天气决策助手
触发条件（Trigger）
当用户意图属于以下任一类别时，应加载本 skill（而非仅调用通用天气查询）：
- 查询天气，且需要决策建议（适不适合做某件事），而非单纯温度/降水播报
- 涉及历史同期对比（"今年是不是比往年异常""往年这时候热不热"）
- 需要垂直场景判定（钓鱼/骑行/洗车/晾晒/跑步/户外带娃/登山）
- 需要周期性天气推送（每周/每日天气决策、极端天气提醒）
- 涉及天气数据本地积累与校准（反馈回填、规则调优）
- 反馈实际体验（"上周去跑步了，风大难受""登山很舒服，记一下"）
示例输入提示词
以下是可直接触发本 skill 的用户输入示例：
- "杭州今天适不适合钓鱼？"
- "这周末北京能洗车吗，给个建议"
- "帮我看看接下来 7 天深圳适不适合骑行，按天列出来"
- "杭州 8 月比往年同期热吗？历史对比一下"
- "本周末适合带孩子户外吗，有没有雨"
- "给我做个登山天气周报，风大不大"
- "每周一早上推送杭州的骑行/跑步天气决策"
- "上周去爬了山，风大但没下雨，体验还行，记一下"
- "深圳 跑步 实际风18温29没下雨，体验差"
- "把我攒的天气反馈重新校准一下阈值"
隐私与数据声明
- 本 skill 默认不会上传/回传/外发任何用户数据。用户查询的城市、订阅偏好只存本地
data/与subscriptions.json。 - 历史气候库（
data/history_*.json）由本 skill 在用户本地自动积累，不随 skill 分发包走；上架包只含规则骨架与空数据槽位。 - 涉及推送订阅、数据清理，必须
human_review并由用户显式确认。
定位
把"查天气"这个无差别动作，升级成"只有你有数据/有判断/有沉淀"的专属天气决策能力。
护城河 = 本地气候历史库（越攒越厚）+ 垂直场景判定规则（私有经验编码）+ 用户订阅关系（迁移成本）。
> 判断标准：别人复制 SKILL.md 后，还得重建你的历史库、重写场景阈值、重新攒用户订阅才能追上你 = 有护城河；否则 = 无。
数据源（公开层）
- Open-Meteo（免费、无需 API key）：
- 预报：
https://api.open-meteo.com/v1/forecast?latitude=..&longitude=..&daily=..&current=.. - 历史：
https://archive-api.open-meteo.com/v1/archive?latitude=..&longitude=..&start_date=..&end_date=..&daily=.. - 经纬度解析用
https://geocoding-api.open-meteo.com/v1/search?name=<城市>&count=1&language=zh。
订阅推送（用户如何开通）
本 skill 支持对话式自助订阅：用户说一句话即可开通每周天气决策推送，无需手动改文件。
- 开通：对 skill 说「订阅<城市>的<场景>周报」，例如「订阅杭州的登山和跑步周报」「订阅成都的钓鱼和骑行周报」。
- 命令行等价：python scripts/weekly_report.py --add-sub 杭州 --scenes 登山 跑步
- 查看：「我订了哪些城市的天气周报？」或 python scripts/weekly_report.py --list-subs
- 取消：「取消杭州的天气周报」或 python scripts/weekly_report.py --rm-sub 杭州
- 推送机制（用户自己收得到）：订阅成功后，脚本同时生成一份用户侧自动化配置（终端打印 + 落盘 data/user_automations/<城市>_<日期>.json）。用户在自己的 WorkBuddy 里：设置 → 自动化 → 新建，填入配置里的 rrule（FREQ=WEEKLY;BYDAY=MO;BYHOUR=7）+ 提示词（指向用户自己本地的 skill 路径），启用后每周一早 7 点周报自动推到【用户自己的】会话。
- 开发者侧的 automation-1787540343062 仅作示范/自用；真正的多用户推送出口在每个用户自己的 WorkBuddy 自动化。
- 订阅关系存本地 data/subscriptions.json，不上架、不联网、不回传——这是护城河第三层（用户关系沉淀）。data/user_automations/ 同样不进包。
反馈回填（用户如何提交 · 护城河数据入口）
订阅 → 周报/查询 → 用户回填真实体验 → feedback.json → 攒够 5 条 --recalibrate → scene_tuning.json 校准增厚。这是"使用行为 → 私有数据沉淀 → 输出更准"闭环的最关键一环。
- 对话式提交（推荐，零门槛）：用户用大白话描述实际体验，skill 自动解析场景+好坏+天气数值并写入 feedback.json。用户不需要填任何数字、不需要敲命令。
- 示例：「深圳 跑步 实际风18温29没下雨，体验差」「杭州 登山 风小没雨很舒服」「骑行 太闷了难受」
- 命令行等价：python scripts/scene_rules.py --scene 跑步 --feedback-text "深圳 跑步 风18温29没雨，体验差"
- 解析规则：话里带场景名（钓鱼/骑行/洗车/晾晒/跑步/带娃/登山）即识别场景；带"差/难受/糟糕"等判 bad，带"好/舒服/爽"等判 good；"风X/温Y/没雨"自动提取数值，缺省时留空待补全。
- 结构化提交（精确）：python scripts/scene_rules.py --scene 跑步 --feedback good --wind 18 --temp 29 --precip 0
- 周报自动引导：每周周一的周报末尾，会自动带一句可复制的反馈模板（已代入用户订阅的城市和场景），用户照着说一句话即可回填，无需看文档。
- 校准生效：攒够 5 条（--min-n 5）后跑 python scripts/scene_rules.py --scene 跑步 --recalibrate，区分度强的因子权重上调、默认偏严/松的给 ±5 偏移，写入本地 scene_tuning.json（不进包）。下次同场景评分即体现校准。
- 反馈存本地 data/feedback.json，不联网、不回传——这是护城河第二层（私有经验编码）的喂养源。
工作流（带护城河增强）
- 解析城市 → 经纬度（geocoding-api）。
- 查实时/预报（Open-Meteo forecast）。
- 历史同期对比（调用
scripts/climate_lib.py）：
- 若该城市历史库已积累 → 输出"今年 vs 过去 N 年同期"的温度/降水偏差、极端日频次。
- 若未积累 → 自动回源 archive-api 补抓近 5 年同期，写入data/history_<city>.json，标注needs_more_data（首次查询即开始攒护城河）。 - 场景决策（调用
scripts/scene_rules.py）：
- 支持场景：钓鱼 / 骑行 / 洗车 / 晾晒 / 跑步 / 户外带娃 / 登山。
- 输出：适不适合（二值）+ 评分（0-100）+ 关键因子拆解 + 建议。 - 预警提示：若预报含高温/暴雨/大风/寒潮等极端值，附风险提醒。
- （可选）订阅：用户设"每周 X 推送天气决策" → 写入
subscriptions.json，由 WorkBuddy automation 周期触发本 skill。
护城河工程化
- 物理隔离：真实历史库存于
data/，由.packignore排除，不进分发包；拿到包的人只有规则骨架 + 空槽位。 - 本地积累回路：每次查询自动补抓历史并写库，护城河随使用自动增厚（区别于纯查询 skill 跑一万次还是原样）。
- 打包校验闸：上架前运行
python scripts/pack_check.py，确认data/与subscriptions.json未被误带入公开区。
场景规则（私有经验编码 · 阈值可迭代）
规则阈值写在 references/scene_rules_seed.md（公开骨架，标注待真实数据校准），
真实校准后的阈值与权重由使用者在本地 data/scene_tuning.json 沉淀（不进包）。
- 例：钓鱼 = 气压趋势(权重 0.3) + 风速(0.25) + 降水概率(0.2) + 月相(0.15) + 温度(0.1)。
- 逻辑：综合评分 ≥70 适合，50-70 勉强，<50 不适合；每个因子给出"拉高/拉低"理由。
订阅推送（用户关系沉淀）
- 配置示例见
references/subscription_proto.md。 - 用 WorkBuddy automation（recurring，rrule 每周）触发本 skill 的"周报模式"，主动推送该市本周适户外/洗车/晾晒决策。
- 用户订阅关系存
subscriptions.json（本地），迁移成本 = 护城河。
验证回路
- 历史库补抓失败：回退纯预报，标注
needs_history，不阻断主流程。 - 场景评分：规则 vs 用户反馈（可选回写
data/feedback.json）双源校准，偏差过大告警。
权限门
- 仅查询、对比、决策、推送；不调用任何付费 API、不收集用户隐私、不上传数据、不代付。
- 订阅/清理须
human_review。
壁垒复利机制
每次查询 → 历史库 +1 天数据；每设一个订阅 → 用户关系 +1；每条反馈 → 场景阈值校准 +1。
参考资料
references/scene_rules_seed.md：场景判定规则骨架（公开，待校准）。references/subscription_proto.md：订阅推送配置原型。scripts/climate_lib.py：历史气候库采集 + 同期对比（已实现）。scripts/scene_rules.py：场景决策判定（已实现）。scripts/pack_check.py：上架打包校验（已实现）。
