读一下 ~/Documents/q3-plan.md,核对里面每一个数字,列出其中已经和当前来源不一致的。返回内容一份逐行说明哪些变了的清单,于是你改文档,而不是重写文档。
QoderWork 已经能读写本地文档,这是大多数助手做不到的那一半。Felo Search 补上另一半:来源今天怎么说,并附上日期,于是你交出去的文件是最新的,而不只是写得漂亮。
请下载 https://github.com/Felo-Inc/felo-skills/tree/main/felo-search
并放到 ~/.qoderwork/skills/,然后确认技能已加载。QoderWork 在你机器上运行,直接编辑本地 docx 和 pptx 文件。Felo 技能补上本地文件给不了的那一半:最新的来源、字幕,以及会落在你文档旁边的素材。
一份本地文档是一个封闭的世界:它没法告诉你,自己引用的那个数字已经被修订过。这份结论清单重新把它打开——每个数字配一条带日期的来源,未核实的内容明显地单独放。
把更新要求成一份对着现有文档的清单,而不是一份新报告。你想知道的是哪些行变了,不是把整份重读一遍。
这条路里没有包管理器,也没有构建步骤——请求本身就是接口。应用会去拉取仓库,把文件夹复制进它自己的技能目录,然后从那里加载它。
请下载 https://github.com/Felo-Inc/felo-skills/tree/main/felo-search 放到 ~/.qoderwork/skills/,然后确认技能已经加载。
已克隆 Felo-Inc/felo-skills,把 felo-search 复制到 ~/.qoderwork/skills/felo-search,并读取了它的 SKILL.md。技能已加载,会匹配那些需要带来源的最新信息的请求。
在这台机器上装好 Felo CLI 并设置我的 API Key,然后确认一次搜索能跑通,我再用它处理文档。
~/.qoderwork/skills/felo-search/克隆下来的技能包本身。它是纯 Markdown,所以依赖它之前,你可以打开 SKILL.md 看清楚它到底会做什么。~/.qoderwork/skills/它匹配时所在的根目录。QoderWork 按描述挑选技能,所以列表短一些会让匹配更可预期,而不是更「聪明」。这次任务装了哪些技能,你上一个回答用的是哪一个?文档本身就是交付物。这两个请求都按这个前提来,也都保留原有结构。
读一下 ~/Documents/q3-plan.md,核对里面每一个数字,列出其中已经和当前来源不一致的。返回内容一份逐行说明哪些变了的清单,于是你改文档,而不是重写文档。
把市场那一节更新成当前的数字,并在结尾加上来源清单。文件其余部分不要动。返回内容同一份文档,数字更新了、来源带上日期了,没被碰过的部分还在你原来的位置。
这份文档有自己的语气和结构,值得保留。这套流程只改事实,别的不动。
一份计划、提案或报告已经写完并评审过,而里面的数字比上一个评审周期还旧。
给出路径,要求对着它核对。给一个话题,会得到一份新报告;给一个路径,才会得到对你手上这份的修改。
让它列出哪些行变了、为什么。重写一份评审过的文档,会丢掉当初开一次会才定下来的决策。
文档结尾的那份清单,让下一个读者不用问你就能核实一个数字。它也让人一眼看出这一版是哪天的。
草案和未发布的修订,就该以「待确认」的身份留在文档里,而不是被悄悄抹平、当成事实写进正文。
留下同一份文档,数字更新且有来源,结尾附来源清单,并明确标注哪些内容无法核实。
桌面助手的好处就是,这里的一切都能在你自己的机器上查看。
打开 ~/.qoderwork/skills/felo-search/,读一读 SKILL.md。它应该用平实的语言说明你装它是为了干什么。
问一个近期的问题,看看有没有发布时间。一段流畅却没有日期的答案,说明回答你的不是这个技能。
对比修改前后的文档结构。一次顺手把你章节重新排过的「刷新」,做的是超出你要求的事。
在自己的文件上工作正是这里的优势,它也带来两个值得先想清楚的日常问题。
技能调用 Felo CLI,所以凭据存在你的用户配置里,而不是文档里。这比把 Key 写在正文里安全,但仍然值得知道它在哪。
一个带日期的页面很有力;一份未发布的草案只是一条线索。清单会保留这个区别,这正是要求日期的作用。
列表越长,匹配越不可预期。装当前文档需要的那几个,把不再用的删掉。
这 5 个技能都是为 QoderWork 编写的。它们在这个平台上的用法一致,所以你可以放在同一次会话里组合使用,不必重复说明自己的环境。
从技能开始,再按 QoderWork 工作流的需要组合模型、实时数据、知识和输出工具——用的还是 Felo 技能已经在用的那个 Key。
当 Agent 需要自定义推理或生成时,使用性价比更高的 LLM 接入。
为 Agent 提供最新的 Web 与社交信号,而不是依赖过时的上下文。
把工作建立在可复用的知识之上,再转化为可以分享的交付物。
把工作流从调研延伸到视觉呈现和可直接交付的 Office 成果。