通过 memo CLI 管理 Apple Notes 的纯文档型 Skill，支持笔记增删改查与导出，macOS 专属。

基本信息

• 技能名称?Apple Notes
• 中文名称?终端掌控 Apple 备忘录
• 作者?steipete
• 分类?专业技能
• 版本?1.0.0
• 标签?macos, notes, cli, productivity, memo, apple-notes, markdown-export

使用方法

使用说明
核心用法
本 Skill 提供 Apple Notes 的终端管理方案，通过调用外部 memo CLI 工具实现全流程操作：
查看笔记 ： memo notes 列出全部笔记，支持按文件夹筛选（ -f ）与模糊搜索（ -s ）
创建笔记 ： memo notes -a 交互式编辑，或快速添加标题
编辑与删除 ： -e 、 -d 参数进入交互选择模式
整理迁移 ： -m 实现笔记跨文件夹移动
导出备份 ： -ex 支持 HTML/Markdown 格式导出
显著优点

1. 零代码风险 ：纯 Markdown 文档型 Skill，无可执行代码，无敏感函数调用
2. 原生集成 ：直接操作 Apple Notes.app 数据库，非第三方同步方案
3. 工作流友好 ：终端交互适合开发者与键盘重度用户，支持模糊搜索提升效率
4. 格式灵活 ：导出功能便于笔记迁移与版本控制
   潜在局限
   功能边界 ：无法编辑含图片或附件的笔记，纯文本场景受限
   平台锁定 ：仅支持 macOS，无跨平台能力
   权限依赖 ：需授予 Notes.app Automation 权限，交互式提示可能中断自动化脚本
   外部工具耦合 ：实际功能完全依赖 memo CLI，Skill 本身仅为使用指南
   适合人群
   macOS 重度用户，偏好终端效率工具
   需批量管理/导出 Apple Notes 的开发者
   追求原生数据存储、拒绝第三方云同步的隐私敏感用户
   常规风险
   供应链风险 ： memo CLI 为个人开发者维护（T3），建议审查源码后再安装
   权限管理 ：Automation 授权后建议定期审计 System Settings 中的权限列表
   内容安全 ：Skill 本身不处理笔记内容，但通过工具创建的笔记仍需遵循常规数据安全实践
   macos notes cli productivity memo apple-notes markdown-export

开源 Telegram CLI 工具，支持消息收发、搜索、群组管理，需自建 API 凭证，适合开发者自动化场景。

基本信息

• 技能名称?Telegram CLI
• 中文名称?开发者专属的 Telegram 终端
• 作者?arein
• 分类?专业技能
• 版本?0.1.0
• 标签?cli, telegram, messaging, automation, mtproto, nodejs

使用方法

使用说明
核心用法
tg 是一个基于 Node.js 的命令行 Telegram 客户端，封装了 MTProto 协议，提供完整的消息读写与群组管理能力。核心工作流围绕「阅读-搜索-发送」三环节展开：
消息处理 ： tg inbox 快速查看未读摘要， tg read 支持按时间范围（ --since ）或数量（ -n ）拉取历史，所有输出可转 JSON 供管道处理。
搜索能力 ： tg search 支持单聊检索与全局检索，关键词匹配消息内容，适合在海量对话中定位信息。
主动通信 ： tg send 与 tg reply 覆盖私信与群组场景，支持通过用户名（ @username ）或群组名定位目标。
群组管理 ： tg members / tg admins 提供成员与权限视图， --admin 筛选可管理群组，便于运营者批量盘点。
显著优点
纯 CLI 体验 ：无 GUI 依赖，适合服务器部署与自动化脚本
结构化输出 ：全命令支持 --json ，易于与 jq/Python 整合
灵活时间过滤 ： --since 支持自然语言（1h/30m/7d），降低心智负担
模糊匹配 ：聊天名称支持部分匹配，减少精确记忆成本
潜在局限
用户
自建凭证门槛 ：需前往 my.telegram.org 申请 api_id/api_hash，流程繁琐且需手机号验证
会话管理风险 ：首次 tg auth 生成本地 session，多设备同步与密钥保管责任在
功能边界 ：不支持语音/视频通话、文件传输、贴纸等富媒体交互
生态维护 ：npm 包 @cyberdrk/tg 下载量与社区活跃度待观察，长期维护存疑
适合人群
需批量处理 Telegram 消息的开发者/数据分析师
运营多群组的管理员，需快速导出成员或统计活跃
偏好终端工作流、追求自动化效率的技术用户
常规风险
| 风险点 | 说明 | |--------|------| | API 密钥泄露 | api_id/hash 若硬编码或误提交，可被滥用导致账号封禁 | | 本地会话文件 | 存储于用户目录的 session 文件需权限管控，避免横向移动 | | 频率限制 | Telegram 服务端对 API 调用有速率限制，批量操作可能触发冷却 | | 账号安全 | CLI 登录等价于独立客户端，若设备失窃需 revoke 会话 |

基于 RAG 语义相似度排名的本地网页搜索技能，无需外部 API 即可通过 DuckDuckGo、Google 等多引擎获取智能搜索结果

基本信息

• 技能名称?Local Rag Search
• 中文名称?零 API 成本的智能语义搜索
• 作者?nkapila6
• 分类?专业技能
• 版本?0.1.0
• 标签?rag, web-search, duckduckgo, google-search, semantic-search, mcp-server, privacy, local-ai, research, knowledge-retrieval

使用方法

使用说明
核心用法
Local RAG Search 是一套无需外部 API 即可实现智能网页搜索的 MCP 技能，通过本地 RAG（检索增强生成）语义相似度排名机制，从 DuckDuckGo、Google、Bing、Brave、Wikipedia 等多个搜索引擎获取并智能排序结果。
该技能提供 5 个核心工具： rag_search_ddgs （隐私优先的 DuckDuckGo 搜索）、 rag_search_google （技术/深度搜索）、 deep_research （多引擎综合研究）、以及两个单引擎快捷版本。支持自然语言查询、参数调优（ num_results / top_k ）、多后端组合，适用于快速问答、技术调研、多视角研究等场景。
显著优点

1. 零 API 成本 ：完全本地化运行，无需申请或付费任何搜索引擎 API
2. 隐私可控 ：DuckDuckGo/Brave 等引擎不追踪用户，Google 提供最全覆盖
3. 语义智能排序 ：基于 RAG 的相似度评分，优先返回与查询语义最相关的结果
4. 多引擎聚合 ： deep_research 支持最多 9 种后端组合，避免单一引擎偏见
5. 灵活参数 ：可精细控制召回量（ num_results ）和最终输出量（ top_k ）
   潜在局限
   首次搜索需加载模型，存在冷启动延迟
   多后端并发会显著降低响应速度
   依赖搜索引擎本身的质量，无法访问付费墙内容
   本地 RAG 评分可能与商业语义模型存在差异
   适合人群
   需要高频网页检索但不愿承担 API 费用的开发者
   对搜索隐私敏感的研究人员和个人用户
   需要多源信息交叉验证的内容创作者
   构建本地知识工作流的技术团队
   常规风险
   搜索结果时效性取决于引擎索引，可能非实时
   需自行验证关键事实，避免单一信源依赖
   Google 后端存在搜索行为追踪风险
   模型缓存可能占用本地计算资源

自主 AI 研究代理的 SQLite 状态跟踪 CLI 工具，支持指令队列、心跳监控与代理交接协调，适合长周期多步骤研究任务管理

基本信息

• 技能名称?Research Tracker
• 中文名称?AI 研究代理的自主状态指挥中心
• 作者?julian1645
• 分类?专业技能
• 版本?0.1.0
• 标签?agent-orchestration, cli-tool, sqlite, state-management, research-automation, multi-agent, observability, workflow-engine

使用方法

使用说明
核心用法
research-tracker 是一款专为自主 AI 研究代理设计的 CLI 状态管理工具，基于 SQLite 构建 append-only 事件日志系统。核心工作流分为三个层次：
项目管理层 ：通过 research init 创建研究项目并设定目标， list / show / status 实时查看项目状态， archive 归档已完成项目。
代理执行层 ：子代理通过环境变量 RESEARCH_SESSION_ID 标识身份，使用 log 记录事件（STEP_BEGIN/CHECKPOINT/BLOCKED 等）， heartbeat 保活， pending / ack 处理主会话下发的指令， check-stop 轮询优雅停止信号。
监控协调层 ：主会话通过 instruct 发送优先级指令（URGENT/STOP）， list --json 的 needs_attention 字段自动标记需人工介入的场景（阻塞、心跳超时、审计漂移等）。
显著优点

1. 轻量可靠 ：单二进制文件 + SQLite（WAL 模式），无外部依赖，适合本地和 CI 环境
2. 代理原生设计 ：指令队列、停止信号、事件日志均为 AI 代理执行模型优化
3. 审计完整 ：append-only 事件流支持事后复盘，内置 audit 命令标记漂移
4. 多代理协调 ：通过项目 ID 和环境变量实现跨会话、跨进程的代理交接
   潜在局限
   单机架构 ：SQLite 限制多机分布式部署，高并发场景需自行封装
   无内置重试 ：BLOCKED 状态需外部逻辑处理恢复
   CLI 优先 ：暂无 REST/gRPC 接口，与 Web 服务集成需包装层
   适合人群
   需要编排多个长周期研究子代理的 AI 系统开发者
   构建自主 agent 工作流（如 OpenAI Assistants、Claude 工具使用）的工程师
   追求可观测性的个人研究者（替代 ad-hoc 的 JSON 文件或 Redis）
   常规风险
   数据丢失 ：默认路径 ~/.config/research-tracker/ 需纳入备份策略
   僵尸代理 ：心跳超时 5 分钟判定，但依赖代理正确实现 check-stop 轮询
   指令竞态 ：URGENT 指令无强制抢占机制，代理需高频轮询 pending
   agent-orchestration cli-tool sqlite state-management research-automation multi-agent observability workflow-engine

Fitbit 数据集成工具，可获取步数、心率、睡眠等健康数据并生成自动化报告，需配置 OAuth 2.0 API 凭证。

基本信息

• 技能名称?Fitbit Analytics
• 中文名称?Fitbit 健康数据自动化分析与报告
• 作者?kesslerio
• 分类?专业技能
• 版本?1.0.0
• 标签?fitbit, health-tracking, wearables, fitness-api, data-analysis, oauth2, automation, sleep-tracking, heart-rate, activity-monitoring

使用方法

使用说明
Fitbit Analytics 综合评估
核心用法
Fitbit Analytics 是一个用于集成 Fitbit 健康与健身数据的自动化工具，通过 Fitbit Web API 获取用户的步数、心率、睡眠、活动、卡路里消耗等指标，并支持生成每日/每周健康简报和趋势分析。该工具提供 CLI 和 Python API 两种使用方式，核心工作流包括：每日晨间简报生成、历史数据批量获取、多维度健康指标分析以及基于阈值的自动告警。
显著优点

1. 数据维度全面 ：覆盖步数、卡路里、距离、楼层、心率（含静息心率、平均心率、心率区间）、睡眠（时长、效率、清醒次数、睡眠阶段）、血氧饱和度、体重、Active Zone Minutes 等 Fitbit 核心健康指标
2. 输出格式灵活 ：支持纯文本简报、JSON 结构化数据、极简三行摘要三种输出模式，便于对接不同下游系统
3. 自动化友好 ：提供完整的 cron 作业配置示例，可无缝对接 OpenClaw 网关实现定时推送至 Telegram 等渠道
4. 趋势对比功能 ：内置 7 天平均值对比，帮助用户识别健康数据异常波动
   潜在缺点与局限性
5. Premium 功能缺失 ：Cardio Load 等 Fitbit Premium 专属功能无法通过 API 获取，仅在官方 App 中可见
6. 认证门槛较高 ：需手动完成 OAuth 2.0 全流程（创建应用、获取 client_id/secret、完成授权码流程获取 token），对非技术用户不够友好
7. 数据时效依赖 ：受 Fitbit API 速率限制约束，高频实时同步可能存在延迟
8. 生态封闭性 ：仅支持 Fitbit 设备数据，无法整合 Apple Health、Garmin 等其他平台
   适合人群
   拥有 Fitbit 设备的技术型健康追踪用户
   需要自动化健康报告的个人或小型健康管理团队
   希望将 Fitbit 数据集成到自有分析系统的开发者
   OpenClaw 生态用户寻求定时健康简报推送
   常规风险
   凭证泄露风险 ：FITBIT_CLIENT_ID/SECRET 及 ACCESS/REFRESH_TOKEN 需以环境变量形式配置，若配置不当存在泄露隐患
   API 稳定性依赖 ：功能完全依赖 Fitbit Web API 可用性，Google/Fitbit 政策变更可能导致功能中断
   健康数据敏感性 ：涉及心率、睡眠、体重等敏感个人健康信息，需确保存储和传输过程符合隐私合规要求
   告警误报可能 ：基于固定阈值（如步数