核心用法
MoodMusic 是一款基于对话上下文的智能音乐推荐技能，通过自然语言理解分析用户的情绪状态与当前活动场景，输出高度个性化的音乐推荐。用户以日常对话方式描述心情（如"漫长的一天，需要放松"），系统自动识别情绪标签（Chill、Focus、Energy、Sad、Hype、Creative 等），匹配对应曲风数据库，生成包含歌名、艺术家、平台链接的完整推荐列表。
典型交互流程：
1. 用户输入自然语言描述当前状态
2. 系统执行 mood detection 与 activity matching
3. 输出格式化歌单（Spotify/YouTube/Apple Music 链接或纯文本列表）
4. 支持持续学习用户偏好，优化长期推荐质量
显著优点
- 零配置上手：无需预设音乐库或复杂偏好设置，对话即服务
- 多平台输出：原生支持 Spotify、YouTube Music、Apple Music 及纯文本导出
- 场景智能感知：内置时间感知（晨间活力/晚间放松）与活动匹配（编程、健身、学习）
- 发现模式：主动推荐符合口味的新艺人，突破信息茧房
- 隐私优先：数据本地处理，无强制云端上传
潜在缺点与局限性
- 无原生音频播放：仅生成推荐列表，需跳转第三方平台播放
- 推荐质量依赖 LLM：情绪推断准确性受底层模型能力制约
- 版权与地区限制：生成的平台链接可能因版权或地理区域失效
- 无实时音乐数据：无法访问 Spotify/YouTube 实时曲库状态（新增/下架）
- 长期学习机制未明确：文档未说明用户偏好存储结构与持久化策略
适合人群
- 音乐探索者：希望突破固定歌单、按当下心情发现新音乐
- 多场景工作者：需要快速匹配专注/放松/运动等场景的背景音乐
- 跨平台用户：在 Spotify、YouTube、Apple Music 间灵活切换的听众
- 效率工具爱好者：偏好对话式交互、拒绝手动整理播放列表的用户
常规风险
- 推荐偏差风险：算法可能误判情绪导致推荐不匹配，引发用户体验下降
- 平台链接失效：第三方 API 变更或版权下架导致链接不可用
- 数据本地安全：虽宣称本地处理，但未提供加密存储或访问控制的详细说明
- 作者支持可持续性：个人开发者维护，长期更新与漏洞修复存在不确定性