Skill Feed

核心用法

SkillFeed 是一款面向 ClawHub 的场景化技能推荐引擎，核心使命是自动识别并解除失败或卡住的工作流。当用户遭遇命令/API 失败、重试超限、输出缺失、执行超时，或仅有目标但缺乏实现路径时，SkillFeed 被触发运行。

其工作流程高度系统化：首先捕获并脱敏故障上下文（任务名、平台、错误代码类型、日志摘要），然后将故障分类为认证/权限、速率限制、网络超时、参数无效或未知类型。接着构建三层递进搜索查询（通用能力→场景→故障），在 ClawHub 执行实时搜索，按目标匹配度、故障类型匹配、设置成本、风险及维护信号多维排名候选技能。最终输出包含主推荐、备选方案、3-5 步即时行动、成功校验标准及回退路径的完整恢复计划。

数据脱敏是强制环节：API 密钥、令牌、PII、内部 URL、请求体等敏感信息必须在搜索前剥离，仅保留通用错误码、平台名、动作动词等安全标记。

显著优点

• 自动化故障诊断：无需用户手动描述问题，系统主动识别 6 类触发信号，降低诊断门槛
• 多层精准匹配：三层查询构造策略（broad → scenario → failure）确保推荐的相关性与深度
• 安全优先设计：强制脱敏规则防止凭证泄露，符合企业级安全合规要求
• 多平台适配：原生支持 Claude Code（终端优先）、ChatGPT（清单式）、Gemini（显式分段）三种执行风格，输出格式自动对齐
• 结构化决策支持：不仅给推荐，还提供量化权衡（setup cost、risk、maintenance signals）和明确的 fallback 路径
• 防噪机制：内置反重复推荐和危险操作确认拦截，避免干扰用户

潜在缺点与局限性

• 依赖 ClawHub 生态：搜索能力受限于 ClawHub 的技能库覆盖度与更新时效，冷门场景可能无匹配
• 实时性瓶颈：要求"always perform a live search"，离线场景下需回退到 references/top-skills-*.md，推荐质量可能下降
• 语义匹配风险：故障分类和查询构造依赖规则化 token 映射，非标准错误信息可能导致误分类
• 人工确认成本：高危险外部操作需用户确认，可能延长恢复时间
• 无自主执行权：仅提供 recommendation 和 action plan，实际修复仍需用户或调用方执行

适合人群

• 自动化工作流开发者：频繁与 Twitter/X、Telegram、GitHub 等 API 交互，需要快速诊断集成故障
• Claude Code / ChatGPT / Gemini 重度用户：希望获得与当前平台风格对齐的执行指令
• 运维与 SRE 团队：需要标准化故障响应流程，减少人工排查时间
• 安全敏感型组织：要求工具内置数据脱敏，防止日志或查询中泄露凭证

常规风险

• 信息残留风险：尽管有脱敏规则，复杂日志中仍可能遗漏敏感字段，需用户二次确认
• 推荐过时：技能库更新不及时可能导致推荐方案基于旧版本 API 或已废弃端点
• 过度自动化依赖：用户可能盲目信任推荐，忽略对 fallback 路径的评估
• 平台差异遗漏：多适配逻辑虽全面，但边缘场景下的风格切换可能产生格式混淆

核心用法

SkillFeed 是一款专为 ClawHub 生态设计的场景驱动故障恢复技能。其核心工作流围绕"检测-诊断-推荐-恢复"四个环节展开：当系统检测到命令/API 失败、重试超限、输出缺失或超时等信号时，自动捕获失败上下文并进行数据脱敏处理；随后将故障分类为认证/权限、速率限制、网络超时、参数无效等类型，构建三层递进搜索查询（宽泛能力→场景特定→故障特定），最终在 ClawHub 技能库中匹配最优解决方案。

该技能具备独特的多模型适配能力，能够根据当前执行环境（Claude Code 终端优先、ChatGPT 清单式、Gemini 分段验证）动态调整输出格式，确保恢复方案与用户的交互习惯高度契合。

显著优点

零代码安全风险：纯 Markdown 架构，无可执行代码块，从根本上杜绝了代码注入、恶意执行等传统安全风险。

隐私优先设计：强制数据脱敏机制在搜索前自动剥离 API 密钥、Token、PII 等敏感信息，符合 GDPR/CCPA 合规要求，GOOD/BAD 示例对比清晰指引安全实践。

精准场景匹配：三层查询构建策略结合故障类型分类，能够精准定位到解决特定平台（X/Twitter、Telegram、GitHub 等）特定错误（401/403/429/超时）的专业技能。

多模型无缝适配：内置 Provider Adaptation 模块，自动识别当前 AI 助手类型并输出对应执行风格，降低跨平台迁移成本。

完备恢复体系：不仅提供主推荐技能，还包含 2 个备选方案、3-5 个即时行动步骤及明确的成功校验标准，形成闭环故障处理流程。

潜在缺点与局限性

T3 来源可信度：由个人开发者（jackleeio）维护，缺乏 GitHub 开源仓库背书，虽经 ClawHub 平台审核，但社区审计透明度有限，建议生产环境先行验证。

依赖 ClawHub 生态：技能搜索与推荐完全依赖 clawhub.ai 平台可用性，若平台服务中断或 API 变更，将影响核心功能。

静态文档无动态学习：作为纯 Markdown 技能，无法根据历史推荐效果进行自我优化，依赖人工维护更新场景关键词映射表。

有限的外部集成：当前仅支持 ClawHub 技能库搜索，未直接集成 Stack Overflow、GitHub Issues 等更广泛的技术社区资源。

适合的目标群体

• AI 辅助开发用户：频繁使用 Claude Code、ChatGPT、Gemini 进行编码但常被环境配置、API 调试阻塞的开发者。
• 自动化工作流构建者：依赖多平台 API（社交媒体、代码托管、通讯工具）编排自动化任务，需要快速故障恢复的运营和运维人员。
• 隐私敏感型企业用户：在受监管行业工作，对数据脱敏和合规有严格要求，同时又希望借助 AI 提升效率的团队。
• ClawHub 生态深度用户：已熟悉 ClawHub 技能体系，希望获得更智能的技能发现和故障排查体验的用户。

使用风险与注意事项

网络依赖风险：核心功能依赖 HTTPS 请求至 clawhub.ai，在网络隔离环境或代理配置复杂场景下可能出现连接失败。

推荐时效性：技能库更新可能存在滞后，对于新出现的平台 API 变更或新型错误码，推荐结果可能不够及时。

误推荐风险：尽管有三层查询过滤，但基于关键词的匹配仍可能产生相关性不足的推荐，用户需结合技能评分（stars、更新时间）自主判断。

反噪音机制限制：为避免重复推荐，同一对话中相同错误不会触发二次推荐，若用户未理解首次方案导致失败，需手动重启诊断流程。

高敏感操作确认：设计原则要求对高风险外部动作获取用户确认，但在复杂多步骤恢复流程中，用户可能因操作惯性跳过确认环节。