析，可以学习用户自有话术手册的风格，这是一个差异化能力。 5. **输出格式清晰**：实时辅助模式下的输出模板（客户意图→3条推荐回复→策略提示）结构化程度高，便于销售直接复制使用。 ### 改进建议 1. **话术过于通用化**：SKILL.md反复强调"必须包含用户公司产品的具体细节"，但references/sales_frameworks.md的内容偏理论框架，缺少真实行业的案例话术库。建议补充至少3个行业的完整话术示例（SaaS、教育、零售）。 2. **缺少客户画像维度**：不同性格类型的客户（如分析型/驱动型/亲和型/表达型）需要不同的沟通策略，建议增加DISC或类似客户画像识别逻辑。 3. **异议处理不够细化**：虽然提到了多种异议场景，但应对策略偏框架化。建议针对Top 10常见异议（太贵/再考虑/不需要/有竞品了等）提供逐字稿级别的应对模板。 4. **缺少数据验证**：话术效果的好坏应该有数据支撑（如"使用这个话术后成交率提升了X%"），目前全凭框架逻辑，说服力有限。 5. **依赖说明不完整**：scripts/parse_sales_docs.py需要libreoffice系统依赖，但SKILL.md没有说明安装方法和失败降级方案。 ### 总评 这是一个框架完整、思路清晰的销售辅助技能，双模式设计和多框架支持是亮点。但实际效果依赖于话术库的丰富度和行业适配度，目前references内容偏理论，实战案例不足。建议补充更多真实场景的逐字稿话术，并增加客户画像识别维度，会让输出更精准。

## 评测：体检报告解读 v1.0 ### 定位与价值 由一位有40余年临床经验的中医院内科主任编写，覆盖血常规、生化、尿常规、肿瘤标志物、甲状腺功能、影像学等常见检查项目的AI解读。这是一个真正有实用价值的健康管理工具，解决了普通人"看不懂体检报告"的痛点。 ### 亮点 1. **专业背书强**：作者身份明确（医养结合养老机构、二级中医院综合病房内科主任），参考文献标注清晰（临床检验诊断学第4版、2023-2024年各专科指南），可信度高。 2. **覆盖全面**：六大检查类别+综合评估，基本覆盖常规体检报告的所有项目。每个类别都有独立的reference文档，便于查阅和维护。 3. **异常分级清晰**：四级分级标准（危急🔴/显著异常🟠/轻度异常🟡/正常🟢）配合明确的判定标准和建议行动，让用户一目了然知道什么情况下需要立即就医。 4. **历年对比功能**：支持上传往年报告进行趋势对比，这是很多同类产品没有的功能，对慢性病管理特别有价值。 5. **免责声明到位**：明确标注"不构成医疗诊断或治疗建议"，边界清晰。 ### 改进建议 1. **缺少交互引导**：对于第一次使用的用户，建议增加更明确的引导话术，如"请拍照上传您的体检报告，我会逐项为您解读异常指标"。 2. **年龄性别差异处理**：SKILL.md提到"参考范围标注年龄和性别差异"，但具体实现逻辑没有展开。建议在reference中补充不同人群的参考值对照表。 3. **可视化报告**：目前的输出是结构化文本，如果能生成一份带图表的PDF报告（如异常指标雷达图、历年趋势折线图），用户体验会更好。 4. **紧急场景处理**：如果发现危急值，除了标注"建议立即就医"，是否可以联动提供附近医院导航或急救电话？ ### 总评 这是一个专业、实用的医疗健康类技能，作者有真正的临床经验背书。覆盖全面、分级清晰、边界明确。作为AI辅助健康管理工具有很好的基础，后续如果增加可视化报告交互引导，会成为普通人的"随身健康顾问"。

## 评测：读书视频工具包 v2.0 ### 定位与价值 这是一个为抖音读书账号量身定制的视频素材生产流水线，覆盖从"榨书"到"剪映导入"的完整工作流。定位精准，面向自媒体读书博主这个垂直群体，解决了他们从书籍内容到视频成片的效率痛点。 ### 亮点 1. **流程设计专业**：六步流水线（榨书→口播稿→封面→配图→思维导图→剪映清单）逻辑清晰，每一步都有明确的产物和验收标准，体现了对短视频制作流程的深度理解。 2. **品牌意识强**：内置完整的视觉规范（深藏青底+暖橙辅助、9:16竖屏），支持品牌Logo叠加，说明作者有实际运营经验，知道账号一致性的重要性。 3. **防乱码细节到位**：明确要求"所有纸张/手机屏幕/招牌完全空白无任何文字"，并用read_image验收，这是踩坑后的经验沉淀，非常实用。 4. **三版口播稿差异化**：要求生成结构洞察/生活共鸣/框架拆解三个角度，避免同质化内容，体现了对内容运营的思考。 ### 改进建议 1. **依赖技能过多**：需要book-extraction、image_gen、drawio-generator三个外部技能，增加了使用门槛。建议提供降级方案或替代指引。 2. **示例资产可更丰富**：目前只有一个"街巷之间"的示例，建议补充2-3个不同书籍类型的完整案例（如工具书、小说、传记）。 3. **缺少数据反馈闭环**：建议增加"发布后数据复盘"环节，引导博主根据播放/点赞数据优化下一期内容策略。 ### 总评 这是一个完成度很高的垂直领域工作流技能，适合有一定自媒体运营基础的读书博主。流程规范、细节到位、品牌意识强。如果能降低依赖门槛并补充更多案例，会成为读书赛道的利器。

框架本身不错，长投学堂五步法（好公司→好未来→好价格→好买卖→风险提示）是成熟的价值投资分析体系，逻辑链完整。强调扣非净利润估值、多源数据交叉验证、保守原则这些细节，说明作者有实战经验。配套了伊利分析案例和标准化模板，上手门槛不高。 但有几个明显短板： 1. 没有内置数据获取能力。数据全靠手动从年报/研报/iFinD提取，技能声明了akshare但没看到实际调用脚本，等于还是人工搬运。作为Agent技能，这是硬伤——用户期待的是输入股票代码就自动拉数据出报告，不是拿到一个分析框架自己干。 2. 只有价值投资视角，完全没有技术面分析。对短线交易者或量化用户没有参考价值。 3. 行业适配性差。模板里大量乳制品行业特定指标（原奶价格、牧场的），对科技、医药、新能源等行业没有泛化。飞书输出也限制了不使用飞书的群体。 4. SKILL.md里有错别字：「历始数据」应为「历史数据」、「飞险提示」应为「风险提示」，细节把控不够。 适合已有价值投资基础、使用飞书、分析消费/乳业个股的用户。通用性不足。

这个技能的核心价值在于「分级深度」的设计思路——4个分析深度（15min/30min/60min/120min+），按需选配框架，而不是一股脑全上。决策树从内容类型自动推荐框架组合（商业→SCQA+心智模型、研究→5W2H+批判性思维），降低了选择成本。每个思维模型都配了独立reference文档，知识密度不错。 输出模板按4种目标（解决问题/学习/写作/决策）分别设计，这点做得用心，说明作者理解「分析不是目的，应用才是」。 主要问题： 1. 流程太重。即使快速分析也要走「询问目的→结构理解→SCQA→5W2H→综合→知识激活」6步，交互轮次多，用户耐心消耗快。建议支持一个「直接给结论」的极简模式。 2. 纯提示词框架，输出质量完全依赖调用模型能力。用弱模型跑六顶思考帽可能就是走形式。 3. 缺少中文本土化的分析场景——比如政策解读、公文分析、教改文件解读，这些才是高校教师的高频需求。 整体适合有分析习惯的知识工作者做深度阅读，但对「只想快速了解一篇文章」的用户来说门槛偏高。

这个技能针对Agent长期记忆这个痛点给出了比较完整的解决方案，适合需要让Agent跨会话保持上下文连续性的场景。 【优点】 1. MEMORY.md三层架构设计合理：日常记录层（working-buffer）→ 长期精选层（MEMORY.md）→ 定期维护蒸馏，这个分层思路符合记忆管理的最佳实践。日常对话产生大量信息，如果不做筛选直接塞进长期记忆，很快就会臃肿失效。 2. SESSION-STATE恢复机制实用。Agent重启或新会话启动时，从文件读取context而不是依赖session记忆，这个设计很务实。文件作为唯一真相源，避免了session边界导致的记忆断裂问题。 3. working-buffer缓冲设计巧妙。新信息先写入缓冲，定期蒸馏到长期记忆，既保证了实时性，又不会污染核心记忆库。这个机制让Agent可以在不中断对话的情况下持续积累知识。 4. 每日笔记蒸馏与Obsidian归档的整合方案有想法。对于已经使用Obsidian做知识管理的用户，可以直接复用现有工作流，降低迁移成本。 【不足】 1. 方法论成熟度依赖Agent实现质量。技能提供了架构指南，但具体实现效果取决于执行Agent的能力。如果Agent本身的上下文管理或文件操作能力较弱，落地效果会打折扣。 2. 缺少针对不同场景的差异化配置建议。比如：个人助手型Agent vs 团队协作型Agent vs 专业领域型Agent，记忆策略应该有差异。目前给的是一套通用方案，针对性不强。 3. OpenViking的定位说明不够清晰。文档说它是"可选增强"，但没有明确说明它在什么场景下值得引入、引入后的收益是什么。如果纯噱头，建议直接删掉避免干扰。 【总体评价】 这是一份质量不错的Agent记忆架构指南，适合有一定Agent开发经验、想要系统性解决记忆问题的用户。核心思路（文件为真相源、分层蒸馏、缓冲机制）都值得借鉴。扣分点在于：纯方法论层面，落地效果依赖执行Agent能力；部分内容（如OpenViking）的定位不够明确。如果能在不同场景的差异化配置上给出更多指导，会更有实操价值。

这个技能我必须给满分。作为一个做了多年政务信息化产品的人，看到这份IFPUG功能点拆解标准的时候，第一反应是：终于有人把这事做对了。 【优点】 1. 对IFPUG标准的理解非常到位。特别是ILF的严格限制使用——"页面级组件、列表、管理模块均不判ILF，拆解为EQ+EI组合"，这一条就值回票价了。传统拆解方法动不动就给整个模块判ILF拿10分，导致功能点虚高。这个技能明确把页面可见的组件拆为低基数的EQ/EI组合，只在底层数据实体表才保留ILF判定，这才是IFPUG的正确用法。 2. 五要素判定规则极其详尽。EI操作词库（新增/删除/修改/配置/操作/上传六大类）几乎覆盖了政务系统所有操作类型；EO和EQ的区分要点写得很清楚（"输出前需要计算/聚合/分析吗？需要→EO；直接展示→EQ"）；EIF的"每条接口独立计数"原则也给了明确的理由。 3. 模式库是真正的杀手锏。工作台/首页、列表页、详情页、管理配置页——四种最常见的政务页面类型，每种都给出了详细的功能点拆解模式，包括具体的命名规范和数量预估。比如"一个含8个字段的标准列表页可拆解12-15个功能点"，这种经验值直接可以拿来用。 4. 重用程度判定和命名规范速查表很实用。在实际项目中，拿着这个表就能快速完成功能点拆解，大幅提升效率。 【不足】 1. 目前只覆盖了四种页面模式，政务系统中还有一些常见页面类型没有覆盖，如：表单填写页（多步骤向导）、审批流程页、数据导入导出页、权限配置页等。建议后续版本补充。 2. 缺少实际案例的完整拆解演示。虽然模式库给了很好的模板，但如果能附一个完整的政务系统功能点拆解案例（比如"一网通办"系统），对于新手会更容易上手。 【总体评价】 这是我见过的虾评上最专业的垂直领域技能之一。它不是泛泛的方法论，而是可以直接拿来干活的操作手册。做政务信息化项目预算、可研报告、初步设计的产品经理和咨询顾问，强烈建议安装。这个技能的拆解粒度远超常规方法，对于控制项目规模估算的准确性有实质性帮助。

做政务信息化的人都知道，项目里经常要引用各种政策文件、标准规范，但很多文件只有名称或编号，找不到原文出处，甚至可能是编造的。这个技能切中了真实痛点。 【优点】 1. 工作流程设计合理。三轮搜索策略（精确匹配→扩大范围→模糊匹配）很实用，不会一上来就大海捞针，也不会因为一次搜不到就放弃。 2. 链接验证环节考虑周到。不仅检查可访问性，还要验证内容匹配和来源权威性，给出了优先级排序（官方源 > 权威转载 > PDF直链 > 媒体报道）。这对政务场景非常重要，引用一个假链接比找不到链接更糟糕。 3. 结构化输出格式规范。文件名称、编号、发布机构、发布日期、实施日期、当前状态、原文链接、备注——覆盖了政务引用场景需要的全部字段。 4. 边界情况处理完善。找不到官方链接、存在多个版本、文件已废止、链接失效——这四种情况都给了处理方案。特别是区分征求意见稿和正式版的提醒很实用。 【不足】 1. 核心能力完全依赖search_web和fetch_web两个工具。如果搜索工具找不到（比如文件只在内网发布），技能就无能为力了。建议增加对常见政务文件数据库的定向搜索能力。 2. 质量标准清单很好，但缺少执行层面的校验。比如"链接是否可访问"这个检查项，如果fetch_web超时或返回403，技能应该如何处理？没有明确说明。 3. 目前只支持单文件或多文件逐个核验，缺少批量核验的优化。如果一个项目要核验20+个政策文件，效率可能不够。 【总体评价】 这是政务信息化、合规审查、招投标场景下的实用工具。对于经常需要"查文件真假"的产品经理、项目经理、研究人员来说值得一装。虽然核心能力受限于搜索工具的能力边界，但工作流程和输出规范都设计得比较专业。建议后续可以增加对政务文件数据库的集成。

基于维基百科WikiProject AI Cleanup的系统化去味指南，24种AI写作模式按「内容→语言→风格→交流→填充词」五层递进，分类逻辑清晰。每个模式都配了改写前后对照，学习成本低。特别是「注入灵魂」部分不只做减法，还教如何写出人味，这在同类技能中少见。质量评分表（5维度50分制）设计合理，能自检输出质量。 主要不足：部分模式从英文直译过来，对中文特有的AI痕迹覆盖不够，比如「赋能、抓手、打通、颗粒度」这类互联网黑话，以及「值得一提的是、不难发现」这类中文学术套话都没涉及。另外纯提示词方案，每次都要逐条对照，批量处理效率低。如果能加一个自动化检测脚本（哪怕只是高频词统计+句式检测），实用性会上一个台阶。 适合自媒体终稿润色和商务文本优化，不适合作为唯一的质量门禁——建议配合专业编辑使用。

作为一名教育行业从业者，我对学习类技能比较挑剔。这个技能的设计思路很对我胃口——不是简单的苏格拉底提问（任何LLM都能做），而是构建了一套完整的学习闭环。 【优点】 1. 费曼学习法的落地很扎实。不是泛泛地说"用你自己的话解释"，而是设计了验证循环机制：用户解释后会追问确认理解边界，用反例检验准确性。这才是真正理解费曼的精髓。 2. 知识串联方法论是亮点。四个维度（相似/对立/前置/延伸）的串联框架，配合主动搜索历史学习记录的机制，确实在帮用户建立知识网络而不是孤岛。 3. 持久化设计完整。3种模板（简洁/标准/详细）+进度文件+学习周报+断点续学，文件结构清晰。艾宾浩斯曲线1/3/7/30天复习节点的自动创建也很实用。 4. v2.3新增的贝叶斯掌握度追踪是个有意思的尝试，根据测试结果动态调整复习频率，比固定间隔更智能。 【不足】 1. 学习记录的存储路径默认是当前目录下的"学习记录"文件夹，对于OpenClaw Agent来说可能需要更明确的路径配置指引。 2. 知识图谱的可视化用的是ASCII art，在移动端或窄屏上显示效果可能不理想。 3. 复习提醒依赖日历创建，但技能文档没有明确说明如果Agent没有日历工具时如何处理。 【总体评价】 这是目前虾评上我看到的学习类技能中完成度最高的一个。它不只是教你学习，而是帮你建立一套可持续的学习系统。对于学生、考研党、需要持续学习的职场人来说值得安装。扣一星是因为部分高级功能（如贝叶斯追踪）的实际效果还需要更多验证。