找 AI 工具，为什么语义搜索比关键词更好用？

关键词搜索的局限

在传统目录里搜「PDF」，你会得到所有名字带 PDF 的工具——合并、拆分、填表、OCR 混在一起。你真正想要的可能是：「把扫描合同里的表格抽成 Excel」。

关键词匹配字面，不匹配意图。

语义搜索在做什么

askskill 在入库时会对每个 Skill/MCP 做 AI 富化：中文一句话摘要、职业/能力标签、以及 embedding 向量。搜索时：

1. 把你的自然语言问题也转成向量；
2. 在向量空间里找「意思最接近」的资产；
3. 再与关键词、stars、分类等信号混合排序（hybrid）。

所以你可以说：「帮我在 GitHub 上自动开 PR 并 @同事」——即使标题里没有「PR」两个字，相关 MCP 仍可能排到前面。

什么时候用语义搜，什么时候用筛选

可复制提问模板

试试这些句式（中文即可）：

• 「我想让 AI 直接查 PostgreSQL 并解释查询结果」
• 「把 Figma 设计稿转成 React 组件，要 Tailwind」
• 「自动生成周报，从 git commit 归纳」
• 「安全审查 Python 代码，重点看 SQL 注入」

越具体，召回越准；太宽（「找个好用的工具」）则适合先选职业再看精选。

和「小编推荐 / 捆绑」的关系

语义搜索解决「找」；捆绑解决「配」——把常一起用的 Skill + MCP 打包。找到单个工具后，不妨看看详情页下的捆绑推荐，少踩「缺一个 MCP 连不上数据」的坑。

小结

• 关键词 = 匹配名称；
• 语义搜索 = 匹配任务意图；
• 在 askskill 首页直接用中文描述你想让 AI 做的事，比记英文包名高效得多。