mcpField
M
money-find

money-find

github.com/xbuilderlabProductivity77642 installsUpdated 20w ago
Repository

About money-find

money-find is a cheat-on-money skill for finding earning opportunities that fit a user’s profile. It searches current demand signals, cross-checks evidence, applies scam-screening criteria, and records candidate opportunities.

Key features

  1. 01Limit searches by user tier
  2. 02Search current hiring and purchasing signals
  3. 03Cross-check with independent evidence
  4. 04Apply scam checks and date signals
  5. 05Save candidates and verdicts

Use cases

  1. 01Find service opportunities aligned with personal skills
  2. 02Assess demand using hiring and sales signals
  3. 03Flag stale or risky opportunity claims
  4. 04Identify a first validation step

Install

Copy the command and run it in a terminal.

$npx skills add https://github.com/xbuilderlab/cheat-on-money --skill money-find

After installing, type/money-findin Claude Code to confirm it loaded.

Details

From the project README

/money-find — 需求信号反推 + 反诈筛选

跨平台说明（一次性，下文不再重复）

  • 资源路径：下文写的 ../../shared-references/、../../templates/、../../examples/、../../adapters/ 是 repo / Claude Code 的路径；Codex 安装下改读当前 skill 目录的 references/、templates/、examples/、adapters/（install-codex.sh 已软链进来）。
  • 网页检索/打开网页：Claude Code 用 WebSearch / WebFetch；Codex 用其内置等价能力。allowed-tools 是 Claude Code 权限声明，Codex 忽略。

核心方法（先读这条）

主方法是「需求信号反推法」，不是「搜怎么赚钱的帖子」。 没人会把真能赚钱的方法发到"教你赚钱"的帖里——那类内容是卖课/钓粉漏斗，利益不中立。 所以 money-find 看的是利益中立的需求信号（行业报告/招聘数据/采购数据/政策），再推理出个人能供给的机会。 完整方法见 ../../shared-references/demand-signal-method.md，本 skill 严格执行它。

铁律

  1. 主信源是一级信号（报告/招聘/采购/政策），"教你赚钱"类帖子不作依据，只用来了解方向。
  2. 每个机会要给"推理链 + 交叉验证"：从哪个信号推出来、另一个独立信号怎么印证它。单一来源 = 未验证。
  3. 绝不凭记忆。 信号一律实时网页检索获取。
  4. 核查发布日期（rubric C′）。 超 24 个月默认失效；12–24 个月标"可能过时"并交叉验证。检索词加年份。
  5. 每个机会先答"钱从哪来"，且过三连：谁有真需求 / 个人能否供给 / 买家个人够不够得着。
  6. 每个机会必须过 ../../shared-references/anti-scam-rubric.md（含 C′），标注判定后才呈现。
  7. 按画像收敛，不全量铺开。

流程

Step 0 — 读上下文
  • 读 .money-state.json 拿画像 + profile.tier 段位（无 → 路由 money-init）。
  • 读 ../../shared-references/user-tiers.md（按段位分流）。
  • 读 ../../shared-references/demand-signal-method.md（主方法）。
  • 读 ../../shared-references/opportunity-taxonomy.md（机会类型，仅辅助分类）。
  • 读 ../../shared-references/anti-scam-rubric.md（反诈 + 时效）。
  • 读 lessons.md（若存在）：用户过往复盘沉淀的经验，优先参考（哪类对他有效 / 哪些坑亲历过）。
  • 看 ../../examples/worked-examples.md 作为高质量推理范本参照。
Step 1 — 采集需求信号（demand-signal-method Step 1）

先按段位锁定方向范围（user-tiers）：T0→平台众包/接单；T1→技能服务/B端陪跑；T2→小工具/GEO/SaaS；T3→垂直专业服务。别给低段位推够不着的。

按方向实时网页检索 一级信源（都加年份）。除报告外，优先抓更一手的：

  • 真实招聘需求（BOSS/猎聘"在招什么、给多少、要哪些 AI 技能"——最诚实的需求温度计：岗位涨=有人花钱买这能力，降=红海）
  • 成交侧（闲鱼/1688/淘宝"正在卖什么服务、销量多少"——"有人真付钱"的直接证据）
    • ⚠️ 能力边界(诚实标注)：网页检索通常进不去登录墙，直接搜只能拿到二手转述，不是平台实时数据。
    • ✅ 要一手数据用 adapter（B 档半自动：用户自己登录+搜索，adapter 只读当前页公开列表；弹滑块用户手动过）：
      • 成交侧 → ../../adapters/xianyu（在卖什么/什么价/多少人想要）
      • 招聘侧 → ../../adapters/boss（在招什么/给多少/要哪些 AI 技能；只读搜索结果列表页，不进详情页、不碰 HR 个人信息，故不触反诈 A6）
  • <行业> AI 落地 需求 / 缺口 / 痛点 报告
  • <工具/服务> 市场规模 增长 采购 B端
  • 平台 官方 创作者 扶持 / 变现 政策 · 政策 / 监管 <领域> 新规
Step 2 — 推理 + 交叉验证（method Step 2-3）

对每个信号过三连（谁有真需求 / 个人能否供给 / 买家够得着），并找至少两个独立信号互相印证才往下推。 信号下降的方向，主动作为劝退呈现。

Step 3 — 形成方案 + 过反诈

每个方案套 anti-scam-rubric.md 的 D 节格式输出，并额外带「推理链」「交叉验证」两行： 推理链 / 交叉验证 / 机会 / 钱从哪来 / 硬红线 / 存疑信号 / 信息时效 / 判定 / 验证第一步 / 诚实收入预期。 验证第一步和收入预期都按用户段位写（user-tiers Step 3）；T0 的反诈讲得最重。

措辞基调：给的是"带证据链的推断/假设"，验证第一步就是去证伪它。未被市场验证前不说"这个能赚钱"。

Step 4 — 呈现 + 落盘
  • 按 可行 ✅ → 存疑 ⚠️ → 高危 ❌ 排序呈现，每个附"钱从哪来"和"验证第一步"。
  • 把候选写入 .money-state.json 的 opportunities[]（含 for_tier、verdict、freshness、found_at=今天）。
  • 结尾给期望管理一句话（rubric E），并提示：
    • "我想做 XX，帮我做计划" → money-plan
    • "再帮我查 XX 靠不靠谱" → money-verify

注意

  • 信息有时效性：在结果里注明"以下基于 <今天日期> 的检索，平台规则可能变化，开工前请复核"。
  • 找不到可信机会时，如实说没找到靠谱的，不要硬凑。这本身是有价值的反诈结论。

Comments

Markdown supported