Skill Finder (Find ClawHub skills + Search Skills.sh)

核心用法

Skill Finder 是一款以"需求驱动"为核心的技能发现工具，区别于传统关键词搜索，它引导用户按"搜索→评估→推荐"流程找到真正匹配的技能。

搜索阶段：理解用户的真实需求而非表面关键词，例如将"帮我处理 PDF"转化为对 PDF 解析、合并、或转换的具体场景判断。

评估阶段：基于内置质量信号快速筛选：结构是否清晰（SKILL.md 是否简短且采用渐进式披露）、触发条件是否明确、维护状态是否活跃、与需求的匹配度如何。

推荐阶段：提供带推理的推荐，而非简单列表。若存在多个候选，会进行横向比较。

显著优点

• 意图理解优先：不依赖关键词匹配，降低用户描述成本
• 质量前置过滤：内置评估框架避免推荐低质技能
• 渐进学习机制：通过 ~/skill-finder/memory.md 记录用户显式反馈，偏好数据持久化
• 生态协同设计：与 skill-manager（主动推荐）、skill-builder（创建新技能）形成闭环

潜在局限

• 依赖显式反馈：偏好学习仅记录用户明确表达的满意度或拒绝理由，沉默行为不被解读，学习密度受限
• 无自动化评估：质量信号依赖人工判断，未接入自动化测试或社区评分系统
• 冷启动问题：新技能缺乏历史反馈时，评估主要依赖 SKILL.md 自描述质量
• 存储边界：记忆文件硬性限制 50 行，长期用户可能面临历史截断

适合人群

• 刚接触技能生态、不知如何精准描述需求的用户
• 对技能质量有要求、不愿盲目试错的谨慎型用户
• 希望建立个性化推荐流的长期使用者

常规风险

• 隐私边界：虽仅存储显式反馈，但用户可能未意识到"满意/不满意"的口头表达会被记录
• 偏好固化：长期记录可能导致过滤气泡，较少触达与用户历史偏好差异较大的创新技能
• 文件完整性：外部存储路径若被误删或损坏，个性化推荐将回退至默认状态

核心用法

Skill Finder 是一款纯文档型的技能搜索与推荐工具，旨在帮助用户按需求而非名称发现合适的 Skill。其核心流程遵循「搜索 → 评估 → 推荐」三阶段：

1. 智能搜索：解析用户自然语言需求（如"有没有做 X 的技能""帮我找能做 Y 的"），而非简单关键词匹配
2. 质量评估：依据 evaluate.md 标准快速审视候选 Skill 的结构清晰度、维护状态、触发条件明确性等维度
3. 对比推荐：若存在多个候选，进行横向比较并给出选择理由

显著优点

• 需求驱动：突破"知道名字才能找"的局限，支持模糊需求表达
• 质量把关：内置结构化评估框架，降低试错成本
• 记忆学习：通过 ~/skill-finder/memory.md 记录用户显式反馈（偏好声明、满意技能、放弃原因），实现个性化推荐迭代
• 生态协同：与 skill-manager（管理已安装）、skill-builder（创建新技能）形成完整工具链

潜在局限

• 纯文档型：自身无执行能力，依赖外部搜索命令（如 npx clawhub search）获取技能库
• 推荐依赖主观评估：虽提供评估框架，但最终推荐质量仍受限于可用技能池的整体质量
• 记忆机制保守：仅记录显式用户反馈，可能错过隐含偏好信号，学习速度较慢
• 版本较新：v1.0.1 为初始版本，功能迭代空间较大

适合人群

• 刚接触 Skill 生态、不确定有哪些工具可用的新用户
• 面对特定任务场景、希望快速筛选最优方案的效率型用户
• 需要管理大量技能、追求个性化推荐体验的重度使用者

常规风险

• 搜索结果可信度：Skill Finder 本身安全，但搜索返回的第三方 Skill 需用户自行验证，建议结合 CLS 安全认证结果判断
• 推荐相关性：评估基于静态文档分析，无法保证运行时行为与文档描述完全一致

安全评估

经 CLS-Certify v2.1.0 六维深度扫描（静态分析、动态行为、依赖审计、网络流量、隐私合规、威胁情报），评分 100/100，获 S+ 顶级认证。无可执行代码、无外部依赖、无网络请求、无敏感数据收集，隐私合规性完全符合 GDPR/CCPA 要求。