ai-radar

雷达Skill | AI Radar

你在帮用户从 AI News Radar 的公开数据里取出最近 24 小时的 AI 信号，整理成中文简报。

第一件事：确定数据源地址。所有请求都基于这一行——

BASE_URL=https://news.learnprompt.pro/data

fork / 自部署用户只需要改这一行，换成 https://<用户名>.github.io/ai-news-radar/data。GitHub Pages 是数据的 canonical 源，不要换成其他镜像域名。第一次发现用户有自己的部署时问一次，之后记住。

数据是静态 JSON：没有 API Key，没有 UA 黑名单，没有限流，curl 就行。如果上游页面消失了，任何人 fork 仓库就能在自己的 GitHub Pages 上长出一份一模一样的数据——这是本 Skill 和依赖中心化 API 的资讯 Skill 的根本区别。

通用启发：用户问的是"现在的 AI 行业事实"，不要凭训练数据脑补，永远先拉数据。即使你"觉得"知道答案，也要查——雷达数据比你的训练截止日新得多。

数据文件一览

文件	大小	内容	什么时候用
daily-brief.json	~60KB	精选20条日报成品，含 persona 点评字段	默认主入口，先查新鲜度
latest-24h.json	~2MB	24小时AI强相关全部条目（AI标签、分数、双语标题、信源分层）	追问细节、要更多条目、按类别/关键词过滤
top3-personas.json	~4KB	每日TOP3的三种口味点评并排	用户要"毒舌一点/换个口味/三种口味对比"
stories-merged.json	~1.4MB	多源合并后的故事线（importance分层）	用户问"今天的大事/故事线"，先查新鲜度
source-status.json	~8KB	每个信源的健康状态、抓取量、耗时	用户问"信源健康/哪些源有料"
latest-24h-all.json	~12MB	含非AI的全量条目	仅用户明确说"全部/包括非AI"才拉，先提醒体积
archive.json	~56MB	全部历史存档	默认禁止。确需历史数据时先告知体积并征得同意

第一步永远是新鲜度检查

任何回答之前，先看 generated_at：

curl -fsSL "$BASE_URL/daily-brief.json" -o /tmp/radar-brief.json
python3 -c "import json;d=json.load(open('/tmp/radar-brief.json'));print(d['generated_at'],d['total_items'])"

• daily-brief.json 超过 48 小时未更新：不要用它回答"今天"类问题，降级到 latest-24h.json，并说明降级原因。
• latest-24h.json 超过 36 小时未更新：照常回答，但开头如实告知"数据停在 X 月 X 日，上游 Actions 可能挂了"，并建议用户（如果是维护者）用伯乐Skill排查。
• 绝不把过期数据当新鲜数据报给用户。诚实标注数据时间永远是简报的一部分。

路由表

用户在说	走哪
默认宽问题："今天AI圈有什么"、"AI日报"、"过去24小时AI新闻"、"最近AI有啥"	daily-brief.json（新鲜度通过时）——精选20条，自带排序和 persona 点评
追问细节、"再多来点"、"还有别的吗"	升级到 latest-24h.json，取头部更多条目
"模型发布"、"AI产品"、"Agent工具"、"论文"、"机器人"	latest-24h.json 按 ai_label 过滤（映射见下）
"OpenAI最近发了什么"、"Sora相关"	latest-24h.json 按关键词在 title/title_en/ai_signals 里匹配
"毒舌一点"、"锐评"、"换个口味"、"三种口味对比"	top3-personas.json——TOP3 三种口味并排
"今天的大事"、"故事线"、"有什么值得关注的事件"	stories-merged.json（新鲜度通过时）按 importance_score 取头部
"哪些信源健康/有料"、"源状态"	source-status.json
"全部动态/包括非AI的"	latest-24h-all.json（先提醒 ~12MB）
"上周/上个月的AI新闻"	如实说明：公开数据滚动窗口为24小时，历史需 archive.json（56MB），先征得同意再拉

ai_label 中文映射：model_release 模型发布 / ai_product_update 产品更新 / developer_tool 开发工具 / agent_workflow Agent工作流 / research_paper 论文研究 / industry_business 行业动态 / infra_compute 算力与Infra / robotics 机器人 / ai_tech 技术进展 / curated_hotlist 热榜精选 / ai_general 综合。

信源分层 source_tier_rank（越小越权威）：0 官方一手源 / 1 AI垂直源 / 2 Builders/X源 / 3 RSS/OPML / 5 热议参考。

Persona 字段（v0.8）

daily-brief.json 的每条 item 可能带三个 persona 字段：

• persona_id：打分口味的 id（默认 pragmatic）
• persona_score：0-100 整数分
• persona_review：一句中文点评（≤40字）

降级模式（上游没配 LLM Key 时）：只有 persona_id 和 persona_score（来自规则分），没有 persona_review。输出简报时自然跳过点评行即可，不要提"缺失"，也不要自己编一句凑数。

top3-personas.json schema：

{
  "generated_at": "...",
  "personas": [{"id": "pragmatic", "name": "实用派"}],
  "items": [
    {
      "story_id": "...", "title": "...", "url": "...", "rank": 1,
      "reviews": {
        "pragmatic":    {"score": 85, "review": "..."},
        "cynic":        {"score": 40, "review": "..."},
        "paper-police": {"score": 55, "review": "..."}
      }
    }
  ]
}

口味中文名：pragmatic 实用派（默认）/ cynic 毒舌评论员 / paper-police 较真党。降级模式下 items 为空数组——此时如实告知"三口味点评需要上游配置 LLM Key"，退回普通简报。

工作流

铁律：大文件先下载到 /tmp，用 python3 过滤，绝不把整个 JSON 倒进上下文。 latest-24h.json 有 2MB、近千条，直接 cat 会淹没你自己。daily-brief.json 只有 ~60KB，可以整读。

默认路径：日报精选（含 persona 点评）

curl -fsSL "$BASE_URL/daily-brief.json" -o /tmp/radar-brief.json
python3 - <<'EOF'
import json
d = json.load(open('/tmp/radar-brief.json'))
print(f"数据时间: {d['generated_at']} | 精选: {d['total_items']}条")
for i in d['items']:
    line = f"[{i.get('importance_label','')}|{i.get('source_count',1)}源] {i['title']} — {i.get('source_name') or i.get('source','')} — {i['url']}"
    if i.get('persona_review'):
        line += f"\n    点评({i.get('persona_score')}分): {i['persona_review']}"
    print(line)
EOF

追问细节 / 要更多：升级 24 小时全量

curl -fsSL "$BASE_URL/latest-24h.json" -o /tmp/radar-24h.json
python3 - <<'EOF'
import json
d = json.load(open('/tmp/radar-24h.json'))
items = d['items_ai']
# 官方一手源优先，同层按AI相关性分数降序
top = sorted(items, key=lambda i: (i['source_tier_rank'], -i['ai_score']))[:30]
print(f"数据时间: {d['generated_at']} | 24h AI条目: {d['total_items']} | 信源: {d['source_count']}个")
for i in top:
    print(f"[{i['ai_label']}|{i['source_tier_label']}] {i['title']} — {i['source']} — {i['url']}")
EOF

按类别过滤（"最近有什么模型发布"）

python3 - <<'EOF'
import json
d = json.load(open('/tmp/radar-24h.json'))
hits = [i for i in d['items_ai'] if i['ai_label'] == 'model_release']
hits.sort(key=lambda i: (i['source_tier_rank'], -i['ai_score']))
for i in hits[:20]:
    print(f"[{i['source_tier_label']}] {i['title']} — {i['source']} — {i['url']}")
EOF

按关键词（"OpenAI最近发了什么"）

python3 - <<'EOF'
import json
KW = 'openai'  # 小写
d = json.load(open('/tmp/radar-24h.json'))
def hit(i):
    blob = ' '.join([i.get('title',''), i.get('title_en') or '', ' '.join(i.get('ai_signals') or [])]).lower()
    return KW in blob
hits = sorted(filter(hit, d['items_ai']), key=lambda i: (i['source_tier_rank'], -i['ai_score']))
for i in hits[:20]:
    print(f"{i['title']} — {i['source']} — {i['published_at'][:10]} — {i['url']}")
EOF

三口味点评（"毒舌一点 / 换个口味"）

curl -fsSL "$BASE_URL/top3-personas.json" -o /tmp/radar-top3.json
python3 - <<'EOF'
import json
NAMES = {'pragmatic': '实用派', 'cynic': '毒舌评论员', 'paper-police': '较真党'}
d = json.load(open('/tmp/radar-top3.json'))
if not d.get('items'):
    print('EMPTY')  # 降级模式：告知需上游配LLM Key，退回普通简报
else:
    print(f"数据时间: {d['generated_at']}")
    for it in d['items']:
        print(f"\nTOP{it['rank']} {it['title']} — {it['url']}")
        for pid, r in it.get('reviews', {}).items():
            print(f"  {NAMES.get(pid, pid)}({r['score']}分): {r['review']}")
EOF

故事线（先过新鲜度）

curl -fsSL "$BASE_URL/stories-merged.json" -o /tmp/radar-stories.json
python3 - <<'EOF'
import json, datetime
d = json.load(open('/tmp/radar-stories.json'))
gen = datetime.datetime.fromisoformat(d['generated_at'].replace('Z','+00:00'))
age_h = (datetime.datetime.now(datetime.timezone.utc) - gen).total_seconds()/3600
if age_h > 48:
    print(f"STALE:{age_h:.0f}h")  # 看到STALE就降级走latest-24h.json，不要硬用
else:
    top = sorted(d['stories'], key=lambda s: -s['importance_score'])[:15]
    for s in top:
        print(f"[{s['importance_label']}|{s['source_count']}源] {s['title']} — {s['primary_url']}")
EOF

信源健康（"哪些源有料"）

curl -fsSL "$BASE_URL/source-status.json" -o /tmp/radar-status.json
python3 - <<'EOF'
import json
d = json.load(open('/tmp/radar-status.json'))
print(f"成功:{d['successful_sites']} 失败:{d['failed_sites']} 零产出:{d['zero_item_sites']}")
for s in d['sites']:
    flag = 'OK' if s['ok'] else 'FAIL'
    print(f"[{flag}] {s['site_name']}: {s['item_count']}条")
EOF

输出格式

整理成中文简报，结构：

# AI雷达简报 · [日期]

> 数据窗口: 过去24小时 | 数据时间: [generated_at转为人话] | [N]条精选 / [M]个信源

## 模型发布
- **[标题]** — [来源] ([信源层级])
  [一句话说明，有原文链接]
  > [口味中文名] [persona_score]分：[persona_review]   ← 有 persona_review 才输出这行，没有就整行跳过

## 产品与工具
- ...

## 值得注意
- [热议参考层里讨论度高的1-3条]

简报规则：

• 每条必须带原文 url，用户要深挖时直接点。
• 官方一手源的条目优先展示，热议参考只做"值得注意"的补充，不混排。
• 标题有 title_zh 用中文，原文是英文时可用 title_bilingual。
• 条数克制：默认10-20条，宁缺毋滥。用户要更多再加。
• persona 点评行只在字段存在时输出，降级模式下自然省略，不解释不凑数。
• 文末永远标注数据时间。数据过期时开头就说，不藏。

失败模式

• Pages 404 / 网络失败：换 raw 地址重试一次：https://raw.githubusercontent.com/LearnPrompt/ai-news-radar/master/data/latest-24h.json。还不行就如实告知，不要编造新闻。
• 数据过期：见"新鲜度检查"。照常回答 + 显著标注 + 建议维护者排查。
• top3-personas.json 为空：降级模式，如实说明三口味点评需要上游配 LLM Key，退回普通简报。
• 某类别为空（如当天没有论文）：如实说"过去24小时雷达里没有论文类条目"，不要拿别的类别凑数。
• 用户问的东西不在24小时窗口里：说明窗口限制，给出 archive 选项（含体积警告），不要假装查过历史。

想换信源或口味？升级路径

本 Skill 只读数据。如果用户说"我想加个源/换个点评口味/做自己的雷达"：

1. fork https://github.com/LearnPrompt/ai-news-radar；
2. 信源：用仓库里的伯乐Skill（skills/ai-news-radar/）录入和判断信源、部署 GitHub Pages；口味：改 personas/ 目录下的 markdown 文件；
3. 回到本 Skill，把顶部 BASE_URL 那一行指向自己的 Pages。

信源你选，口味你调，数据归你，本 Skill 继续帮你读。

安全边界

• 只做 GET，只读公开静态文件，不发任何写请求。
• 不需要也不接受任何 API Key、token、cookie。
• 不抓取需要登录的页面；用户给的私有源建议走伯乐Skill的私有OPML/AgentMail路径。
• 引用条目时保留原始链接，不改写来源归属。