scheduled-hf-trending

name	scheduled-hf-trending
description	Remote agent용 HuggingFace 트렌딩 인텔리전스 자동화. HF REST API(WebFetch)로 논문/모델/스페이스 트렌드 수집, Slack Incoming Webhook(curl)으로 #agent-work 채널에 리포트 전송, Google Drive MCP connector로 리포트 아카이빙. schedule routine에서만 사용. 로컬 실행은 hf-trending-intelligence 스킬 사용.

Scheduled HF Trending Intelligence

Remote agent 환경에서 동작하는 HuggingFace 트렌딩 인텔리전스 파이프라인.

Architecture

Remote Agent (Anthropic Cloud)
  ├── HF REST API (WebFetch) → daily_papers, models, datasets, spaces
  ├── Slack Webhook (curl)   → #agent-work 채널 리포트 전송
  ├── Google Drive MCP       → 리포트 아카이빙 (Google Docs)
  └── Git Repo               → 리포트 저장 + commit

Do NOT Use Locally

이 스킬은 /schedule routine 전용. 로컬에서는:

• HF 트렌딩 분석 -> hf-trending-intelligence
• HF 논문 브라우징 -> hf-papers
• 토픽 중심 스캔 -> hf-topic-radar

---

원격 환경 제약

• Slack MCP, HuggingFace MCP 커넥터는 원격 루틴에서 사용 불가 (directory 커넥터 미지원)
• Google MCP 커넥터 (Calendar, Drive, Gmail) 만 시스템 커넥터로 동작
• Slack -> curl Incoming Webhook 사용
• HuggingFace -> WebFetch로 REST API 직접 호출

출력 언어

모든 출력물은 한국어로 작성한다. 논문 제목, 모델명, 데이터셋명 등 고유명사는 원어 그대로 유지.

Tool Mapping (로컬 vs 원격)

기존 (로컬)	원격 루틴
hf papers ls CLI / mcp__hf__paper_search	WebFetch https://huggingface.co/api/daily_papers
hf models ls CLI / mcp__hf__hub_repo_search	WebFetch https://huggingface.co/api/models?search=QUERY&sort=downloads&limit=10
hf datasets ls CLI	WebFetch https://huggingface.co/api/datasets?search=QUERY&sort=downloads&limit=10
hf spaces ls CLI / mcp__hf__space_search	WebFetch https://huggingface.co/api/spaces?search=QUERY&sort=likes&limit=10
kwp-slack-slack-messaging / mcp__slack__slack_send_message	curl -s -X POST -H 'Content-type: application/json' --data '{"text":"MSG"}' WEBHOOK_URL
md-to-notion	mcp__Google-Drive__create_file (시스템 MCP 커넥터)
parallel-web-search	WebSearch tool

Slack Webhook

curl -s -X POST -H 'Content-type: application/json' \
  --data '{"text":"MESSAGE"}' \
  "$SLACK_WEBHOOK_AGENT_WORK"

• #agent-work 채널로 자동 라우팅
• Thread reply 미지원 -- 모든 내용을 단일 메시지에 포함
• mrkdwn 포맷, JSON 내 큰따옴표 이스케이프 필수

Pipeline (Sequential)

Phase 1: Paper Scan

HF REST API로 오늘의 트렌딩 논문 수집.

1. WebFetch https://huggingface.co/api/daily_papers 호출
2. 논문별 ID, 제목, upvote, 저자 추출
3. 키워드 리스트 생성 (크로스-레퍼런스용)

Output: 30개 논문 목록 (IDs, titles, keywords, upvotes)

Phase 2: Cross-Reference

상위 10개 논문에 대해 생태계 영향도 측정.

1. 모델 연관: WebFetch https://huggingface.co/api/models?search=KEYWORD&sort=downloads&limit=10
2. 데이터셋 연관: WebFetch https://huggingface.co/api/datasets?search=KEYWORD&sort=downloads&limit=10
3. 스페이스 연관: WebFetch https://huggingface.co/api/spaces?search=KEYWORD&sort=likes&limit=10

Output per paper: {model_count, dataset_count, space_count}

Phase 3: Web Enrichment

상위 5개 논문의 외부 반응 수집.

WebSearch tool로 논문별 검색:

• "PAPER_TITLE" AI research 2026
• "PAPER_TITLE" github implementation

Output per paper: {web_mentions, github_repos}

Phase 4: Trend Scoring

복합 점수 계산:

trend_score = (
  0.30 * normalize(paper_upvotes) +
  0.25 * normalize(model_count) +
  0.20 * normalize(dataset_count) +
  0.15 * normalize(space_count) +
  0.10 * normalize(web_mentions)
)

분류:

• Score >= 0.7: HOT -- 2주 내 메인스트림 예상
• Score 0.4-0.7: WARM -- 부상 중, 모니터링 필요
• Score < 0.4: COOL -- 초기 단계

Phase 5: Intelligence Report

한국어 마크다운 리포트 생성:

# AI 리서치 레이더 -- YYYY-MM-DD

## 요약
(오늘의 트렌드 2-3문장 요약)

## 트렌딩 TOP 5

### 1. [PAPER_TITLE] -- HOT
- **점수:** 0.85
- **논문:** PAPER_ID (upvotes N)
- **모델:** N개
- **데이터셋:** N개
- **스페이스:** N개 데모
- **핵심 인사이트:** (중요성 1문장)

## 모델 지형 변화
(부상/하락 모델)

## 실행 제언
(ThakiCloud 팀 관점 권장 사항)

리포트 파일: outputs/hf-trending/YYYY-MM-DD-radar.md

Phase 6: Slack Notification

curl Incoming Webhook으로 #agent-work 채널에 리포트 전송.

방법: Bash에서 curl 실행 (위 Slack Webhook 섹션 참조)

메시지 포맷 (mrkdwn, 단일 메시지):

:microscope: *HF 트렌딩 인텔리전스* | YYYY-MM-DD

:page_facing_up: *수집 논문:* N편 | *분석:* Top 10 크로스-레퍼런스

*Executive Summary*
{2-3문장 트렌드 요약}

:fire: *HOT*
1. {논문 제목} (score: 0.XX, upvotes: N) -- {1문장 인사이트}
2. ...

:thermometer: *WARM*
1. {논문 제목} (score: 0.XX) -- {1문장 인사이트}
2. ...

:memo: *ThakiCloud 실행 제언*
1. {구체적 액션}
2. {구체적 액션}

*HOT 논문 상세*
(각 HOT 논문의 관련 모델/데이터셋/스페이스 수, 웹 반응 1줄 요약)

Phase 7: Google Drive Archive

Google Drive 시스템 MCP connector로 리포트를 Google Docs로 아카이빙.

Tool: mcp__Google-Drive__create_file

• 파일명: HF-Trending-YYYY-MM-DD
• 형식: Google Docs
• 내용: Phase 5에서 생성한 마크다운 리포트

Phase 8: Git Commit

리포트 파일을 git에 저장:

• outputs/hf-trending/YYYY-MM-DD-radar.md 저장
• chore: HF trending intelligence YYYY-MM-DD 커밋
• main에 push

---

Error Handling

Phase	Error	Recovery
1	HF API 호출 실패	WebSearch fallback으로 논문 검색, 실패 시 Slack에 에러 전송 후 종료
1	오늘 논문 없음	어제 날짜로 fallback, "오늘 논문 없음" 표기
2	Cross-reference 검색 실패	가용 데이터로 계속, 누락 차원 표기
3	WebSearch 실패	웹 enrichment 스킵, 4차원으로 스코어링
6	Slack webhook 실패	리포트 파일만 저장 후 commit
7	Google Drive 실패	스킵, 리포트는 git에만 저장

Safety Rules

• HF API rate limit 준수 (요청 간 적절한 간격)
• 논문 본문을 Slack에 전체 복사하지 않음 (요약만)
• git push 실패 시 force push 금지