SuperAPI AI 工具集
合作ENAI 行业资讯收藏
Skill 广场tech-radar

tech-radar

写作与研究

查看项目

更新于 10-15 17:43

技能介绍

科技雷达 Tech Radar 是一个科技情报采集与日报生成技能，采用三层流水线架构。

一、整体架构 三层流水线为： Layer 1 脚本采集（Node.js，不耗 AI token，约 10 秒），产出 JSON 数据； Layer 2 多个 AI 分析师并行分析，各读各的 prompt 与数据，产出独立报告； Layer 3 主编综合，做跨源关联、趋势判断与 30 秒速读，产出最终日报。

二、数据源 资料列出的采集器与数据类型如下：

  • GitHub Trending（gh-trending.mjs）：日榜增速 top5 + 月榜增速 top20
  • Product Hunt（producthunt.mjs）：日榜 top5 + 月榜 top20
  • Hacker News（hackernews.mjs）：Top 30 stories
  • 张咋啦 AI（zara-ai.mjs）：视频/播客更新检测
  • Follow Builders（follow-builders.mjs）：AI builder 推文/播客/博客（来源为张咋啦 follow-builders 仓库）

三、触发方式 完整流水线（采集 → 分析 → 综合日报）可用：/tech-radar、「科技雷达」、「今日科技」、「看看热榜」。 单源模式可用：/tech-radar github、/tech-radar ph、/tech-radar hn、/tech-radar zara，以及「GitHub 热榜」、「PH 排行」、「HN 热帖」。 点评处理触发词：「处理点评」、「看看我的点评」、「执行点评」。

四、执行流程 资料定义了如下变量：SKILL_DIR 为本 SKILL.md 所在目录的绝对路径；SCRIPTS_DIR 为 ${SKILL_DIR}/scripts；COLLECTORS_DIR 为 ${SCRIPTS_DIR}/collectors；ANALYSIS_DIR 为 ${SKILL_DIR}/analysis；RADAR_HOME 为 /home/01fish/TT/项目1：01fish-assistant/tech-radar；OUTPUT_DIR 为 ${RADAR_HOME}/reports/$(date +%Y-%m-%d)。

Step 1 采集（纯脚本，不耗 token）：完整采集先 mkdir -p "${OUTPUT_DIR}"，再执行 node "${SCRIPTS_DIR}/collect.mjs" --output "${OUTPUT_DIR}"；协调器会自动发现 collectors/ 目录下所有 .mjs 文件并行执行。单源采集先 mkdir -p "${OUTPUT_DIR}"，再执行 node "${COLLECTORS_DIR}/<采集器名>.mjs" > "${OUTPUT_DIR}/<源名>.json"。采集器映射：github 对应 gh-trending.mjs，ph 对应 producthunt.mjs，hn 对应 hackernews.mjs，zara 对应 zara-ai.mjs。

Step 2 分析（AI 分析师）：对每个成功采集的数据源，读取对应的分析师 prompt（${ANALYSIS_DIR}/<源名>-analyst.md），读取采集数据（${OUTPUT_DIR}/<源名>.json，或从 summary.json 中提取对应源数据），按 prompt 要求分析生成独立报告。分析师 prompt 映射：gh-trending.json → github-analyst.md，producthunt.json → producthunt-analyst.md，hackernews.json → hackernews-analyst.md，zara-ai.json → zara-analyst.md。资料特别说明：多个分析师互相独立，可用多个并行 Agent 同时运行。

Step 3 综合（主编）：仅在完整采集模式下执行，读取 ${ANALYSIS_DIR}/synthesizer.md，汇总所有分析师报告，执行跨源关联分析，生成最终日报并以「30 秒速读」开头。

Step 4 输出：日报文件名为当天日期，路径为 ${OUTPUT_DIR}/YYYY-MM-DD.md（如 2026-04-03.md），同时在对话中完整展示给用户。日报内容要求如下： Part 1 30 秒速读（3 条核心趋势 + 行动建议）； Part 2 原始榜单数据，须完整列出不可省略：GitHub Trending 日榜（增速）所有条目（仓库名、描述、语言、Star 数、当日增量）；GitHub Trending 月榜（增速）所有条目（同上，月增量）；GitHub 总星数 Top10（日榜）按总 Star 排序的当日 trending 前 10（日榜不足 10 条则展示全部）；GitHub 总星数 Top10（月榜）按总 Star 排序的当月 trending 前 10；Product Hunt 日榜 Top5（产品名、Tagline、投票数、评论数、链接）；Product Hunt 月榜 Top20（同上）；Hacker News Top 30（标题、分数、评论数、链接）；张咋啦 AI 更新（新增视频/播客，如无更新标注「无变化」）；Follow Builders（AI builder 最新推文精选，按互动最高，以及最新播客/博客）。资料要求每一条信息都附带一句「01fish 行动建议」，说明是否值得关注以及如何利用（写文章、用工具、跟踪观察或忽略），不要只罗列数据。 Part 3 跨源强信号分析：同一话题/实体出现在多个源的做关联分析。 Part 4 选题建议：结合 01fish 内容特点给出选题建议。资料中 01fish 内容定位为 AI 自媒体教育博主，讲「AI 改变普通人的故事」，风格好奇、专业、有温度、技术幽默；内容标准为有用（能学到东西）+ 有趣（有钩子、有故事性）；优先角度为 AI + 普通人视角优先于纯技术视角，实操教程优先于抽象分析，反常识/争议优先于平铺直叙；标题钩子须有反常识、具体冲突、悬念或数字冲击中的至少一种。每条选题给出标题草案（含钩子）、内容角度、目标平台、为什么现在做。 Part 5 观察列表：持续跟踪的信号。 单源模式下直接展示该源的原始数据 + 分析报告，不做跨源综合。

Step 5 处理 fish 点评：当用户说「处理点评」或「看看我的点评」时，读取当天日报 md 文件，扫描所有「fish点评:」标记（用户会在日报任意位置插入），理解每条点评的上下文与意图，逐条执行：行动指令（如「这个要做」「试一下」「写篇文章」）直接执行或创建具体任务；委派（如「找人测」「让助理做」）记录到待办；素材标记（如「引用到xx文章」「可以用」）收集到素材库；想法/灵感（如「有意思」「可以结合xx」）用 /bi 存入大脑收件箱；否定（如「没用」「忽略」）跳过。处理完后在日报末尾追加「点评处理记录」，汇总执行了什么。

五、扩展数据源 加新源只需两步：复制 collectors/ 下任意 .mjs 文件改名并实现采集逻辑；在 analysis/ 下新建对应的 xxx-analyst.md 分析师 prompt。协调器会自动发现新文件，不需要改任何配置。

六、文件结构 .claude/skills/tech-radar/ 下包含：SKILL.md（Skill 入口）；analysis/ 分析师 prompt（github-analyst.md、producthunt-analyst.md、hackernews-analyst.md、zara-analyst.md、synthesizer.md 主编综合 prompt）；scripts/ 下 collect.mjs 协调器、collectors/（gh-trending.mjs、producthunt.mjs、hackernews.mjs、zara-ai.mjs）、lib/fetcher.mjs（HTTP + 公共工具）。

七、限制与未提供信息 资料未提供收费、价格、平台支持范围、采集频率上限、账号配置等细节，暂未提供。部分路径与内容定位（如 01fish、RADAR_HOME、/bi）为技能内设定，并非可公开访问的地址。