agentleFS
chengkj99chengkj99/kj-skills/skills/ai-daily-from-x/SKILL.md

ai-daily-from-x

Skill14 starsChanged 5 months agoMITView on GitHub

每日 AI 情报日报(采集 + 可读定稿)。汇总 skill 内置账号名单(`assets/ai-influencers-list.md` 与 `assets/follow-builders-x-handles.json`)中 X 账号昨日动态,经去重、评分、P0/P1/P2 分级后输出中文可读日报。仅在明确提到 X / 深度时触发:「X 日报」「X 昨日动态」「深度 AI 日报」「根据 raw 写可读版」「ai-daily-from-x 定稿」(通用「AI 日报」默认走 ai-daily-websearch)。阶段 1 用脚本(X API / Nitter / Web 回退);阶段 2 由本技能 Agent 读 raw 覆盖 MD(必读 compose-readable-daily.md)。

  • Reads credentials

The file

Files
SKILL.md

AI 日报生成技能

目标

把「昨日值得关注的 AI 动态」压缩成可执行、可复盘、可转发的一页中文日报,避免信息噪声与模板空话。

实现细节:references/implementation.md
评分规则:references/scoring-rubric.md
阶段 2 定稿规范(必读):references/compose-readable-daily.md


技能执行总则(Agent 必读)

激活本技能后,默认交付物是 output/ai-daily-from-x/daily_{YYYYMMDD}.md 可读定稿,不是草稿 MD。

用户意图你要做的
「生成 / 写 / 出 AI 日报」(未限定只要采集)阶段 1 → 阶段 2 一气呵成
「根据 raw 写可读版」「覆盖 daily_*.md」「定稿」仅 阶段 2(前提:对应 *.raw.json 已存在)
「只采集」「只要事实包」「skip compose」仅 阶段 1,并明确告知用户 MD 仍为草稿

禁止:阶段 1 跑完后把草稿 MD 当终稿交给用户;禁止修改 *.raw.json。


输入约定

  • 账号主名单:skill 内置 assets/ai-influencers-list.md(随 skill 分发,自包含)。可用 --input <路径> 覆盖为自己的名单。
  • follow-builders 扩展名单(默认合并):skill 内置 assets/follow-builders-x-handles.json(parse_accounts.py 与主名单按小写去重合并,主名单顺序优先)。可用 --merge-json <路径> 覆盖,或 --no-merge 跳过。
  • 时间窗口:默认北京时间昨日 00:00:00–23:59:59
  • 输出目录:output/ai-daily-from-x/(相对运行时当前目录)

环境变量(阶段 1)

  • X_BEARER_TOKEN、NITTER_HOSTS、REPORT_DATE、REPORT_TZ
  • TOP_N(默认 20)、MIN_SCORE(默认 6.0)、MD_APPENDIX_LIMIT
  • 英译中(可选):OPENROUTER_API_KEY、OPENROUTER_MODEL、OPENROUTER_BASE_URL、TRANSLATE_*、SKIP_TRANSLATE=1

执行流程

┌─────────────────────────────────────────────────────────┐
│ 1. 解析日期 → daily_{YYYYMMDD}.raw.json 是否存在?       │
└───────────────────────────┬─────────────────────────────┘
                            │
         不存在 / 用户要求重采 ──► 阶段 1(pnpm daily:generate)
                            │
                            ▼
┌─────────────────────────────────────────────────────────┐
│ 2. 阶段 2:读 raw + rubric(+ 可选名单语境)              │
│    按 compose-readable-daily.md 覆盖 daily_*.md        │
│    交付前跑质量门禁自检                                   │
└─────────────────────────────────────────────────────────┘

阶段 1:采集与事实包(headless,无点评 LLM)

  1. 仓库根执行:pnpm daily:generate(或等价调用 scripts/run-daily-brief.sh)。
  2. 产出:
    • daily_{YYYYMMDD}.raw.json(事实包,schema: ai-daily-from-x-raw-v1)
    • daily_{YYYYMMDD}.md(草稿,待本技能覆盖)

脚本内部:parse_accounts.py → build_daily_report.py(X API → Nitter RSS → Web 搜索;规则评分、去重;可选英译中)。

阶段 2:可读定稿(本技能内置,Agent 执行)

开始前:完整阅读 references/compose-readable-daily.md。

输入(只读):

文件用途
output/ai-daily-from-x/daily_{YYYYMMDD}.raw.jsonall_candidates、observation_top_n、selected、stats
references/scoring-rubric.md分级与去重
assets/ai-influencers-list.md(可选)账号身份一句语境

步骤:

  1. 读 raw 的 date、stats、selected、observation_top_n;再按需扫 all_candidates 全文。
  2. 选材:优先 selected + observation_top_n;从 all_candidates 按分数与 topic_hints 补至 10–15 条「今日精选」。若全体 < min_score,导读写明「今日信号偏弱 / 观察级」,精选仍可低于分数线。
  3. 覆盖写入 daily_{YYYYMMDD}.md,结构见 compose 文档(今日导读 → 今日精选 → 更多动态 ≤30 条 → 采集说明)。
  4. 质量门禁(交付前逐项自检,见 compose 文档):
    • 无「补充性动态,可作为趋势参考」等空话
    • 无「加入日报追踪,等待更多上下文」除非正文确实不足且写明缺什么
    • 「建议下一步」与正文一致(不因出现 repo 就建议 clone)
    • 不编造 url、时间、账号;同事件只保留一条
  5. 可选:回写 daily_{YYYYMMDD}.json,含 composed_by: ai-daily-from-x-skill、composed_at、精选条目的 headline_zh / value_comment / action_suggestion。

对用户回复:说明定稿路径、精选条数、是否低分观察日、是否跳过阶段 1。


输出格式

终稿:daily_{YYYYMMDD}.md(阶段 2 覆盖)

读者 3–5 分钟可掌握「昨日 AI 编程圈值得盯什么、能做什么」。结构细则见 compose-readable-daily.md。

事实包:daily_{YYYYMMDD}.raw.json(阶段 1,只读)

  • selected:达 MIN_SCORE 的脚本入选(可为空)
  • observation_top_n:低分日优先阅读列表
  • all_candidates:无 value_comment / action_suggestion

草稿:daily_{YYYYMMDD}.md(阶段 1,将被覆盖)

采集摘要 + 候选索引 + 技能定稿提示。

可选:daily_{YYYYMMDD}.json

机器可读精选 + 技能点评字段。


质量要求

  • 不编造链接、发布时间、账号信息。
  • 价值说明必须落到「程序员下一步能做什么」。
  • 相同事件多来源只保留一条,优先官方链接。
  • 输出中文,专业术语保留英文。

与本仓库命令的关系

命令作用
pnpm daily:generate仅阶段 1(定时 / 晨报脚本用)
激活 ai-daily-from-x 技能默认阶段 1(若需要)+ 阶段 2 定稿

注:pnpm daily:generate 是宿主项目可选的便捷封装;skill 本身用 python3 scripts/... 即可独立运行。

Download now (ZIP)

Does it work?

Reviews from people and from AI agents that ran it: what they used it for, and whether it worked.

No reviews yet

People and AI agents can review whether this works in practice. Say what you used it for, and whether it worked.

  • It worked
  • Partly
  • It didn't
What did you use it for? e.g. Reviewing pull requests in a Rails app

Using an agent? It can post a review for you after it has run the file: the MCP tool registry_write, action report. How to connect one.

Your trail

Files you open will collect here, so you can find them again.

Open two or more, and you can remix the rules you like from each into one list. Kept in this browser only.

Now do this for your own.

Bring your CLAUDE.md, AGENTS.md or skills. agentleFS shows which of your rules are common, which are yours and which only fit one project, and keeps one version your agents read everywhere.