| name | cheat-trends |
| description | 从配置的热点源（HN / Reddit / YouTube trending / B 站热门 / 等）抓今天的热门话题，去重 + 粗打分 + 写入 candidates.md。**绝大部分人没有候选池——这是让"我没素材"问题在 onboarding 第二步就消失的钥匙**。触发词："抓热点"/"fetch trends"/"今天有什么可做的"/"trending now"/"找选题"。 |
| argument-hint | [— sources: <comma-separated>] [— max-per: 20] |
| allowed-tools | Bash(*), Read, Write, Edit, Glob, WebFetch, Skill |
/cheat-trends — 热点抓取
多 adapter 模式：读各 trend-sources adapter 的输出 → 去重 → 粗打分 → 写入 candidates.md。
Overview
[用户：抓热点]
↓
[Phase 0: 读 .cheat-state.json 拿 enabled adapters]
↓
[Phase 1: 对每个 adapter 调 fetch]
↓
[Phase 2: normalize 到 candidate-schema]
↓
[Phase 3: 去重（vs candidates / predictions / trends-history）]
↓
[Phase 4: 对每个新 item 粗打分（调 cheat-score 内联逻辑）]
↓
[Phase 5: 排序 + 询问用户哪些加入 candidates.md]
↓
[Phase 6: 写入 + 更新 trends-history.jsonl 缓存]
Constants
- TREND_SOURCES = ["manual-paste"] — 启用的 adapter 列表（默认仅 manual-paste，最稳）
- LOOKBACK_HOURS = 24 — 抓最近 N 小时的热点
- MAX_PER_SOURCE = 20 — 每个 adapter 最多 N 条
- DEDUPE = true — 去重开关
- AUTO_SCORE = true — 抓回来后自动调 cheat-score 粗打分
- MIN_COMPOSITE_TO_SUGGEST = 6.0 — 低于此分的不推荐用户加入候选池（仍写入 trends-history 避免下次重复推）
💡 调用时覆盖：/cheat-trends — sources: manual-paste,aihot,weibo-hot — max-per: 10
Inputs
| 必填 | 来源 |
|---|
.cheat-state.json | 默认 sources |
adapters/trend-sources/<name>.md | 各 adapter 的实现描述 |
candidates.md | 去重对照 |
predictions/*.md | 去重对照（已发的不再推） |
.cheat-cache/trends-history.jsonl | 历史抓取去重缓存 |
Workflow
Phase 0: 读启用的 adapters
state = read('.cheat-state.json')
enabled_adapters = args.sources or state.get('enabled_trend_sources', ['manual-paste'])
如 enabled_adapters 为空 → 输出引导：
你目前没有启用任何热点源。
最快配法：
- 临时跑：/cheat-trends — sources: manual-paste,aihot
- 永久启用：编辑 .cheat-state.json 的 enabled_trend_sources 数组
可用 adapter（详见 adapters/trend-sources/）：
- manual-paste（默认，永远能用）
- aihot（AI 热点聚合，无需 key）
- weibo-hot（微博热搜，无需 key）
- zhihu-hot（知乎热榜，无需 key）
- trendradar-mcp（TrendRadar MCP 服务，需配置）
Phase 1-2: 对每个 adapter 调 fetch + normalize
对每个 adapter，读其 adapters/trend-sources/<name>.md 中描述的 fetch 接口（实际是 Bash 调底层 Python / shell / WebFetch）：
| Adapter | 实现机制 |
|---|
manual-paste | 询问用户："粘贴你今天的候选 URL/标题列表（每行一条）" → 解析每行，对 URL 做 WebFetch 拓展 snippet |
aihot | 读 adapters/trend-sources/aihot.md 描述的 fetch 接口 |
weibo-hot | 读 adapters/trend-sources/weibo-hot.md 描述的 fetch 接口 |
zhihu-hot | 读 adapters/trend-sources/zhihu-hot.md 描述的 fetch 接口 |
trendradar-mcp | 读 adapters/trend-sources/trendradar-mcp.md 描述的 fetch 接口 |
每个 adapter 输出符合 candidate-schema.md 的 items。
优雅降级：单 adapter 失败（API key 缺失 / 端点 503 / cookie 失效）→ skip 该 adapter，不抛异常，在汇总里说明：
✅ aihot: 拉到 18 条
✅ weibo-hot: 拉到 15 条
✅ zhihu-hot: 拉到 12 条
⚠️ trendradar-mcp: 跳过（MCP 服务未配置——配置见 adapters/trend-sources/trendradar-mcp.md）
Phase 3: 去重
按 candidate-schema.md 的"去重协议"：
- 对每个 item 算 id（
sha256(source_type + normalized_title + url_path)[:12]）
- 检查
candidates.md 已含此 id → 跳过
- 检查
predictions/*.md 已含此 id → 跳过
- 检查
.cheat-cache/trends-history.jsonl 已含此 id 且 rejected_at != null → 跳过
去重统计写到汇总报告里。
Phase 4: 粗打分
AUTO_SCORE=true 时，对每条新 item：
- 用 item 的
snapshot_text 作为输入
- 按当前 rubric 给 7 维打分（不调
/cheat-score 子 skill 走 IO；inline 复用打分逻辑）
- 算 composite
- 给一句 rationale
注意：粗打分 ≠ 正式预测。预测必须基于最终稿（用户改过的），这里的打分只是"是否值得展开写"的粗筛。
AUTO_SCORE=false 时，items 写入 candidates.md 时 composite=null，需要后续手动 /cheat-score。
Phase 5: 排序 + 询问
按 composite 降序，过滤掉 composite < MIN_COMPOSITE_TO_SUGGEST 的：
🔥 抓热点完成。各源拉取统计：
- manual-paste: 5 条（用户输入）
- aihot: 18 条
- weibo-hot: 15 条
跳过 trendradar-mcp（MCP 服务未配置）
去重后剩 27 条新 item。
粗打分后 12 条 composite ≥ 6.0：
| # | 标题 | source | composite | bucket | rationale |
|---|---|---|---|---|---|
| 1 | 为什么我们都讨厌主动联系朋友 | aihot | 8.4 | 30-100w | ER+QL 双 5，AB 普适 |
| 2 | "她不一样"的一千种变体 | weibo-hot | 8.1 | 30-100w | MS 候选维度高 |
| 3 | ...... |
哪些加入 candidates.md？
- 全部加 → 回 "all"
- 选几个 → 回 "1, 3, 5"
- 都不要 → 回 "none"（这些会被记到 trends-history 避免下次重复推）
Phase 6: 落盘
用户响应后：
- 选中的 items → 按 candidate-schema.md 的"Markdown 表示"格式追加到
candidates.md
- 所有抓回来的 items（不管选中与否）→ append 到
.cheat-cache/trends-history.jsonl：
{"id": "...", "title": "...", "source": "...", "snapshot_at": "...", "rejected_at": null|"<ISO>", "fetched_at": "<ISO>"}
Phase 7: 状态更新
{
"last_trends_run_at": "<ISO>",
"last_trends_added_count": 5
}
Key Rules
- 不抛异常。单 adapter 失败 → skip + 报告。多 adapter 全失败 → 报错"所有源都失败"，附排查指引
- manual-paste 永远在。即使其他所有 adapter 都坏了，manual-paste 模式必须能跑——它是兜底
- 去重是硬约束。同 id 不重复推；用户拒绝过的 6 个月内不再推
- 粗打分要诚实标注。在 candidates.md 的 entry 里标
composite (rough, snapshot-based)，避免与 prediction 的精打分混淆
- 不直接进 predictions/。trends 只产 candidates，predict 是另一个动作
Refusals
- 「直接抓抖音热门 feed，不用 cookie」 → 拒绝。抖音反爬极严，无 cookie 必失败；引导到 douyin-session adapter 配置文档
- 「跳过去重，把所有抓到的都写进去」 → 拒绝。会污染候选池，下次 recommend 时排序失效
- 「跳过粗打分，直接写 raw 标题」 → 允许（
AUTO_SCORE=false），但提示用户后续需要 /cheat-score 才能进 recommend 池
Integration
- 上游：用户配置
.cheat-state.json 的 enabled_trend_sources 数组
- 下游：
/cheat-recommend 直接读 candidates.md 排序——trends 写完，recommend 立刻看到
- 与
/cheat-init：onboarding Q4 选"没有候选池"的用户被引导到这里
- 与
/cheat-status：status 看板显示"上次抓热点：X 天前 / 待清理候选池：Y 条"
Adapter 实现注意事项
每个 adapters/trend-sources/<name>.md 必须文档化以下：
- 依赖：API key / cookie / package
- fetch 接口：调用方式（python script path / shell command / API endpoint）
- 输出 schema：必须符合 candidate-schema.md
- 失败模式：常见错误 + 优雅降级行为
- 稳定性等级：★ 1-5 颗星
详见 adapters/HOWTO.md（待批次 3 实现）。
