核心用法
Poe Chat Skill 是一套基于 Poe 平台的模型调用工具链，核心解决用户通过自然语言触发词（如 @gemini、@gpt）快速调用特定大模型的需求。系统由三个 Python 脚本组成：list_models.py 用于获取并缓存可用模型列表（默认缓存1小时），poe_client.py 执行实际的 API 调用，以及依赖管理文件。
典型工作流程：
1. 用户输入包含 @xxx 触发词的消息
2. 系统自动解析首个触发词，从本地缓存的 models.json 中匹配最优模型（遵循"非Pro优先→新版本优先→按需启用Pro"的层级策略）
3. 通过 Poe API 发送请求，支持多文件附件上传
4. 输出强制标注具体使用的模型ID，确保调用透明可追溯
关键设计亮点：
- 智能模型选择：针对 Gemini 系列等模型族，内置优先级算法避免过度消耗Pro额度
- 本地缓存机制：模型列表缓存1小时，减少重复API查询
- 灵活认证：支持环境变量或命令行参数传入 API Key
显著优点
- 统一入口：一个接口覆盖 Gemini、GPT、Claude、Kimi、DeepSeek 等十余种主流模型
- 成本优化：默认选用轻量版模型（Flash版），显著降低token消耗
- 文件原生支持：基于
fastapi-poe实现多文件上传，适合文档分析场景 - 透明可追溯：强制输出模型ID，便于成本核算和问题排查
潜在局限
- 依赖外部平台：完全绑定 Poe 生态，API可用性受限于Quora服务状态
- 模型选择黑盒：虽然有人工介入的模型选择逻辑，但最终匹配依赖本地缓存的模型列表，新模型上线可能存在延迟
- Python环境依赖：需维护 Python 3 环境及
requirements.txt依赖 - 无对话历史：当前设计为单次调用，不维护多轮对话上下文
适合人群
- 需要快速对比多个大模型输出的开发者或研究人员
- 已有 Poe API Key 且希望程序化调用的自动化工作流用户
- 需要批量处理文档（PDF/图片等）并指定特定模型分析的场景
常规风险
- API Key 泄露：命令行传入密钥可能被 shell history 记录，建议优先使用环境变量
- 模型版本漂移：缓存机制可能导致1小时内无法感知模型下线或重命名
- 费用失控：若用户明确触发Pro/Ultra级模型，token消耗可能显著增加
- 平台锁风险：过度依赖 Poe 特定接口格式，迁移成本较高