核心用法
Recommend skill 是一套完整的上下文感知推荐系统，采用五阶段闭环流程：Context → Preferences → Research → Match → Recommend。系统要求每次推荐前必须完成两件事——理解用户（3-5 条关键信号）和理解选项（3-7 个候选方案）。具体执行时，先通过多源上下文提取用户的价值观、硬性约束、历史反馈及当前情绪状态，形成偏好画像；再广泛调研候选选项，评估来源质量、时效性与可获取性；最后基于多维匹配算法排序，输出 1-3 条带置信度与权衡说明的推荐。
显著优点
1. 反锚定设计：强制"广度优先"研究，避免首因效应；
2. 透明可解释：每条推荐附带 WHY、TRADEOFF、CONFIDENCE 三要素，用户可理解决策依据；
3. 自适应学习：跟踪推荐结果（接受/修改/拒绝），动态更新用户偏好模型；
4. 陷阱清单内置：明确列出投射偏差、近因偏见、情境忽视等常见错误，提供自我校验机制。
潜在局限
- 冷启动依赖：若用户上下文不足，系统会主动提问，可能增加交互轮次；
- 数据时效敏感：要求人工维护信息新鲜度，未自动化校验外部数据源；
- 偏好推断黑箱：提取的 3-5 维偏好画像仍属简化模型，复杂场景可能遗漏隐性需求。
适合人群
高频决策场景用户（购物、餐饮、旅行、内容消费）、习惯复盘与反馈的理性决策者、希望减少选择疲劳但不愿放弃控制权的中间层用户。
常规风险
- 隐私边界：系统鼓励深度挖掘用户历史与情绪，需在
sources.md中明确数据采集范围与授权边界； - 过滤气泡：长期接受推荐可能强化既有偏好，"Note exceptions" 机制虽尝试缓解，但依赖人工标注；
- 推荐疲劳：过度优化可能导致用户感知"被算计”，需平衡精准度与惊喜感。