核心用法
Poe Chat Skill 是一个桥接型工具，允许用户通过简单的 @触发词 语法（如 @gemini、@gpt、@claude）调用 Poe 平台上的主流大语言模型。其核心工作流包括：
1. 触发词解析：从用户输入中提取首个 @xxx 作为模型家族标识
2. 智能模型选择：基于 list_models.py 获取的实时模型列表，按优先级自动匹配最优 model_id（非 Pro 优先、版本号优先、Pro/Ultra 按需启用）
3. API 调用：通过 fastapi-poe 库发送请求，支持环境变量或命令行传入 API Key
4. 文件上传：可选 --file 参数支持多文件上传，扩展多模态分析能力
5. 溯源输出：强制前缀标注具体模型名称，确保透明可审计
显著优点
- 多模型统一入口：单一接口聚合 Gemini、GPT、Claude、Kimi、DeepSeek 等主流模型，降低切换成本
- 智能降级策略：默认优先轻量版本（Flash 而非 Pro），兼顾成本与响应速度
- 动态模型发现：通过
list_models.py实时拉取 Poe 平台模型列表，自动适应新增模型 - 透明溯源机制：强制标注实际调用模型，避免"黑盒"幻觉风险
- 轻量部署：纯 Python 脚本，依赖精简（
fastapi-poe等），无复杂服务架构
潜在缺点与局限性
- 依赖 Poe 平台：受限于 Poe 的 API 稳定性与模型可用性，若 Poe 调整模型 ID 命名规则可能导致匹配失效
- 触发词歧义：
@gpt可能对应 GPT-4、GPT-4o、GPT-4o-mini 等多个版本，自动选择未必符合用户预期 - 无对话记忆：单次请求模式，不维护会话上下文，多轮对话需外部管理
- 文件上传限制：依赖 Poe 平台的文件大小与格式限制，大文档需预处理
- 缓存时效：模型列表仅缓存 1 小时，极端情况下可能引用已下线模型
适合人群
- 模型对比测试者：需要快速切换不同模型进行效果评估的开发者或研究员
- 成本敏感用户：希望通过 Flash/Pro 自动分级控制 API 费用的中小团队
- Poe 生态用户：已持有 Poe API Key，希望扩展本地自动化工作流的使用者
- 多模态需求场景：需要让 Gemini/Claude 等分析本地文档、图片的轻量工作流
常规风险
- API Key 泄露：命令行传入
--api-key可能被 shell history 记录，建议优先使用环境变量 - 模型漂移：Poe 平台可能调整模型映射关系，导致
@gemini实际调用非 Google 官方版本 - 计费不可控：自动选择策略可能误选高成本 Pro 模型，建议明确指定
--model-id进行成本锁定 - 文件隐私：上传敏感文档至第三方平台（Poe）存在数据合规风险，需评估数据分级策略