仿写/复刻单篇小红书笔记的写作风格：从“单个帖子样本”（标题+正文+标签+可选图片/排版特征）抽取风格指纹，并结合用户给定主题要点与可选知识库链接，生成同风格但不抄袭的新笔记（标题/正文/话题标签/可选配图建议）。当用户说“仿写这篇小红书/按这篇的风格写一篇/复刻口吻排版/基于这条笔记生成同风格内容”，或提供 info.json、detail.txt、链接、截图等作为风格样本时使用。

2026-02-0535

daily-ai-workflow-analyzer

ttmouse/skills

AI深度分析语音记录，揭示行为模式、认知偏见和战略盲点。不只是数据汇总，而是直击本质的战略洞察和否定性指导。提取可沉淀的核心原则和工作偏好，构建个人工作模式知识库。

2026-02-0135

requirements-clarifier

ttmouse/skills

A generic requirement/problem clarification workflow. Use when a user/client request is ambiguous, underspecified, or hard to execute/verify. The skill reframes the request, defines scope, constraints, inputs, and acceptance criteria, then outputs a concise one-page definition and a minimal question set to close gaps. Suitable for product/feature requests, content requests, ops tasks, research asks, and decision-making prompts.

2026-02-0135

skill-creator

ttmouse/skills

Guide for creating effective skills. This skill should be used when users want to create a new skill (or update an existing skill) that extends Claude's capabilities with specialized knowledge, workflows, or tool integrations.

2026-02-0135

twitter-fetcher

ttmouse/skills

统一的推文内容获取技能。支持单条/批量推文提取，输出结构化数据。当用户提供 Twitter/X 链接并希望获取内容时自动触发。

2026-02-0135

twitter-image-downloader

ttmouse/skills

从 Markdown 文件中自动提取并下载 Twitter 图片，生成可直接发布的版本。当用户说"下载推文图片"、"提取Twitter图片"、"download twitter images"时触发。

2026-02-0135

name	interactive-feedback-evaluator
description	提供标准化的交互式评估系统，支持在Alma侧边栏直接填写和提交评估表单。自动收集反馈数据并生成结构化总结。

InteractiveFeedbackEvaluator Skill

核心价值

标准化、可复用的交互式评估系统

✅ 在Alma侧边栏直接填写表单
✅ 一键提交，无需复制粘贴
✅ 自动收集反馈数据
✅ AI自动生成评估总结
✅ 支持多种评估场景

何时使用

当你想要评估分析报告、产品功能、技能效果
当你需要结构化的反馈收集机制
当你想要避免重复的评估流程
当你需要标准化评估模板

使用方式

快速开始

用户："评估这份报告"

AI：
1. 启动评估服务器（后台）
2. 生成交互式表单
3. 在侧边栏预览表单
4. 等待你提交反馈

用户：
1. 在侧边栏填写表单
2. 点击"提交"按钮
3. 完成

AI：
1. 检测到新反馈
2. 自动读取并生成总结
3. 保存反馈历史

支持的评估类型

分析报告评估（analysis-report）
- 整体价值、有用性、可执行性
- 最有价值部分、改进建议
技能评估（skill-evaluation）
- 功能完整性、可靠性、易用性
- 最有用功能、优先改进项
产品评估（product-evaluation）
- 产品价值、用户体验、技术实现
- 核心优势、主要问题
自定义评估（custom）
- 自定义评估维度
- 自定义评分选项

技术架构

核心组件

interactive-feedback-evaluator/
├── skill.md                        # 技能定义（本文件）
├── scripts/
│   ├── evaluation_server.py         # Flask评估服务器
│   └── start_evaluation.sh         # 启动脚本
├── templates/
│   ├── evaluation_form.html         # 通用评估表单
│   └── report_evaluation.html      # 报告评估表单
├── data/
│   ├── feedback.json               # 最新反馈（实时）
│   └── feedback_history/           # 历史反馈记录
│       └── feedback_YYYY-MM-DD_HHMMSS.json
└── references/
    ├── evaluation_templates.yaml   # 评估模板库
    └── usage_guide.md             # 使用指南

数据流

用户填写表单 → POST到服务器 → 保存到feedback.json
                                          ↓
                                    AI定期检测
                                          ↓
                                    读取feedback.json
                                          ↓
                                    生成评估总结

评估模板

分析报告评估模板

评估类型: analysis-report
评分维度:
  - 整体价值 (1-5分)
  - 有用性 (1-5分)
  - 可执行性 (1-5分)
多选题:
  - 最有价值的部分 (选2-3个)
    * 行为模式识别
    * 认知偏见诊断
    * 战略盲点揭示
    * 真相检验问题
    * 否定性指导
    * 可沉淀知识
  - 最需要改进的部分
开放性问题:
  - 具体改进建议
  - 会采取的第一个行动

技能评估模板

评估类型: skill-evaluation
评分维度:
  - 整体价值 (1-5分)
  - 功能完整性 (1-5分)
  - 可靠性 (1-5分)
  - 易用性 (1-5分)
多选题:
  - 最有用的功能 (选1-2个)
开放性问题:
  - 优先改进项
  - 使用场景描述

AI使用指南

当用户要求评估时，AI执行以下步骤：

1. 启动服务器

# 启动评估服务器（后台）
/Users/douba/.claude/skills/interactive-feedback-evaluator/scripts/start_evaluation.sh

2. 生成交互式表单

根据评估类型选择合适的模板，生成HTML表单：

# 生成评估表单
curl -X POST http://localhost:5002/generate \
  -H "Content-Type: application/json" \
  -d '{
    "evaluation_type": "analysis-report",
    "title": "Alma 深度洞察分析报告 v2.0",
    "evaluation_object": "报告评估",
    "timestamp": "2026-01-15 04:00"
  }' > /tmp/evaluation_form.html

3. 在侧边栏预览

# 在Alma侧边栏预览表单
# 提示用户填写并提交

4. 等待用户提交

AI定期检查 feedback.json 是否更新。

5. 读取反馈并生成总结

# 读取最新反馈
cat /Users/douba/.claude/skills/interactive-feedback-evaluator/data/feedback.json

# 生成评估总结

6. 保存到历史

# 复制到历史记录
cp feedback.json feedback_history/feedback_$(date +%Y%m%d_%H%M%S).json

API接口

POST /generate

生成交互式评估表单

请求：

{
  "evaluation_type": "analysis-report",
  "title": "报告标题",
  "evaluation_object": "评估对象",
  "options": {
    "dimensions": ["整体价值", "有用性", "可执行性"],
    "multi_select": {
      "most_valuable": ["选项1", "选项2", "选项3"]
    }
  }
}

响应：

<!DOCTYPE html>
<!-- 交互式表单HTML -->
</html>

POST /submit

提交评估反馈

请求：

{
  "evaluation_type": "analysis-report",
  "title": "报告标题",
  "scores": {
    "overall": 4,
    "usefulness": 5,
    "actionability": 4
  },
  "multi_select": {
    "most_valuable": ["behavior_pattern", "cognitive_bias"]
  },
  "text_input": {
    "suggestions": "可以增加更多案例",
    "first_action": "停止说'测试下'"
  },
  "timestamp": "2026-01-15T04:00:00Z"
}

响应：

{
  "success": true,
  "message": "反馈已保存",
  "feedback_id": "feedback_20260115_040000"
}

GET /status

检查服务器状态

响应：

{
  "running": true,
  "port": 5002,
  "latest_feedback": "2026-01-15T04:00:00Z"
}

数据存储

feedback.json

最新反馈的实时文件，格式：

{
  "metadata": {
    "evaluation_type": "analysis-report",
    "title": "Alma 深度洞察分析报告 v2.0",
    "evaluation_object": "报告评估",
    "timestamp": "2026-01-15T04:00:00Z"
  },
  "scores": {
    "overall": 4,
    "usefulness": 5,
    "actionability": 4
  },
  "multi_select": {
    "most_valuable": ["behavior_pattern", "cognitive_bias", "negative_guidance"]
  },
  "text_input": {
    "suggestions": "可以增加更多实际案例",
    "first_action": "停止说'测试下'，改为系统化问题清单"
  }
}

feedback_history/

历史反馈记录，按时间戳命名：

feedback_20260115_040000.json
feedback_20260115_041500.json

使用示例

示例1：评估分析报告

用户："帮我评估这份v2.0分析报告"

AI：
1. 启动服务器
2. 生成报告评估表单
3. 提示："请在侧边栏预览 /tmp/evaluation_form.html，填写完成后点击'提交'"

用户：
1. 在侧边栏填写表单
2. 点击"提交"

AI：
1. 检测到新反馈
2. 生成评估总结
3. 显示：
   "基于你的反馈：
   - 整体价值：4/5
   - 最有价值：认知偏见诊断、真相检验问题、否定性指导
   - 改进建议：增加更多实际案例
   - 行动计划：停止说'测试下'，改为系统化问题清单"

示例2：评估新技能

用户："评估twitter-collector技能"

AI：
1. 启动服务器
2. 生成技能评估表单
3. 提示用户填写提交

AI生成总结：
- 整体价值：3/5
- 强项：数据采集功能
- 弱项：浏览器管理可靠性
- 优先改进：防止浏览器意外关闭

注意事项

服务器自动管理：AI会自动启动和关闭服务器，无需手动干预
数据安全：所有反馈数据存储在本地，不上传到云端
模板可定制：可以根据需要调整评估模板
历史追溯：所有反馈都有历史记录，可以追溯和对比

版本历史

v1.0 (2026-01-15)
- 初始版本
- 支持分析报告和技能评估
- 侧边栏直接提交功能
- 自动反馈收集和总结