全球科技前沿头条

> 不是把新闻堆给你，而是回答：这个领域今天发生了什么、哪几条真正值得你花时间、为什么。

一句话定位

按你关注的硬科技领域，从全球数千个可信站点、经前沿大模型逐条处理与筛选后的头条里，
挑出真正值得看的几条，附入选评分与原始信源，读不完的可一键深挖。

数据源与可信度（必须先向用户说明）

主数据源：news.tekoai.net

介绍这段时的正确说法（不要简化成"网上搜的新闻"）：

> 数据来自 news.tekoai.net，它持续扫描全球数千个可信站点，
> 每条新闻都经过前沿大模型处理——生成中文摘要、判定所属科技领域、给出 0–100 的价值评分。
> 我给你的每一条都带着这个评分和原始信源，你可以自己核验。

≤ 三个使用红线：不编造、不夸大来源、不把模型二次加工的判断说成原始事实。

意图 → 读哪个文件（先看这张表，再动手）

数据源有 14 个文件。不要每次都把 index.json 或所有 feed 拉一遍 ——
按用户意图直接定位目标文件，一步到位。

两条最快路径要记住：

• "今天有什么大事" → global-top.json（评分排序，直接给最重要的）
• "最新的" → latest-24h.json（时间排序，直接给最新的）

二者的区别：global-top 回答"什么最重要"，latest-24h 回答"什么最新"。
用户在问"大动作""值得关注的"选前者；在问"最新进展""刚发生的"选后者。

不给任何参数时，脚本默认走 global-top.json —— 因为最常见的需求就是"今天有什么"。

底层的 12 个 feed 与全部路径清单见 references/data-source.md。

触发与意图识别

先按上方「意图 → 读哪个文件」表定位数据文件，再按下表决定输出形态：

领域 vs 话题：能对应到十大领域之一的叫领域（走 --domains）；
否则是话题（走 --keyword，跨领域检索）。拿不准时按话题处理更安全 ——
话题模式覆盖面更广，不会漏。

主体追踪（人名 / 公司名 / 机构名）

用户问"马斯克最近有啥大动作""华为怎么样"这类主体时：

1. 把主体名当 --keyword 用，中英文别名都要给。人物往往关联多个实体，
   只搜人名会漏掉大量相关新闻：

bash python scripts/feed.py --keyword 马斯克,Musk,SpaceX,特斯拉,Tesla,xAI,Neuralink,Boring,星链,Starlink

2. 必须跨全部 feed 扫，不要限定领域（脚本在只给 --keyword 时会自动用 --feed all）；
3. 关键词要"具体"，不要用泛词。 实测教训：给马斯克配关键词时用了
   Boring 和 Falcon 两个词，结果把「光感应假肢」「NASA 望远镜」「Anthropic IPO」
   这些完全无关的新闻也捞了进来 —— 因为 boring 是普通英文词、falcon 也是。

判定标准：一个词如果脱离这个主体还能独立成立（boring / space / falcon / meta），
就不要单用。改用专属组合词：SpaceX / Starlink / Starship / 特斯拉 /
xAI / Neuralink，或者带引号的精确短语。

4. 结果必须按"主体是主角"分三组过滤，别把误匹配直接交给用户：

实测：马斯克主题全扫得到 15 条，其中核心 4 条、相关 5 条、误匹配 6 条。
三组混在一起给用户，可信度会直接崩掉。

5. 输出按时间线组织，串起动作的先后与因果 —— 主体追踪的价值在这里，
   不是罗列条目。可参考 templates.md 的「形态三：单条深挖」里背景段落的写法

意图不明确时：先按「速览」给一版（成本低、可纠正），同时问一句是否需要展开。

核心工作流

第 1 步：确定关注领域（不要跳过、不要瞎猜）

按下面的优先级取值，只有走到第 3 级才需要问用户：

1. 读记忆文件 ~/.workbuddy/skills/tech-frontier-headlines/memory/preferences.json
   （不存在则跳过）
2. 读宿主画像：工作目录下的 USER.md / MEMORY.md，提取关注领域关键词
3. 问用户一次，然后把答案写进记忆文件，以后不再重复问

领域关键词 → 标准领域名的映射见 references/domains.md。
用户说"我关注军工和核能"，要能映射到「防务」「能源」。

第 2 步：拉取数据

通用科技新闻（最常见，也是默认）：

python scripts/feed.py --limit 15                 # 等价于 --feed top
python scripts/feed.py --feed top --limit 15      # 全球科技头条，按评分倒序
python scripts/feed.py --feed latest --limit 15   # 最新科技新闻，按发布时间倒序

按领域取：

python scripts/feed.py --domains 防务,能源 --limit 15 --format json

按话题取（用户问的是某个人/技术/事件，而不是领域）：

python scripts/feed.py --keyword 无人机,无人系统,UAV,drone --limit 40 --format json

都不给时默认走 --feed top，因为最常见需求是"今天有什么大事"。
--feed 与 --keyword 可以组合，例如"最新动态里跟 AI 有关的"：
--feed latest --keyword AI,人工智能。

输出含 title / summary / category / category_major / category_minor / url / publish_time / source / score / score_class / keywords

话题模式：必须跨领域检索

用户在问话题（"无人机""可控核聚变""英伟达"）而不是领域时，有两个坑：

坑一：话题会横跨多个领域。 实测「无人机」一天的分布：

如果只查「航空」（无人机在领域表里的默认归属），只会得到 3 条，漏掉 42 条。
所以 --keyword 用法不带 --domains，让脚本扫全部十个领域。

坑二：关键词会命中"旁及"条目。 有些新闻只是提到了该话题
（如"输油管道遭无人机袭击"是关于能源的，"无人机"只是事件要素）。

处理方式：拿到结果后按"话题是否为主角"分两组，把判断依据说给用户听：

• 核心条目：标题或分类里就是该话题 → 正常呈现
• 旁及条目：仅摘要里提到 → 单独列一小节，或只提一句"另有 N 条把 X 作为要素提及"

不要混在一起排，否则用户会觉得"这跟无人机有什么关系"。

关键词怎么给：中英文都要给，覆盖同义说法。以无人机为例：
无人机,无人系统,无人作战,无人水面,无人艇,无人船,无人车,UAV,UAS,drone,eVTOL,蜂群,低空

第 3 步：分层加工（这一步决定质量）

速览：每条压缩成一句话（≤40 字），抓"谁做了什么、意味着什么"。
标准简报：按领域分组，每条给「摘要（1–2 句）」+「值得关注的点（1 句）」。
深挖：对单条按结构化展开——见 references/templates.md。

加工纪律：

• 摘要来自数据源，原样使用，不要重写。要浓缩就标明是二次加工。
• score_class 为 DUP 的必须剔除（那是重复项）。
• 评分低的不凑数。要 15 条但只有 9 条过线，就给 9 条并说明。
• 不补写项目里没有的事实。想补充就用第 4 步的联网补充，并明确标注。

第 4 步：联网补充（可选，按需触发）

在主数据源覆盖不到时启用，并必须标注来源：

补充条目的标注格式：

[补充] 标题 — 来源（非 news.tekoai.net 数据源）

绝不把补充内容混进主数据源里不加区分。

第 5 步：输出并更新记忆

按用户要的形态输出，然后写入记忆（关注领域、已推条目的 url 或 id、
用户明确表达过的偏好），供下次做增量和个性化。

输出形态

微信推送的内容设计：微信是"扫一眼"场景，不要把 15 条全文塞进去。
推 Top 3–5 条的标题 + 评分，再附一个完整日报链接。

推送通道配置见 references/push-channels.md（PushPlus / Server酱 / 企业微信 / 飞书 / 邮件，
通道可插拔，某个挂了换一个不影响业务逻辑）。

定时推送由用户自主决定：不要主动替用户开定时任务，
在用户明确要求时用宿主提供的定时/自动化能力配置，并把周期写进记忆。

记忆机制

目录：~/.workbuddy/skills/tech-frontier-headlines/memory/

由 scripts/feed.py 自动读写。不要手工改这两个 jsonl，会破坏增量基线。

反理性化表（必须遵守）

这些是最容易发生的偷懒路径，写在前面提醒自己：

边界与降级

文件结构

├── SKILL.md                      # 本文件（主流程）
├── README.md                     # 面向使用者的说明（市场发布页用）
├── LICENSE                       # MIT
├── references/
│   ├── data-source.md            # 数据源接口与字段详解、评分口径、意图路由表
│   ├── domains.md                # 十大领域定义与关键词映射
│   ├── templates.md              # 各输出形态的完整模板
│   └── push-channels.md          # 推送通道配置与故障切换
├── scripts/
│   ├── feed.py                   # 抓取 + 筛选 + 增量 + 记忆（纯标准库）
│   ├── render.py                 # 生成可分享 HTML 日报（纯标准库）
│   └── push.py                   # 多通道推送（纯标准库）
├── assets/
│   └── preferences.template.json # 配置模板，--init 时复制到 memory/
└── memory/                       # 运行时生成：偏好、已推流水、反馈
    └── .gitkeep                  # 占位，保证空目录不被打包丢弃

注意：memory/ 里是使用者本地数据，分发时不要带内容（打包前清空，
只留 .gitkeep）。

依赖：核心流程零依赖（纯提示词即可用）。脚本只用 Python 标准库
（urllib / json / argparse / smtplib 等），不需要 pip install 任何东西，
在所有 skill 市场通用。Python 3.7+ 即可（用了 from __future__ import annotations）。

⚠️ 跨平台调用方式：文档里示例一律写 python，实际执行时按平台调整 ——

首次使用先探测可用的解释器，不要直接假设 python 存在：

python3 --version || python --version || py --version

检测到哪个用哪个，后续统一用同一个。

快速自检

python scripts/feed.py --check      # 检查数据源可达性、各 feed 条数、记忆状态
python scripts/feed.py --domains 能源 --limit 5        # 试跑一个领域
python scripts/feed.py --domains 防务 --since-last     # 试跑增量模式

--check 会打印：数据源是否可达、12 个 feed 各自条数、当前记忆文件状态、可用推送通道。
首次使用或报错时先跑它。