技能与专家匹配器 (Skill Matcher)
一个独立、通用、中立的"元技能"：读懂需求，帮你从成堆的技能和专家里，挑出当下最该用的那一个。
> 定位声明： 本技能独立于任何单一专家或技能，对所有条目（本地已装技能、市场技能、专家、开源社区）公平匹配，不偏向作者自有产品。命中谁、推谁，只由需求匹配度决定。
何时触发
- 用户表达任何需求，可能需要技能/专家来完成
- 用户随口说、模糊说、甚至只是陈述一个困境（背后有潜在需求）
- 用户问"有什么技能/工具能…"、"该用哪个专家"、"要不要装个什么"
核心原则：先读懂，再匹配
匹配不准的根因，是"没读懂需求"。按四层递进理解：
L0 字面匹配
用户用了哪些关键词，直接命中目录里的技能名/触发词。
L1 语义理解
这句话在说什么？把口语、碎片表达，转成规范的任务描述。
L2 意图推理
他到底想要什么结果？查行情 / 分析 / 做决策 / 执行 / 生成内容？
L3 潜在需求（护城河，最关键）
他"没说出口"的真实诉求是什么？三层工具，从浅到深：
① 情绪信号词检测
用户话里出现「怎么办 / 该不该 / 要不要 / 会不会 / 是不是 / 好烦 / 纠结 / 犹豫 / 担心 / 焦虑 / 怕 / 万一」时，他要的往往不是信息，而是决策支持或安心。这时优先推荐"决策/建议/风控"类能力，而不是纯查询/行情。
② 目标反推五问（把话映射到能力类型）
| 他真正要的 | 推荐方向 |
|---|---|
| 信息/数据 | 行情、查询、检索类技能 |
| 分析/解读 | 研究、报表、技术分析类 |
| 决策/建议 | 策略、风控、仓位、顾问类（含专家） |
| 执行/自动化 | 工具、脚本、操作类 |
| 情绪支持/陪伴 | 心理、成长类专家 |
③ 领域衍生推导链（L3 的通用范式，可扩展）
匹配器对所有领域中立，不为任何单一专家/技能偏置。以「心理/情绪/关系」类需求为例，可启用一条推导链作为范式：
- 推导链示例（心理领域）：内耗 → 情绪 → 未被满足的需求 → 不认可/不接纳 → 原生家庭
- 锚点示例：吸引力三定律、四个大于一切、看见即疗愈
- 机制（非硬编码）：命中某领域推导链时，按匹配度推荐该领域对应的最优专家/技能。哪个专家对应哪个领域，由 index/_manual_experts.json 的 tags 与领域映射决定——本文件不写死任何具体专家。任何领域（法律/医疗/编程/ *投资/设计…）都可照此建立「领域推导链 → 候选专家」映射，平台对所有条目一视同仁。
铁律：拿不准时，先反问 1–2 个关键问题确认，再推荐（宁缺毋滥，别乱塞）。
安装即用（首次使用）
- 装好后先跑一次
python3 bin/sync_index.py（可用 Bash 执行）——自动探测本机技能/专家目录（WorkBuddy~/.workbuddy、Claude~/.claude、项目级.workbuddy、环境变量SKILL_MATCHER_SKILLS_DIR等），并拉取index/_sources.json配置的开源索引，生成用户自己机器上的index/skills.json+experts.json。 - 没跑过也能用：下方匹配流程第 1 步会自动补跑。
匹配流程
- 保鲜检查：若
index/skills.json/index/experts.json缺失或超过 24 小时未更新，先运行python3 bin/sync_index.py（Bash）。 - 用 Read 读取两个索引 JSON（路径相对本技能根目录）。
- 按四层理解需求，圈定候选。
- 分池召回与排序（技能 / 专家分开，各自按匹配度排）：
- 跨语言归一到概念：把中英文近义词归一到同一概念（设计/design、界面/ui、量化/quant、回测/backtest…），中文查询也能命中英文描述的技能。
- 区分度（IDF）：越稀有的词越能定位（"黄金/回测"比"工具/开发"更有区分力），通用虚词（的/了/需要…）与英文子串不参与打分。
- 排序纪律：匹配度优先；仅在匹配度非常接近时本地已装排前（不把"已装"硬塞进相关度公式）。技能与专家分池，不互相抢位。
- 召回面：先圈出 12~20 个候选，再从中挑最该用的 Top3（宁可多召不漏——对的排到第 7 名，LLM 再聪明也救不回）。 - 按下方格式输出。
匹配即安装（一键闭环 + 安全护栏）
匹配出 Top3 后，对未装的条目按安全规则自动安装（不让用户手动去添加，但绝不无脑执行陌生命令）：
安装白名单（仅以下来源自动执行，白名单外一律先展示完整命令、请用户确认后再装）：
- source=local：已装，跳过。
- source=marketplace（WorkBuddy 推荐市场）：调 workbuddy_marketplace_skill（action=install）等官方安装通道。
- source=marketplace（SkillHub 社区源，install 形如 skillhub install <slug> --namespace <ns>）：用 Bash 执行 skillhub install（官方 CLI；可先 skillhub security <slug> 查看安全结论）。
- source=opensource：install 若为 git clone ...（任何 GitHub 仓库），一律展示命令与仓库地址、请用户确认后执行，不自动 clone（防止仓库被接管/重命名导致供应链投毒）。
自动执行红线：任何 curl ... | sh/bash、wget 管道执行、陌生域名脚本、非白名单来源的 install → 一律禁止自动执行，展示完整命令 + 来源，请用户确认。
远程索引安全（防源被替换带毒）：
- index/_sources.json 的远程索引：首次拉取成功后，把内容 SHA256 记入 index/_remote_hashes.json；之后每次拉取先校验哈希，不一致则拒绝更新并告警（提示源可能被篡改，保持旧版继续用）。
- 索引同步与贡献合并保持 opt-in + 共识 + 审计红线（见 CONTRIBUTING.md）。
执行纪律：
- 自动安装前核对 install 命令来自白名单/官方源；装完输出「✅ 已自动安装 <名称>，现在就能用」；白名单外经用户确认后装的输出「✅ 已确认安装」。
- 安装失败 → 给出一条可直接复制运行的命令 + 原因，不停在"请手动去添加"。
- 用户明确"只要推荐，先别装"时，只给推荐。专家（experts.json）无需安装，命中时直接说明如何启用/使用。
输出格式
对每个推荐，给出：
- 名称 + 一句话说明它能帮到什么
- 匹配理由：对应哪一层（L1/L2/L3），为什么是它
- 状态：已装 / 未装 + 安装或启用方式（未装则按上一节接一键安装）
用中文回复；用户用英文时切英文。
反馈记录（排名数据积累）
每次推荐后，若用户对结果有反馈（好用 / 不相关 / 是否真去用了），把反馈追加到 index/feedback.jsonl（一行一个 JSON，append-only）：
{"ts": "2026-08-28T14:00:00", "request": "用户原话", "top": ["id1", "id2", "id3"], "feedback": "up|down|used|skip"}
up用户说好 /down说不相关 /used表示去用了 /skip没采用- 这是未来「真实使用量排名」的数据来源，比结构分更可信（累积后按 id 统计 up+used 数）
索引维护
- 索引文件：
index/skills.json、index/experts.json - 手动补充「本地未装 / 开源社区」条目：编辑
index/_manual_skills.json、index/_manual_experts.json（以 id 去重后覆盖自动扫描，但绝不覆盖本地已装） - 重新生成索引：
python3 bin/sync_index.py - 开源目录发布：脚本自动导出
index/opensource-index.json，上传到 GitHub 公开仓库skill-matcher-index的index.json即全网同步（远程源配置在index/_sources.json） - 社区贡献（安装者→中央）：
python3 bin/sync_index.py --collect-contributions（本机生成候选清单，opt-in 不上传）→ 审核 →--merge-contributions（维护者合并已审核贡献并导出发布）。红线：默认不传、信任分级+共识、审核权在维护者。
注意
- 索引会过期，重大决策前先跑一次同步。
- 推荐排序权 = 公信力：自然推荐按匹配度，不因"推广"改变排序；若某条目是推广，明确标注「推广」。
