核心用法
OpenMeteo Weather Advanced 是一款面向专业用户的高级天气查询技能，通过 openmeteo CLI 工具对接免费的 Open-Meteo API。该技能突破了基础天气查询的限制，提供三大核心能力：实时与预报天气（最长 16 天）、历史数据回溯（自 1940 年起）、以及精细化参数控制（50+ 气象变量）。
用户可通过城市名自动地理编码或直接坐标定位，灵活选择输出参数——从基础的温湿度、降水概率，到专业的海平面气压、露点温度、积雪深度、紫外线指数等。--llm 标志专为 AI 场景优化，输出紧凑的 TSV 格式，大幅降低 token 消耗。历史数据查询支持多种再分析模型（ERA5、CERRA 等），满足科研与商业分析需求。
显著优点
零成本专业数据：Open-Meteo 作为欧洲气象机构支持的开放项目，提供通常需付费订阅的高质量气象数据，无需注册或 API Key。
极致的查询精度：支持按小时粒度筛选特定日期窗口（--forecast-since），可针对"周五何时停雨"类问题精准获取数据，避免冗余传输。参数覆盖从体感温度到太阳辐射、从能见度到土壤温度的全维度指标。
LLM 原生设计：--llm 输出格式将天气代码自动解析为自然语言，TSV 结构便于 AI 直接消费，相比标准 JSON 减少 60% 以上 token 开销。
跨平台 CLI 生态：依赖的 openmeteo-sh 工具支持 Homebrew、APT 及源码安装，与主流系统无缝集成。
潜在缺点与局限性
外部依赖门槛：用户需自行安装 CLI 工具，对非技术用户存在配置成本；工具未预装时技能完全不可用。
网络依赖刚性：所有查询实时调用 Open-Meteo 服务端，无离线缓存机制，网络中断或 API 限流时功能失效。
地理编码不确定性：城市名依赖 Open-Meteo 的地理编码服务，对同名城市（如美国/英国的 Portland）需手动附加国家代码，否则可能返回错误位置。
历史数据模型差异：1940-2024 年的历史数据基于再分析模型（ERA5 等），与实测站数据存在系统性偏差，不适用于对精度要求极高的法律或保险场景。
适合的目标群体
- 数据分析师与科研人员：需要长序列历史气象数据进行气候研究、能源建模或农业分析
- 户外与运动行业从业者：滑雪、航海、登山等场景对积雪深度、阵风、紫外线等细分参数有刚性需求
- 智能家居与 IoT 开发者：构建基于天气触发的自动化规则，需程序化获取结构化数据
- 内容创作者与旅行规划者：快速生成目的地天气摘要，支持自然语言交互降低使用门槛
使用风险
性能风险：历史数据大范围查询（如整年数据）可能因数据量过大导致响应延迟，建议分批次获取。CLI 工具本身无内置超时重试机制，网络波动时需手动重试。
依赖项风险：openmeteo-sh 依赖系统级的 curl 与 jq，在精简容器环境或老旧系统中可能缺失。项目为个人维护（T3 来源），长期更新承诺弱于企业级产品。
数据准确性风险：预报数据基于数值天气预报模型，72 小时后精度显著下降；历史数据的空间分辨率（约 25km）可能无法反映微气候差异（如城市热岛、山谷效应）。
隐私合规风险：虽无用户数据收集，但查询请求包含 IP 地址与查询坐标，默认发送至 Open-Meteo 服务器（欧盟托管），对数据主权敏感场景需评估合规性。