Weather via OpenMeteo (via openmeteo-sh cli; advanced ver)

核心用法

OpenMeteo Weather Advanced 通过 openmeteo CLI 提供企业级天气数据服务，无需注册 API 密钥即可访问。核心功能分为两大模块：

实时与预测（`weather` 命令）

• 当前天气条件查询（--current）
• 最长 16 天逐小时/逐日预报（--forecast-days=0-16）
• 智能时间窗口裁剪（--forecast-since=N），支持从第 N 天开始查询
• 最多回溯 92 天历史数据（--past-days=0-92）

历史数据（`history` 命令）

• 1940 年至今的完整气象档案
• 支持 ERA5、ERA5-Land、CERRA、ECMWF IFS 等专业再分析模型
• 需指定起止日期（--start-date / --end-date）

精细化变量控制
覆盖 50+ 气象变量：基础温湿度、体感温度、降水概率、降雪深度、海平面气压、能见度、UV 指数、云量、阵风风速等。支持按 --current-params、--hourly-params、--daily-params 三级粒度自定义输出。

位置解析

• 城市名自动地理编码（--city）
• 国家代码消歧（--country）
• 直接 WGS84 坐标输入（--lat/--lon）

输出优化
强制使用 --llm 标志生成 TSV 紧凑格式，专为 LLM 场景设计，自动将天气代码转换为可读文本，显著降低 token 消耗。

显著优点

1. 零成本准入：OpenMeteo 为非营利开源项目，无需 API 密钥、无调用配额限制
2. 数据纵深 unmatched：历史回溯至 1940 年，满足气候分析、学术研究、保险理赔等长周期需求
3. 模型透明度：可显式选择 ECMWF、DWD ICON、GFS 等数值预报模型，而非黑盒"最佳匹配"
4. LLM 原生设计：--llm 格式比标准 JSON 减少 60-80% token 占用，内置天气代码语义化
5. 单位灵活：支持英制/公制/节等多种单位体系，跨境场景友好
6. 时间窗口精准控制：--forecast-since 避免抓取无用数据，降低延迟与成本

潜在缺点与局限性

1. 数据源单一性：完全依赖 OpenMeteo 服务，无备用提供商，若服务中断则无降级方案
2. 地理覆盖边缘化：部分偏远地区（极地、深海）模型精度低于主流商业 API
3. 实时性延迟：ECMWF 等高质量模型更新频率为 6-12 小时，极端天气突发场景下可能滞后
4. CLI 依赖：需本地安装 openmeteo 二进制，容器化或受限环境部署存在摩擦
5. 无原生告警机制：需外部轮询实现天气预警，无 Webhook 或推送能力
6. 历史数据模型限制：1940-2023 年数据依赖 ERA5 再分析，空间分辨率 0.25°，城市微气候细节不足

适合人群

• 数据分析师/科研人员：需要长周期历史数据做气候趋势、能源负荷预测
• 户外/农业从业者：精细降水概率、积雪深度、土壤温度等专业变量
• 跨境差旅用户：免 API 密钥，支持全球任意坐标，无区域锁定
• LLM 应用开发者：原生紧凑输出格式，降低上下文窗口压力

常规风险

| 风险类别 | 具体表现 | 缓释建议 |

|---------|---------|---------|

| 服务可用性 | OpenMeteo 为开源项目，无 SLA 保障 | 关键业务场景配置降级至商业 API |

| 数据准确性 | 历史再分析数据与实际观测存在偏差 | 2020 年后数据质量较高，早期数据仅作趋势参考 |

| 极端天气 | 突发气象事件（台风、龙卷风）预报延迟 | 结合官方气象部门实时预警交叉验证 |

| 隐私合规 | 位置查询可能暴露用户行踪 | 优先使用 `--lat`/`--lon` 而非城市名，避免地理编码日志 |

| 模型误选 | 用户强制指定模型可能导致低质量输出 | 默认 `best_match` 已针对区域优化，非专业需求不建议覆盖 |

核心用法

OpenMeteo Weather Advanced 是一款基于 openmeteo CLI 工具的高级天气查询技能，通过对接 Open-Meteo 免费天气 API，为用户提供远超普通天气查询的专业能力。该技能的核心价值在于精细化控制——用户可按需选择特定气象变量、指定天气模型、查询历史数据或进行多维度预测分析。

主要功能模块包括：

• 实时与预测天气：支持当前条件查询及最长 16 天的逐小时/逐日预报
• 历史数据回溯：可获取 1940 年至今的完整气象记录，适用于气候分析、研究验证等场景
• 变量精准筛选：通过 --hourly-params、--daily-params 等参数，仅获取所需数据（如降水概率、UV 指数、体感温度等 50+ 专业变量）
• 智能输出优化：--llm 参数专为 AI Agent 设计，输出紧凑 TSV 格式，大幅降低 Token 消耗

典型使用场景：农业规划需要查询特定日期的霜冻记录、户外活动需精准判断降雨停止时间、科研用户需要特定气象站的长期数据序列等。

显著优点

1. 完全免费且开放：Open-Meteo 为全球知名开源天气数据项目，无需注册或 API Key，无调用配额限制
2. 专业级数据精度：支持 ECMWF、ERA5、CERRA 等多个数值天气预报模型选择，满足从日常查询到科研级分析的需求
3. 极致的 Token 效率：--llm 输出格式相比标准 JSON 减少 80% 以上 Token 消耗，专为 Agent 场景优化
4. 灵活的地理定位：支持城市名自动地理编码、国家代码消歧、WGS84 坐标直输三种方式
5. 深度时间控制：--forecast-since 参数可跳过不必要日期，--past-days 可回溯近期历史，避免冗余数据获取

潜在缺点与局限性

1. 依赖外部 CLI 工具：需预先安装 openmeteo 二进制文件，首次部署存在环境配置成本
2. 离线场景不可用：完全依赖网络 API，无本地缓存或离线模式
3. 实时性边界：免费 API 更新频率低于商业气象服务（通常延迟 1-3 小时），对分钟级精度需求不适用
4. 地理覆盖差异：部分偏远地区或新兴城市的地理编码精度可能不足，建议直接使用坐标
5. 变量理解门槛：50+ 专业气象变量需要一定背景知识，非专业用户可能难以选择最优参数组合

适合的目标群体

• 科研人员与数据分析师：需要历史气象数据进行气候变化研究、模型验证、统计分析
• 农业与户外行业从业者：种植规划、灌溉调度、户外活动风险评估等场景
• 产品运营与物流团队：基于天气数据的动态定价、配送路线优化、库存预测
• 气象爱好者与教育工作者：低成本获取专业级数据用于学习、教学或兴趣探索
• 效率导向的 Agent 开发者：需要高 Token 效率、结构化输出的天气查询后端

使用风险说明

性能风险：历史数据查询跨度较大时（如整年月度数据），API 响应时间可能达数秒，建议分批次获取或设置合理超时。

依赖风险：openmeteo CLI 工具更新频率直接影响功能可用性，建议监控上游仓库版本，避免 API 变更导致的兼容性问题。

数据解释风险：气象变量单位多样（如降雪量 cm、降水量 mm、能见度 m），直接展示原始数据可能造成用户误解，建议始终添加单位说明和通俗解读。

隐私提示：虽然该 Skill 本身不收集敏感信息，但天气查询请求会暴露大致地理位置（城市或坐标），对隐私极度敏感的场景建议使用模糊定位或通用城市名。