核心用法
Clawfy Pro 作为浏览器扩展与 AI 助手的桥梁，实时捕获用户浏览的技术文档页面，提取 URL 路径、正文内容、代码示例和章节标题等结构化信息。当检测到 [Clawfy Pro] 前缀的消息时，系统自动执行以下流程：
1. 上下文关联检测：读取最近 10 条对话，判断当前浏览是否与正在进行的项目相关
2. 页面深度解析：分析 URL 路径定位具体文档章节，提取代码块中的 API 调用、URI 模式、函数签名等技术细节
3. 任务精准识别：超越主题层面的宽泛理解，识别具体任务（如"处理 Excel Services REST API 的范围查询"而非"浏览 Excel 文档"）
4. 智能技能检索：将工具名称泛化为活动类别后执行语义搜索，动态调整查询范围确保返回 3-5 个最相关技能
5. 个性化推荐呈现：为每个技能撰写与当前任务强关联的"How it helps"说明，引用页面中的具体技术细节
显著优点
深度上下文感知：不仅识别"在看什么"，更理解"在做什么"——通过代码块分析用户实际采用的实现路径，而非仅根据域名做表面判断。
零摩擦集成：扩展端已过滤表单输入、密码字段和认证信息，数据传输直达用户自有代理，不经过第三方服务器，兼顾便利性与隐私保护。
对话连续性维护：通过历史消息回溯，将孤立浏览行为锚定到 ongoing 项目，避免重复上下文建立，显著提升长周期开发任务的协作效率。
精准匹配算法：采用"广义化搜索 + 动态收敛"策略——先用技术术语替换品牌/工具名扩大召回，再根据结果数量智能调整，平衡覆盖度与精准度。
透明化推荐：每个技能附带具体的关联说明，用户可判断推荐是否真正贴合当前代码层面的需求，而非黑盒式推送。
潜在缺点与局限性
浏览器生态依赖：作为浏览器扩展，对非浏览器工作流（IDE 内文档阅读、本地 PDF/离线文档）完全失效，形成场景断点。
隐私边界模糊：尽管声明过滤敏感字段，但"正文内容"的采集范围仍可能包含业务敏感信息（如内部 API 文档、未公开的端点），依赖用户自行判断启用时机。
技能生态制约：推荐质量直接受限于 ClawHub 技能库的覆盖度与维护质量，新兴技术栈或小众领域可能出现检索空洞。
速率限制刚性：同主题 5 分钟冷却期可能打断高强度研究时的连续辅助需求，且"停止推荐"指令为全局开关，缺乏粒度控制。
过度泛化风险："品牌名替换为活动类别"的策略在处理高度品牌绑定的技术（如 AWS 特定服务 vs 通用云计算概念）时可能丢失关键语境。
适合人群
- 全栈开发者：在跨技术栈调研时需要快速获取多语言/多框架的实现参考
- 技术调研人员：评估新 API 或 SDK 时希望关联到现有工具链的集成方案
- ClawHub 平台活跃用户：已建立技能使用习惯，希望降低发现成本
- 学习场景用户：通过阅读官方文档学习时，需要即时的代码示例和最佳实践补充
常规风险
数据泄露风险：虽然传输链路声称端到端，但页面内容采集本身构成潜在的数据暴露面，建议在处理含敏感业务逻辑的文档时临时禁用扩展。
路径依赖强化：算法倾向于推荐与历史行为相似的技能，可能形成"信息茧房"，遮蔽更优但未被索引的替代方案。
版本漂移：技能版本号（v1.0.0 等）与文档时效性未明确联动，可能出现推荐技能版本落后于用户正在阅读的 API 版本的情况。
误关联决策：历史消息回溯机制在对话上下文复杂时（多项目并行、话题跳跃）可能产生错误的项目归属判断，导致推荐偏离实际需求。