核心用法
Skill Finder 是一款专注于技能发现与评估的辅助工具，通过 npx clawhub search 命令查询 ClawHub 注册表，结合标准化评估体系为用户推荐最合适的技能。
典型工作流程：
1. 智能搜索 — 接收用户需求描述（而非仅限技能名称），执行模糊匹配搜索
2. 质量评估 — 应用 evaluate.md 中的多维度标准（功能性、安全性、维护状态、社区评价等）
3. 对比排序 — 多结果场景下按匹配度排名
4. 精准推荐 — 提供 1-3 个最优选项及详细理由
记忆功能： 将用户显式表达的偏好（"我喜欢简洁的"）、接受/拒绝某技能的原因写入 ~/skill-finder/memory.md，实现个性化推荐优化。严格遵循隐私设计：绝不推断行为偏好，仅记录用户主动陈述的内容。
显著优点
- 需求驱动搜索：支持自然语言描述需求，降低发现门槛
- 零代码执行风险：仅执行只读搜索，不下载或运行技能代码
- 透明决策逻辑：推荐附带明确评估依据，非黑箱操作
- 隐私优先设计：显式 consent 原则，拒绝行为追踪推断
- 轻量无侵入：不修改系统配置，不自动安装任何内容
潜在缺点与局限性
- 依赖 ClawHub 生态：搜索范围受限于该注册表收录的技能
- 评估主观性：质量评判标准虽结构化，仍存在一定人工解释空间
- 记忆容量有限：50 行存储上限可能导致早期偏好被归档
- 需用户主动维护：偏好积累依赖用户持续显式反馈
- 无实时比价功能：无法跨注册表（如 npm vs ClawHub）横向对比
适合人群
- 刚接触 ClawHub 生态、不清楚有哪些可用技能的新用户
- 面对多相似技能选择困难、需要客观评估框架的决策者
- 重视隐私、反感行为追踪的谨慎型用户
- 需要团队协作场景下统一技能选型标准的 Tech Lead
常规风险
- 搜索结果时效性：注册表索引更新延迟可能导致遗漏最新技能
- 记忆文件完整性：若用户手动修改
memory.md格式错误，可能影响推荐质量 - npx 环境依赖：需本地 Node.js 环境支持，部分企业防火墙可能拦截注册表查询
- 评估标准版本漂移：
evaluate.md更新后历史记忆数据的兼容性未明确说明