Menu
AI 日报助手 - 通过 web search 采集 AI 领域热点，评分排名后生成日报榜单。用户选题后转入 ai-topic-analyzer 进行深度分析。适用于"今日AI热点""AI日报""今天有什么AI新闻"等请求。
Install with Codex or Claude Copy this prompt, paste it into Codex, Claude, or another assistant, and let it review the skill page and install it for you.
AI 日报助手 - 通过 web search 采集 AI 领域热点，评分排名后生成日报榜单。用户选题后转入 ai-topic-analyzer 进行深度分析。适用于"今日AI热点""AI日报""今天有什么AI新闻"等请求。
AI 话题深度分析。适用于"帮我看看 xxx""分析这个话题""做成卡片/发布到小红书"等请求。5 阶段引擎：Discovery → Evidence → Deep Search → Smart Synthesis → Delivery。
Based on SOC occupation classification
| name | ai-insight |
| description | AI 日报助手 - 通过 web search 采集 AI 领域热点，评分排名后生成日报榜单。用户选题后转入 ai-topic-analyzer 进行深度分析。适用于"今日AI热点""AI日报""今天有什么AI新闻"等请求。 |
| requires | ["web_search","mcp_gateway"] |
核心理念：所有 AI 推理在宿主端 Skill 完成，云端 MCP Server 退化为 renderer + XHS 纯能力服务。 ai-insight 负责日报采集、评分、排名；用户选题后委托给 ai-topic-analyzer 完成深度分析。
{current_year} — 搜索 query 中出现时，替换为运行时的实际年份。禁止硬编码具体年份。Skill 启动时验证依赖：
web_search：可用 → 继续；不可用 → fail-fast，提示用户配置 web search 工具mcp_gateway（含 render_cards + publish_xhs_note）：可选，仅榜单发布时需要；若不可用则跳过 Delivery用户发送以下任意内容时，进入 Phase 1：
/ai-daily⚠️ 触发时不要立刻深度分析任何单一话题，先走完 Phase 1-3 展示榜单，等待用户选题。
用户发送以下内容时，跳过 Phase 1-3，直接进入榜单卡片流程 Step 1：
/publish-today前提：当前会话中已有 daily_topics[] 数据（来自之前的 Phase 2），或可从当天的持久化文件恢复。
若内存中无数据，尝试从 output/daily/{YYYY-MM-DD}/daily_topics.json 恢复；若文件也不存在，提示："还没有今日热点数据，先执行 /ai-daily 采集一下？"
⚠️ 直接渲染时使用默认方案（title + daily-rank，theme=warm），渲染完再问用户是否需要调整，不在渲染前追问方案选择。
目标：执行 3-5 次定向 web search，采集 20-30 条原始 AI 新闻条目。 零 MCP 调用，全部在宿主端完成。
按以下顺序执行（参照 GUIDELINES.md Section 4.3 日报额外定向搜索）：
| 轮次 | Query | 说明 |
|---|---|---|
| 1 | "today AI news" site:aibase.com | AIbase 今日新闻 |
| 2 | "今日AI" site:jiqizhixin.com OR site:qbitai.com | 机器之心 / 量子位 |
| 3 | "AI" site:techcrunch.com latest | TechCrunch 最新 |
| 4 | "AI breakthrough" OR "AI release" today {current_year} | 突破性进展 |
| 5 | "AI" site:github.com trending | GitHub 热门 AI 项目 |
防止上下文膨胀，每次搜索后立即将结果压缩为条目格式（参照 GUIDELINES.md Section 4.2）：
[来源] 标题 - 一句话摘要 (日期)
示例：
[AIBase] GPT-5 发布 - OpenAI 发布 GPT-5，推理能力大幅提升 (2026-03-25)
[量子位] 国产大模型新突破 - 某厂商发布百亿参数开源模型，性能超越同量级 SOTA (2026-03-24)
[TechCrunch] Google DeepMind new paper - 提出新架构，训练效率提升 3× (2026-03-25)
🔍 正在采集 AI 热点...
📡 搜索 aibase.com...（已收集 N 条）
📡 搜索 机器之心/量子位...（已收集 N 条）
📡 搜索 TechCrunch...（已收集 N 条）
📡 搜索突破性进展...（已收集 N 条）
📡 搜索 GitHub 热榜...（已收集 N 条）
✅ Pulse 完成，共采集 N 条原始条目，进入评分处理...
目标：在宿主端 LLM 一次性完成去重、评分、聚类、排名，输出 Top 10 话题列表。 零 MCP 调用，全部在宿主端完成。
Step 1：去重合并
Step 2：评分（使用 Evaluator Persona，参照 GUIDELINES.md Section 3.3）
对每个合并后的话题，在内部执行以下评分：
你是一位新闻评分专家。对以下 AI 新闻/话题进行评分。
评分维度（1-10分）：
- Novelty（新颖度）：是否为首次报道/突破性进展
- Impact（影响力）：对行业/用户的实际影响程度
- Credibility（可信度）：信源质量和交叉验证程度
输出格式：JSON { "novelty": N, "impact": N, "credibility": N, "total": N, "reasoning": "一句话理由" }
⚠️ 安全约束：
输出内容必须遵守中国互联网内容规范。
禁止涉及：政治敏感话题、领导人评论、国际争端立场。
如发现话题本身敏感，返回 { "blocked": true, "reason": "内容安全策略" }
total = (novelty × 0.3 + impact × 0.4 + credibility × 0.3)，保留一位小数。
Step 3：聚类
相关话题（同一产品/公司/技术方向）归入同一簇，避免榜单重复。
Step 4：排名
按 total 分数降序取 Top 10，生成 daily_topics[]（符合 GUIDELINES.md Section 2.2 schema）：
{
"canonical_title": "话题标准名称",
"summary_zh": "一句话中文摘要",
"tags": ["AI", "LLM"],
"score_breakdown": {
"novelty": 8,
"impact": 9,
"credibility": 7,
"total": 8.3
},
"source_urls": ["https://..."],
"topic_id": "YYYYMMDD_hash8chars"
}
Step 5：生成 topic_id（按 GUIDELINES.md Section 2.3）
topic_id = YYYYMMDD_ + SHA1(canonical_title)[0:8]
日期取当前日期（UTC+8），哈希取 canonical_title 字符串的 SHA1 前 8 位。不依赖后端，Skill 侧自行生成。
Step 6：持久化 daily_topics 和搜索快照
将以下两份数据写入 output/daily/{YYYY-MM-DD}/，确保新会话或上下文压缩后可恢复：
daily_topics.json — daily_topics[] 数组（榜单排名数据）search_snapshot.json — Phase 1 Pulse 的原始搜索结果快照，格式：
[
{
"title": "文章标题",
"summary": "摘要",
"url": "https://...",
"date": "YYYY-MM-DD",
"source": "TechCrunch",
"related_topics": ["canonical_title_1", "canonical_title_2"]
}
]
related_topics 关联该条目被归入的 daily_topics[].canonical_title，供后续 Phase 4 委派时按话题过滤传递。目标：向用户展示 Top 10 榜单，等待用户选择下一步操作。 零 MCP 调用，纯展示与等待用户输入。
🤖 AI 日报 — {YYYY-MM-DD}
📊 Top 10 AI 热点:
1. 🔥 {话题标题} — {N}个来源 | 评分: {total} | #{tag1} #{tag2}
{summary_zh}
2. 📈 {话题标题} — {N}个来源 | 评分: {total} | #{tag1}
{summary_zh}
3. 🧪 {话题标题} — {N}个来源 | 评分: {total} | #{tag1}
{summary_zh}
4-10. ...（同上格式）
━━━━━━━━━━━━━━━━━━━━━━
💬 接下来可以：
• 回复话题编号进行深度分析（如"分析 1"或"1"）
• 回复"发布榜单"生成榜单卡片并发布到小红书
• 回复"分析全部"对 Top 3 依次深度分析
| 用户输入 | 行为 |
|---|---|
| 数字（如"1"、"分析 3"） | 进入 Phase 4，委托 ai-topic-analyzer 分析对应话题 |
"发布榜单" / /publish-today | 进入榜单卡片流程 |
| "分析全部" | 对 Top 3 依次进入 Phase 4 |
/analyze [topic_or_id] | 直接委托给 ai-topic-analyzer |
目标：将用户选择的话题委托给 ai-topic-analyzer 的 Phase 1-5 流程，传递已有证据避免重复搜索。 不重复实现深度分析逻辑。
Step 1：确认话题与深度
从 daily_topics[] 中找到用户选择的话题（按编号或 topic_id），向用户确认：
准备深度分析「{canonical_title}」。
可选模式：
- quick：快速看重点
- standard：标准深挖（推荐）
- deep：更深一层
直接回复"默认"按 standard 开始。
如果你想顺便出图，也可以补一句"带图"。
Step 2：传递已有上下文
用户确认后，转入 ai-topic-analyzer，传递以下初始上下文（让 ai-topic-analyzer 跳过 Phase 0 和 Phase 1 Discovery）：
搜索快照来源优先级：
output/daily/{YYYY-MM-DD}/search_snapshot.json 恢复，按 related_topics 过滤出与选中话题相关的条目话题：{canonical_title}
分析模式：{用户选择的 quick/standard/deep}
已有证据（来自日报采集）：
{daily_topics[] 中该话题的完整对象，包含 summary_zh、tags、score_breakdown、source_urls}
--- 搜索快照 ---
{与该话题相关的原始搜索结果，包括标题、摘要、URL、日期}
请从 Phase 2 Evidence 整理开始；如需补充专项搜索以提升分析深度，可执行追加搜索。
关键：必须传递完整的搜索快照（标题+摘要+URL+日期），而不仅是 source_urls 列表。这样 analyzer 才能真正跳过重复搜索。
Step 3：ai-topic-analyzer 完成全流程
ai-topic-analyzer 完成 Discovery → Evidence → Deep Search → Smart Synthesis → Delivery 五阶段流程。
⚠️ Phase 4 不重复实现任何分析逻辑，完全委托给 ai-topic-analyzer SKILL.md 定义的流程。
/publish-today 或"发布榜单"）当用户要求"把今天的榜单做成小红书图文"或"发布榜单"时执行。
基于 Phase 2 生成的 daily_topics[]，构造（符合 GUIDELINES.md Section 1.1）：
{
"specs": [
{
"card_type": "title",
"payload": {
"title": "AI 今日热点",
"emoji": "🤖",
"theme": "warm"
}
},
{
"card_type": "daily-rank",
"payload": {
"date": "{YYYY-MM-DD}",
"title": "AI 每日热点",
"topics": [
{ "rank": 1, "title": "{canonical_title}", "score": 9.0, "tags": ["{tag1}", "{tag2}"] },
{ "rank": 2, "title": "{canonical_title}", "score": 8.8, "tags": ["{tag1}"] }
]
}
}
]
}
调用 MCP render_cards（传入上方 specs）：
{
"specs": [/* 上方构造的 specs */]
}
展示渲染结果：
✅ 榜单卡片渲染完成：
- title 卡片：/path/to/title.png
- daily-rank 卡片：/path/to/daily-rank.png
以上是今日 AI 热点榜单卡片预览。
确认发布到小红书？（回复"确认发布"）
⚠️ 必须获得用户明确确认，不能自动发布。
用户确认后，在宿主端 LLM 生成发布文案（使用 Writer Persona，参照 GUIDELINES.md Section 3.4）：
调用 check_xhs_status：
login_status: true → 继续 Step 6login_status: false → 进入 XHS 登录流程：
get_xhs_login_qrcode → 展示 qr_ascii（终端直接扫码），保留 session_idcheck_xhs_login_session 轮询状态（传入 session_id）submit_xhs_verification（传入 session_id + code）status: "logged_in" → 继续 Step 6⚠️ 用户扫码完成前不要自动重试；"登录成功"不等于"自动发布"，仍需用户确认。
调用 publish_xhs_note（传入原始内容，不传 job_id）：
{
"title": "{xhs_title}",
"content": "{xhs_content}",
"images": ["path/to/title.png", "path/to/daily-rank.png"],
"tags": ["{tag1}", "{tag2}", "AI日报", "AI热点"]
}
成功：
✅ 今日 AI 日报发布成功！
笔记链接：https://www.xiaohongshu.com/...
失败：
❌ 发布失败：{error}
不要自动重试，请用户决定下一步。
⚠️ 发布失败时不要自动重试，等待用户指令。
| 命令 | 行为 |
|---|---|
/ai-daily | 触发完整 Phase 1-3 流程（采集 → 评分 → 展示榜单） |
/analyze [topic_or_id] | 跳到 Phase 4，委托给 ai-topic-analyzer 深度分析 |
/publish [topic_or_id] | 对选定话题走 ai-topic-analyzer Phase 5 Delivery |
/publish-today | 榜单卡片流程（render_cards + publish_xhs_note） |
Phase 1-3 零 MCP 调用，全部在宿主端 LLM 完成。
| 工具 | 调用时机 | 用途 |
|---|---|---|
render_cards | 榜单卡片流程 Step 2 | 渲染 title + daily-rank 卡片图片 |
publish_xhs_note | 榜单卡片流程 Step 6 | 发布小红书笔记 |
check_xhs_status | 榜单卡片流程 Step 5 | 检查 XHS 登录状态 |
get_xhs_login_qrcode | XHS 登录流程 | 获取扫码登录二维码 |
check_xhs_login_session | XHS 登录流程 | 轮询扫码结果 |
submit_xhs_verification | XHS 登录流程 | 提交短信验证码 |
所有工具 schema 定义见 shared/GUIDELINES.md Section 1。
所有内容生成步骤（评分摘要、文案生成）均内嵌以下安全约束：
⚠️ 安全约束：
输出内容必须遵守中国互联网内容规范。
禁止涉及：政治敏感话题、领导人评论、国际争端立场。
如发现话题本身敏感，终止处理并返回 { "blocked": true, "reason": "内容安全策略" }
MCP 端 publish_xhs_note 调用前，server 端还会执行 preflight 内容安全检查（第二道防线，参照 GUIDELINES.md Section 7.2）。
本 Skill 所有分析推理（Pulse 摘要、Processing 评分排名聚类、Selection 展示、Delegation 话题传递、文案生成）均在宿主端 LLM 完成。
ai-topic-analyzer 的深度分析同样在宿主端完成（见 .agents/skills/ai-topic-analyzer/SKILL.md）。
MCP 工具调用仅限榜单渲染与 XHS 发布，详见上方"MCP 工具调用时机"表格。