agentleFS
yuanhaorannnnnnyuanhaorannnnnn/agent-skills/skills/x-likes-digest/SKILL.md

x-likes-digest

Skill0 starsChanged 2 months agoMITView on GitHub

读取 X/Twitter 账号新增的 Likes,按当周实际内容生成一封偏娱乐的 HTML 周报并发送到 Gmail。触发于“处理本周 X 点赞”“X likes 周报”“把最近点赞发我邮箱”;不摄入 Wiki,不点赞或取消点赞,也不用于单个已给 URL 的普通摄入。

The file

Files
SKILL.md

X Likes 娱乐周报

把 X Likes 当成每周一次的娱乐 inbox。只做增量发现、分组、排版和邮件投递;不写 Wiki,不调用 acquisition。

固定边界

  • X 侧只读:只读 liked_tweets,不得点赞、取消点赞、发帖、书签或修改任何 X 状态。
  • 凭据只由 xurl 的 OAuth 配置管理;不得输出 token、secret 或授权头。
  • 不写 /media/yhr/2T/files/wiki,不执行 git、catalog、index 或 log。
  • 收件人固定为 Gmail me;不抄送、不转发给其他人。
  • 用户已确认的内容规则:按当周实际内容分组,不设固定分类比例;不加点评;视频只给链接,不嵌缩略图;不过滤条目。
  • 安全边界:敏感、成人或明显冒犯条目仍保留在周报中,但邮件正文不复述其文本或媒体,只显示“⚠️ 敏感内容,点开原帖查看”加链接。

依赖

  • xurl app x-bookmark-ingest,当前 OAuth 已具备 like.read。
  • 本机固定入口:~/.local/bin/xurl(官方 release v1.3.4,安装时校验 SHA-256);定时运行不调用 npx 下载。
  • 只读探测:~/.local/bin/xurl --app x-bookmark-ingest -u haoran_yuan /2/users/me;每次请求最多等待 45 秒,CLI probe 成功后才继续 build;符合备用条件时也可通过 MCP snapshot probe,不能忽略认证/额度失败。
  • 邮件发送前必须对 pending manifest 执行 python3 <skill-dir>/scripts/x_likes_digest.py validate-pending --manifest <pending.json>;命令失败就停止发送并保留 pending。新 build 在写入前也会执行相同 HTML 安全检查。
  • CLI REST 是主路径;MCP 未启动/不可见不阻断正常 CLI。CLI 不存在、不能执行或瞬时传输故障时,备用 xapi_wiki(或同账号 xapi)的 get_users_me + get_users_liked_posts。不得用 get_posts_liking_users(某帖点赞者)代替当前用户 Likes。
  • 401/403、OAuth refresh/授权失败、402 均停止,不换 MCP 绕过。瞬时故障至多一次备用尝试,CLI/MCP 串行,不执行自动登录或重新授权。凭据错误只报告分类,不输出原始诊断或启用 verbose/trace。
  • 备用 MCP 用与脚本 POST_FIELDS/EXPANSIONS/MEDIA_FIELDS/USER_FIELDS 对应的字段(MCP 使用 post.fields),每页最多 100。按最新优先取到已见 ID 或无 next_token,保留 data/includes 和末页 meta;不额外查询单帖/搜索。
  • 只使用本轮 CLI 故障后实时获取的备用响应,不复用旧快照。将备用响应聚合为 <state-dir>/mcp-likes.json:{"user":{"id":"<authenticated-id>","username":"haoran_yuan"},"data":[<按页顺序的原始 Likes>],"includes":{"users":[],"media":[],"tweets":[]},"meta":{<末页 meta>}}。合并 includes 去重;保留 next_token,不能把截断结果改成完整。
  • 先 probe --mcp-source <snapshot> 验证,再 build --mcp-source <snapshot>;后者复用 seen/baseline、HTML、pending 与 mark-sent,不重复 CLI 请求、不使用仅供离线演示的 --source-json 发送邮件。已有 pending 优先恢复,禁止重新 build。未取到已见边界且仍有 next_token 时停止并报告 partial。
  • MCP 备用同样保留原 45 分钟总预算;工具无法硬设 45 秒时如实记录。
  • Gmail 发送: gmail_send_email({to:"me", subject, payload:{mime_type:"text/html", charset:"UTF-8", body:{content:html}}, response_fields:["id","thread_id"]})

状态

  • ~/.codex/automations/x-likes/state.json
  • ~/.codex/automations/x-likes/issues/<issue-id>/
  • ~/.codex/automations/x-likes/memory.md

state.json 的 seen 是增量账本;首次运行且没有 baseline_at 时只建立 baseline,不发邮件。

Baseline 只关心“从现在往后的新增”。不要自动运行高消耗的 API baseline;优先让用户从 X 设置下载数据归档,用 import-archive --path <like.js> 直接导入历史 like 的 tweetId,零 API 读取。没有归档时报告 blocked 并停止,等用户明确同意再建立 API baseline;API baseline 最多读取一页 100 条,增量遇到已见条目即停止。

如果用户手动指定某条推文作为本期起点,用 set-start --tweet-id <id> --manifest <pending.json> 建立边界:该推文及更新的 Likes 视为本期新增,之后的旧 Likes 标记为已见。

运行流程

  1. python3 <skill-dir>/scripts/x_likes_digest.py probe
  2. python3 <skill-dir>/scripts/x_likes_digest.py status
  3. 没有 baseline:优先从 X 数据归档执行 import-archive --path <like.js>;没有归档就报告 blocked,不自动跑 baseline --recent 1000
  4. 有 baseline:python3 <skill-dir>/scripts/x_likes_digest.py build
  5. 按生成的 pending.json 逐 part 用 Gmail 发送;subject 为 X 瞎看 · YYYY.MM.DD,多 part 时加 (1/2)。
  6. 每个 part 发送成功后执行 mark-sent --issue <issue-id> --part <n> --gmail-id <id>。
  7. 报告 discovered、sent、parts、gmail_ids、remaining 和本地 HTML 绝对路径。

邮件规则

  • 视觉延续已观察的 It’s Nice That 首页 的编辑式刊头、紧凑信息带、留白和内容优先分组;具体视觉由 build_html 生成。参考来源不是内容来源,不复用网站文章或商标。新的视觉变更仅影响新 build;已有 pending 的冻结 HTML 必须原样恢复。
  • 分组按实际内容:图片 / 视频 / 文字 / 长文 / 外链;空组省略;不按固定配额。
  • 图片:每帖最多嵌入 2 张;超过显示“+N 张,点原帖看全”。
  • 视频:只显示 ▶ 视频 · 时长 · 看原帖,不嵌缩略图。
  • 长文:最多 160 字加原帖链接。
  • 不过滤条目;敏感条目只保留链接和警告,不复述正文或媒体。
  • 单封最多 60 条或 HTML 不超过 95KB;超过则分 part,避免 Gmail 裁剪。

完成门槛

  • state.json 已更新 last_success_at 和已发送 post IDs。
  • 每封邮件都有 Gmail message id。
  • 没有 Wiki 或 git 改动。
  • 静态配置成功不等于 API 或邮件端到端成功;以 Gmail 返回的 message id 为准。

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.