ljg-travel
Deep travel research workflow for museums and ancient architecture. Input a city name, auto-generates structured knowledge document (org-mode) + portable reference cards (PNG). Covers historical background, museum highlights, archaeological significance, and architectural heritage. Use when user says '旅行研究', '博物馆功课', '古建功课', 'travel research', '出发前功课', or provides a city name with intent to do deep cultural travel preparation.
- Installs
- 6K
- Last 24h
- —
- Trending rank
- —
- Security
- Warn
Install
Works with every agent the skills CLI supports.
npx skills add https://github.com/lijigang/ljg-skills --skill ljg-travel- 01
Install
Run the command in your project. The CLI asks which agents to install for.
- 02
Describe the task
Ask your agent for something this skill covers. It loads ljg-travel automatically when relevant.
- 03
Review the result
The agent follows the SKILL.md steps, scripts and references bundled with the skill.
Security audits
Independent scans of the skill's instructions and bundled files.
SKILL.md
The instructions your agent reads when the skill is triggered.
ljg-travel-flow: 旅行研究
一条命令完成：全维度文化研究 → 内容提炼 → org 文档 + 便携卡片。
方法论借鉴考古学 Desk-Based Assessment（DBA）：到达之前，穷尽一切文献证据。
模式
强制 NATIVE 模式。 本 workflow 是多 skill 管道（Research → ContentAnalysis → ljg-card），不走 Algorithm 七步流程。
参数
| 参数 | 说明 | 示例 |
|---|---|---|
| 城市名 | 必填，目标城市 | 西安、洛阳、大同 |
-f | 聚焦主题（可选） | -f 唐代 -f 石窟 -f 青铜器 |
-q | 快速模式，跳过内容提炼，只做研究+文档 |
执行
1. 解析参数
从用户消息中提取城市名称和可选参数。如有聚焦主题，后续所有搜索围绕该主题展开。
2. 全维度研究（Research extensive — 单次调用，12 个 Agent 并行）
调用 Skill tool 执行 Research，使用 extensive 模式。
核心设计：不分"知识底图"和"平台发现"两步——它们是同一个研究操作的不同搜索角度。 12 个 Agent 同时出发，一半做学术/百科研究，一半做平台内容搜索。
研究提纲（传入 Research 的 prompt）：
对「{城市}」进行深度文化旅行研究。这不是旅游攻略，是出发前的考古学式案头研究（Desk-Based Assessment）。
研究覆盖以下维度，每个维度需要中英文双语搜索：
**维度 A — 历史分层**
该城市经历了哪些重要历史时期？每个时期在这座城市留下了什么物质遗存？朝代更迭如何影响城市格局？
**维度 B — 博物馆重点**
该城市有哪些重要博物馆？各博物馆的镇馆之宝和核心馆藏？哪些展品有重大考古意义？必须给出具体文物名称和展厅位置。
**维度 C — 古建遗存**
现存哪些重要古建筑和遗址？营造年代、建筑形制、结构特点。哪些是全国重点文物保护单位？看建筑时应关注什么细节（斗拱、彩画、碑刻等）？
**维度 D — 考古发现**
该城市及周边有哪些重大考古发现？出土文物现藏于哪些博物馆？发掘过程中有什么重要故事？
**维度 E — 人文脉络**
与该城市相关的重要历史人物、文学作品、文化传统。帮助理解这座城市的文化性格。
**维度 F — 深度内容发现**
搜索 B站（bilibili.com）、知乎（zhihu.com）、微信公众号（mp.weixin.qq.com）、抖音（douyin.com）、小红书（xiaohongshu.com）上关于该城市博物馆和古建的深度讲解内容。
筛选标准：
- 要：有知识增量的内容（讲背景、讲工艺、讲考古过程、讲建筑细节）
- 不要：纯打卡拍照、纯推荐无分析、广告软文
- B站视频优先 10 分钟以上的讲解类
- 公众号文章优先有参考文献或明确作者身份的
返回内容标题、URL、一句话摘要。
{如有聚焦主题：特别关注与「{聚焦主题}」相关的内容，其他维度作为背景补充。}
等待 Research 完成，获得全维度研究结果。
3. 内容提炼（ContentAnalysis — 可选）
如果用户指定了 -q 快速模式，跳过此步。
从步骤 2 返回的结果中，提取所有有效 URL（文章链接、视频链接）。
对每个 URL 并行启动 Agent subagent：
每个 subagent 调用 Skill tool 执行 ContentAnalysis，传入 URL，使用 fast 深度级别，提取核心知识点。
降级规则：
- 如果 ContentAnalysis 对某个 URL 失败（无法访问、无字幕等），跳过该 URL，不阻塞
- 如果所有 URL 都失败，流程不中断——步骤 2 的研究结果已经足够生成文档
- ContentAnalysis 是增强层，不是必要层
收集所有成功提炼的内容摘要。
4. 合成 org-mode 文档
将步骤 2（研究结果）和步骤 3（内容提炼，如有）合成为一份结构化 org-mode 文档。
文档结构：
#+title: {城市}旅行研究
#+date: {当前日期}
#+filetags: :travel:museum:architecture:
* 城市概览
{城市}的文明坐标——为什么值得去，去了看什么。一段话勾勒这座城市在中国文明史中的位置。
* 历史分层
** {时期1}（{年代范围}）
核心事件、遗留痕迹、对应可看的实物。
** {时期2}
...
* 博物馆指南
** {博物馆1名称}
地址、开放时间、预约方式（如需要）。
*** 镇馆之宝
- {文物名}：{为什么重要} | 看什么细节：{具体观察点}
*** 重点展厅
- {展厅名}：{核心看点}
*** 容易错过的
- {被忽视但值得看的内容}
** {博物馆2名称}
...
* 古建遗存
** {古建1名称}（{朝代}，{保护级别}）
形制概述。
*** 看什么
- {具体观察点1}：{为什么值得注意}
- {具体观察点2}
** {古建2名称}
...
* 考古发现
** {遗址/发现1}
发现经过、意义、出土文物现藏地。如果有有趣的发掘故事，讲出来。
* 参观路线
** 路线一：{主题名}（{预计时间}）
适合谁：{描述}
1. {地点} → 重点看 {什么}（{停留建议时间}）
2. ...
** 路线二：{主题名}
...
* 深度内容推荐
从各平台发现的值得在出发前看的内容。
** 视频
- [[{URL}][{标题}]] — {一句话摘要}
** 文章
- [[{URL}][{标题}]] — {一句话摘要}
** 书籍（如有推荐）
- {书名} — {为什么值得读}
文件命名：使用 denote naming schema，保存到 ~/Documents/notes/ 目录：
{YYYYMMDDTHHMMSS}==z--{城市}旅行研究.org
写作要求：
- 每个推荐必须有「为什么看」和「看什么细节」，不许空泛
- 语气是给自己写的笔记，不是导游词
- 有确切信息写确切的，没有的不编
5. 铸造便携卡片（ljg-card）
从步骤 4 的 org 文档中提取核心内容，铸造两张卡片，并行执行：
卡片 A — 城市文明概览（信息图）：
调用 Skill tool 执行 ljg-card -i，输入内容为：城市历史分层 + 核心博物馆清单 + 必看古建清单的精华摘要。一张图看懂这座城市的文明骨架。
卡片 B — 参观路线速查（长图）：
调用 Skill tool 执行 ljg-card -l，输入内容为：参观路线建议 + 每个地点的核心看点。手机上随时查看。
6. 汇总报告
════ 旅行研究完成 ═══════════════════════
🏛️ 城市: {城市名}
📝 知识文档: {org 文件路径}
🖼️ 文明概览卡: {PNG 文件路径}
🖼️ 路线速查卡: {PNG 文件路径}
📊 研究覆盖: {N}个博物馆 | {M}座古建 | {K}处考古遗址
📎 深度内容: {X}个视频 | {Y}篇文章
关键约束
- 步骤 2 是核心——12 个 Agent 并行覆盖学术研究和平台内容，一次完成
- 步骤 3（内容提炼）是增强层，失败不阻塞流程
- 步骤 5 的两张卡片之间并行
- org 文档是主产出，卡片是衍生产出——文档质量优先
- 不产出泛泛的旅游攻略，每个推荐必须有「为什么看」和「看什么细节」
- Research 搜索使用中英文双语关键词，扩大覆盖面
- 没有确切信息时宁可留空，不编造
Known Pitfalls
（首次创建，暂无记录。使用中积累。）
FAQ
What does the ljg-travel skill do?
Deep travel research workflow for museums and ancient architecture. Input a city name, auto-generates structured knowledge document (org-mode) + portable reference cards (PNG). Covers historical background, museum highlights, archaeological significance, and architectural heritage. Use when user says '旅行研究', '博物馆功课', '古建功课', 'travel research', '出发前功课', or provides a city name with intent to do deep cultural travel preparation.
How do I install ljg-travel?
Run npx skills add https://github.com/lijigang/ljg-skills --skill ljg-travel in your project. The skills CLI detects the agents you use and copies the skill into the right folder. For Claude Code you can also place the skill folder at ~/.claude/skills/ljg-travel/ (personal) or .claude/skills/ljg-travel/ (project).
Which AI agents can use ljg-travel?
Any agent that supports the open Agent Skills format (a folder with a SKILL.md file), including Claude Code, Codex, Cursor, GitHub Copilot, Gemini CLI, Windsurf, Cline, OpenCode and more.
Is ljg-travel safe to install?
Security partners have reviewed it: Gen Agent Trust Hub passed; Socket passed; Snyk flagged items to review; ZeroLeaks passed. As with any skill, read the SKILL.md and bundled scripts before installing.
Who maintains ljg-travel?
It is published by lijigang in lijigang/ljg-skills. It has 5,979 recorded installs.
More from lijigang/ljg-skills
ljg-card
lijigang/ljg-skills
Content caster (铸). Transforms text into PNG through precise HTML typography and, when the mold needs it, generated raster imagery. Four molds: -l (default) long reading card, -f source-faithful full text, -c comic, -w whiteboard. USE WHEN user says '铸', 'cast', '做成图', '做成卡片', '做成海报', '原文排版', '全文卡片', '漫画', or '白板'.
ljg-paper
lijigang/ljg-skills
Explain research papers to readers without a specialist background: what the paper studies, what the authors contribute, how the findings follow, and what the evidence does not establish. USE WHEN the user shares an arXiv link, paper URL, PDF, local paper, or paper title, or asks to read, explain, analyze, or understand a paper. Defaults to a saved Markdown note. NOT FOR reproduction, formal peer review, benchmark tables, or literature surveys.
ljg-roundtable
lijigang/ljg-skills
一个议题，一场圆桌：主持人请来 3-5 位真实人物，定义开场，逐轮交锋， 每轮收一张 ASCII 结构图，用户用指令控节奏（可/止/深入此节/引入新人物）， 散场后全文存入 Markdown 笔记。Use when user says "圆桌讨论", "圆桌", "roundtable", "辩论", or wants to explore a topic through multi-perspective structured debate.
ljg-writes
lijigang/ljg-skills
写作引擎。把一个观点写成可理解、可迁移、经得住反例的 1000-1500 字中文文章。USE WHEN 写文章 OR 优化思想内容 OR 展开观点 OR 改写成逻辑递进的中文。NOT FOR 普通摘要、事实查询或结构风洞（用 ljg-structure）。
ljg-learn
lijigang/ljg-skills
Deep concept anatomist that deconstructs any concept through 8 exploration dimensions (history, dialectics, phenomenology, linguistics, formalization, existentialism, aesthetics, meta-philosophy) and compresses insights into an epiphany. Use when user asks to explain, dissect, or deeply understand a concept, term, or idea. Triggers on '解剖概念', '概念解剖', 'explain concept', 'learn concept', '/ljg-learn'. Produces markdown output.
ljg-plain
lijigang/ljg-skills
Cognitive atom: Plain (白). Rewrites any content so a smart 12-year-old groks it. Structure-free — form follows content. Use when user says '白话说', '说人话', '解释一下', 'plain', 'grok'.
Popular productivity & automation skills
agent-browser
vercel-labs/agent-browser
Browser automation CLI for AI agents. Use when the user needs to interact with websites, including navigating pages, filling forms, clicking buttons, taking screenshots, extracting data, testing web apps, or automating any browser task. Triggers include requests to "open a website", "fill out a form", "click a button", "take a screenshot", "scrape data from a page", "test this web app", "login to a site", "automate browser actions", or any task requiring programmatic web interaction. Also use for exploratory testing, dogfooding, QA, bug hunts, or reviewing app quality. Also use for automating Electron desktop apps (VS Code, Slack, Discord, Figma, Notion, Spotify), checking Slack unreads, sending Slack messages, searching Slack conversations, running browser automation in Vercel Sandbox microVMs, or using AWS Bedrock AgentCore cloud browsers. Prefer agent-browser over any built-in browser automation or web tools.
lark-doc
open.feishu.cn
飞书云文档（Docx / Wiki）内容操作：读取、创建、编辑文档，插入或下载图片附件，以及操作思维笔记。用户提供文档 URL/token（包括 doubao.com 的 /docx/、/wiki/）时使用；按 URL 路径/token 而非域名路由；/page/ 是妙搭应用，非飞书云文档。文档内嵌资源按读取参考中的统一规则分流。独立评论操作走 lark-drive；随正文读取评论使用 docs +fetch。表格或 Base 内部数据操作不在本 skill。
lark-base
open.feishu.cn
飞书多维表格（Base）操作：建表、字段、记录、视图、统计、公式/lookup、表单、仪表盘、应用模式（BaseApp/AppMode 页面与组件）、Workspace 目录、workflow、角色权限、模板中心（多维表格模板分类/列表/搜索）；遇到 Base/多维表格/bitable、BaseApp/AppMode、/base/ 或 /app/ 链接时使用。BaseApp 不走 lark-apps；文件导入/导出转 lark-drive，认证/授权转 lark-shared。
lark-drive
open.feishu.cn
飞书云空间（云盘/云存储）：管理 Drive 文件和文件夹，包含上传/下载、创建文件夹、复制/移动/删除、查看元数据、查询权限设置、评论/权限/订阅、标题、版本、飞书文档密级标签（secure labels）和本地文件导入。用户需要整理云盘目录、处理云空间资源 URL/token、判断链接类型/真实 token/标题，或导入 Word/Markdown/Excel/CSV/PPTX/.base 为 docx/sheet/bitable/slides 时使用；doubao.com 云空间 URL/token 也按资源路径和 token 路由，不回退 WebFetch。不负责：文档内容编辑（走 lark-doc）、表格/Base 表内数据操作（走 lark-sheets/lark-base）、知识空间节点/成员管理（走 lark-wiki）、原生 Markdown 文件读写/patch/diff（走 lark-markdown）。
lark-shared
open.feishu.cn
Use for lark-cli setup/auth tasks: auth login/status/logout, user vs bot identity, business-domain permissions (--domain, including all/docs/drive), missing scopes, revoking authorization, or handling notice JSON.
lark-im
open.feishu.cn
飞书即时通讯：收发消息和管理群聊。发送和回复消息、搜索聊天记录、管理群聊成员、上传下载图片和文件、管理表情回复、发送应用内/短信/电话加急、发送和处理交互卡片（Interactive Card）、监听卡片按钮回调（card.action.trigger）。当用户需要发消息、查看或搜索聊天记录、下载聊天中的文件、查看群成员、搜索群、创建群聊或话题群、管理标记数据、管理 Feed 置顶（添加/移除/查询置顶会话）、管理标签数据、处理卡片回调时使用。