全球头条精选

> 不是把新闻堆给你，而是回答：这个产业今天发生了什么、哪几条真正影响你的决策、为什么。

一句话定位

面向五类决策者，从每日 10 万条以上原始资讯、经前沿大模型评分筛选后的情报里，
挑出真正值得看的，附评分、分类编号、地理落点与原文链接。

数据源（必须先向用户说明一次）

主数据源：tekoai.net

正确说法（不要简化成"网上搜的新闻"）：

> 数据来自 tekoai.net，每日由前沿大模型处理 10 万条以上原始资讯，覆盖 20 余种语言、
> 上万个信息源，完成去重、评分与产业归类后只保留高分结果。
> 我给你的每一条都带 0-100 评分、分类编号和原文链接，你可以自己核验。

三条红线：不编造、不夸大来源、不把模型的判断说成原始事实。

第一步：判断用户是哪一类人（别跳过）

三类用户的答案完全不同。判错的代价是答非所问。

判断不出时：按「速览」给一版（成本最低、易纠正），并问一句
"你更关心能做什么决策，还是发生了什么？"

详细的痛点、场景、禁区见 references/personas.md——做深度输出前必读对应画像那一节。

第二步：意图 → 读哪个文件（先看表，再动手）

不要每次都把 /index.json 或所有 feed 拉一遍。 按意图直接定位：

两个入口的区别：/feed.json 答"什么最重要"，/latest.json 答"什么最新"。
问"大动作""值得关注"→前者；问"最新进展""刚发生"→后者。默认走 --top。

第三步：取数

先探测 Python（不同平台命令不同）：

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

常用命令（后续统一用探测到的那个）：

# 摸底
python scripts/intel.py --check

# 按画像取数（最常用的组合）
python scripts/intel.py --persona investor --sector 信息技术 --limit 15
python scripts/intel.py --persona executive --track T001,T006 --limit 20
python scripts/intel.py --persona policymaker --macro G05,G06,G08 --limit 15
python scripts/intel.py --persona analyst --sector 能源 --format json

# 全站
python scripts/intel.py --top --limit 15
python scripts/intel.py --latest --limit 15

# 话题 / 主体追踪（跨频道）
python scripts/intel.py --keyword 宁德时代,比亚迪,新能源车 --limit 20

# 增量（只给比上次新增的）
python scripts/intel.py --sector 能源 --since-last

# 记住关注范围（下次不传参就用它）
python scripts/intel.py --save-sector 信息技术,能源

多频道取数：各频道都有代表

--sector 能源,信息技术 / --macro 关税,地缘 这类多选，脚本会按频道轮流取再排序，
不是全局混排。原因：实测 --macro 关税,地缘 取 10 条时，G06 地缘（高分）把
G05 关税（当天最高 69 分）全部挤掉，用户明确要的"关税"一条都看不到。

输出末尾会附一行「本组频道分布」，若某个点名频道挂零也会明说
（是当日无过线新闻，不是取数失败）。

结果是 0 条时怎么办

脚本会区分三种情况，别自己猜：

画像门槛是硬门槛：investor 45、policymaker 55、researcher/executive 50。
某些板块（如金融）当天可能全线低于 45，这时看到 0 条是正常的，
如实告诉用户"该板块当日无高分新闻"即可，不要为了凑数降到 20 分。

主体追踪的关键技巧

问"某公司/某人最近有什么动作"时：

1. 中英文别名都要给，别只给人名：
   bash python scripts/intel.py --keyword 宁德时代,CATL,宁德新能源,曾毓群
2. 不要用泛词。新能源、AI、科技 这类词会捞进海量无关条目。
   用专属组合词：宁德时代 / CATL / 神行超充 / 麒麟电池。
3. 结果要分两组给：脚本已自动分成
   - 核心（标题或分类命中 → 主体是主角）
   - 旁及（仅摘要提到 → 主体只是事件要素）
   两组不要混在一起排，否则用户会觉得"这跟我要问的有什么关系"。

话题会横跨多个频道

一个话题（无人机、储能、英伟达）通常散落在多个板块与赛道里。
所以 --keyword 走全站检索索引，不要限定板块。
实测"英伟达"会同时出现在 T001 AI算力、T047 算力租赁、I453003 半导体制造里，
只查一个板块会漏掉大半。

第四步：分层加工（这步决定质量）

完整模板见 references/templates.md。

四条加工纪律：

1. 摘要原样使用，不要重写；要浓缩就标注"以下为二次浓缩"
2. score_class == DUP 必须剔除（重复项）
3. 不凑数：要 15 条只有 9 条过线，就给 9 条并说明
4. 推断必须标注：事实 / 叙事 / 推断三者不能混

第五步：按画像定制输出

取完数只是原料，怎么讲才决定有没有用。核心差异：

面向投资者时的强制声明（每次都要有）：

> 评分是对新闻重要性的判断，不代表任何标的的投资价值。以下为信息整理，非投资建议。

详细写法见 references/personas.md。

输出 HTML 日报

python scripts/intel.py --sector 信息技术 --persona analyst --limit 20 --format json > d.json
python scripts/render.py --input d.json --out brief.html \
  --title "信息技术板块日报" --persona analyst --group-by sector

产物是自包含单文件 HTML（无外部依赖），深色 Vercel 风格，可直接转发或归档。

记忆机制

目录：~/.workbuddy/skills/teko-industry-intel/memory/
（找不到时回落到 skill 自身的 memory/）

由 intel.py 自动读写，不要手工改 pushed.jsonl，会破坏增量基线。

用户说"我主要看半导体和新能源" → 跑 --save-sector 信息技术,能源，以后不传参就用它。

反理性化表（必须遵守）

边界与降级

文件结构

teko-industry-intel/
├── SKILL.md                    # 本文件（主流程）
├── README.md                   # 面向使用者的市场介绍
├── LICENSE                     # MIT
├── references/
│   ├── data-source.md          # 接口清单、字段、评分口径、数据规模
│   ├── taxonomy.md             # 242 编号体系、上卷规则、易错判定
│   ├── personas.md             # ★ 五类用户的痛点/场景/取数/输出/禁区
│   └── templates.md            # 五种输出形态的完整模板
├── scripts/
│   ├── intel.py                # 取数 + 筛选 + 增量 + 记忆（纯标准库）
│   └── render.py               # 生成可分享 HTML 日报（纯标准库）
├── assets/
│   └── preferences.template.json
└── memory/                     # 运行时生成（分发时清空，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），不需 pip install，Python 3.7+。

首次使用自检

python scripts/intel.py --check

会打印：数据源是否可达、各入口条数、36 个频道清单、记忆状态。
首次使用或报错时先跑它。