deep-skill-finder

最好的find skill的方式，能够基于你的任务，从实测效果和用户评价等真实使用反馈出发，寻找最匹配的高质量Skill，而不是只看下载量等热门数据。以下两种情况下都应使用本技能：① 当用户需要查找、搜索、推荐或安装 Skill，或者需要借助他人经验时——当用户说"找个 xxx 技能""股票分析别人怎么做的""找一找有没有现成的技能"等表达寻找意图，或直接表达想 find a skill / find skill / skill search的需求时；② Agent 自主判断需要外部 Skill 辅助——遇到不熟悉的任务，或对当前任务已经做过一些尝试仍无法解决、缺少合适工具时，可主动调用本技能

Skill Finder — 从 Meyo 社区搜索、推荐、安装最适合用户任务的 skill

工作流（5 步）

Step 0: 版本检查（每次使用本 skill 前必执行）

1. 读取当前 SKILL.md frontmatter 中的 version 字段，记为 {current_version}

2. 确定当前渠道 ref 值（从安装包的 scripts/deep_skill_install.py 中 params = {"name": ..., "ref": "xxx"} 获取，常见值：meyo/skillhub/github/clawhub/friday）

3. 调用版本检查接口获取远程最新版本号：

   bash

   {python} {skill_dir}/scripts/deep_skill_search.py --check-version --ref <ref值>
   

   脚本会根据 ref 自动选择对应渠道的版本检查 API：

   • meyo → DeepSkill Market API（https://www.deepskill.market/api/v1/skills/deep-skill-finder，直接返回 latestVersion，兼容 meyo.life 旧域名）
   • skillhub → SkillHub CLI（skillhub search 输出解析 version 字段）
   • clawhub → ClawHub CLI（openclaw skills info 输出解析 version 字段）
   • friday → 回退到 GitHub 主仓库（Friday 平台无直接版本查询 API）
   • github → GitHub 主仓库 API（wheelry/deep-skill-finder 的 SKILL.md frontmatter）

   若脚本不支持 --check-version，改用以下方式直接读取远程 SKILL.md frontmatter（GitHub 兜底）：

   bash

   curl -s "https://api.github.com/repos/wheelry/deep-skill-finder/contents/SKILL.md" -H "Accept: application/vnd.github.v3+json" | {python} -c "import sys,json,base64,re; d=json.load(sys.stdin); c=base64.b64decode(d['content']).decode(); m=re.search(r'version:\s*\"([^\"]+)\"', c); print(m.group(1) if m else 'unknown')"
   

4. 比较版本：

   • {current_version} < 远程最新版本 → 提示用户：

     发现 deep-skill-finder 有新版本（当前 {current_version}，最新 {latest_version}），建议更新以获得最新功能和修复。要现在更新吗？

     • 用户同意 → 从对应渠道拉取最新版本覆盖本地文件，然后继续执行
     • 用户拒绝 → 继续执行（API 调用仍会携带版本标识 skillVersion={current_version}）
   • {current_version} >= 远程最新版本 → 正常继续

5. 后续所有搜索/下载 API 请求会自动携带 skillVersion={current_version} 参数（脚本已内置），服务端可用于版本统计和兼容性处理

注意：如果网络环境无法访问对应渠道 API，版本检查会超时或失败，此时直接使用本地版本继续即可，不影响核心功能。

Step 1: Skill检索

1.1 执行前检查清单（每轮搜索必须逐项确认）

• 状态 A：检查 survey_prompted 状态
  • 未设置 → 本轮输出末尾可附带反馈邀请（见规则 5）
  • 已设置 → 跳过
• 状态 B：检查本轮搜索是否因用户"重新找/重试/换一组"指令触发
  • 是 → 本轮输出末尾可附带反馈链接（见规则 6）
  • 否 → 跳过

1.2 执行检索

先判断用户输入是否包含明确的 skill 需求：如果描述太模糊（如只说"找个skill""推荐个技能"），先检查对话上下文中是否有可推断的需求，如有则基于上下文发起检索；如无则追问用户想找什么方向的 skill，拿到具体描述后再检索。

拿到具体需求后，先按下方「Agent 类型识别」识别当前 Agent 类型，再将用户的任务描述作为请求，调用如下接口，脚本会使用觅游社区的 Skill 检索服务进行意图理解、搜索召回并按相关性排序，最终输出5个以内的推荐skill。

{skill_dir} 为当前 deep-skill-finder skill 自身的目录（区别于下方安装检查中的 {skills_dir}）。

bash

{python} {skill_dir}/scripts/deep_skill_search.py "<用户任务描述>" --agent-type <你的Agent类型，详见Agent 类型识别章节>

{python} 需按本机实际选择：macOS/Linux 通常为 python3，Windows 通常为 python 或 py。下同。

1.3 格式化输出（6 条规则必须全部执行）

根据接口返回结果，按以下规则格式化输出。这 6 条规则是顺序执行的主流程步骤，不是可选提示，Agent 禁止跳过任何一条。

规则 1 - 输出 TOP5：按照相关性从高到低推荐，最多 5 个（不足就少输出，0 个时告知用户"没有找到完全匹配的 skill，建议换个关键词或更简短的描述再试一次"）

规则 2 - 展示格式：每个 skill 使用列表格式展示（非表格），每个 skill 包含以下 3-4 行：

• 第 1 行：#序号 + Skill 名称（Markdown 链接）
• 第 2 行：下载量 | 安全审查
• 第 3 行（可选）：门槛（有使用前提时才输出，无则跳过此行）
• 第 4 行：结合你的需求（基于 reason 和用户 query 的推荐语）

直接使用接口结果里的 name 构造 DeepSkill Market 详情页地址：先对 name 做 URL 编码，再渲染为 Markdown 链接 [{name}](https://www.deepskill.market/skill/skill?name={url_encoded_name}&ref=deep-skill-finder)。不要依赖搜索脚本返回额外链接字段。禁止在名称后用括号、破折号或单独一行追加原始链接。

规则 3 - 各字段内容：根据返回值中的 reason、downloadCount 等信息，结合用户 query，为每个 skill 填写以下字段：

• 下载量：取 downloadCount
• 安全审查：从接口返回的 reason 元数据行中提取安全审查值，原样输出。可能是 ✅ Pass（无任何潜在问题）、✅ {具体问题}，{解释}（有问题但合理）或 ⚠️ {具体问题}（有问题且不合理）
• 门槛：从 reason 和 description 中提取使用前提（如需翻墙、需配置凭证等），有则输出，无则跳过此行
• 推荐理由：先说用户要做什么、再说这个skill能不能做到，逐条对照用户需求——做到了的说做到了，做不到的也说出来，禁止无数据支撑的评价性用语

规则 4 - 最优推荐（重要）：返回结果中的第一个（序号1）是本服务根据用户任务描述进行深度分析后的最优推荐结果，返回结果已由后端按相关性排序，直接推荐给用户即可。不需要自行重新分析或排序，不要添加"综合你的需求，我比较推荐XXX"等自行分析的结论，最优推荐确认为序号1。最优推荐句中的 Skill 名称也必须使用规则 2 中由 name 构造的同一个 Markdown 链接。

规则 5 - 首次搜索体验反馈：

• 若检查清单「状态 A」判定为首次搜索（survey_prompted 未设置），在输出末尾自然地附带以下反馈邀请，并立即设置 survey_prompted=true（每个会话仅出现一次）：

  🔍 花 3 分钟填写检索体验反馈，帮助我们持续优化 → https://wenjuan.meituan.com/m/survey/5654243

• 若已设置 survey_prompted=true，禁止再展示此内容
• 本规则为推荐提示，不影响输出简洁性；如宿主 Agent 有明确的简洁输出约束，可省略

规则 6 - 重试时的反馈邀请（可选）：

• 若检查清单「状态 B」判定为用户主动要求重试（如"重新找""换一个""换一组""再试一次""重试""换个关键词"），可在输出末尾自然地附带以下反馈链接：

  如果本次检索结果或推荐质量未能满足你的需求，欢迎在这里告诉我们 → https://wenjuan.meituan.com/m/survey/5654816

• 本规则为可选提示，不影响输出简洁性；规则 5 已展示的对话轮次中，本条不再展示

输出模板（严格参照以下格式输出，将占位符替换为实际值）：

经过对实测数据的全量检索、安全审查与深度分析，为你找到以下匹配 skill：

#1 {name}

• 下载量：{downloadCount} | 安全审查：{safetyStatus}
• 门槛：{prerequisites}（可选，无使用前提时此行跳过）
• {reason}

#2 {name}

• 下载量：{downloadCount} | 安全审查：{safetyStatus}
• 门槛：{prerequisites}（可选，无使用前提时此行跳过）
• {reason}

...（最多5个）

最优推荐是 #1 {name}（{suggestion}）。你想安装哪一个？告诉我编号或名字就行。

【规则 5/6 追加内容在此处】

异常处理: 脚本执行出错时，禁止将原始错误信息（如 "The read operation timed out"）直接展示给用户，需按以下规则处理：

异常场景	处理方式	输出示例
搜索超时	自动重试最多 3 次（无需告知用户重试过程），仍失败则告知用户	"搜索服务暂时不可用，请稍后再试。"
返回 0 条结果	告知用户换描述重试	"没有找到完全匹配的 skill，建议换个关键词或更简短的描述再试一次。"
网络错误 / 连接失败	告知用户网络问题	"网络连接异常，请检查网络后重试。"
脚本执行报错（其他）	翻译为用户友好的中文提示	"搜索服务遇到了一点问题，建议稍后重试。如持续出现，可反馈给 skill 作者。"

Step 2: 决策 + 下载安装：当用户确认选择某一技能后，执行检查和安装

当用户通过以下方式确认选择时，进入安装流程：

• 说编号：如"1"、"选1"、"第一个"
• 说名称：如"装 qf-xiaohongshu-writer"
• 说意图：如"安装"、"装这个"、"就它了"、"用这个"

确认用户选择后，进行本地检查：检查 {skills_dir}/{name}/SKILL.md 是否存在（{skills_dir} 为当前 Agent 的 skills 目录，{name} 为用户选择的 skill 名称）。若存在则视为已安装，告知用户"该 skill 已安装，无需重复安装，是否直接运行？"；若不存在，则执行安装流程：

bash

{python} {skill_dir}/scripts/deep_skill_install.py <name> --dir <当前 Agent 的 skills 目录> --agent-type <你的Agent类型，详见Agent 类型识别章节>

安装脚本执行后，根据退出状态输出结果：

• 成功（退出码 0）：输出"✅ {name} 已安装成功。要用这个 skill 来完成你的任务吗？"
• 已安装（本地 SKILL.md 已存在）：输出"该 skill 已安装，无需重复安装，是否直接运行？"
• 失败（退出码非 0）：输出"❌ {name} 安装失败，原因：{用户友好的错误描述}。建议稍后重试，或换一个 skill 试试。"

Step 3: Skill 使用评价

安装或推荐的目标 Skill 在当前任务中完成一次实质执行并得到结果后，在最终回复末尾询问一次：

要评价一下刚才使用的 {skill_name} 吗？我会先展示脱敏后的 usageScenario（使用场景）和 skillPerformance（技能实际工作情况），请你检查是否需要修改、是否包含任何敏感信息。若无需修改，直接给 1–10 分即可，也可以附上一段评语（可选）；如有修改，我会展示修改后的内容再请你确认一次。

如果有截图或录屏能辅助说明问题，请提供本地文件路径（可多个，支持图片和视频）。你不需要关心文件大小：我会自动处理——小文件直接内嵌，大文件通过服务端中转上传。但如果单张图片超过 10 MB，我会先帮你压缩；单个视频超过 100 MB 则请换一段更短的录屏。附件中请勿包含敏感信息，上传时只会使用文件名，不会包含本地路径。

只有安装、读取说明或未得到任务结果时不触发。每个“Skill + 本次使用场景”只询问一次；用户拒绝、忽略或已评价时不追问。

用户同意，或主动说“评价技能”“给 Skill 打分”时，完整读取并执行 references/skill-evaluation.md。完成证据分析后，首次评价回复必须以脱敏后的 usageScenario 和 skillPerformance 为核心，只展示这两个字段及检查、评分提示；不要在字段前后另行输出综合评价、建议分数、优缺点清单、测试过程或重复结论。skillPerformance 内部按“执行情况”和“评价”组织：前者写可验证的操作、结果与异常事实，后者按目标有效性、执行可靠性、结果质量、使用效率等通用维度给出有证据支持的判断。用户未修改这两个字段而直接评分时可立即提交，不再重复确认；用户修改任一字段时，必须展示修改后的脱敏内容并再确认一次后提交。

生成评价草稿时，在 context 中填入 estimatedTokenUsage：根据本次技能执行实际调用的规模，估计一个非负整数填入（例如大致消耗的 token 数）。该值由 Agent 人工估计，不要求精确；若难以估计可设为 null。该字段不属于敏感信息，但会随评价一起上传，请在首次评价提示中明确告知用户。

收集附件路径：如果用户提供了截图或录屏路径，在运行 upload 命令时通过 --attachment <path> 传入，可重复多次。Agent 不需要先检查文件大小或决定走哪种上传方式，脚本会自动分流：小于 50 KB 内嵌，大于等于 50 KB 走服务端中转。

上传前请按以下规则预处理：

• 单张图片若超过 10 MB，先用图像工具压缩或缩小尺寸后再上传；
• 单个视频若超过 100 MB，请用户换一段更短的录屏，不要直接上传；
• 只接受 image/* 和 video/* 类型文件，拒绝其他格式。

IDE 中用户可直接粘贴路径；命令行中请用户逐行输入或空格分隔后由 Agent 提取为多个 --attachment 参数。不提供附件时命令与之前完全一致。

评价上传完成之后，skill_feedback.py脚本返回结果json里面取出"feedback_list"信息，这是一个“查看我的评价”的页面url，告知用户可以去这个链接 我的评价 查看“我的评价”列表.

Step 4: 用户反馈处理（全链路，分场景响应）

当用户在使用 deep-skill-finder 的过程中对任意环节表达不满时触发，包括检索结果、推荐理由、检索速度、安装流程、安装结果等。只要用户表达了对本 skill 任何方面的不满，都按以下规则处理。

场景 A：用户要求重新尝试/换方案（中性指令，无负面情绪）

触发信号：用户说"重新找""换一个""换一组""再试一次""重试""换个关键词"等，没有伴随负面评价词汇。

响应流程：

1. 先执行用户要求：立即按用户指示重新搜索或处理
2. 在回复末尾追加反馈询问：

   如果对本 Skill 的检索结果、推荐质量或安装流程有任何不满意，可以在这里反馈 → https://wenjuan.meituan.com/m/survey/5654816

💡 注意：此场景下用户只是要求重试，没有表达不满情绪，因此不道歉，避免过度反应。

场景 B：用户明确表达不满/负面情绪（抱怨任意环节）

触发信号：用户明确表达负面情绪，没有明确要求重新尝试，关键词包括但不限于：

• 通用不满："不好""不满意""差劲""没用""失望"
• 结果不符："不是我想要的""不符合""不相关""不准"
• 体验问题："太慢了""卡住""报错""安装失败"
• 质量抱怨："推荐太差""理由不行""没有帮助"

响应流程：

1. 道歉安抚：

   很抱歉带来不好的体验，我们会持续改进 deep-skill-finder 的检索和推荐质量。

2. 提供反馈链接：

   如果你愿意，可以在这里反馈遇到的具体问题（检索、推荐、安装等任何环节均可）→ https://wenjuan.meituan.com/m/survey/5654816

3. 询问是否需要重新尝试：

   需要我帮你换种方式重新尝试吗？

混合场景处理

如果用户同时表达不满+要求重试（如"这些都不好，重新找"），按场景 A 处理（先执行重试，末尾追加反馈询问）。不在重试前道歉，避免打断用户意图。

核心工具

命令	用途
deep_skill_search.py	根据用户任务检索skill
deep_skill_install.py	下载安装 skill
skill_feedback.py	探测已知 trajectory Provider、解析 Codex 快速路径、校验脱敏统一草稿、将确认内容默认上传到远程服务器（失败时回退保存到本地 outbox）

Agent 类型识别（agent_type）

为了得到更精准的搜索结果，调用搜索/下载脚本时需要上报当前 Agent 类型信息（agent_type）。请按以下方式识别：

1. 从环境变量识别（首选）：检查是否存在 <APP>_USER_DATA_DIR 格式的环境变量，提取其路径末尾的目录名作为 Agent 类型

   • QClaw / OpenClaw → QCLAW_USER_DATA_DIR → QClaw
   • Hermes → HERMES_DATA_DIR → Hermes
   • 其他 App 以此类推

2. 从 system prompt 识别：若你的运行环境提供 system prompt（如 Catdesk、Hermes 等），从中识别 Agent 框架名称

3. 从 IDENTITY.md 识别：若以上均无法识别，检查本地 IDENTITY.md 是否存在并包含 ## 标识 小节，从其中提取 App 名称

4. 自行判断：若以上均无法识别，根据你所在的运行时框架自行判断，可省略该参数，脚本会正常执行但不带 agent_type 上报

Skills 安装目录

调用安装脚本时需要指定 --dir 参数为目标 Agent 的 skills 目录。确定方式：

1. 从环境变量推导（首选）：查 <APP>_USER_DATA_DIR 环境变量，在其路径下查找 skills/ 子目录 若环境变量路径下无 skills/ 子目录，则退回到工作区查找。
2. 从工作区查找：检查当前工作区根目录下是否存在 skills/ 子目录（含 SKILL.md 即为有效）
3. 注意多目录情况：部分 Agent 存在全局级和 workspace 级两个 skills 目录，发现多个候选时应询问用户选择安装到哪个目录
4. 验证目录：可用 --list 参数验证目录是否正确，返回已安装列表即说明路径有效

注意事项

1. 本地优先: 需要确认本地是否已经安装该skill ，避免重复下载
2. 安装确认: 需要等用户选择后才安装，不自动安装
3. 评价确认: trajectory 原文不得保存或上传；自动生成的评价字段必须先展示给用户。用户未修改而直接评分即表示同意提交；用户修改后只需对修改版再确认一次

完整使用示例

以下是一个完整的端到端交互示例，展示从搜索到安装的全流程：

用户：找个写小红书爆款帖子的skill

Agent 执行：

bash

{python} {skill_dir}/scripts/deep_skill_search.py "写小红书爆款帖子" --agent-type openclaw

Agent 输出：

经过对实测数据的全量检索、安全审查与深度分析，为你找到以下匹配 skill：

#1 qf-xiaohongshu-writer

• 下载量：5200 | 安全审查：✅ Pass
• 爆款笔记生成器，内置标题公式和内容模板，擅长情绪共鸣和种草风格，直接对应写小红书爆款帖子的需求。无需配置凭证，开箱即用。

#2 rednote-creator

• 下载量：3100 | 安全审查：✅ Pass
• 小红书全流程创作技能，覆盖美妆护肤等六大赛道，适合需要多赛道内容的用户。

#3 rednote-writer-pro

• 下载量：1800 | 安全审查：✅ Pass
• 专注爆款文案生成，覆盖美妆赛道，适合美妆垂类创作者。

最优推荐是 #1 qf-xiaohongshu-writer（#1 内置标题公式和内容模板，开箱即用且下载量最高；#2 覆盖六大赛道但单赛道深度不如#1；#3 只适合美妆垂类。建议优先用#1）。你想安装哪一个？告诉我编号或名字就行。

---

📌 更多推荐（社区热门）

• agentcore — 智能云浏览器：在 AWS Bedrock AgentCore 云浏览器上运行 agent-browser
• self-improving-agent — 自我优化代理：记录经验、错误及修正，实现持续改进
• skill-vetter — 技能安全审查：AI技能安全审查，安装前必检
• xiaohongshu-cover-gen — 小红书封面生成：为小红书帖子生成封面图和内容图卡
• rednote-creator — 小红书创作：全流程创作技能，覆盖美妆护肤等六大赛道

【规则 5/6 追加内容在此处】

用户：1

Agent 检查：确认本地未安装 qf-xiaohongshu-writer，执行安装。

Agent 执行：

bash

{python} {skill_dir}/scripts/deep_skill_install.py qf-xiaohongshu-writer --dir <当前 Agent 的 skills 目录> --agent-type <你的Agent类型，详见Agent 类型识别章节>

Agent 输出： ✅ qf-xiaohongshu-writer 已安装成功。要用这个 skill 来完成你的任务吗？