本周Skillhub扫描报告显示，285个候选技能中已有多数优秀技能在前几周被推荐过（Llm Models、HAI Agent Framework、preftrade AIO等）。本周值得关注的是4个新面孔——它们不在”大而全”路线，而是在特定场景下精准解决问题：时间管理缺系统化方案、中文用户缺好用的AI维基、数据分析缺真正能对话的工具、个人健康追踪缺工程化方案。

速查表

技能名	安装命令	一句话价值
Productivity	skillhub install productivity	精力管理+时间块+目标+项目全链路，不只是一张TODO清单
LLM-Wiki 中文版	skillhub install llm-obsidian-skill-cn	LLM自动维护中文Obsidian Wiki，source文件夹丢进去，LLM帮你归档索引
Data Analysis Cellcog	skillhub install data-analysis-cellcog	AI数据分析和可视化引擎，清洗、探索性分析、报告生成全流程
Nutrition Claw	skillhub install nutrition-claw	本地CLI追踪营养摄入，JSON数据+语义搜索，不依赖任何云服务

---

🤖 日常效率

1. Productivity — 从”做任务”到”管精力”

市面上大多数效率工具停留在打勾清单层面——列出待办、勾掉、下一项。但真正干过活的人都知道：状态不是均匀的。同一个任务，精力充沛时半小时搞定，疲劳时折腾两小时还出错。Productivity 技能的核心设计抓住了这个差异。

核心能力：

• 精力管理：识别高/中/低能时段，把高认知任务（写策略代码、数据分析）自动安排在精力高峰，机械操作（邮件、报告归档）放在低谷
• 时间块（Time Blocking）：把一天切成块，每块设定一个主题而非一堆任务。比如”09:00-11:00 策略回测块”——这段时间只做这件事，不被中断
• 目标-项目映射：把OKR/季度目标逐层拆解到周计划和日行动，每项任务都知道”为什么要做这个”
• 回顾机制：内置周/月复盘模板，不只是记做了什么，还分析”什么有效、什么该停”

为什么值得装： 量化交易和博客写作有一个共同特点：深度工作占比高——写一篇回测文章需要连续2-3小时无打扰，中间切去看一眼行情或回复消息，回来状态就散了。Productivity 帮你做的不是”安排任务”，而是保护深度工作时间。

使用示例：

用户：帮我规划明天写"可转债双低轮动策略"回测文章的工作安排
Agent：(调用Productivity技能)
 - 检查用户精力模式（历史数据显示上午10-12点是最佳编码时段）
 - 建议09:30-11:30为"回测实现块"，下午14:00-15:30为"文章写作块"
 - 中间预留1小时处理消息和行情检查
 - 输出一个按精力分块的时间表

适用场景：自由职业者/全职交易者的日计划制定、深度工作时间保护、跨项目精力分配。

---

📚 知识管理

2. LLM-Wiki 中文版 — 给中文内容定制的AI维基引擎

上周推荐了 LLM-Wiki-Skill（英文版），这周发现了它的中文版。两种版本不是简单的翻译关系——中文版在分词、索引粒度、查询匹配上做了针对中文的优化。

核心能力：

• source文件夹投入机制：把你收集的素材（研报PDF片段、网页摘录、会议笔记）丢进 source/ 目录，LLM自动识别主题、提炼要点、生成索引卡片
• 中文语义查询：不再靠关键词匹配。搜”双低转债轮动”，能命中标题不含这些字但内容相关的笔记
• 归档体检：定期扫描Wiki，标记过时内容、孤岛节点、缺失连接，输出”健康度报告”
• 多级分类：按中文习惯的层级（主题/子主题/标签/时间线）组织知识，不是扁平的文件夹树

为什么值得装： 你的博客目前116篇文章，加上每日素材、研报摘要、自我进化记录，知识库每天都在膨胀。LLM-Wiki中文版最直接的价值是：source目录丢入一篇研报摘要，自动归类到”量化策略-可转债-双低”分支下，并建立与已有文章的超链接。这比手动整理节省的时间，每周至少2-3小时。

使用示例：

用户：把今天下载的国泰君安可转债研报加到Wiki里
Agent：(调用LLM-Wiki中文版ingest流程)
 - 读取source/下最新PDF
 - 提取关键词：可转债、双低、溢价率、转股价值
 - 归类到"量化策略/可转债/双低轮动"分支
 - 自动链接到已有文章"可转债双低轮动策略回测"
 - 输出：笔记已建立，category=可转债，链接数=3

适用场景：研报的自动归档与索引、周报素材的累积管理、跨文章主题的连接发现。

---

📊 数据分析

3. Data Analysis Cellcog — 自然语言驱动的数据分析引擎

Channel Data Analysis 和 chat2duckdb 已经被推荐过，但 CellCog 版本走的是不同的路线——它不假设你已经有结构化数据在DuckDB里，而是从原始数据到洞察的全流程支持。

核心能力：

• 多格式输入：CSV / Excel / JSON / Parquet / SQLite，一把抓进来
• 自动数据清洗规则：识别缺失值、异常值、类型错误，给出清洗建议（不是自动执行，让你决定——这是好设计）
• 探索性数据分析（EDA）：自动分布统计、相关性矩阵、异常检测，输出可交互的报告
• 可视化：基于数据特征自动选择图表类型（时序线图、散点、热力图），不用手动指定
• 可重复性：每次分析生成一个”分析配方”，下次对同结构数据一键重跑

为什么值得装：做量化研究时经常需要快速探索一个数据集——“这个因子的分布如何？和收益率的相关性是多少？“。传统做法是先写Python脚本，跑一轮看结果，再迭代。CellCog版本让你用自然语言描述需求，它直接输出分析和图表，迭代速度从”改代码→重跑→等结果”变成”换句话问”。

使用示例：

用户：分析这个CSV里所有因子和月收益率的Spearman相关性
Agent：(调用Data Analysis Cellcog)
 - 自动识别CSV列：PE、PB、ROE、月收益率
 - 检测缺失值（PE列有3%缺失 → 提示用中位数填充）
 - 计算Spearman相关性矩阵
 - 自动生成热力图 + 输出前3个最强相关因子
 - 保存分析配方，下次新数据可一键重跑

适用场景：因子快速筛选、盘中数据快照分析、回测结果的绩效归因探索。

---

🏥 生活应用

4. Nutrition Claw — 本地CLI健康追踪，不碰云端

这个技能出现在”DevOps/系统”分类下有点误判——它实际上是营养追踪CLI工具。放在”健康/生活”才合理。但它确实符合DevOps精神的：本地优先、命令行接口、JSON数据、语义搜索。

核心能力：

• 本地JSON存储：所有食物摄入记录，不依赖任何云服务，数据在你的文件系统里
• 语义搜索：不是关键词匹配。搜”高蛋白”能匹配”鸡胸肉200g（蛋白质含量45g）“这样的条目，即使”高蛋白”三个字没出现
• 可配置目标：设置每日热量、蛋白质、碳水、脂肪目标，CLI一键比对进度
• 食物数据库扩展：添加自定义食物条目和营养数据

为什么值得装：量化交易和编程开发都是久坐职业。你可能不在乎每餐精确到克的营养数据，但你一定需要知道：连续3天只吃外卖+咖啡，对下午3点后的交易决策能力有多大的负面影响。Nutrition Claw的价值不在于”精确记录每一口食物”，而在于模式发现——当你回顾一周数据时发现”周三下午没精神的日子，前一天午餐的碳水摄入都超过80g”，这个洞察比任何健康App的”每日打卡”更有用。

使用示例：

用户：记录晚餐饮食
Agent：(调用Nutrition Claw)
用户：帮我看看这周蛋白质摄入够不够
Agent：查询本周JSON数据 → 日均蛋白质58g（目标75g）
       建议：午餐增加一份肉/蛋，或晚餐加一杯蛋白粉

适用场景：交易/编程久坐族的饮食模式追踪、能量水平与饮食关联分析、减脂/增肌期的目标管理。

---

实测总结

技能	实用性	学习成本	深度	日常使用频率
Productivity	⭐⭐⭐⭐	⭐（低，对话式交互）	中高	每日
LLM-Wiki 中文版	⭐⭐⭐⭐⭐	⭐⭐（需要建source目录）	高	每周3-4次
Data Analysis Cellcog	⭐⭐⭐⭐	⭐（自然语言驱动）	高	按需（研究密集期每天）
Nutrition Claw	⭐⭐⭐	⭐（CLI操作）	中	每日1-2次记录

本周的4个技能不走”大模型全家桶”路线，而是在细分场景下做到极限：Productivity帮你守住深度工作时间，LLM-Wiki中文版解决中文知识库的自动管理，CellCog让数据分析变成对话，Nutrition Claw用工程化思维做健康追踪。

安装总命令：

skillhub install productivity llm-obsidian-skill-cn data-analysis-cellcog nutrition-claw

（注意：LLM-Wiki中文版需要初始化一个Obsidian目录并设置source文件夹路径。首次运行ingest后约3-5分钟完成索引搭建。）