القائمة
يُحدَّد Prompt الذي يراجع المصدر أولًا بشكل افتراضي. يمكنك التبديل إلى أمر مباشر أو تنزيل نسخة محلية.
اقرأ SKILL.md وأي ملفات مرافقة يعرضها SkillsMP قبل أن تقرر التثبيت.
التثبيت باستخدام Codex أو Claude انسخ هذا Prompt والصقه في Codex أو Claude أو مساعد آخر ليراجع صفحة Skill ويثبّتها لك.
يتجاوز الأمر المباشر Prompt المخصّص للمراجعة. افحص المصدر قبل تشغيله.
npx skills add https://github.com/zhengwenxin79-ctrl/content-pipeline --skill medai-digestيبقى الأمر في سطر واحد. مرّر أفقيًا لمراجعته كاملًا قبل النسخ.
تفضّل نسخة محلية؟ نزّل الملفات المتاحة حاليًا لدى SkillsMP.
عرض SKILL.md
استنادا إلى تصنيف SOC المهني
| name | medai-digest |
| description | 医疗AI每日情报系统 - 论文推送、小红书笔记、漫画思维导图深度阅读 |
| metadata | {"openclaw":{"requires":{"bins":"[Truncated]"},"always":true}} |
为用户提供医疗AI领域的每日论文推送和漫画式深度阅读体验。
⚠️ 核心原则：每次生成情报前，必须先用 summarize 检查并补全摘要，再用 render 渲染。绝不可跳过摘要补全直接渲染！发送情报时，必须输出 message 字段的完整内容，禁止省略、截断或用"共X篇"概括。SVG 图片中所有文字必须使用 <tspan> 分行 + dy 控制行距（相邻行 dy ≥ 20px），禁止多个 <text> 重叠放置。
用户需要设置环境变量（在 openclaw.json 的 skills.entries.medai-digest.env 中）：
{
"MEDAI_DB": "/path/to/pipeline/corpus/corpus.db"
}
如果用户已有 content-pipeline 项目，指向其 corpus/corpus.db 即可。
如果是全新用户，先执行初始化：
python3 {baseDir}/medai.py init
然后通过 pipeline 的 python3 main.py fetch && python3 main.py score 导入数据。
可选环境变量：
当用户说"今日情报"、"看看今天有什么"、"推一下"、"daily"时触发。
⚠️ 必须严格按以下步骤顺序执行，不可跳过！
Step 0（必做）: 刷新数据
从 MEDAI_DB 环境变量推算项目根目录（MEDAI_DB 路径中 corpus/corpus.db 的上两级目录），用项目的 venv Python 运行抓取命令：
macOS / Linux:
{项目根目录}/.venv/bin/python3 {项目根目录}/main.py fetch
Windows:
{项目根目录}\.venv\Scripts\python {项目根目录}\main.py fetch
如果 fetch 失败（如未安装依赖），跳过，使用数据库已有数据继续。
然后检查是否有未评分的新文章：
python3 {baseDir}/medai.py score --limit 20
如果 count > 0，你为每篇文章评分（1-10分）并分类（"顶刊论文"/"大组动态"/"商业落地"/"开源项目"），然后保存：
python3 {baseDir}/medai.py save-score '[{"id":1,"score":8.5,"category":"顶刊论文"}]'
Step 1（必做）: 补全文章摘要
运行以下命令，查看是否有文章缺少一句话摘要：
python3 {baseDir}/medai.py summarize --days 7
count 为 0，跳过本步，直接进入 Step 2。count > 0，你必须为每篇文章各写一句中文摘要（40字以内，格式：[做了什么]+[关键结论]），然后一次性保存：python3 {baseDir}/medai.py save-summary '[{"id":文章ID,"summary":"你写的摘要"}]'
注意：save-summary 的参数必须是合法 JSON 数组，每项包含 id 和 summary 两个字段。
Step 2（必做）: 渲染并发送
确认摘要补全后，执行（会自动使用用户已保存的模板样式）：
python3 {baseDir}/medai.py render --days 7
返回 JSON，取 message 字段完整发给用户，禁止省略、截断或用"共X篇"概括。如果文章数为 0，尝试扩大 --days 30。
如果返回的 JSON 中包含 missing_summaries 字段，说明还有文章缺摘要，必须先回到 Step 1 补全，再重新 render。
如果需要结构化数据（让用户选序号），用：
python3 {baseDir}/medai.py digest --days 7
当用户回复数字（如"1"、"第一篇"）或说"详细看看这篇"时触发：
Step 1: 获取论文
python3 {baseDir}/medai.py article <ID>
Step 2: 深度分析
python3 {baseDir}/medai.py analyze <ID>
如果返回 cached: true，直接使用 analysis 字段。
如果返回 cached: false，根据返回的 content，你自己按以下7个维度写一份300-500字的深度分析（每段用emoji标题开头）：
🔬 核心问题、⚡ 方法创新、📊 关键结果、🗄️ 数据集、💻 代码/模型、💡 价值判断、⚠️ 局限性
然后保存：
python3 {baseDir}/medai.py save-analysis <ID> "你的分析文本"
Step 3: 生成 SVG 漫画
拿到 title、content、deep_analysis 后，你必须生成一个 SVG 文件，用 exec 工具将 SVG 代码写入文件，然后发给用户。
绝对不要用文字+emoji代替漫画！ 必须输出完整的 SVG XML 代码并转换为 PNG 图片。 绝对不要输出文字版思维导图！ 只能输出 PNG 图片。
执行流程：
cat > /tmp/medai_comic.svg << 'SVGEOF'
<svg ...>完整SVG代码</svg>
SVGEOF
python3 {baseDir}/medai.py svg2png /tmp/medai_comic.svg
/tmp/medai_comic.png 发送给用户（用图片发送功能，不是文件）必须是学术可视化海报风格（Visual Abstract），兼具专业性和视觉吸引力！ 严格遵循以下规范：
参考顶级期刊（Nature/Lancet/NEJM）的 Visual Abstract 风格：严谨的数据可视化 + 清晰的逻辑流 + 适度的视觉装饰。不是幼稚漫画，是学术海报。
所有区块必须紧密衔接，不留空白。底栏 y=860，底栏高度60px，整张图底部 y=920。
每一条 text 元素必须遵守以下规则：
<tspan> + dy，禁止分行写多个 <text>：<!-- ✅ 正确：tspan 分行，dy 控制行距 -->
<text x="30" y="340" font-size="14" fill="#1A1A1A">
<tspan x="30" dy="0">第一行文字</tspan>
<tspan x="30" dy="22">第二行文字</tspan>
<tspan x="30" dy="22">第三行文字</tspan>
</text>
<!-- ❌ 错误：多个 text 重叠 -->
<text x="30" y="340">第一行</text>
<text x="30" y="340">第二行</text>
所有 text 必须设置 y 坐标，禁止省略，且相邻元素 y 差值 ≥ 20px
图表内部文字用 text-anchor="middle" 居中，x 设为图表区域的水平中心
柱状图：每个柱子宽度 40-50px，柱子之间间距 ≥ 20px，柱子高度按数据比例缩放（最高柱子 = 150px），Y轴标签放在柱子左侧，柱顶写数值。禁止把所有柱子画成一样高。
<svg xmlns="http://www.w3.org/2000/svg" viewBox="0 0 700 920" width="700">
<!-- 满铺白色背景，防止黑边 -->
<rect width="700" height="920" fill="white"/>
<defs>
<linearGradient id="headerGrad" x1="0" y1="0" x2="1" y2="0">
<stop offset="0%" stop-color="#1B2A4A"/>
<stop offset="100%" stop-color="#2C3E6B"/>
</linearGradient>
<linearGradient id="barGrad" x1="0" y1="0" x2="0" y2="1">
<stop offset="0%" stop-color=/>
论文标题（中文翻译）
来源: Nature Medicine | 评分: 9.2 | 2026
9.2
🔬 研究背景
背景：......
目标：......
⚡ 方法架构
📥 数据
🔧 特征
🧠 模型
📈 评估
⚡ 关键创新
DeepSpeed-Inference 加速推理
3.8×Speedup | 内存占用降低
📊 核心结果
Baseline
Ours
SOTA
100
75
50
25
AUC 0.89
● p 0.001 vs Baseline
● 95% CI: [0.86, 0.92]
● 在 3 个外部数据集验证
💡 临床意义
● 可整合入现有 EHR 系统，辅助早期诊断
● 对创伤后癫痫高危人群筛查有重要价值
⚠️ 局限：仅验证于回顾性数据，前瞻性研究待开展
来源: Nature Medicine | DOI: 10.xxxx/xxxxx | 2026
将 SVG 写入 /tmp/medai_comic.svg，然后运行 python3 {baseDir}/medai.py svg2png /tmp/medai_comic.svg 转为 PNG，将 PNG 图片发送给用户。
用户说"换个风格"时，识别关键词：
执行：
python3 {baseDir}/medai.py prefs set '{"template_style":"magazine"}'
python3 {baseDir}/medai.py render --days 1
偏好会保存到数据库，后续新会话也会自动使用此样式。
用户说"我关注影像诊断"、"设置研究方向"时：
python3 {baseDir}/medai.py set-interests "影像诊断,大模型,病理"
关键词逗号分隔，保存后「今日情报」会优先推送匹配的文章。无匹配时显示全部。
用户说"搜一下XX"时：
python3 {baseDir}/medai.py search "关键词" --days 7
用户说"分析一下"时：
python3 {baseDir}/medai.py analyze <ID>
返回 analysis 字段，7 维度结构化文本，直接发给用户。
用户说"每天早上8点推送情报"、"设置定时任务"时，使用龙虾的 cron 功能：
每天早上 8:30 自动推送医疗AI每日情报，执行完整的今日情报流程（刷新数据→补摘要→渲染→发送）
龙虾会自动创建定时任务。用户也可以在 ~/.openclaw/scheduled_tasks.json 中手动管理。