AI HOT 选题助手

从 AI HOT 日报中获取今日 AI 热点，帮用户快速挑选公众号选题。

流程

1. 获取数据

先把当前 SKILL.md 所在目录记为 <skill-dir>，再执行：

python3 <skill-dir>/scripts/fetch_hot.py 10

从当前 skill 的真实安装位置解析 <skill-dir>，不要硬编码用户名或 ~/.claude、~/.codex 路径。

如果返回 error 字段，说明 AI HOT 站点不可用，提示用户稍后重试。

2. 展示选题表

先展示 hot_topics（站点服务端聚类的「当前热点」，多信源同时报道的大新闻，这是当天最不能漏的选题），再展示常规选题表。

🔥 当前热点（多信源聚焦）
1. Kimi K3 发布：2.8T 参数开源模型（12 个信源报道）[链接](url)
2. xAI 开源 Grok Build（6 个信源报道）[链接](url)

如果某个 hot_topic 和 items 表格里的条目是同一话题，在表格该行话题前加 🔥 标记，不必重复列出。hot_topics 为空时跳过该板块。

将 JSON 结果格式化为 Markdown 表格。规则：

• 标题超过 28 字截断加 ...
• 来源列保持简洁（𝕏 @handle / 公众号名 / HN）
• 分类列精简（"模型发布/更新" → "模型"，脚本已处理）
• 原文列用 [链接](url) 格式，方便用户点击跳转截图

输出格式：

数据截至 {fetched_at}，共 {total} 条热点，展示 Top {showing}：

| #  | 话题 | 来源 | 距今 | 分类 | 原文 |
|----|------|------|------|------|------|
| 1  | Thinking Machines 发布... | 𝕏 @thinkymachines | ~4.8h | 模型 | [链接](url) |
| 2  | xAI 开源 Grok Build | 𝕏 @elonmusk | ~2.1h | 产品 | [链接](url) |
...

如果 recent_drafts 中有词和当前 items 标题明显重叠，在表格上方注明「已排除近期写过的 N 个相似话题」，并从表格中去掉这些条目。

3. 智能推荐

分析所有话题后，给出 2-3 个推荐编号。推荐依据：

• 多信源聚焦：hot_topics 里的话题是全网多个信源同时报道的大新闻，优先推荐
• 写作潜力：有没有故事性、争议性、或实用干货
• 角度分散：技术、产品、行业、伦理尽量覆盖不同方向
• 账号契合：与「卡卡罗特学AI」定位匹配（AI实战、开发者视角、普通人能看懂）
• 时效性：越新的话题越有抢首发的价值

格式：

推荐 X、Y、Z：[一句话理由，说明为什么这几个搭配写比较好]。回复编号即可开始写文章。

4a. 用户说「写推文」或「发推」

如果用户的输入是"写推文""发推""推文"，或者在看完选题表后说"写推文"：

1. 从推荐的 2-3 个话题中，每个生成一条推文
2. 也可以额外挑 1-2 个有趣的非推荐话题写推文，凑够 4-5 条
3. 推文风格要求：
   • 口语化，像卡卡罗特在跟朋友聊天
   • 有个人判断和态度，不是干巴巴的新闻摘要
   • 每条 3-6 段，段落短，一句一段
   • 可以用反问、感叹、吐槽来制造节奏
   • 结尾可以留一个开放性的思考或一句短评
   • 不用 hashtag，不用 emoji（除非特别合适的场景）
4. 输出格式：每条推文用 --- 分隔，前面标注对应的话题编号和标题
5. 用户可以说"改第X条"来微调某条推文

4b. 用户回复编号（写长文）

用户回复编号（如 3）后：

1. 把该话题的 summary 和 url 提取出来
2. 用 WebSearch 或 WebFetch 补充该话题的更多背景（原文内容、社区反响、相关事件）
3. 把调研结果整理成素材摘要，展示给用户确认角度
4. 用户确认后，调用 kakarot-writer skill 完成长文；只有用户同时明确要求存到公众号或发布时，才继续调用 wechat-publisher

注意

• 这个 skill 的核心价值是帮用户省掉每天刷 AI HOT 挑选题的时间
• 推荐要有判断力，不要列出所有话题都说好，要敢于说某些话题不适合写
• 如果今天的热点都比较平，坦诚说「今天没有特别炸的选题，建议等一天或者写库存话题」