| name | lark-fashion-cockpit-opensource-radar |
| description | "开源雷达 Skill — 每日自动扫描 GitHub 上的新发开源项目 + 趋势项目，AI 评估和女装电商/电商运营/公司管理的相关度，给出"如何改造应用到本组织"的具体改造思路，自动建到飞书知识库文档 + 早晨汇报卡片给老板和负责人。当用户说「开源雷达」「github 上有啥新东西」「今日开源推荐」「有什么开源项目能用」「组织技术升级建议」时使用。被动型提效 — 让组织在 AI/开源生态进化中实时跟进，不靠主动搜索。" |
开源雷达 — 让组织被动跟上 AI 生态进化
🎯 核心痛点： AI / 开源生态每天发新东西，老板娘没时间刷 GitHub，但每错过一个能用的项目就是错过一次组织提效机会。
核心创新： 不是"我把开源项目拉下来用"（重）— 而是"AI 帮我评估每个新项目能不能用 + 怎么改造适配本组织"（轻）。改造思路驱动 > 工具堆砌。
被动 vs 主动： 这是被动型提效 skill。每天自动跑，每天交付改造建议，组织只需要"读评估 + 拍板要不要改造"，不需要主动搜索。
一、工作流（每日早 8:00 自动跑）
每日 8:00 cron 触发 scan-github.py
↓
[1] 拉 GitHub Trending 今日热门（top 25）
[2] 关键词搜索新发：ecommerce / fashion / retail / shopify / inventory / AI agent / automation / operations
[3] 去重（用 28_开源雷达 表 + url 主键过滤已扫过的）
[4] 过滤低质量（star < 10 或 30 天没更新）
[5] DeepSeek 评估每个项目（5 维输出）：
- 项目摘要（中文翻译扩写）
- 和女装电商/管理相关度评分 1-10
- 应用场景（女装直接用 / 电商通用 / 管理工具 / AI 基础 / 不相关）
- 改造思路（具体到"改哪几个字段 / 接哪几个 API / 替换什么逻辑"）
- 工时预估（小时）
[6] 高分项目（>=6）：
- 写入 28_开源雷达 表
- 自动建飞书知识库文档（详细版，含改造方案）
[7] 早 9:00 发飞书 IM 卡片汇报 TOP 5 给老板和部门负责人
[8] 评估结果写回 trigger-log.jsonl 持久化
二、前置条件
pip install httpx openai
export DEEPSEEK_API_KEY="sk-xxxxxxxxxxxxxxxxxx"
export DEEPSEEK_MODEL="deepseek-v4-pro"
export GITHUB_TOKEN="ghp_xxxxxxxxxxxxxxxxxx"
lark-cli auth login --scope "bitable:app:readwrite docx:document:write_only wiki:wiki"
export LARK_FASHION_COCKPIT_BASE_TOKEN="..."
export LARK_FASHION_COCKPIT_BOSS_CHAT="oc_xxx"
export LARK_WIKI_SPACE_ID="..."
三、初始化（建 28 表 + 灌示例数据）
python scripts/init-radar-table.py
四、运行
全自动模式（cron 推荐）
0 8 * * * cd /path/to/lark-fashion-cockpit && python skills/opensource-radar/scripts/scan-github.py
手动触发
python scripts/scan-github.py
python scripts/scan-github.py --keyword "ai agent"
python scripts/scan-github.py --min-score 7
python scripts/scan-github.py --no-card
飞书群主动触发
飞书发：「开源雷达」 / 「今日开源推荐」 → event-listener 路由 → scan-github.py
五、AI 评估提示词（DeepSeek 用）
PROMPT = """你是一位资深 AI/开源专家，专门为女装电商品牌主筛选 GitHub 项目。
【项目信息】
名称：{repo_name}
URL：{html_url}
描述：{description}
README 摘要：{readme_excerpt}
star 数：{stars}
语言：{language}
最近更新：{updated_at}
【组织背景】
本组织是一家女装电商品牌（lark-fashion-cockpit），核心业务：
- 4 平台运营（淘宝/抖音/小红书/视频号）
- 直播带货 / 短视频内容
- 团队协作（设计师 / 工厂 / 主播 / 客服 / 老板娘）
- 已有飞书 base 25 张表 + 32 个 sub-skill 覆盖商品/直播/审批/AI 数字员工等
【请输出 JSON】
{{
"中文摘要": "...",
"相关度评分": 1-10 整数,
"应用场景": "女装直接用 | 电商通用 | 管理工具 | AI 基础设施 | 不相关",
"改造思路": "具体到 改哪几个字段 / 接哪几个 API / 替换什么逻辑 / 联动 cockpit 哪个 skill",
"工时预估小时": 整数,
"判断理由": "1-2 句"
}}
注意：
- 相关度 ≥ 6 才会进飞书表，所以严格打分
- 改造思路要可执行，不要"可以参考"这种废话
- 如果是纯前端 UI / 游戏 / 区块链 等明显不相关，给 1-2 分
"""
六、典型输出（飞书知识库文档）
# OpenAgentX - 开源 AI Agent 框架
**GitHub:** https://github.com/xxx/openagentx
**star:** 12,400 | **最近更新:** 2026-05-04 | **语言:** Python
## 中文摘要
轻量级 AI Agent 编排框架，支持多模态输入和工具链组合。
比 LangChain 简化 70% 代码量，专为生产环境设计。
## 为什么对女装电商有用 — 相关度 8/10
应用场景：AI 基础设施
我们 cockpit 已有 32 个 sub-skill，每个都是独立 Python 脚本。
OpenAgentX 可以替代我们的 ask-boss.py + product-matching 等 skill 内部
的 deepseek 直调代码，统一成 Agent 框架管理，好处：
1. 多 skill 之间共享上下文（老板娘问完产品搭配，下一句问"那备多少件"，AI 自动联动 launch-decision）
2. 工具调用有标准化，新 skill 接入只需 30 行代码
3. 错误重试 / 缓存 / token 监控原生支持
## 改造思路
1. **第 1 步**：把现有的 deepseek-v4-pro 直调改成 OpenAgentX agent
2. **第 2 步**：注册 cockpit 32 个 skill 为 OpenAgentX tool
3. **第 3 步**：给老板分身（boss-clone-aily）配 ReAct 循环 — 让她能多步推理
4. **第 4 步**：迁移 ask-boss.py / launch-decision.ps1 / product-matching.ps1 三个核心
5. 联动 cockpit skill：boss-clone-aily / launch-decision / product-matching / event-router
## 工时预估
**12-16 小时**（核心迁移 8h + 测试 4h + 文档 2h）
## 风险
- OpenAgentX 还在快速迭代，API 可能不稳
- 要重写测试用例
七、典型汇报卡片（早 9:00 发老板）
🛰 开源雷达 · 2026-05-05 早报
📊 今日扫描：48 个新项目 ｜ 高相关 5 个 ｜ 评估通过待审：3 个
🥇 TOP 5 推荐改造（按相关度排序）
[1] OpenAgentX · 相关度 8/10 · ⭐ 12.4k
AI Agent 编排框架，可替代 cockpit deepseek 直调
📋 工时 12-16h | 改造思路：[查看完整文档]
[2] FashionAttr · 相关度 8/10 · ⭐ 3.8k
女装属性识别 ML 模型，可直接接 product-library
📋 工时 4-6h | 改造思路：[查看]
[3] AutoLivePlanner · 相关度 7/10 · ⭐ 1.2k
直播带货排期自动化，可联动 24_直播记录
📋 工时 6-8h | 改造思路：[查看]
[4] ...
[5] ...
[📋 看完整 28 表] [📚 看本周开源雷达 wiki 文档]
八、与其他 skill 联动
九、自演进机制
- 老板娘每次反馈"这个项目用了 / 不适合" → 写回 28 表「状态」字段
- 每周一跑
scripts/learn-relevance.py → 用真实反馈数据反向调 DeepSeek 评估提示词
- 越用越准
十、参考
