ai-insight

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。
• {today_date} — 搜索 query 中出现时，替换为运行时的当天日期（如 March 30 2026、2026-03-30）。禁止硬编码具体日期。

---

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）：

时效性强制要求：

• 所有搜索必须使用 freshness: "24h" 参数（如搜索工具支持）
• 如搜索工具不支持 freshness 参数，则在 query 中嵌入当天日期 {today_date}
• 两者都支持时，同时使用（参数 + query 日期双保险）

轮次	Query	freshness	说明
1	"AI news {today_date}" site:aibase.com	24h	AIbase 今日新闻
2	"今日AI {today_date}" site:jiqizhixin.com OR site:qbitai.com	24h	机器之心 / 量子位
3	"AI" site:techcrunch.com {today_date}	24h	TechCrunch 最新
4	"AI breakthrough" OR "AI release" {today_date} {current_year}	24h	突破性进展
5	"AI" site:github.com trending	week	GitHub 热门 AI 项目（趋势类允许放宽到一周）

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 (2026-03-30)
[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 (2026-03-30)
[TechCrunch] Google DeepMind new paper - 提出新架构，训练效率提升 3× (2026-03-30)

时效性硬过滤（Phase 1 出口检查）

摘要提取完毕后，立即执行日期过滤，在进入 Phase 2 之前丢弃过期条目：

1. 每条结果必须标注发布日期（从搜索结果中提取，无法确定日期的标注 unknown）
2. 硬规则：丢弃发布日期距今 超过 48 小时 的条目（保留今天 + 昨天）
3. 日期标注为 unknown 的条目保留，但在 Phase 2 评分时 Timeliness 维度得分上限为 5
4. 过滤后如果剩余条目 < 10 条，不补搜 — 宁少勿旧

⚠️ 时效性过滤示例：
今天是 2026-03-30

✅ 保留：(2026-03-30)、(2026-03-29)、(unknown)
❌ 丢弃：(2026-03-28)、(2026-03-26)、(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
- Timeliness（时效性）：距今越近分越高
  - 今天发布 → 9-10 分
  - 昨天发布 → 6-8 分
  - 日期未知 → 上限 5 分

输出格式：JSON { "novelty": N, "impact": N, "credibility": N, "timeliness": 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 × 0.2 + impact × 0.3 + credibility × 0.2 + timeliness × 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,
    "timeliness": 10,
    "total": 8.6
  },
  "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：

1. daily_topics.json — daily_topics[] 数组（榜单排名数据）
2. 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：

1. 当前会话内存中的 Phase 1 原始搜索结果
2. 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": [/* 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

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 6
• login_status: false → 进入 XHS 登录流程：
  1. 调用 get_xhs_login_qrcode → 展示 qr_ascii（终端直接扫码），保留 session_id
  2. 提示用户扫码后回复"已扫码"
  3. 调用 check_xhs_login_session 轮询状态（传入 session_id）
  4. 若返回需要验证码 → 请用户提供，调用 submit_xhs_verification（传入 session_id + code）
  5. 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。