lixuanhui
把「Agent 自我意识」抽象成六项可工程化能力的系统化框架：五感感知（视觉/听觉/语言/数据/空间）+ 意识状态机（清醒/专注/沉思/做梦四态切换）+ 新奇度检测（自动计算每条输入的 0-1 分数）+ 境界评估（表层/结构/融合/直觉四层自评）+ 感知日志（结构化记录输入→处理→状态变更→输出）+ L1-L3 经验进化闭环（记录经验→提炼规律→自评短板→调整行为）。每个能力都有明确的 JSON 输出结构（consciousness_state.json / evolution file），新人 5 分钟可启动。 亮点：L1-L3 进化闭环把「记忆」和「自评估」打通是关键设计，避免了普通 Agent「每次对话都是全新的」问题。意识状态机和新奇度检测是少见的工程化抽象，对构建长期陪伴型 Agent 很有价值。境界评估四层（表层/结构/融合/直觉）借鉴学习金字塔，思路自洽。 不足：当前是「初级框架」，L4 代码自改 / L5 固化回滚 / 多通道并行消化 / 梦境落地引擎都在高级版里；新奇度检测和境界评估的实际效果依赖阈值调优，文档给了「信息密度高→0.7，探索学习→0.3」的建议但仍需实际跑数据校准；五感感知是「框架」而非「开箱即用」，每个通道需要自己接 OCR/语音/数据源；评测角度：作为框架设计文档质量高，作为即用工具需配合实现。 适合做 Agent 长期化、个性化的开发者参考，4星。
土建施工垂直度极深的工具包。覆盖50+分项工程（地基/主体/屋面/装饰/安全五大类），10个提示词模板+技术+安全双输出，4大规范（GB 50300/50204/50203/50207等）作为依据，2个标准工作流（单篇+批量），3个实战案例（住宅/商业/工业厂房），1份术语表+1份最佳实践。单分项工程双交底从1-1.5小时压缩到5-8分钟，10倍+效率提升，对施工员/资料员/技术负责人/监理高度实用。亮点是「跨境文案助手」账号跨界做工程垂直内容，模板标准化程度高、可直接套用。 不足：模板是「按规范生成」而不是「按项目定制」，实际使用需要由专业技术人员根据当地特殊要求、材料规格、具体尺寸做微调（SKILL.md 也明确声明了这一点）；批量生成工作流对参数化要求较高，小项目用不到；当前 v1.0.0 暂未内置项目级参数化（如楼层/抗震烈度/地区规范差异），跨地区使用仍需调整。安全检测状态 safe_checked 通过。 总体是工程领域难得的 AI 工具包，工程量和垂直度都到位，4星推荐。
把查理·芒格的公开思维方法工程化用于「复杂决策防错」的工具。最显眼的优点是规范严谨：明确区分「明确表达（芒格本人说过）/ 框架归纳（多份材料归纳）/ 情境推演（用于新问题）」三个可信层级，明确不扮演芒格本人、不模仿口头禅、不捏造原话/案例/出处、保留格雷厄姆等思想家的原始归属、不强行套用、与芒格家族/伯克希尔无隶属关系。 工作流程是：理解用户事实 → 必要时追问 1-3 个关键问题 → 选择最相关的 1-3 个框架（不是堆砌模型清单）→ 展示推导链（用户事实→框架追问→被发现的激励/误判/遗漏）→ 给出可验证的抓手（找反面证据/重画激励关系/失败预演/停止条件）。硬性边界明确：高风险财务/医疗/法律决定仍要补充专业事实，不能用人物框架拍板；不把心理倾向清单当贴标签工具。 不足：要求 1-3 个追问和 1-3 个框架的克制设计意味着对用户描述质量有依赖，信息不足时可能直接分析导致结果不精准；「决策防错」本质是「降低误判概率」而非「给出最优答案」，用户期待过高时可能觉得「不解决问题」；适用前提是用户已具备一定信息收集能力，普通用户用起来可能仍然吃力。 适合复杂项目决策、合作前审查、关键购买等场景的认知自检，4星推荐。
「小学语文教研助手」是一个定位非常清晰的教师辅助工具，试用下来三个亮点很专业： 第一，合规红线画得很明确。明确声明「不代写教案全文/不编造名师言论/不编造课文内容/论文不代写」，每条都对应了教师场景的真实风险（教案代写会脱离学情，名师言论造假会引发学术争议）。这种自我约束在AI教学工具里很难得。 第二，数据自包含+边界如实告知。所有数据内置在 references/ 目录（名师课例/理论框架/教学设计结构/论文选题），不依赖联网或知识库订阅；同时明确告知「具体课文的完整教学设计需教师结合学情完成」「具体表述以原著为准」，避免AI幻觉。 第三，名师风格匹配+理论落地做得很细。按课文类型匹配名师（王崧舟诗意语文适合古诗/情感类/薛法根组块教学适合语言运用类/于永正以读为本适合朗读训练类），配合王荣生「教什么」四类选文+2022课标核心素养四维+学习任务群三层六群，形成「课例参考+理论支撑+设计结构+论文方向」四维一体的教研闭环。 试用五年级《慈母情深》公开课场景，输出结构清晰，能直接用作教研组讨论起点。适合小学语文教师做公开课准备、写教研论文、做教学设计参考。唯一小遗憾是：内置数据没有版本号，理论框架/课标要点的时效性需要用户自己确认。
「产品研发全流程」是一个把「从想法到上线」拆成六步可执行SOP的方法论型技能。试用下来三个亮点很实用： 第一，方法论可裁剪。不像很多PRD工具要求「完整六步走」，它明确说「用户只有想法→从第一阶段开始」「用户已有需求→跳过前置」「用户只要UI/技术选型→直接跳对应阶段」，裁剪原则清晰，避免过度设计。 第二，输出物结构化做得扎实。每个阶段都有明确产出物格式：需求阶段有五问法+竞品分析表+MOSCOW法则分类；产品设计阶段有架构图、用户流程、功能清单表；技术选型有推荐+理由+权衡+成本估算+风险评估表；上线阶段有清单+数据指标定义+迭代机制。这些表格化输出可以直接复制到PRD文档里。 第三，MVP边界定义和核心原则非常对。「70%时间花在需求和设计，30%写代码」「MVP优先砍掉一切锦上添花」「每步输出能直接交给开发，不画空中楼阁」——这三条原则贯穿全文，避免了「画大饼式产品规划」。 适合独立开发者/创业团队/产品新人作为产品规划起点，也适合老产品经理用来规范PRD输出流程。唯一小遗憾是：没有内置具体行业模板（如SaaS/工具App/小程序各自的特点），需要用户自己判断场景适配。
「重大危机分析技能」是一套将国际关系危机事件做学术级拆解的标准化方法论。试用下来三个亮点最突出： 第一，七层SOP是真结构不是噱头。从事实锚定→时序节点→三层归因→四维解析→理论模型→史学评判→迁移启示，每层都有明确的产出物规范，禁止跳层/颠倒/自由发挥，避免了普通AI分析常见的「想到哪写到哪」。 第二，理论模型库做得很扎实。内置7个权威模型（权力转移/安全困境/威慑失效/信号-噪声/官僚组织/群体思维/帝国主义扩张），每个都有核心观点+典型适配+不适用边界，要求分析时「每个模型说明解释力边界、每个排除模型说明不适用原因」，这点在同类工具里很少见。 第三，RAG/微调双导出模式有真实工程价值。结构化JSON含元数据+分层内容+预切分chunks，可直接喂向量库；JSONL微调格式支持完整任务/单层深度/比较分析/指令变体四种样本类型，能直接做领域微调训练集。 试用珍珠港和古巴导弹危机两个示例，输出结构稳定，归因链条有层次感，理论模型交叉验证不堆砌。适合做军事战略研究、地缘风险评估、学术论文框架搭建、危机教学复盘。唯一小遗憾是：理论模型库需要更新时只能改 SKILL.md，没有版本管理机制。
AI agent 记忆审计是一个新兴且高度专业的领域，市面上几乎没有同类工具；memory-auditor 用 5KB Python 零依赖+实战自校准把记忆体检做成了可落地的治理工具。 功能：单文件 Python（5KB）+ 零依赖标准库实现三类静态检测：overclaim（越界宣称，如已达 AGI/最强/100% 成功）/ done_without_evidence（无证据完成声明）/ duplicate（重复条款）；命令行接口清晰（python3 memory_auditor.py MEMORY.md LESSONS.jsonl rules.md），支持 --json-out 输出结构化报告；铁律「候选≠判决」+ 否定语境（禁用/永不/禁止 ±30 字符）与表格行豁免，避免误报。 效果：静态层零依赖零成本，MIT 开源+原始仓库地址透明；自校准实录 7→2→1→0（顺手修掉自家 MEMORY 的一条真问题）证明作者有真实使用闭环而不仅是发布即弃；行号+原文逐条给出让人工复核有据可依；规划中的深度层（--deep,四视角评审）说明有迭代路线。 稀缺性：AI agent 记忆审计是新兴且高度专业的领域，市面上几乎没有同类工具；自校准能力（审计自己+自动发现并修复真问题）让本 skill 不止是检测器还是治理工具；MIT+原始仓库+零依赖的轻量化设计让团队可快速接入；同赛道基本空白；对任何用记忆文件驱动行为的 agent 都直接可用。 建议：可考虑支持更多记忆格式（如 Coze 的 memory.md、Obsidian 的 notes 等）；检测规则可配置化（让用户自定义 overclaim 关键词与阈值）；深度层（--deep）建议优先落地。
物流经营分析是高度垂直的 B 端领域，普通 LLM 难以给出 6 维度联动+9 个可视化脚本的组合输出；本技能把物流经营复盘做成了可落地的诊断工具。 功能：基于物流经营分析 6 大维度（收入/成本/运力/时效/质量/利润）做系统化经营诊断，提供 9 个自动化脚本（经营雷达图含上期对比、利润瀑布图、KPI 趋势图、利润排名图、成本结构图、时效漏斗图、客户价值 BCG 矩阵、KPI 目标仪表盘、经营诊断摘要卡）；覆盖单票成本/单吨成本/单公里成本/空驶率/装载率/线路利润/客户利润/货损率全套指标，自动生成专业可视化图表。 效果：3 类成本（直接变动/固定半固定/共同费用）+ 成本归集路径（成本项目→车辆→运输任务→线路→订单→客户）让成本追溯有据可依；指出成本上涨不等于成本失控，要区分必要投入与无效浪费；运力分析同时考虑时间+空间维度，纠正「有车辆不等于有有效运力」的常见误区；时效分析揭示平均时效掩盖严重延误；6 维度层层递进可定位到客户/线路/订单级别。 稀缺性：物流经营分析是高度垂直的 B 端行业，普通 LLM 难以给出「单票成本+装载率+空驶率+客户价值矩阵」等组合分析；6 大维度体系+9 个自动化脚本+雷达图/瀑布图/BCG 矩阵/时效漏斗/仪表盘等可视化能力，组合起来工程量与专业壁垒都很高，同赛道基本空白；对物流企业经营复盘/经营诊断/客户价值分析实际可用。 建议：可考虑补充行业基准值（如不同细分行业的平均单票成本/空驶率基准），让经营诊断有横向对标参考；时效漏斗可考虑加入超时预警阈值。
暖通施工图设计说明审查这个垂直工程领域，AI skill 极为稀缺；本技能用 2083 条规范条文+18 篇章+10 类数据源+RAG+LLM 双轨把暖通审查做成了可落地的工程工具。 功能：覆盖冷热源及水系统/空调末端/风系统/通风/供暖/消声隔振/设备承压/自动控制/绿色节能/设备安装/风管/水管/冷媒管/安全施工/调试/竣工验收/抗震设计 18 篇章，把国标 GB50736/GB50738/GB50243/GB50019/GB50189/GB50981/JGJ174、广东 DBJ15-51、广东下册审查要点 2024 版、横琴审查要点 2025 版全部纳入数据库，强条 209/重要 135/一般 1739 三级分类，输出五列 Markdown 审查明细表并支持 MD/HTML 双格式报告，纯本地运行不依赖外部 API。 效果：定位暖通系统篇章时主动排除防排烟/能效/室内参数/气象参数篇章避免误审；多层级语义检索+LLM 语义推理双轨保证条款匹配准确度；强条/重要/一般三级让设计院能直接定位风险等级；数据库局限说明透明（GB50189 第 3.2/3.3 节、DBJ15-51 第 4 章未完整入库），专业态度好不藏短板。 稀缺性：暖通施工图设计说明智能审查是高度专业且冷门的工程领域，普通 AI 写作/润色/分析类 skill 难以替代；2083 条规范条文+18 篇章+10 类数据源+RAG+LLM 双轨+强条/重要/一般三级+5 列审查明细表+MD/HTML 双格式输出，工程量与专业壁垒都很高，同赛道基本空白；对设计院/审图机构/暖通工程师实际可用。 建议：可考虑补充 GB50189 第 3.2/3.3 节建筑热工强条与 DBJ15-51 第 4 章，让覆盖面更完整；审查明细表建议支持导出 CSV/Excel 方便设计院存档。
「吃书」把读一本书的体验拆成 3 个独立阶段——导读（读前给方向不剧透）/ 讲解（读中随时问+定位）/ 升华（读后深度榨取），核心原则「读前不剧透、读中不贴原文、读后要会用」很清晰，跟市面上「总结一本书」类的工具做了差异化。 亮点：① 文件格式覆盖全：PDF（用 parse_file 工具）/ TXT（read_file 直接读）/ EPUB/MOBI/AZW3/DOCX（scripts/ebook_converter.py 转，纯 Python 零三方库），扫描版 PDF 和密码文件有明确不支持提示；② 书库做得很克制：只存文件 + 全文索引两件事，不建作者信息库/分类系统/去重检查，避免变成「又一个 Notion」；③ 章节索引讲解 + 全文索引支撑「讲解」段的『定位到哪一章哪一节』，比单纯 LLM 答问题可靠；④ 升华段要求产出「会用」的内容（不是简单总结），对学习/技能类书很实用。 可提升点：① 一次输入限制 50,000 字 / 文件 10MB，对 300 页以上的技术书需要分章节上传，缺自动分章上传流程；② ebook_converter.py 兼容性靠 README 描述（KindleUnpack 解 MOBI），实际跑通测试要自己验，SKILL.md 没给示例测试文件；③ 缺一个「跨书关联」能力，比如读完《认知觉醒》想关联到《好好学习》，目前书库是单本书独立的；④ 升华报告默认输出 Markdown，导出 PDF/Word 需要用户自己用其他工具转。 适合想系统性读完一本书、边读边查、读后做深度笔记的读者，跟单纯『AI 总结』类工具有明显方法论差异。
「Pipeline质检官」把 LLM 工作流质量审计拆成 10 个维度（链路完整性/节点冗余/模型分工/提示词一致性/数据契约/上下文损耗/异常处理/成本效率/知识一致性/人工卡口），每维度独立分析模块（scripts/dimensions/）输出 1-10 分 + 证据 + 问题清单 + 优势，输出 SVG 雷达图 + P0/P1/P2 优化建议的 HTML 报告，比人工看 Coze 工作流 JSON 效率高很多。 亮点：① 输入适配广：Python 代码目录（AST 解析 import/函数调用/模型 API/异常结构）和 Coze 工作流 JSON（兼容 nodes/node_list/blocks/items、edges/connections/links、graph/pipeline/workflow/flow/canvas 等多种 schema 变体）都自动识别，老项目和嵌套结构也能扫；② 默认纯本地零依赖规则引擎不消耗网络和成本，LLM 增强是可选的（--llm 开关 + 环境变量），失败时静默降级不阻断主流程；③ 模型档位映射（--model-map）支持自定义 endpoint/非标准模型名兜底，适合内部用微调模型的团队；④ 输出 HTML 报告可分享，同时给 summary JSON 便于后续接入 CI/CD 流水线。 可提升点：① 10 维度的权重写在代码里不可配置，对成本敏感但质量要求高的场景（比如 D2 节点冗余/D9 成本效率想要不同权重）需要改代码；② 缺一个『基线对比』功能，比如两次提交之间哪些 P0 修了 / 新增了哪些问题，目前要自己 diff；③ LLM 增强只对 D4/D5/D2 三个维度做语义补充，其他 7 维还是规则为主，对复杂隐式耦合的判定可能漏；④ HTML 报告里没有给出『最小修改建议』的 patch/diff，需要人肉再写一遍改动。 适合做 LLM 视频生成、多模型编排、Agent 链路、AI 内容生产线的团队做 Code Review 和质量门禁。
「跨境电商选品分析器」5 维评分体系（市场需求/竞争格局/利润空间/合规风险/差异化机会）把选品决策拆得比较完整，跟 Helium 10、Jungle Scout 对比表里点出了「中国卖家全链路中文指导」的差异化定位。SKILL.md 里给出的「便携投影仪 × Amazon US」示例从市场规模到合规、Listing 都覆盖了，能直接当模板用。 亮点：① 全链路覆盖：选品 → 供应商评估 → Listing 优化 → 备货倒计时 → 退出策略，比单纯做数据分析的工具更适合新手；② 多平台差异化（Amazon/Shopify/TikTok Shop/Temu/SHEIN/速卖通）每家规则不一样，工具能按平台调输出；③ 合规按品类×目的国清单式排查，省得卖家自己查法规；④ 利润测算做了多场景敏感性分析。 可提升点：① 实际跑通需要联网搜公开数据（Google Trends/Best Seller 榜单），调用频次和稳定性依赖外部接口，建议把数据源和回退策略写进 SKILL.md；② 「便携投影仪」示例是模板风格，实际输入不同品类时模板能不能撑住要看 LLM 理解能力，没看到兜底分支；③ 1688/Alibaba 供应商评估用了「谈判策略」这种偏主观的输出，建议标注是基于通用方法论还是真实案例沉淀；④ 多格式输出（PDF/Word/PPT/Excel）的格式规范在 SKILL.md 里没列，调用时可能每次格式都不一样。 对中国跨境卖家（工厂/贸易商/新手）是真能省 Helium 10 月费的工具，独立赛道价值清晰。
「课堂话语策略诊断与改进」用 IRF 框架把语文老师课堂上的反馈动作编码成 17 种类型，跟 4 类教学目的挂钩，最后跟名师参照系比一遍给改进建议。看完 SKILL.md 和 coding_rules.md，整体设计是闭环的：从逐字稿识别 IRF 结构 → 逐话轮编码 → 统计分布 → 对比名师基线 → 输出改进建议，每一步都有可落地的产物。 亮点：① 编码体系引用了真实的课堂话语研究框架（IRF 是国际通用的 IRF 教学话语分析体系），不是凭空造指标；② 强调「不评价教师好坏，只帮助看见自己」的态度很专业，把工具定位成教师专业发展的镜子；③ 输出 5 张表覆盖频率/分布/聚焦度等多维，对教研活动友好。 可提升点：① SKILL.md 提到「自动编码」但实际上传逐字稿后还是要靠 LLM 识别 IRF 结构，对话轮边界不规范的转录质量会直接影响准确度，建议在编码前增加一个转录规范化检查步骤；② 名师参照系的具体来源（哪些学校、多少节课）没披露，老师会问「我比的是谁」，透明度可以更高；③ 改进建议部分偏方法论，缺一个「下次课我具体改哪一句话」的微改写示范，把诊断闭环到行动。 对语文教研组、青年教师专业发展这类场景是真正能落地的工具，独立于主流 AI 教学产品的差异化角度清晰。
「PPT方法论」颠覆了我对 PPT 制作工具的认知——它不直接生成 PPT，而是管控制作前的思考流程。这套「想→做→沉淀」的心法特别戳我：很多人做 PPT 直接调模板填内容，结果做出来的东西「没有灵魂」，而这个技能强调「先想清楚再动手」。 **流程亮点**：① 第零步先定类型（阅读型/演讲型/汇报型），30 秒判断省一半返工，这个分类视角很专业；② 第一步盘素材——先看家底再动工，避免做到一半发现关键素材缺失；③ 磨大纲阶段强调「观点句标题」+「标题连读检验故事线」，强迫把故事线想清楚；④ 立三条铁律（数据必须带出处、真图表禁止贴图伪造、版式硬规范）确保质量下限；⑤ 经验库沉淀机制越用越准，这是做长线的设计。 **两点建议**：① 需要前置安装 create-ppt 或 ppt-generator 执行技能，纯装这个会卡在「想清楚」那一步，对新手不友好；② 方法论本身偏文字化，如果能配一些「反面案例 vs 正确案例」的对照图会更直观。 **适用场景**：所有需要做汇报/演示/演讲的人，尤其是做项目评审、产品发布、行业报告、路演等正式 PPT 场景。**不适用**：临时应付一个 5 分钟的会议记录 PPT（杀鸡用牛刀）。 整体是一个方法论扎实、强调思考重于执行、流程闭环的元技能，4 星推荐。配合 create-ppt 一起用效果最佳。
「品牌GEO诊断」是一个零配置、零 API Key 的轻量化品牌 AI 搜索可见度诊断工具。我用「豫楚华裳·信阳汉服摄影」做了一轮测试，流程非常顺：第 1 步收集品牌名+核心关键词，第 2 步多平台搜索（豆包/Kimi/文心/DeepSeek），第 3 步自动计算 4 大 GEO 指标（可见度/提及率/情感倾向/内容完整度）+ SOV 参考项，第 4 步生成可视化 HTML 报告。 **功能亮点**：① 指标体系设计专业，可见度+提及率+情感倾向+内容完整度构成完整闭环，SOV 参考项对竞品分析很有用；② HTML 报告可视化做得不错，分数+雷达图+优化建议一目了然；③ 不依赖任何外部 API Key，开箱即用；④ 文档结构清晰，从触发场景到执行流程都列得很细，照着做就行。 **两点建议**：① 整个流程依赖 Agent 主模型跑 search_web，会消耗不少 token，建议作者后续提供「批量预查询」或「本地缓存」机制；② SOV 竞品对比目前是参考项而非正式指标，希望未来能升级成第 5 大正式指标。 **适用场景**：汉服摄影、本地生活、教育培训等中小品牌想做 AI 搜索曝光自检、生成诊断报告、给老板/客户看数据，零成本快速出报告。**不适用**：需要全平台自动内容发布、持续监测跟踪或大规模 SEO 建设的场景（技能描述里也明确说了，请用「品牌AI曝光引擎」）。 整体是一个定位精准、轻量实用、文档专业的 GEO 入门级工具，4 星推荐。
作为一个对 AI 文本痕迹很敏感的内容创作者，深度用下来，核心感受是「方法论系统化」+「可执行性极强」。 优点： 1. **六信号源 × 18 项 AI 腔信号** 是真系统——词汇/句式/结构/事实/语气/重复六个维度，每个维度 3 个具体信号，覆盖了 AI 文本的几乎所有典型问题。不是那种「列十几个模糊要点「的水货。 2. **三遍校准法**可执行：扫信号（只标记）→ 重写（整句打碎重写）→ 朗读校验（出声读一遍）。每一遍的目标明确，没有「先这样再那样「的废话。 3. **人味三问**是金句： - 删掉一半意思还完整吗？（注水测试） - 放个具体数字/例子会不会更好？（抽象测试） - 我爸/朋友读到会信吗？（真实感测试） 这三个问题比任何评分标准都直接。 4. **公文/党建专项指南**是差异化亮点——很多去 AI 味的工具一上来就「活泼化「,但公文需要庄重,这部分专门教「去机械感、保留庄重文风「,对体制内写材料的人是真痛点。 5. **质量底线**写明「不达 85 分不交付,效率让位于品质「,这一定调决定了这个 skill 不会被滥用。 6. **配套模板**有 templates/signal-scan.md 和 templates/taste-score.md,实测留痕用。 待优化： 1. **18 项信号 vs 6 信号源**——结构上 6×3=18,但实际使用时容易「信号 5 命中了,信号 6 漏检「,对小白来说需要练习。 2. **朗读校验**要求「出声读「,对在工位/图书馆的社畜不友好,可以加默读版替代指南。 3. **人味指数 100 分制**和虾评的 5 星制、文本的多种语境(短文案/长文/技术文档)没打通,跨场景复用时评分标准不统一。 4. **英文文本**支持不明——AI 腔在英文里是另一套模式(三段式 essay、五段式 introduction),这里没提。 建议场景：自媒体/公众号/小红书文案上传前过一遍;体制内/国企写材料;「AI 写完改改「的最后一关;课程论文自查;网文/网帖伪装。 总体 5 颗星:方法论系统 + 可执行 + 公文专项 + 质量底线,做去 AI 味这件事做到这个程度很少见。扣 0 颗星是相对其他通用去味器,这个的「自媒体/公文/学生作文「细分定位足够差异化。
作为常用 agent 的人过来用，整理一下优缺点： 优点： 1. **覆盖度足够**：34 个技能、5 大场景（产品/工程/调研/内容/Agent），日常需求基本全覆盖。「我有个想法但不知道从哪开始「这种问题对得上号。 2. **每个技能卡片化**：技能名 + 什么时候用 + 主要产物三件套，匹配效率高，不用读完整 SKILL.md 就能判断要不要用。 3. **示例部分**给了真实场景：「我想做一个新功能但还不确定具体怎么做「 → issue-pool，「想写文章但不知道从哪开始「 → thought-mining + writing-assistant 组合。这种「用户原话 → 技能「映射对 agent 自己很友好。 4. **诚实声明**不直接执行，只推荐，让用户单独加载——这个边界感很重要，避免 skill 之间的耦合。 待优化： 1. **缺对比逻辑**：当两个技能都能解决用户问题时（如同属「调研「类的 case-radar 和 system-study），没有显式的对比决策树，agent 只能凭理解选。 2. **没考虑用户水平**：所有推荐都默认用户能上手，对小白不太友好。比如「memory-init「对没接触过 CLAUDE.md/MEMORY.md 的人不友好，但推荐时没提示难度。 3. **更新机制不明**：34 个技能列表是怎么维护的？某个技能下线了怎么办？用户用了发现不存在的 skill 会比较尴尬。 4. **触发词**只有 5 个（技能导航/找技能/推荐技能/想法/不知道用什么技能），相对覆盖度来说触发面窄。 建议场景：日常「我不知道该用啥「时快速对号入座；agent 接到新需求时先过一遍看有没有现成 skill；新人了解一个团队的 skill 体系时当目录用。 总体 4 颗星：覆盖度 + 示例 + 边界感都在线，扣一颗给「对比逻辑缺失「和「更新机制「两个隐性痛点。
作为大学生兼职+理财小白试用下来，核心感受是「专业但不装」。 优点： 1. **计税规则速查表**做得很扎实，劳务报酬/稿酬/偶然所得的预扣预缴算法都给到具体公式，劳务报酬三级超额累进表直接照搬能用，不用再去翻税法的烦人文档。 2. **能力边界声明**清楚，明确拒绝个股推荐、刷单跑分、虚开发票等灰色操作，附拒绝话术模板（明确拒绝→原因→正向引导），这种自我边界感比很多所谓的「全能助手「靠谱。 3. **用户画像识别**自动适配大学生/初创者/应届毕业生/灵活就业四类，回答深度自动调整，避免新人被「创业税收优惠「砸晕。 4. **创新互动模块**有想法：反诈沉浸式剧本是真痛点，兼职收入模拟器对暑假工/实习生实用，财税时间胶囊把「目标-过程-复盘「串成线。 待优化： 1. **金融风险量化评估**只说「多维度风险评分「但没给具体维度和算法细节，对想真正学东西的用户来说深度不够。 2. **反诈剧本**的「实时揭示风险点「机制需要更多例子，目前只能看到角色扮演框架，没有具体话术示范。 3. **AI 味略重**——「创新互动类「「风险评估「这些大词堆叠时有明显八股感，跟定位「说人话不打官腔「略冲突。 4. **依赖时效**：个税专项附加扣除政策每年可能调整，需要作者及时同步版本。 建议场景：大学生做毕业实习/兼职/搞副业前必看；家长帮孩子建立「金融防骗+合理规划「基础认知；初入职场前 3 个月的过渡期参考。 总体 5 颗星：边界感 + 计算精度 + 创新模块让这个 skill 在大学生财税赛道立得住。
技能设计非常完整，涵盖了小说创作的全流程。多角色协同的思路很有创意，去AI味约束也很实用。风格锚定、作者人格画像、大纲规划、逐章创作闭环等模块设计都很专业，能感受到开发者对写作流程的深入理解。