caio 发布的文章

基于Lokuli MCP的场地预订服务，提供搜索、查档、预订全流程支持，帮助用户快速锁定并预约理想活动空间。

基本信息

  • 技能名称?book-venue
  • 中文名称?快速发现并预订理想活动场地
  • 作者?edwardrodriguez703-design
  • 分类?其他
  • 版本?未标注
  • 标签?operations, real-estate, productivity, api

使用方法

使用说明
核心用法
book-venue 是一个基于 MCP（Model Context Protocol）协议的场地预订服务 Skill，通过连接 Lokuli 平台的 MCP 服务器实现场地资源的查询与预订。该 Skill 提供三个核心工具：search 用于根据关键词和地理位置搜索可用场地；check_availability 用于查询特定场地在指定日期的时段可用性；create_booking 则完成最终的预订操作，需提供商户ID、服务ID、时间段及客户联系信息。
用户可通过自然语言触发该 Skill，例如"帮我预订附近的会议室"或"查找洛杉矶90640区域的场地"。系统会引导用户完成从搜索、筛选到预订的全流程，所有数据交互均通过 SSE（Server-Sent Events）传输的 JSON-RPC 2.0 协议与 lokuli.com 服务进行通信。
显著优点
首先，该 Skill 采用纯文档型架构，仅包含配置说明而无任何可执行代码，从根本上杜绝了代码注入、恶意脚本执行等安全风险。其次，基于标准化的 MCP 协议设计，具备良好的兼容性和扩展性，可与支持 MCP 的各类 AI 助手无缝集成。功能设计完整闭环，覆盖场地搜索、可用性确认、预订创建三大核心环节，满足用户一站式需求。此外，JSON 格式的配置示例清晰直观，便于开发者理解和调试。
潜在缺点与局限性
该 Skill 的功能实现完全依赖第三方服务 Lokuli 的可用性与数据准确性，若 Lokuli 服务出现故障或数据更新延迟，将直接影响用户体验。作为 T3 来源的个人开发者项目，缺乏企业级维护保障和长期支持承诺。隐私方面，create_booking 工具要求提交客户姓名、邮箱、电话等敏感个人信息，且 Skill 本身未提供数据加密或隐私政策说明，存在信息泄露隐患。此外，目前仅支持 Lokuli 平台的场地资源，选择范围受限于该平台的商户覆盖度。
适合的目标群体
该 Skill 最适合需要频繁预订场地的活动组织者、行政助理、会议策划人员以及有临时场地需求的个人用户。对于中小企业而言，可作为快速安排会议场地、活动空间的效率工具。同时，集成该 Skill 的 AI 应用开发者也可为用户提供增值的本地生活服务功能。但对于有极高数据隐私要求的企业级用户，或对场地品质有严格筛选标准的高端商务需求，建议谨慎使用或配合人工复核。
使用风险
使用该 Skill 存在以下常规风险：一是第三方依赖风险，Lokuli 服务的稳定性、API 变更或商业策略调整可能导致 Skill 功能失效；二是数据传输风险，尽管 MCP 协议本身规范，但用户个人信息（特别是联系方式）在传输至第三方服务器过程中存在被截获或滥用的可能；三是预订确认风险，Skill 仅完成预订请求提交，实际确认结果依赖 Lokuli 平台的反馈，可能存在超订或信息不同步的情况；四是网络延迟风险，SSE 长连接在某些网络环境下可能出现超时或中断，影响实时查询体验。建议用户在重要预订场景下保留人工确认环节。

基于官方飞书API的本地搜索工具，支持消息与文档检索，需配置环境变量授权，适合企业办公自动化场景。

基本信息

  • 技能名称?feishu-search
  • 中文名称?飞书资源统一智能检索
  • 作者?Unknown
  • 分类?专业技能
  • 版本?latest
  • 标签?office, productivity, docs, api, automation, backend

使用方法

使用说明
Feishu Search Skill 是一款专为飞书（Lark）平台设计的命令行搜索工具，旨在为开发者和企业用户提供统一的资源检索入口。该技能通过调用飞书官方开放 API，实现了对聊天记录、云文档、表格等资源的高效检索功能，代码安全规范，适合集成至自动化工作流。
核心用法 方面，该技能以 Node.js CLI 形式提供，用户可通过简单的命令行参数执行搜索操作。主要支持两大功能模块：一是消息搜索（search_messages），可跨私聊和群聊检索历史聊天记录；二是文档搜索（search_docs），支持定位文档、表格及多维表格。使用时需预先安装 feishu-common 依赖模块，并配置 FEISHU_APP_ID、FEISHU_APP_SECRET 等环境变量完成身份认证，通过标准输入输出与系统交互。
显著优点 体现在多个维度。代码层面遵循安全规范，无 eval、exec 等危险函数，依赖版本通过 package-lock.json 严格锁定，杜绝了供应链攻击风险。网络行为完全透明，所有请求均指向官方 Feishu API（open.feishu.cn），不存在数据泄露至第三方服务器的风险，且搜索结果仅本地输出，无静默收集行为。权限设计合理，采用显式环境变量配置模式，敏感操作需用户主动授权，符合最小权限原则，同时具备良好的错误处理机制，不暴露敏感堆栈信息。
潜在缺点与局限性 亦需关注。首要问题是来源可信度为 T3 级（个人开发者账号），虽代码质量达到 A 级标准，但缺乏官方组织背书，长期维护能力存在不确定性。功能上存在外部强依赖，必须配合 feishu-common 模块才能运行，增加了依赖链的复杂度与潜在攻击面。当前版本仅实现搜索功能，日历搜索尚处于计划阶段，功能覆盖面有待扩展。此外，CLI 交互模式对非技术用户存在一定使用门槛，且需用户自行管理 API 凭证的安全存储。
该技能特别适合以下群体：企业 IT 管理员、需要集成飞书搜索能力的开发者、以及构建办公自动化流程的技术团队。对于已在内部部署飞书应用的企业，可作为资源检索的底层工具集成至 CI/CD 流程、内部管理系统或运维脚本中，实现文档和消息的自动化查找。
使用风险 主要集中于三方面：一是依赖链风险，feishu-common 模块的安全性直接影响本技能，需确保该模块同样经过安全审查；二是凭证管理风险，FEISHU_APP_SECRET 等敏感信息若硬编码或配置不当可能导致企业数据泄露，必须妥善存储于环境变量或专业密钥管理系统；三是 T3 来源的潜在维护风险，个人开发者项目的持续更新、漏洞修复响应能力存在不确定性。建议在高安全性场景下，定期审查代码变更，并优先考虑迁移至组织级可信来源或官方 SDK。

基于 Kelly 准则的 MoltMarkets 智能交易助手，支持市场筛选、概率估算与头寸管理，帮助用户在预测市场中寻找边缘优势并控制下注风险。

基本信息

  • 技能名称?moltmarkets-trader
  • 中文名称?智能预测市场交易与风险管理
  • 作者?spiceoogway
  • 分类?专业技能
  • 版本?v1.0.1
  • 标签?finance-accounting, data-analytics, automation, api, productivity, trading

使用方法

使用说明
MoltMarkets Trader 是一款专为预测市场设计的专业级交易工具，通过系统化的六步工作流帮助用户在 MoltMarkets 平台上实现边缘交易。该工具集成了市场筛选、独立概率估算、边缘检测、Kelly 准则头寸管理和自动化执行等完整功能，特别适用于短期事件预测和加密货币、政治、体育等高频交易场景。
核心用法围绕"筛选→研究→估算→检测→执行→追踪"的闭环展开。用户首先通过 screen-markets.sh 识别高概率错配或低成交量市场，或借助 scan-ideas.sh 从 Polymarket、Kalshi、Manifold 等头部平台获取市场创意。随后基于基础概率和内外部视角形成独立估算，当发现超过 15% 的边缘差异时，采用 1/4 Kelly 准则计算仓位（上限 20% 资金），通过 place-bet.sh 执行交易，并最终使用 check-resolution-needed.sh 进行自动化结算。工具采用 CPMM（恒定乘积做市商）机制，确保价格发现的数学严谨性。
显著优点包括机构级的风险管理框架——内置 1/4 Kelly 准则和 20% 仓位硬限制，有效防止过度交易；跨平台市场研究能力可快速捕捉 1-24 小时短期事件的交易机会；代码质量极高，所有脚本均使用 set -euo pipefail 防御性编程，具备完善的输入验证和超时机制，无 eval/exec 等危险函数。此外，工具提供详尽的预测技术文档（Tetlock 超级预测方法）和数学参考，适合作为教育研究用途。
潜在局限性主要来源于来源等级为 T3（个人开发者），虽代码通过 A 级安全认证，但长期维护存在不确定性。功能上依赖 MoltMarkets API 及第三方数据源的稳定性，且主要优化针对 1 小时短期市场，长期预测支持有限。工具要求用户具备一定的概率论和量化交易基础，新手可能难以正确应用 Kelly 准则或识别有效边缘。
该工具最适合具备统计背景的预测市场交易者、开发自动化交易 Agent 的工程师，以及研究市场微观结构和预测准确性的学术人员。也适合希望系统化改进交易纪律、减少情绪干扰的手工交易者。
使用风险主要包括：API 服务中断可能导致交易失败或结算延迟；虽建议 1/4 Kelly，但极端行情下仍可能面临 20% 仓位的大幅回撤； scan-ideas.sh 会向第三方平台发送请求，虽仅获取公开数据但存在网络追踪风险；最重要的是，工具明确警告 LLM 常犯时间计算错误，必须使用脚本检查市场到期时间，手动计算可能导致错误结算。

源自 marp-team 开源社区的官方 CLI 文档，让开发者用 Markdown 语法极速生成 PDF、PPTX 等格式的专业演示文稿，提升技术分享效率。

基本信息

  • 技能名称?marp-cli
  • 中文名称?Markdown 秒变专业演示文稿
  • 作者?killgfat
  • 分类?办公
  • 版本?v0.0.1
  • 标签?content-media, docs, productivity, office, automation, design, education-research

使用方法

使用说明
Marp CLI 是 marp-team 开源社区推出的专业级 Markdown 演示文稿转换工具，专为技术从业者设计。该技能文档详细指导用户如何通过命令行将纯 Markdown 文本一键转换为 HTML、PDF、PowerPoint (PPTX) 及高清图片等多种演示格式，彻底打破传统幻灯片制作的技术壁垒。
核心用法围绕格式转换展开。基础命令 marp slide-deck.md 可直接生成 HTML 预览；追加 --pdf 或 --pptx 参数即可导出通用商务格式；通过 --images png 能将各页转为独立图片，方便社交媒体分享。Watch 模式 ( -w ) 支持文件变更自动重编译，配合 Preview 模式 ( -p ) 实现"保存即刷新"的实时预览体验。Server 模式 ( -s ) 则允许将整个目录作为幻灯片服务器运行，通过 URL 参数动态切换输出格式，非常适合团队协作场景。对于批量处理，工具支持 glob 模式匹配与并行转换 ( -P )，可一次性处理数十个 Markdown 文件。
显著优点体现在开发友好性上。首先，它延续了 Markdown 的简洁语法，让开发者无需学习复杂的 GUI 操作，用熟悉的文本编辑器就能制作幻灯片。其次，输出质量专业，生成的 PDF 保留矢量图形与超链接，PPTX 格式可直接在 Office 中二次编辑（实验性功能）。再者，开源生态完善，基于 MIT 协议，社区提供了丰富的主题与插件支持。实时预览与自动刷新机制大幅提升了迭代效率，特别适合需要频繁调整的技术演讲准备。
潜在局限性不容忽视。PDF 与 PPTX 转换依赖本地安装的 Chrome、Edge 或 Firefox 浏览器，无头浏览器环境需额外配置。PPTX 的可编辑模式仍处于实验阶段，复杂排版可能出现兼容性问题。此外，工具基于 Node.js 运行，Windows 环境配置可能相对复杂。对于非技术用户，命令行操作存在一定学习门槛。
该技能主要适合软件开发者、技术布道师、学术研究者及 DevOps 工程师。任何需要用代码方式管理幻灯片版本、追求"文档即演示"理念的技术从业者都会受益。教育领域的讲师也可利用它快速将教案转为课件。
使用风险方面，需注意 --allow-local-files 参数会放开本地文件系统访问权限，处理不受信任的 Markdown 文件时可能带来安全风险，建议仅在隔离环境使用。浏览器自动化转换可能消耗较多内存资源，批量转换大量文件时建议控制并行度 ( --no-parallel )。此外，确保从 npm 官方源或 GitHub Release 安装 marp CLI，避免使用来路不明的二进制包。

采用认知科学间隔重复理论的个人词汇管理系统，通过3步学习法和本地化数据存储，帮助用户从阅读中系统性掌握外语词汇并长期记忆。

基本信息

  • 技能名称?vocabulary-builder
  • 中文名称?基于间隔重复的智能词汇构建器
  • 作者?winlinvip
  • 分类?其他
  • 版本?未标注
  • 标签?education-research, productivity, docs, content-media

使用方法

使用说明
Vocabulary Builder 是一款专注于外语词汇系统性构建的个人学习工具，采用认知科学中的间隔重复（Spaced Repetition）理论，帮助用户从阅读、播客和日常接触中高效积累词汇。
核心用法
该 Skill 围绕"阅读-记录-复习"的闭环设计。当用户阅读书籍时，可实时记录生词并标注来源和页码；通过独特的"3步学习法"（确认发音→理解含义→造句应用）完成初次学习；随后系统自动按照"次日→3天→1周→2周→1月→3月"的间隔重复计划推送复习测验。支持英语和法语学习，法语单词可关联本地音频文件辅助发音练习。
显著优点
首先，纯本地存储设计（memory/vocabulary.md）确保学习数据完全私有化，无云端泄露风险。其次，结构化的词汇卡片模板包含音标、同义词、语境例句等多维信息，符合深度记忆原理。智能测验系统具备防打扰机制（夜间静音、避免连续推送），支持按需定制测验范围（特定书籍、时间段或页码）。进度追踪体系清晰，词汇在"活跃-长期复习-已掌握"三阶段间自动流转。
潜在缺点
作为纯文档型 Skill，缺乏云端同步能力，无法实现多设备学习进度共享。数据持久化完全依赖本地文件系统，若工作目录权限设置不当或文件误删，可能导致学习记录丢失。此外，该 Skill 由个人开发者维护（T3来源），长期更新和维护稳定性存疑。对法语学习者的音频文件支持需要用户手动管理文件路径，增加了使用门槛。
适合人群
适合具备一定自律性的深度阅读者、外语备考人员（如 GRE、雅思）以及需要系统性管理专业词汇的学术研究者。特别适合重视数据隐私、偏好离线学习或处于网络环境受限地区的用户。对于需要游戏化激励或社交化学习体验的用户可能略显单调。
使用风险
主要风险在于数据管理：Skill 会读写本地 markdown 文件，若工作目录权限配置错误可能导致读写失败或数据损坏。建议用户定期手动备份 vocabulary.md 文件。此外，虽然 Skill 本身无网络通信，但用户需确保放置音频文件的 docs/tts-fr/ 目录安全性。由于是提示词模板驱动的交互，其功能边界受限于 Claude 的核心能力，无法替代专业的语言学习应用。

  1. 1
  2. ...
  3. 1411
  4. 1412
  5. 1413
  6. 1414
  7. 1415
  8. 1416
  9. 1417
  10. ...
  11. 1423