- name
- find-everything
- description
- >
find-everything：跨平台资源搜索
触发条件
- 显式调用：
/find-everything {query} - 自动检测：用户问"有没有xxx工具"、"帮我找个xxx"、"有没有skill能..."
- 主动推荐：基于对话上下文判断用户在持续做某类任务且缺少相关工具（best-effort 启发式，同会话最多 1 次）
执行流程
Step 1: 意图分类
将用户查询分类为一个或多个类别：
- skill: Agent Skills（可安装技能）
- mcp: MCP Servers
- prompt: 提示词模板/角色扮演/图片生成
- repo: GitHub 开源项目
模糊需求同时搜索多个类别。从自然语言中提取核心搜索关键词。
Step 2: 读取注册表并路由
读取 references/registry.json。若读取失败，使用以下硬编码最小源：
- skills-sh:
npx skills find {query} - github:
gh search repos {query} --sort stars --limit 10 --json name,owner,description,url,stargazersCount
筛选规则：
- 只选
enabled: true的源 - 只选
category包含目标类别的源 - 检查
requires是否满足：
- requires 为 CLI 名称（如 npx、gh）→ 用 which 检查 - requires 以 mcp: 开头（如 mcp:prompts-chat）→ 检查对应 MCP tool 是否在当前会话可用（尝试 ToolSearch 或直接调用）
- 不可用的源跳过，记录到
skipped_sources列表，附带install_hint（如有）
Step 3: Tier 1 搜索
在同一条回复中发起多个独立 tool 调用实现并行：
cli 类型：用 Bash tool 执行 command 字段（{query} 替换为实际关键词），15 秒超时。 mcp 类型：调用 registry.json 中 tool 字段指定的 MCP tool，参数取 tool_params（{query} 替换为实际关键词）。例如： - search_prompts({ query: "blockchain analyst", limit: 10 }) → 返回 prompt 列表 - search_skills({ query: "search aggregator", limit: 10 }) → 返回 skill 列表 - 支持的额外过滤参数（按需使用）：type（TEXT/STRUCTURED/IMAGE）、category、tag skill 类型：调用对应已安装 skill。
若并行不可用，按优先级执行：skills-sh > github > clawhub > 其他。
Step 4: 结果数量预判
基于标题/描述的关键词匹配做轻量判断（非完整 LLM 评估）：
- ≥3 条匹配度高 → 跳到 Step 6（末尾注明"搜索更多源可获取更多结果"）
- <3 条或匹配度低 → 继续 Step 5
Step 5: Tier 2/3 搜索
Tier 2：将同类别 Tier 2 源合并为 1 次 WebSearch：
{query} {category关键词} site:skillhub.club OR site:aiskillsshow.com OR site:skillsmp.com若合并查询返回 <2 条，退回对 Top 2-3 优先源逐个 site: 搜索。
Tier 3（仍不足时）：不带 site: 限定的广域 WebSearch。
Step 6: 结果评估
对每条结果判断相关性：
- 高相关：保留，排在前面
- 中相关：保留，排在后面，标注"可能相关"
- 不相关：丢弃
对 Top 3-5 条高相关结果，可选 WebFetch 补充详情。
Step 7: 安全快筛
对所有保留结果做元数据安全标注：
- [SAFE]：来自注册表已知平台 + 安装量 >100
- [CAUTION]：安装量低、来源不明、或 Tier 3 发现
- [RISK]：名称疑似 typosquat，或其他红旗信号
Step 8: 去重 + 排序
同一工具出现在多个源 → 合并为一条，标注所有来源。 合并时优先保留安装量/star 数最高的来源作为主展示（同一站点可能有 Tier 1 CLI 和 Tier 2 WebSearch 两条结果，合并时保留 Tier 1 数据）。 排序：相关度 > 安全等级 > 安装量/star 数。
Step 9: 展示推荐
格式：
找到 N 个相关结果（来自 X 个源）
1. [名称] [SAFE]
来源: skills.sh | 安装量: 1.2K
简介: ...
推荐理由: ...
2. [名称] [CAUTION]
来源: WebSearch (skillhub.club) | star: 50
简介: ...
注意: 来源非直接 API，建议安装前审查源码
---
未覆盖的搜索源: clawhub CLI（未安装）
提示: npm i -g clawhub注意：同一依赖缺失提示每会话只展示一次，避免重复打扰。
Step 10: 用户后续操作
用户说"看看"/"详细" → WebFetch 详情页展示更多信息。
用户说"安装"/"用这个" → 触发深度安全扫描：
1. 获取资源内容（按类型）：
| 资源类型 | 扫描目标 | 获取方式 |
|---|---|---|
| Skill (skills.sh/clawhub) | SKILL.md + scripts/ 目录 | 优先 WebFetch GitHub 源码（从搜索结果中的 repo URL 获取）；若不可访问，npx skills add <name> 安装到临时目录后读取 |
| MCP Server | package.json + 入口文件 | WebFetch npm registry 页面或 GitHub README，提取入口文件路径后 WebFetch |
| GitHub Repo | README.md + 主要脚本文件 | gh api repos/{owner}/{repo}/contents 获取文件列表，WebFetch 关键文件 |
| Prompt | 提示词文本本身 | 通常搜索结果中已包含完整文本，无需额外获取 |
限制： 单次扫描最多 50KB。超出只扫 SKILL.md + 入口文件。
2. 运行安全扫描（路径相对于本 SKILL.md 所在目录解析）：python3 scripts/security_scan.py <file> [--check-name <name> --known-skills references/known_skills.txt] 3. 读取 references/security-checklist.md，结合 security_scan.py 结果做 LLM 上下文评估 4. 输出量化评分（0-100）和风险定级 5. [SAFE] → 执行安装；[CAUTION] → 展示详情让用户确认；[RISK] → 明确提示风险，不自动安装
Step 11: 新站点发现
Tier 3 搜索发现了不在 registry.json 中的优质资源站 → 提示用户： "发现新站点 xxx.com，内容相关度高。要加入搜索注册表吗？" 用户确认 → 在 registry.json 的 sources 数组中追加新条目。
错误处理
| 场景 | 处理 |
|---|---|
| CLI 超时（15s） | 跳过该源，继续其他 |
| WebSearch 错误/限流 | 跳过 Tier 2，展示 Tier 1 结果 + 提示稍后重试 |
| security_scan.py 崩溃 | 退回 LLM-only 评估，标记"自动扫描未完成" |
| 所有 Tier 1 不可用 | 直接进 Tier 2，注明"主要搜索源暂不可用" |
| 所有源失败 | 告知用户搜索失败，建议检查网络 |
主动推荐逻辑
触发条件（低频，同会话最多 1 次）：
- 对话上下文显示用户持续在做某类任务（如调试、前端开发、数据处理）
- 且当前未见明显相关的 skill/MCP 在使用
推荐格式： "[发现] 你正在做 xxx，有一些工具可能有帮助，要搜索看看吗？"