核心用法
SkillPick 是一款面向 AI Skill 生态的「消费决策指南」，定位于 Skill 领域的「什么值得买」。其核心功能围绕筛选、推荐、分析三大场景展开：
赛道精选：58 个细分赛道，每个展示热度分 TOP3，质量保底 B 级以上，适合人类用户快速浏览发现。
搜索推荐：输入关键词后，系统基于 35 个意图扩展和 13 维质量加权，返回 1-3 个最优推荐 + 对比分析 + 最终结论，专为 Agent 决策优化。
相似替代：指定 Skill 名称，获取 1-3 个功能相近的替代方案，附带差异分析，避免单点依赖。
工作流推荐：针对短视频带货、电商运营、全栈开发等 8 个预定义场景，为每个角色匹配最优 Skill 组合。
质量详情：单个 Skill 的 13 维雷达图深度扫描，涵盖描述质量、安全评分、维护活跃度、测试覆盖等维度。
---
显著优点
双轨评分体系：首创「热度分」服务人类决策（星级/榜单/社区认可），「质量分」服务 Agent 决策（13 维工程化评估），两套评分各司其职，避免单一指标失真。
数据规模与质量：覆盖 29,000+ Skill、58 赛道，发布包精选 Top 3000 精华（A+/A 级占比 96%），融合 SkillHub、GitHub API、手工标注三源数据。
自动化数据管道：6 分钟完成全量采集→融合→评分→构建，支持热更新与版本追踪。
安全一票否决：安全评分权重 14%，C 级及以下 Skill 惩罚系数达 50%，从源头过滤高风险选项。
---
潜在局限
覆盖边界：聚焦 Top 3000 精华 Skill，长尾小众 Skill 可能未被收录；58 赛道分类虽全，但新兴细分赛道可能存在归类偏差。
实时性约束：GitHub 数据依赖 API 调用，极端情况下存在小时级延迟；热度分基于历史数据，突发爆款可能滞后反映。
中文生态适配：当前数据源以英文 Skill 为主，中文原创 Skill 的评分权重和标签体系仍在优化中。
主观决策留白：质量分提供客观工程指标，但最终「适不适合」仍需结合具体业务场景人工判断，工具不替代决策本身。
---
适合人群
| 用户类型 | 使用场景 |
|---------|---------|
| AI Agent 开发者 | 为 Agent 选型 Skills，需要质量分排序和替代方案 |
| 效率工具爱好者 | 浏览赛道精选，发现高热度、高质量的实用 Skills |
| 企业 IT/采购 | 批量评估 Skills 安全性与维护状态，规避技术债务 |
| 工作流架构师 | 按场景（电商/内容/开发）构建最优 Skill 组合 |
---
常规风险
数据依赖风险：评分基于元数据和 GitHub 指标，若 Skill 作者故意伪造 stars、隐瞒依赖，系统可能误判（建议结合 detail 命令人工复核）。
版本漂移风险：Skill 迭代后质量分可能变化，长期依赖固定推荐结果可能导致选型过时（建议定期运行 pipeline 更新）。
安全评分局限：14% 权重基于公开元数据扫描，无法覆盖运行时行为分析，关键场景建议额外进行沙箱测试。
API 稳定性：CLI 工具依赖 node 环境及网络请求，离线环境或防火墙限制下功能受限。