name: ai-radar aliases: ["/radar", "/ai-radar", "/信息雷达", "/AI动态"] description: AI 信息雷达系统 - 基于黄仁勋五层蛋糕模型追踪 AI 产业动态，服务于认知成长生态系统的信息输入层。 version: "3.1.0"

AI 信息雷达系统

⚠️ 强制执行规则

当此 Skill 被激活时，必须：

1. 先确认用户关注点：不要假设用户想要全层扫描
2. 每条信息标注层级和重要度：🔴重大 / 🟡关注 / 🟢常规
3. 输出必须使用模板格式：见下方输出模板
4. 重要发现主动关联：提示用户是否需要深度内化或系统分析

在生态系统中的定位

┌─────────────────────────────────────────────────────────────────┐
│                    自我成长生态系统                              │
│                                                                 │
│  ┌─────────────┐    ┌─────────────┐    ┌─────────────┐        │
│  │ 信息输入层  │───▶│ 认知加工层  │───▶│ 知识沉淀层  │        │
│  │             │    │             │    │             │        │
│  │ 🎯 ai-radar │    │ problem-    │    │ memory      │        │
│  │ (本skill)   │    │ leveler     │    │ system      │        │
│  │             │    │ system-     │    │             │        │
│  │             │    │ thinking    │    │             │        │
│  └─────────────┘    └─────────────┘    └─────────────┘        │
│         │                  │                  │                │
│         └──────────────────┴──────────────────┘                │
│                            │                                   │
│                    ┌───────▼───────┐                          │
│                    │ 行动输出层    │                          │
│                    │ 项目实践      │                          │
│                    └───────────────┘                          │
└─────────────────────────────────────────────────────────────────┘

ai-radar 的职责：高质量信息输入，为后续认知加工提供原料

核心价值：

• 不是"获取更多信息"，而是"获取正确的信息"
• 不是"追热点"，而是"理解产业结构性变化"

核心理念

信息雷达的本质是注意力管理，而非信息堆砌。

设计原则：

1. 结构化追踪 - 用五层模型组织信息，避免碎片化
2. 重要性筛选 - 区分噪音和信号，只关注值得关注的
3. 与认知闭环 - 重要发现要进入内化流程，不能看过就忘
4. 最小化干扰 - 定期扫描而非实时推送，保护深度工作时间

五层蛋糕模型

┌─────────────────────────────────────────────────────────────────┐
│  Layer 5: 📱 应用 (Applications)                                │
│  AI 产品、Agent、垂直场景落地                                    │
│  关注点：什么产品能提升我的工作效率？                            │
├─────────────────────────────────────────────────────────────────┤
│  Layer 4: 🧠 大模型 (Foundation Models)                         │
│  GPT、Claude、Llama、国产大模型、开源模型                        │
│  关注点：模型能力边界在哪？我该如何调整使用策略？                │
├─────────────────────────────────────────────────────────────────┤
│  Layer 3: 🏗️ 基建 (Infrastructure)                              │
│  云服务、数据中心、GPU 集群、推理基础设施                        │
│  关注点：成本趋势？可用性变化？                                  │
├─────────────────────────────────────────────────────────────────┤
│  Layer 2: 🔧 芯片 (Chips/Silicon)                               │
│  NVIDIA GPU、AMD、TPU、国产芯片                                  │
│  关注点：供应链变化对上层的影响？                                │
├─────────────────────────────────────────────────────────────────┤
│  Layer 1: ⚡ 能源 (Energy)                                      │
│  数据中心能耗、核能、可再生能源                                  │
│  关注点：长期趋势和政策变化                                      │
└─────────────────────────────────────────────────────────────────┘

层级关联：底层变化会向上传导，如芯片短缺 → 算力成本上升 → 模型训练放缓 → 应用创新受限

系统架构

触发层

• 命令入口：/radar scan | /radar hot | /radar L{N} | /radar track
• 自然语言："AI 最近有什么动态"、"扫描一下大模型层"、"今天什么最火"
• 输出目标：结构化信息简报

编排层

• 主流程：

  解析意图 → 确认范围 → 热门发现 + 关键词搜索 → 深度阅读 → 分类标签 → 格式化输出 → 关联建议

  即：搜集 → 清洗 → 加工 → 输出 四步 pipeline
• 错误处理：搜索失败时提示用户，不静默失败
• 状态管理：追踪关键词存储在 tracking.json

能力层

持久层

~/.claude/skills/ai-radar/
├── tracking.json        # 自定义追踪关键词
├── history/
│   └── YYYY-MM.json     # 历史扫描记录（去重用）
└── insights.md          # 长期洞察积累

~/Documents/ai-radar/
└── YYYY-MM-DD.md        # 每日简报存档（含行动项附录）

Apple Reminders「后延池」
└── [AI雷达 MM-DD] ...   # 行动项（pm-daily-plan 自动读取）

执行流程

Phase 1: 确认扫描范围

必须使用此格式：

## 📡 AI 雷达启动

**当前时间**: {YYYY-MM-DD HH:MM}

**请确认扫描范围**：
- [ ] 🔥 热门快扫（今天什么最火？各平台趋势内容）
- [ ] 全层快速扫描（5层概览）
- [ ] 重点层深挖：L4 大模型 / L5 应用（推荐日常关注）
- [ ] 特定关键词：{用户指定}

**你最近关注什么？** （可以直接告诉我，或选择上面的选项）

📍 等待用户确认后再执行搜索

Phase 2: 热门内容发现（搜集阶段）

核心思路（来自轩酱AI日报方法）：不是搜关键词碰运气，而是直接去各平台的热门排序页抓取已经被验证为高热度的内容。

2a. 热门发现策略（/radar hot 模式）

每个平台都有"热门排序"的入口 URL，直接抓取这些页面就能找到当日最火内容：

执行策略：

1. 并行抓取：同时对 3-5 个平台执行 WebFetch/WebSearch
2. 按播放量/热度排序：每个平台取 Top 5-10 条
3. 去重：同一事件在多平台出现 → 重要度自动升级为 🔴

2b. 关键词搜索（传统模式，与热门发现互补）

根据用户选择的范围，使用对应关键词执行 WebSearch。

信息源配置：详见 sources.yaml

信息源质量金字塔：

🥇 一手源 (Primary)    → 官方博客、arXiv、财报 → 优先使用
🥈 精选二手源 (Curated) → Simon Willison、SemiAnalysis → 日常跟踪
🥉 聚合源 (Aggregated)  → Hacker News、X/Twitter → 发现新信号
🔥 热门源 (Trending)    → 各平台热门排序页 → 发现今日爆款

各层核心信息源：

关键词库参考（按层级）：

评估标准：详见 evaluation-criteria.md

Phase 3: 清洗加工（分类 + 评估）

核心：不只是筛选，更要分类标签 + 深度摘要。每条信息都要回答"这是什么类型"和"为什么重要"。

3a. 内容类型标签

每条信息必须标注一个内容类型：

3b. 重要度评估

3c. 深度摘要（对 🔴 和 🟡 级别）

对重要内容执行 WebFetch 深度阅读：

• 进入原文/详情页，获取完整内容
• 生成 100 字以内的中文深度摘要
• 提炼核心看点（不超过 3 个要点）

Phase 4: 输出简报

必须使用此格式：

## 🎂 AI 雷达简报 | {YYYY-MM-DD}

### 🔴 重大动态
1. **{标题}** [L{N} {层级名}] `📦产品`
   - 摘要：{一句话}
   - 来源：{URL} | 热度：{播放量/点赞/评论数}
   - 影响：{对你意味着什么}
   - 核心看点：①... ②... ③...

### 🟡 值得关注
1. **{标题}** [L{N}] `📖干货`
   - 摘要：{一句话}
   - 来源：{URL}

### 🟢 常规更新
1. **{标题}** [L{N}] `💬观点` - {一句话摘要}

---

### 📊 各层速览

| 层级 | 动态数 | 本期关键词 |
|------|-------|-----------|
| ⚡ L1 能源 | {N} | {关键词} |
| 🔧 L2 芯片 | {N} | {关键词} |
| 🏗️ L3 基建 | {N} | {关键词} |
| 🧠 L4 大模型 | {N} | {关键词} |
| 📱 L5 应用 | {N} | {关键词} |

---

### 💡 建议行动

- 🔴 重大动态建议：{是否需要用 system-thinking 深入分析？}
- 📚 知识内化建议：{是否有值得用 knowledge-internalization 深度学习的内容？}

*扫描时间: {HH:MM}*

Phase 5: 持久化 + 行动转化

核心理念：情报不落地就是噪音。每次扫描必须产出可追踪的行动项。

5a. 保存简报文件

将 Phase 4 的完整简报保存为 Markdown 文件：

~/Documents/ai-radar/YYYY-MM-DD.md

文件结构：Phase 4 输出的完整简报 + Phase 5c 生成的行动项附录。

确保目录存在：

mkdir -p ~/Documents/ai-radar

5b. 关联性评分（筛选与我深度相关的内容）

对所有 🔴🟡 级内容，从三个维度评估"与我的关联度"：

维度 1：项目匹配 读取当前活跃项目（pm.py list），判断内容是否直接关联：

• MetaReview / meta分析系统
• MCC 审核系统
• 博士后科研（情绪粒度）
• AI 工具链（transcript、ai-radar、pm-tool 等）

维度 2：工具栈匹配 判断内容是否涉及当前使用的工具/模型，可能带来替换或升级：

• 当前 STT：Whisper → 发现更好的 STT 模型？
• 当前 LLM：Claude → 发现新的推理/编码模型？
• 当前工作流：Claude Code + Skills → 发现新的 Agent 框架？
• 当前基建：本地 Mac → 发现新的部署/推理方案？

维度 3：目标匹配 基于 terry-memory-index.yaml 的优先级框架：

• score_10: 医学实验室PI产品、谭淑平老师合作、MCC
• score_9: 工具开发/流程自动化、AI技术能力提升
• score_7: 知识体系构建

关联度分级：

• ⭐⭐⭐ 直接可行动（匹配 2+ 维度）→ 生成行动项
• ⭐⭐ 间接相关（匹配 1 维度）→ 标注关注，不生成行动项
• ⭐ 仅供了解 → 跳过

5c. 行动项生成（按内容类型模板化）

对 ⭐⭐⭐ 级内容，根据内容类型生成具体行动项：

行动项格式：

[AI雷达 MM-DD] {具体行动描述} ← {来源标题}

5d. 写入后延池

将生成的行动项通过 AppleScript 写入 Reminders「后延池」列表：

osascript <<'APPLESCRIPT'
tell application "Reminders"
    try
        set poolList to list "后延池"
    on error
        set poolList to make new list with properties {name:"后延池"}
    end try

    -- 先检查是否已存在同名任务，避免重复
    set existingNames to name of every reminder of poolList whose completed is false

    set radarActions to {¬
        {"[AI雷达 MM-DD] 行动描述1", "来源: URL\n关联: 项目名\n类型: 📦产品"}, ¬
        {"[AI雷达 MM-DD] 行动描述2", "来源: URL\n关联: 项目名\n类型: 📖干货"} ¬
    }

    repeat with action in radarActions
        set actionName to item 1 of action
        if actionName is not in existingNames then
            tell poolList
                make new reminder with properties {name:actionName, body:item 2 of action}
            end tell
        end if
    end repeat
end tell
APPLESCRIPT

闭环验证：行动项进入后延池后，下次 pm-daily-plan 生成计划时会自动读取，参与任务评分和排序。

5e. 简报文件附录格式

在保存的 md 文件末尾追加行动项附录：

---

## 🎯 行动项（已写入后延池）

| # | 行动项 | 来源 | 关联项目 | 类型 |
|---|--------|------|----------|------|
| 1 | 试用 Moonshine Voice，评估替换 Whisper | Moonshine STT | transcript 工具 | 📦产品 |
| 2 | 研究 HuggingFace/skills 架构 | GitHub Trending | ai-radar 工具链 | 📦仓库 |

## 📋 关注但未行动（⭐⭐ 间接相关）

- Mercury 2 扩散推理 → 关注架构演进，暂无直接行动
- ...

与生态系统其他 Skill 集成

→ knowledge-internalization

当发现重要概念或技术时：

"这个 {概念} 值得深度理解，要用费曼学习法内化吗？"

→ system-thinking

当发现产业结构性变化时：

"这个变化可能影响多个层级，要用系统思维分析因果链吗？"

→ problem-leveler

当用户对信息感到困惑时：

"你的困惑是什么层级的问题？信息过载（L2方法层）还是方向迷茫（L5意义层）？"

→ turkey (觉察系统)

当某个观点让用户强烈认同时：

"你对这个观点的强烈认同，是基于证据还是确认偏误？"

快速命令

使用建议

推荐频率

• 日常：每天早上 /radar L4 L5（大模型+应用层）
• 每周：周末 /radar scan 全层扫描
• 事件驱动：有重大发布时单层深挖

避免的陷阱

• ❌ 每小时刷新一次 → 打断深度工作
• ❌ 收藏但不内化 → 信息焦虑
• ❌ 只追热点不思考 → 知识碎片化

正确的姿态

• ✅ 固定时间扫描，保护专注时间
• ✅ 重要内容进入内化流程
• ✅ 用系统思维理解层级关联

RSSHub 集成（X平台桥接）

为什么需要RSSHub

WebSearch无法直接抓取X平台实时内容，只能搜索到被媒体报道的推文。RSSHub可以将X账号转换为RSS feed，实现真正的实时追踪。

部署与配置

# 1. 配置Twitter Cookie
cd ~/cognitive-os/infrastructure/rsshub
cp .env.example .env
# 编辑 .env，填入你的 Twitter Cookie

# 2. 启动RSSHub
docker-compose up -d

# 3. 验证服务
curl http://localhost:1200/twitter/user/karpathy

X平台抓取脚本

# 运行X平台feed抓取
python ~/cognitive-os/infrastructure/rsshub/fetch_x_feeds.py

输出位置：~/.claude/skills/ai-radar/data/x-feed-YYYY-MM-DD.json

RSS路由格式

相关文件

~/cognitive-os/infrastructure/rsshub/
├── docker-compose.yml    # Docker配置
├── .env.example          # 环境变量模板
├── x-feeds.yaml          # X账号feed配置
├── fetch_x_feeds.py      # 抓取脚本
└── README.md             # 详细部署指南

版本历史

• v3.1 (2026-02-25): 情报→行动闭环
  • 新增 Phase 5: 持久化 + 行动转化（5a~5e 五步）
  • 新增简报自动保存为 ~/Documents/ai-radar/YYYY-MM-DD.md
  • 新增三维关联性评分（项目匹配 + 工具栈匹配 + 目标匹配）
  • 新增行动项模板化生成（按 6 种内容类型）
  • 新增行动项自动写入 Apple Reminders「后延池」
  • 新增简报文件行动项附录格式
  • 与 pm-daily-plan 形成完整闭环：雷达行动项 → 后延池 → 每日计划评分
  • 持久层新增 ~/Documents/ai-radar/ 和 Reminders 后延池
  • 新增知识星球信息源（sources.yaml）
• v3.0 (2026-02-25): 热门内容发现系统
  • 新增 /radar hot 热门快扫模式（借鉴轩酱AI日报方法论）
  • 新增 Phase 2a: 热门发现策略（平台热门排序页直接抓取）
  • 新增 Phase 3a: 内容类型标签（📦产品/📖干货/💬观点/📊数据/🔬论文）
  • 新增 Phase 3c: 深度摘要（对重要内容 WebFetch 深度阅读）
  • 新增跨平台验证逻辑（同一事件多平台热门 → 自动升级 🔴）
  • 信息源金字塔新增 🔥热门源 层级
  • sources.yaml 新增 B站AI频道信息源
  • 核心理念升级：从"搜关键词"到"去热门排序页找已验证的高热度内容"
• v2.2 (2026-01-30): RSSHub集成
  • 新增 RSSHub Docker配置（X平台RSS桥接）
  • 新增 X平台feed抓取脚本
  • 新增 25个X账号的feed配置
  • 文档补充RSSHub部署指南
• v2.1 (2026-01-30): 信息源体系落地
  • 新增 sources.yaml 信息源配置（50+ 信息源）
  • 新增 evaluation-criteria.md 评估标准（四维度打分）
  • 新增 audit-template.md 季度审计模板
  • 新增 /radar sources 和 /radar audit 命令
• v2.0 (2026-01-30): 系统思维重构
  • 明确在生态系统中的定位（信息输入层）
  • 添加强制执行规则
  • 完善四层架构定义
  • 添加与其他 Skill 的集成点
  • 添加使用建议和陷阱警示
• v1.0 (2026-01-30): 初始版本