核心用法
Poe Chat Skill 是一个命令行工具，允许用户通过简单的 @触发词（如 @gemini、@gpt、@claude）快速调用 Poe 平台上的各类大语言模型。其核心工作流程包括：解析用户输入中的触发词、从本地缓存或实时获取的模型列表中智能匹配最合适的模型 ID、调用 Poe API 发送请求，并在返回结果前明确标注所使用的具体模型名称。
该 Skill 提供两个主要脚本：：list_models.py 用于获取和缓存可用模型列表（默认缓存 1 小时），poe_client.py 用于实际发送对话请求。用户可通过环境变量 POE_API_KEY 或命令行参数 --api-key 配置 API 密钥，支持通过 --file 参数上传本地文件（可多次指定）供模型分析。
模型选择遵循智能优先级策略：默认优先选择非 Pro 版本以平衡成本与性能，优先选择更高版本号获取最新能力，仅在用户明确要求时才选用 Pro/Ultra 版本。这种设计既简化了用户操作，又提供了精细化的成本控制。
显著优点
极简交互设计：通过 @模型名 的直观方式触发，无需记忆复杂的模型 ID 或版本号，大幅降低使用门槛。自动化的模型选择逻辑让用户专注于任务本身，而非技术细节。
多模型生态整合：单一入口对接 Poe 平台上的 Gemini、GPT、Claude、Kimi、DeepSeek 等主流模型，避免用户在不同平台间切换，实现统一的对话体验。
文件上传支持：原生支持 PDF、图片等本地文件上传分析，扩展了纯文本对话的能力边界，适用于文档解读、图像分析等场景。
透明性与可审计：强制在回答前标注具体使用的模型名称，避免"黑盒"操作，便于用户追踪成本、评估效果，也符合 AI 应用的可解释性要求。
安全合规的密钥管理：API Key 通过环境变量或参数传入，无硬编码风险，符合安全最佳实践。
潜在缺点与局限性
外部依赖性强：完全依赖 Poe 平台的服务可用性和 API 稳定性，若 Poe 服务中断或调整定价策略，将直接影响功能使用。同时需要稳定的网络连接，无法离线使用。
成本不可控风险：虽然模型选择有默认优化策略，但 Poe 平台的计费模型复杂（按 token 计费），用户可能因误选 Pro/Ultra 版本或上传大文件而产生意外费用。缺乏内置的成本预估或限额提醒机制。
模型列表缓存延迟：本地模型列表缓存 1 小时，若 Poe 平台在此期间新增或下线模型，可能导致选择策略失效或调用失败。
功能边界有限：作为命令行工具，缺乏会话历史管理、多轮对话上下文持久化、输出格式化等高级功能，更适合单次查询而非复杂的对话工作流。
T3 来源可信度：项目来自社区个人开发者，虽代码质量达标，但长期维护承诺、安全更新响应速度存在不确定性。
适合的目标群体
- 开发者与技术用户：熟悉命令行操作，需要快速测试不同模型效果，或集成到自动化脚本中。
- 轻量级 AI 使用者：不想注册多个平台账号，希望通过单一入口体验多种大模型能力。
- 成本敏感型用户：希望利用 Poe 平台的免费额度或相对优惠的定价，同时需要智能模型选择来优化成本。
- 文件分析需求者：需要让 AI 解读本地文档、代码、图片等内容，且偏好简洁的命令行交互。
使用风险
API 密钥泄露风险：命令行参数 --api-key 可能被 shell 历史记录保存，建议优先使用环境变量方式。在多用户共享的服务器上，环境变量也可能被其他进程读取。
数据隐私风险：用户消息和上传文件将发送至 Poe 官方服务器，受 Poe 隐私政策约束。敏感信息（如商业机密、个人隐私数据）不应通过此工具处理。
网络与超时风险：默认 30 秒超时设置可能不足以处理大文件上传或复杂推理任务，长文本生成可能因超时而中断。网络波动可能导致请求失败，缺乏自动重试机制。
依赖项维护风险：依赖 fastapi-poe 和 requests 库，若未来出现安全漏洞或破坏性更新，需用户手动更新。当前版本锁定不够严格（未指定具体版本号范围）。
模型行为不一致风险：不同模型的输出风格、能力边界、安全策略差异显著，自动选择可能无法完全匹配用户预期，关键任务建议明确指定模型版本。