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