| 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"] |
AI Insight — 4-Phase Daily Report Pipeline
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。
约定
{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。
启动检查
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
触发条件
用户发送以下任意内容时，进入 Phase 1：
- "今日AI有什么热点"
- "AI日报"
- "今天有什么AI新闻"
- "AI今天发生了什么"
/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。
直接渲染触发（Fast Path）
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：
- "帮我渲染小红书图片" / "出图" / "渲染图片" / "做卡片"
- "发布榜单" /
/publish-today
- "帮我发" / "发了吧"
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。
Phase 1: Pulse（脉搏 — 热点采集）
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。
搜索策略
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 |
每次搜索后立即摘要
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)
进度展示
🔍 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...
Phase 2: Processing（处理 — 评分排名）
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。
处理步骤（LLM 一次性完成）
Step 1：去重合并
- 相同事件/话题的不同来源报道合并为一个话题
- 保留所有来源 URL，记录 source_count
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。
Phase 3: Selection（选择 — 展示与选题）
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。
展示格式
🤖 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
等待用户输入
| 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 |
Phase 4: Delegation（委托 — 转入深度分析）
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。
委托流程
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：
- 当前会话内存中的 Phase 1 原始搜索结果
- 若内存不可用，从
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。
榜单卡片流程（/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。
Step 1：构造 daily-rank renderer payload
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}"] }
]
}
}
]
}
Step 2：渲染卡片
调用 MCP render_cards（传入上方 specs）：
{
"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
Step 3：用户确认发布
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。
Step 4：构造小红书文案
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）：
- 标题：含 emoji，12-20字，吸引点击
- 正文：500-800字，口语化，突出 Top 3 话题亮点
- 末尾加 3-5 个话题标签
Step 5：检查 XHS 登录状态
调用 check_xhs_status：
login_status: true → 继续 Step 6login_status: false → 进入 XHS 登录流程：
- 调用
get_xhs_login_qrcode → 展示 qr_ascii（终端直接扫码），保留 session_id
- 提示用户扫码后回复"已扫码"
- 调用
check_xhs_login_session 轮询状态（传入 session_id）
- 若返回需要验证码 → 请用户提供，调用
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。
Step 6：发布笔记
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。
命令语义
| 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） |
MCP 工具调用时机
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。
安全约束（参照 GUIDELINES.md Section 7）
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）。
零后端 LLM 保证
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。
