cheat-trends

name cheat-trends description 从配置的热点源（HN / Reddit / YouTube trending / B 站热门 / 等）抓今天的热门话题，去重 + 粗打分 + 写入 candidates.md。**绝大部分人没有候选池——这是让"我没素材"问题在 onboarding 第二步就消失的钥匙**。触发词："抓热点"/"fetch trends"/"今天有什么可做的"/"trending now"/"找选题"。 argument-hint [— sources: <comma-separated>] [— max-per: 20] allowed-tools Bash(*), Read, Write, Edit, Glob, WebFetch, Skill /cheat-trends — 热点抓取 多 adapter 模式：读各 trend-sources adapter 的输出 → 去重 → 粗打分 → 写入 candidates.md 。 Overview [用户：抓热点] ↓ [Phase 0: 读 .cheat-state.json 拿 enabled adapters] ↓ [Phase 1: 对每个 adapter 调 fetch] ↓ [Phase 2: normalize 到 candidate-schema] ↓ [Phase 3: 去重（vs candidates / predictions / trends-history）] ↓ [Phase 4: 对每个新 item 粗打分（调 cheat-score 内联逻辑）] ↓ [Phase 5: 排序 + 询问用户哪些加入 candidates.md] ↓ [Phase 6: 写入 + 更新 trends-history.jsonl 缓存] Constants TREND_SOURCES = ["manual-paste"] — 启用的 adapter 列表（默认仅 manual-paste，最稳） LOOKBACK_HOURS = 24 — 抓最近 N 小时的热点 MAX_PER_SOURCE = 20 — 每个 adapter 最多 N 条 DEDUPE = true — 去重开关 AUTO_SCORE = true — 抓回来后自动调 cheat-score 粗打分 MIN_COMPOSITE_TO_SUGGEST = 6.0 — 低于此分的不推荐用户加入候选池（仍写入 trends-history 避免下次重复推） 💡 调用时覆盖： /cheat-trends — sources: manual-paste,aihot,weibo-hot — max-per: 10 Inputs 必填 来源 .cheat-state.json 默认 sources adapters/trend-sources/<name>.md 各 adapter 的实现描述 candidates.md 去重对照 predictions/*.md 去重对照（已发的不再推） .cheat-cache/trends-history.jsonl 历史抓取去重缓存 Workflow Phase 0: 读启用的 adapters # 伪代码 state = read( '.cheat-state.json' ) enabled_adapters = args.sources or state.get( 'enabled_trend_sources' , [ 'manual-paste' ]) 如 enabled_adapters 为空 → 输出引导： 你目前没有启用任何热点源。 最快配法： - 临时跑：/cheat-trends — sources: manual-paste,aihot - 永久启用：编辑 .cheat-state.json 的 enabled_trend_sources 数组 可用 adapter（详见 adapters/trend-sources/）： - manual-paste（默认，永远能用） - aihot（AI 热点聚合，无需 key） - weibo-hot（微博热搜，无需 key） - zhihu-hot（知乎热榜，无需 key） - trendradar-mcp（TrendRadar MCP 服务，需配置） Phase 1-2: 对每个 adapter 调 fetch + normalize 对每个 adapter，读其 adapters/trend-sources/<name>.md 中描述的 fetch 接口（实际是 Bash 调底层 Python / shell / WebFetch）： Adapter 实现机制 manual-paste 询问用户："粘贴你今天的候选 URL/标题列表（每行一条）" → 解析每行，对 URL 做 WebFetch 拓展 snippet aihot 读 adapters/trend-sources/aihot.md 描述的 fetch 接口 weibo-hot 读 adapters/trend-sources/weibo-hot.md 描述的 fetch 接口 zhihu-hot 读 adapters/trend-sources/zhihu-hot.md 描述的 fetch 接口 trendradar-mcp 读 adapters/trend-sources/trendradar-mcp.md 描述的 fetch 接口 每个 adapter 输出符合 candidate-schema.md 的 items。 优雅降级 ：单 adapter 失败（API key 缺失 / 端点 503 / cookie 失效）→ skip 该 adapter， 不抛异常 ，在汇总里说明： ✅ aihot: 拉到 18 条 ✅ weibo-hot: 拉到 15 条 ✅ zhihu-hot: 拉到 12 条 ⚠️ trendradar-mcp: 跳过（MCP 服务未配置——配置见 adapters/trend-sources/trendradar-mcp.md） Phase 3: 去重 按 candidate-schema.md 的"去重协议"： 对每个 item 算 id（ sha256(source_type + normalized_title + url_path)[:12] ） 检查 candidates.md 已含此 id → 跳过 检查 predictions/*.md 已含此 id → 跳过 检查 .cheat-cache/trends-history.jsonl 已含此 id 且 rejected_at != null → 跳过 去重统计写到汇总报告里。 Phase 4: 粗打分 AUTO_SCORE=true 时，对每条新 item： 用 item 的 snapshot_text 作为输入 按当前 rubric 给 7 维打分（ 不 调 /cheat-score 子 skill 走 IO；inline 复用打分逻辑） 算 composite 给一句 rationale 注意 ：粗打分 ≠ 正式预测。预测必须基于最终稿（用户改过的），这里的打分只是"是否值得展开写"的粗筛。 AUTO_SCORE=false 时，items 写入 candidates.md 时 composite=null，需要后续手动 /cheat-score 。 Phase 5: 排序 + 询问 按 composite 降序，过滤掉 composite < MIN_COMPOSITE_TO_SUGGEST 的： 🔥 抓热点完成。各源拉取统计： - manual-paste: 5 条（用户输入） - aihot: 18 条 - weibo-hot: 15 条 跳过 trendradar-mcp（MCP 服务未配置） 去重后剩 27 条新 item。 粗打分后 12 条 composite ≥ 6.0： | # | 标题 | source | composite | bucket | rationale | |---|---|---|---|---|---| | 1 | 为什么我们都讨厌主动联系朋友 | aihot | 8.4 | 30-100w | ER+QL 双 5，AB 普适 | | 2 | "她不一样"的一千种变体 | weibo-hot | 8.1 | 30-100w | MS 候选维度高 | | 3 | ...... | 哪些加入 candidates.md？ - 全部加 → 回 "all" - 选几个 → 回 "1, 3, 5" - 都不要 → 回 "none"（这些会被记到 trends-history 避免下次重复推） Phase 6: 落盘 用户响应后： 选中的 items → 按 candidate-schema.md 的"Markdown 表示"格式追加到 candidates.md 所有抓回来的 items（不管选中与否）→ append 到 .cheat-cache/trends-history.jsonl ： {"id": "...", "title": "...", "source": "...", "snapshot_at": "...", "rejected_at": null|"<ISO>", "fetched_at": "<ISO>"} Phase 7: 状态更新 { "last_trends_run_at" : "<ISO>" , "last_trends_added_count" : 5 } Key Rules 不抛异常 。单 adapter 失败 → skip + 报告。多 adapter 全失败 → 报错"所有源都失败"，附排查指引 manual-paste 永远在 。即使其他所有 adapter 都坏了，manual-paste 模式必须能跑——它是兜底 去重是硬约束 。同 id 不重复推；用户拒绝过的 6 个月内不再推 粗打分要诚实标注 。在 candidates.md 的 entry 里标 composite (rough, snapshot-based) ，避免与 prediction 的精打分混淆 不直接进 predictions/ 。trends 只产 candidates，predict 是另一个动作 Refusals 「直接抓抖音热门 feed，不用 cookie」 → 拒绝。抖音反爬极严，无 cookie 必失败；引导到 douyin-session adapter 配置文档 「跳过去重，把所有抓到的都写进去」 → 拒绝。会污染候选池，下次 recommend 时排序失效 「跳过粗打分，直接写 raw 标题」 → 允许（ AUTO_SCORE=false ），但提示用户后续需要 /cheat-score 才能进 recommend 池 Integration 上游：用户配置 .cheat-state.json 的 enabled_trend_sources 数组 下游： /cheat-recommend 直接读 candidates.md 排序——trends 写完，recommend 立刻看到 与 /cheat-init ：onboarding Q4 选"没有候选池"的用户被引导到这里 与 /cheat-status ：status 看板显示"上次抓热点：X 天前 / 待清理候选池：Y 条" Adapter 实现注意事项 每个 adapters/trend-sources/<name>.md 必须文档化以下： 依赖 ：API key / cookie / package fetch 接口 ：调用方式（python script path / shell command / API endpoint） 输出 schema ：必须符合 candidate-schema.md 失败模式 ：常见错误 + 优雅降级行为 稳定性等级 ：★ 1-5 颗星 详见 adapters/HOWTO.md （待批次 3 实现）。