昨天的天气预报

解决每日出行决策的上下文断层

当前天气查询工具往往只提供孤立的当日数据，缺乏与昨日的纵向对比。这使得用户在决定穿衣厚度或通勤装备时，仍需自行在大脑中估算温差变化。本技能旨在填补这一上下文断层，将重点放在今日与昨日的温差对比上，通过结构化的历史气象数据对比，直接生成具备实操价值的穿衣与出行建议。

核心工作流与架构设计

技能的运行分为初始化配置与日常调度两个核心阶段。

1. 无感初始化与结构化配置
首次触发时，技能会尝试通过 IP 进行静默定位。若失败或需修改，则强制调用 ask_followup_question 工具进行交互。这种设计避免了让用户手动输入城市或时间格式，降低了配置出错率。配置数据（城市、出行方式、推送时间）将被持久化存储至 longterm-memory MCP 中，键值为 daily-weather-config。

2. 气象数据拉取与报告生成
调度触发后，系统根据存储的配置构建执行命令：

• 自动定位：python3 scripts/fetch_weather.py --auto-locate --travel-mode {模式}
• 固定城市：python3 scripts/fetch_weather.py --city "{城市}" --travel-mode {模式}

脚本基于 Open-Meteo 免费 API 获取数据，无需 API Key。报告生成逻辑采用优先级排序：

• 温度变化对比（最高优先级）：生成今日与昨日的温差表格及趋势图标，并据此给出穿衣建议。
• 天气概况与降雨概率：提供基础气象信息及降水预估。
• 环境健康指标：整合紫外线指数（UV Index）与空气质量（PM2.5/AQI）。
• 个性化出行建议：根据用户预设的出行模式输出针对性建议。

3. 多通道推送机制
优先检测 ~/.weather_email_config.json 文件，若存在则通过邮件推送报告；否则降级为对话内直接渲染 Markdown 格式。

技术边界与依赖

• 强依赖 Longterm Memory：若未配置 longterm-memory MCP，技能无法保存用户偏好，每次触发均需重新设定。
• 定时任务依赖：自动化推送依赖 cron 工具的持久化运行，需确保运行环境的任务调度服务处于激活状态。
• 脚本执行环境：需确保运行环境支持 python3 环境且可正常访问外部 API。