caio 发布的文章

基于 Messari API 的加密市场情报工具，提供 AI 分析与实时指标监测，覆盖海量资产，助力专业投资决策。

基本信息

  • 技能名称?messari-crypto
  • 中文名称?机构级加密市场智能分析平台
  • 作者?jds950
  • 分类?专业技能
  • 版本?v1.0.0
  • 标签?finance-accounting, data-analytics, api, content-media, blockchain

使用方法

使用说明
该技能通过 Messari REST API 提供全方位的加密货币市场情报服务，涵盖 AI 智能分析、市场信号、指标数据、新闻研究等 14 个核心模块。用户可通过自然语言查询获取基于 30TB+ 数据的综合研判，实时访问 34,000+ 数字资产在 210+ 交易所的价格、市值、交易量等基本面数据，监测市场情绪与叙事趋势，跟踪代币解锁时间表和融资动态。
显著优点在于数据覆盖全面且专业，整合 Messari 机构级研究资源，无需自建数据管道即可获取高质量的链上与链下数据。AI 驱动的分析能力能够理解复杂的加密市场问题并提供综合观点，多维度数据整合（价格、情绪、新闻、协议指标）为用户提供立体化的市场视角。
潜在缺点包括功能依赖 Messari 商业 API，AI 功能需额外消耗 Credits 产生使用成本；作为纯文档型技能，实际数据获取依赖网络请求存在延迟；数据来源单一且中心化，由个人开发者维护（T3 来源），长期更新稳定性存疑；无法直接执行交易，仅提供数据参考。
适合加密货币投资者、DeFi 研究员、机构投资者、内容创作者和区块链开发者使用，特别适用于市场分析、标的筛选、协议基本面研究和资产配置监控场景。
使用风险主要包括 API 密钥泄露风险，需妥善保管 MESSARI_API_KEY；AI 功能按 Credits 计费可能产生意外成本；数据准确性依赖第三方服务；高频查询可能受限于 API 速率限制；加密货币数据服务在某些地区存在监管合规风险。

基于 Google Places API 与浏览器自动化技术，为爱尔兰用户提供精准的外卖店发现与实时菜单抓取服务，整合多平台信息无需手动浏览。

基本信息

  • 技能名称?irish-takeaway
  • 中文名称?爱尔兰外卖智能发现与菜单助手
  • 作者?cotyledonlab
  • 分类?效率
  • 版本?v1.0.0
  • 标签?productivity, food, location-based, automation, api, content-media

使用方法

使用说明
核心用法
Irish Takeaway Finder 是一款专为爱尔兰地区设计的外卖发现与菜单浏览工具。其核心工作流程分为三步：首先，通过 goplaces CLI 工具调用 Google Places API，基于用户提供的坐标或城市名称（支持 Drogheda、Dublin、Cork、Galway 等爱尔兰主要城市）搜索附近外卖店，支持按菜系（中餐、披萨等）、评分、营业状态进行筛选；其次，利用浏览器自动化技术访问 Deliveroo 或 Just Eat 平台，自动完成位置输入、餐厅选择等操作；最后，通过页面快照解析菜单结构，提取菜品名称、描述、价格及过敏原信息，以结构化方式呈现给用户。
显著优点
该技能的最大优势在于整合了地理信息搜索与跨平台菜单聚合能力。用户无需在多个外卖应用间反复切换，即可通过自然语言对话完成从"发现餐厅"到"查看菜单"的完整流程。支持坐标精确搜索（可设置 2-3 公里半径）和实时营业状态过滤，确保推荐结果的时效性和可到达性。浏览器自动化模块能够处理 cookie 弹窗、自动补全等交互，降低了用户的手动操作成本。此外，菜单解析功能会保留过敏原信息，对饮食敏感人群具有实用价值。
潜在缺点与局限性
首先，地理局限性明显，技能内置的坐标数据库仅覆盖爱尔兰地区，无法直接用于其他国家或城市。其次，强依赖外部生态：Google Places API 需要用户自行申请并配置 API Key，且受 API 配额和费用限制；Deliveroo/Just Eat 的网页结构一旦变更，浏览器自动化脚本可能失效，维护成本较高。此外，该技能仅支持菜单浏览，不支持直接下单、支付或订单跟踪功能。最后，浏览器自动化过程相对耗时，在网络环境不佳时可能出现超时或元素定位失败。
适合的目标群体
主要面向居住在爱尔兰或计划前往爱尔兰旅行的用户，尤其是经常需要订购外卖但希望快速比较不同餐厅菜单的群体。对于不熟悉当地餐饮环境的新居民、希望探索特定菜系（如寻找高评分披萨店）的美食爱好者，以及需要快速获取餐厅营业信息的忙碌人士尤为适用。同时，该技能也可作为餐饮市场调研的辅助工具，帮助用户了解特定区域的外卖供给情况。
使用风险
性能风险方面，浏览器自动化依赖网络延迟和目标网站响应速度，高峰时段可能出现加载缓慢或元素识别失败。依赖项风险包括：Google Places API 服务中断、API Key 失效或配额耗尽将导致搜索功能完全不可用；Deliveroo/Just Eat 的反爬机制升级可能阻止自动化访问。数据准确性方面，菜单信息依赖第三方平台的实时更新，可能存在价格或菜品滞后。配置门槛方面，用户需要具备基本的命令行操作能力以安装 goplaces 并配置环境变量，对非技术用户不够友好。
productivity food location-based automation api content-media

基于OpenClaw Hook架构，并行调用Kimi与GPT为多智能体提供认知多样性视角，有效消除模型偏见并增强决策质量。

基本信息

  • 技能名称?openclaw-multi-brain
  • 中文名称?多模型并行认知增强协议
  • 作者?Dannydvm
  • 分类?其他
  • 版本?未标注
  • 标签?api, development-engineering, productivity, automation, backend

使用方法

使用说明
Multi-Brain Protocol是一个为OpenClaw AI Agent设计的认知增强协议，通过系统级Hook机制在对话前并行调用多个大语言模型，实现"三脑协同"决策。用户只需在消息开头输入 mb 关键字，系统即自动触发Kimi K2.5和GPT 5.3 Codex进行并行推理，并将多视角分析注入主Agent的上下文，最终由Claude Opus综合形成回应，全程无需人工干预。
该协议的显著优势在于认知多样性增强。通过融合不同架构（Anthropic Claude、Moonshot Kimi、OpenAI Codex）和训练数据的模型视角，有效缓解单一模型的思维定势与训练偏见，特别适用于复杂决策、创意发散和偏见敏感场景。其Fail-open容错设计确保任一LLM故障不会中断主流程，且按需触发模式（keyword/hybrid/auto）让用户完全掌控Token消耗成本，避免持续运行的资源浪费。
然而，该方案存在明显局限性。首先是延迟成本，并行调用引入约5秒额外等待时间，不适合实时性要求极高的场景。其次是经济成本，每次触发消耗三倍Token（主模型+两辅助模型），长期高频使用将显著增加API费用。此外，作为T3级社区项目，缺乏企业级维护背书，代码更新与长期支持存在不确定性。
该技能最适合OpenClaw生态的深度用户、需要多视角辅助的开发者团队，以及从事复杂分析、创意写作、决策评估的知识工作者。对于处理高度敏感数据的企业环境，建议仅配合Ollama本地模型使用以避免数据外泄。
使用风险主要集中在数据隐私与API安全层面。用户消息将被明文发送至Moonshot、OpenAI等第三方API，存在数据泄露与合规风险；API密钥以明文形式存储于本地文件（~/.kimi-api-key），需严格做好文件权限管理；网络依赖性强，离线环境或API服务中断将直接导致功能失效。建议仅在非敏感场景使用，并定期审计~/.engram/perspectives/目录下的日志文件。

基于 Lokuli MCP 平台的拖车服务预订工具，可快速搜索附近救援车辆并完成在线预约，解决车辆故障紧急需求。

基本信息

  • 技能名称?book-towing
  • 中文名称?紧急道路救援一键预订
  • 作者?edwardrodriguez703-design
  • 分类?其他
  • 版本?未标注
  • 标签?api, operations, productivity, automotive, emergency-services, location-based

使用方法

使用说明
该 Skill 通过 MCP（Model Context Protocol）协议与 Lokuli 拖车服务平台对接，提供三项核心功能：基于地理位置的拖车服务搜索（search）、实时可用性查询（check_availability）以及在线预订（create_booking）。用户只需提供邮编、服务日期和个人联系方式，即可完成从查找附近救援车辆到预约具体时间段的全流程操作，所有通信均通过标准 SSE/JSON-RPC 2.0 协议进行。
作为纯文档型 MCP Skill，其最大优势在于零本地代码执行风险，仅包含配置说明和 JSON 请求示例，本质上是一个安全的"桥梁"配置。功能设计高度聚焦，针对车辆故障场景提供标准化的预订流程，避免了复杂冗余的功能堆砌。同时采用业界标准的 MCP 协议，确保了与各类支持 MCP 的 AI 助手和自动化工具的兼容性，部署和使用门槛极低。
然而，该 Skill 也存在明显局限性。首先，数据来源为 T3 级个人开发者（edwardrodriguez703-design），而非 Lokuli 官方维护，长期更新和维护的持续性存在不确定性。其次，服务范围目前主要面向美国市场（ZIP code 格式），地域覆盖有限。最重要的是，该 Skill 完全依赖 Lokuli 第三方服务的可用性，一旦对方服务器宕机或网络不可达，整个功能将立即失效，用户无法完成预订或获取服务状态。
主要面向在美国境内驾驶的车主、车队管理者以及经常需要长途驾驶的用户群体。特别适合在车辆突发故障、事故抛锚等紧急情况下，需要快速定位并预订可靠拖车服务的场景。对于不熟悉当地拖车公司联系方式的外地驾驶者，或在夜间、恶劣天气等紧急情况下需要自动化协助的用户，该 Skill 提供了便捷的数字化解决方案。
使用风险需重点关注个人隐私数据外泄问题：create_booking 功能必须将用户的真实姓名、邮箱和电话号码发送至 lokuli.com 及其关联的拖车服务提供商，存在数据被第三方存储、分析甚至转售的风险。其次是网络依赖性风险，需要确保稳定连接至 lokuli.com，在偏远地区信号薄弱或网络受限环境下可能无法正常使用。此外，作为非官方维护的 Skill，存在 Lokuli API 变更导致功能失效的兼容性风险，且缺乏官方技术支持渠道，出现问题时难以获得及时修复。

基于飞书生态的智能消息路由工具，自动分析内容选择 Card/Post/Text 最佳格式，支持多角色模式，提升企业沟通效率。

基本信息

  • 技能名称?feishu-smart-reply
  • 中文名称?飞书消息智能格式路由专家
  • 作者?Unknown
  • 分类?专业技能
  • 版本?latest
  • 标签?office, automation, productivity, customer-support

使用方法

使用说明
Feishu Smart Reply 是一款专为飞书（Lark）生态设计的智能消息路由工具，旨在根据内容特征自动选择最佳的消息展示格式。该工具通过分析消息内容（如是否包含代码块、飞书原生表情符号或长文本），智能决策使用 Card、Post 或 Text 格式进行投递，同时支持多种预设角色模式（如 Catgirl、Mad Dog 等），为企业沟通场景提供自动化的消息格式化解决方案。
核心用法 方面，用户通过 Node.js 命令行接口调用 send.js 脚本，需提供目标用户/群组 ID（ --target ）和消息内容（ --text 或 --text-file ）。工具内置智能判断逻辑：当检测到代码块时自动使用 Card 格式以获得更好的渲染效果；检测到飞书原生 emoji（如 [微笑] ）时切换为 Post 格式以支持动画贴纸；长文本（>500字符）默认使用 Post 格式优化阅读体验。此外，通过 --persona 参数可激活特定角色模式，自动调用对应的个性化卡片模板。
显著优点 包括：第一，自动化格式决策消除了手动选择格式的繁琐，确保消息以最佳形式呈现；第二，角色模式支持（green-tea、mad-dog 等）为不同业务场景提供差异化的消息风格；第三，采用临时文件机制传递内容，避免直接的 shell 参数传递问题（尽管当前实现仍存在缺陷）；第四，与飞书生态深度集成，适合企业内部自动化工作流。
潜在缺点与局限性 方面，该工具存在明显的安全隐患（详见安全性报告）。主要技术债务包括：使用 execSync 直接拼接 shell 命令导致的命令注入风险；对 feishu-card 和 feishu-post 的隐式依赖缺乏版本管理；错误处理机制虽存在但无法完全保证临时文件清理。此外，作为个人开发者维护的社区项目（T3来源），长期维护和支持存在不确定性。
适合的目标群体 主要包括：使用飞书作为协作平台的企业技术团队、需要将自动化脚本与飞书集成的 DevOps 工程师、以及希望通过程序化方式发送格式化消息的客服和运营人员。特别适合需要根据内容类型动态调整消息格式的场景，如自动发送代码片段、状态通知或营销消息。
使用风险 需特别关注：当前版本存在 高危命令注入漏洞 ， target 、 persona 、 title 等参数未对 shell 元字符（如 ; 、 & 、 | 、 $() 等）进行过滤，攻击者可构造恶意输入执行任意系统命令。因此 严禁在生产环境或面向不可信用户的场景中使用 。建议仅在受控的内部自动化流程中使用，并确保所有输入参数来自可信来源。修复前应避免将用户直接输入作为参数传递。

  1. 1
  2. ...
  3. 1416
  4. 1417
  5. 1418
  6. 1419
  7. 1420
  8. 1421
  9. 1422
  10. 1423