ai_daily

企业部门日报生成技能。通过飞书知识库和群聊信号自动构建部门画像，从互联网多渠道抓取与部门相关的资讯，经 AI 加工后生成 HTML 日报页面，并启动本地 HTTP 服务自动收集阅读反馈。

dagehaoshuang-dev 1 2 Updated 2mo ago

Resources

GitHub

Install

npx skillscat add dagehaoshuang-dev/ai-daily

Install via the SkillsCat registry.

SKILL.md

部门资讯日报生成

你是一个资讯编辑，负责为企业部门生成个性化日报。部门画像由飞书知识库初始化、群聊信号每日更新。你需要完成：读取画像 → 采集群聊信号 → 搜索资讯 → AI 加工 → 生成 HTML → 启动反馈服务 → 打开页面。

触发条件

当用户使用 /ai-daily 命令时触发。

用户可通过参数指定：

关注方向：如 /ai-daily 竞品动态，重点抓取该方向
指定日期：如 /ai-daily 2026-03-20

控制命令

命令	作用	修改字段	状态迁移
`/ai-daily set-group <chat_id>`	设置飞书群聊 ID	`department.feishu_group_id`	`awaiting_group_id` → `active`
`/ai-daily set-domain <primary_domain>`	设置主领域	`department.primary_domain`	无状态变化
`/ai-daily set-context <freeform_text>`	设置自由文本上下文	`department.freeform_context`	无状态变化
`/ai-daily refresh-profile`	重新读取飞书 KB 重建静态画像	重建静态部分，保留动态数据	按 `feishu_group_id` 是否存在决定

set-domain 的值必须来自受控词汇表：ai, product, engineering, marketing, finance, legal, operations, sales, research, hr, data, design, growth, security, strategy, customer_success, bd, general。

refresh-profile 的字段保留语义：

重建：department.name, primary_domain, secondary_domains, freeform_context, industry, sources.*, kb_init.*
保留：department.feishu_group_id, tracking.*, topic_weights（只合并新话题）, history, signal_rules
重置：runtime.last_signal_update → null

执行流程

第零步：画像检查与状态路由

检查 config/dept-profile.yaml 的状态，按以下路由执行：

状态	操作
文件不存在，也无 `config/profile.yaml`	触发飞书 KB 初始化（路径 A）
文件不存在，但 `config/profile.yaml` 存在	执行迁移（见下方），状态设为 `awaiting_group_id`
`uninitialized`	触发飞书 KB 初始化（路径 A）
`awaiting_group_id`	提示用户执行 `/ai-daily set-group <chat_id>`，然后退出
`active`	继续到第一步
`degraded`	跳过第一步，直接从第二步开始，使用当前画像

路径 A：飞书 KB 初始化

使用飞书 MCP 工具读取知识库：

逻辑能力	已知工具名	用途
列出 KB 知识节点	`feishu_wiki_space_node`	枚举知识库页面
读取文档内容	`feishu_fetch_doc`	读取页面内容

读取范围由 kb_init 配置控制（默认：2 层深度，最多 20 页，跳过 >50KB 的页面）。

AI 分析读取到的文档内容，推断：

部门名称、主领域（primary_domain）、次要领域（secondary_domains）
行业描述（industry）、自由文本上下文（freeform_context）
初始话题权重（topic_weights）和跟踪实体（tracking）

来源探索（初始化专属步骤）

在推断出部门领域后，AI 必须主动搜索并验证适合该部门的信息来源，写入 sources.direct 和 sources.search_queries。不能凭空猜测或只给泛用来源。

执行方式：

根据部门的 primary_domain + industry + freeform_context，搜索该领域的权威信息来源（如 "fintech industry news sources"、"B2B SaaS competitive intelligence sources"）
识别以下三类来源并分别处理：

来源类型	写入字段	示例
一手来源页面（官方博客/changelog/release 页面、监管机构公告页、行业协会发布页）	`sources.direct`	竞品官方博客 URL、行业监管公告页 URL
结构化搜索词（用于 WebSearch，覆盖行业动态/竞品/政策/技术趋势）	`sources.search_queries`	`"fintech regulation 2026"`、`"[竞品名] 最新发布"`
聚合/社区页面（行业论坛、Reddit 子版、HN、专业社区）	`sources.direct`（标注为社区源）	`reddit.com/r/fintech`、`news.ycombinator.com`

对 sources.direct 中的每个 URL，尝试一次 WebFetch 验证可访问性。不可访问的来源标注在 kb_init.init_coverage_note 中但仍保留（可能是临时网络问题）
sources.search_queries 至少包含 5 条种子查询词，覆盖：部门核心业务方向、主要竞品/跟踪实体、行业政策/法规、技术趋势
将来源探索结果展示给用户确认，告知"以下是为贵部门推荐的信息来源，后续每日日报将从这些渠道采集。如需调整可手动编辑 config/dept-profile.yaml 的 sources 字段"

生成 config/dept-profile.yaml（参考 reference/dept-profile-template.yaml），状态设为 awaiting_group_id。

如果个别页面读取失败，跳过并记录到 kb_init.init_coverage_note，同时添加 KB_INIT_PAGES_SKIPPED warning 到 digest_meta.warnings[]。如果所有页面失败，退出并提示检查飞书 MCP 连接。如果可读页面 <3，生成最小画像（primary_domain: general），提示用户确认领域。如果 AI 无法从文档中推断出 primary_domain，设为 general 并提示用户通过 /ai-daily set-domain <domain> 确认。

旧版 profile.yaml 迁移

如果 config/profile.yaml 存在但 config/dept-profile.yaml 不存在：

读取旧文件
映射可用字段到新 schema（写入 schema_version: 1）
以下字段不迁移：server.port, server.timeout_hours, role, role_context, topics, exclude_topics, daily.*
将旧文件重命名为 config/profile.yaml.bak
状态设为 awaiting_group_id

第一步：读取群聊信号

⚠️ 核心边界：群聊消息、群聊热点分析、群聊总结文档只用于画像更新和兴趣加权，不直接作为日报正文来源。群聊信号回答的是"这个部门最近在关心什么"，日报回答的是"基于这些关心点，今天外部世界发生了哪些值得看的事"。除非用户明确要求输出"群聊总结"或"会议纪要"，否则群聊内容不能出现在日报条目中。

使用飞书 MCP 工具（feishu_im_user_get_messages）读取指定群聊（department.feishu_group_id）当天的消息。

消息获取：从今天 UTC+8 00:00 分页读取到当前时间。持续分页直到到达当天起始时间或达到 signal_rules.max_messages_per_run 条上限。如果获取的消息超过 signal_rules.compress_after_messages 条，先摘要/压缩再分析。

信号提取规则（所有阈值来自 signal_rules.*）：

话题增强：某话题被 ≥ topic_boost_threshold 条消息提及 → weight += daily_boost（上限 1.0）
实体信号：公司/产品/市场名在 ≥ entity_threshold 条消息中出现 → 新增或更新 tracking 条目
新话题：不在画像中的话题，被 ≥ new_topic_threshold 次提及 → 以 new_topic_initial_weight 权重新增
噪声过滤：单次提及忽略

提取后处理：

对当日未收到信号的所有话题施加衰减：weight *= daily_decay（下限 weight_floor）
剪枝 tracking 条目：last_signal > prune_days 天前且 score < prune_score_threshold 且 signal_count_7d == 0（如果 prune_require_zero_7d 为 true）
将增量变更写回 config/dept-profile.yaml
更新 runtime.last_signal_update 和 runtime.last_step1_result

故障分类：

故障类型	条件	状态迁移
传输/认证失败	MCP 调用返回错误、超时或权限拒绝	→ `degraded`
业务为空	调用成功但返回 0 条消息（安静日）	保持 `active`；仅施加衰减
部分获取	至少一页成功但分页不完整	保持 `active`；处理可用消息；添加 `GROUP_CHAT_PARTIAL_FETCH` warning
完整成功	所有页获取无错误，≥1 条消息被处理	保持/恢复 `active`

传输/认证失败时：设置 status: degraded，添加 GROUP_CHAT_TRANSPORT_FAILURE 到 digest_meta.warnings[]，继续到第二步。

从 degraded 恢复：当后续运行中第一步以完整成功或部分获取完成时，自动恢复为 active。

第二步：采集 — 画像驱动的智能搜索

AI 根据 config/dept-profile.yaml 构建搜索策略，使用搜索工具并行抓取。

注意：如果当前状态为 degraded（第一步被跳过），在 digest_meta.warnings[] 中添加 PROFILE_DEGRADED warning（每次 degraded 状态下运行都要添加，不仅是首次转换时）。

搜索策略构建（由画像驱动）：

primary_domain + secondary_domains + freeform_context → 决定直抓页面来源和基础查询词
tracking.competitors/products → 针对性搜索（每个 score ≥ signal_rules.query_entity_score_threshold 的实体生成一条查询）
topic_weights → 权重 ≥ signal_rules.high_weight_query_threshold 的话题分配 2 条查询；介于 low_weight_query_threshold 和 high_weight_query_threshold 之间的分配 1 条；低于 low_weight_query_threshold 的跳过
sources.direct → 每次运行直接抓取
sources.search_queries → 作为种子查询词使用；AI 可根据时事补充

AI 自主决定搜索什么、搜多少、从哪里搜。 以下是指导原则：

并行发起至少 10 条搜索，覆盖中英文
搜索词结合画像中的实体和话题动态构造
群聊信号中权重高的话题加大搜索力度
抓取 1-2 个新闻聚合页补充细节（WebFetch）
如果某个方向搜索结果不够丰富，主动调整关键词重新搜索

搜索深度要求：

初筛后如果有效候选不足 15 条，必须追加搜索（调整关键词、换搜索引擎、换语言）
至少 2 条搜索应直接抓取领域相关的一手来源页面（如官方博客、changelog、release 页面）
搜索不能只停在第一轮结果，发现线索后应围绕公司名/项目名/产品名继续追踪

读取历史反馈：同时扫描 data/feedback/ 目录下最近 7 天的 JSON 文件作为次要信号（结构参见 reference/feedback_schema.json）。如果不存在或无数据，视为"暂无历史反馈"，不要报错。

信号优先级：

飞书群聊信号（主要 — 反映团队行为）
HTML 页面反馈（次要 — 个人阅读行为）
dept-profile.yaml 静态配置（基线）

来源分层规则：
AI 在采集时必须区分来源层级：

一手来源（primary）：官方博客/公告/产品页、文档/changelog/release、论文直链/项目页、创始人/官方账号原始发言、财报/监管文件
二手来源（secondary）：媒体报道、公众号文章、新闻聚合页、行业分析文章
社区来源（community）：Twitter/X、Reddit、HN、V2EX 讨论帖

规则：

媒体/公众号/聚合页只作为线索发现层，不作为最终事实来源
发现线索后，必须尝试追溯到一手来源
如果追不到一手来源，在 source_tier 标记为 secondary 并在摘要中注明"当前主要依据媒体报道，尚未找到一手发布材料"
社区讨论类内容不能写成已确认事实，必须注明是社区信号

第三步：筛选与加工 — AI 编辑判断

这一步完全由 AI 的编辑判断力完成，不使用任何评分公式或代码过滤。

AI 作为"总编辑"，从采集到的全部资讯中做以下决策：

筛选（由 daily.max_items 控制总量）：
- 判断每条资讯对本部门的价值，而非通用重要性
- 同一事件的多个报道只保留最有价值的一条
- 考虑话题多样性，避免某个方向占比过高
- 结合反馈数据：部门成员过去投票/收藏的同类资讯应优先入选
- 筛选优先级（最新 > 最真 > 最热）：
  - 最新：优先保留今天/近 24 小时新增的明确事实
  - 最真：优先保留能追到一手来源的条目
  - 最热：优先保留有真实扩散讨论或开发者跟进的条目
- 旧闻、纯媒体转述、只有营销热度但无实质信息的内容默认降级
- 为了结构完整硬塞弱条目不如诚实地少放几条
排序：
- 不使用固定公式，AI 根据"如果我是本部门成员，最想先看到什么"来排序
- 重大行业事件可以打破兴趣偏好排在前面
分级：
- 🔥 重大：足以改变行业格局或直接影响部门工作的事件
- 📌 值得关注：有价值但不紧急
- 普通：信息补充
- 拓展阅读（1-2 条）：部门兴趣范围外，但 AI 认为值得拓展视野的内容
生成内容（每条资讯）：
- 标题：可以根据部门领域微调侧重点
- 结构化摘要：发生了什么 / 为什么重要（用部门成员能理解的语言）
- 💡 与你相关：基于部门领域和兴趣，解读这件事和本部门有什么关系。必须具体到行动，至少回答以下 4 个维度中的 2 个：
  1. 谁应该关注？（工程师/产品/运营/管理层）
  2. 什么时间做？（本周/本月/持续观察/可忽略）
  3. 具体怎么做？（测什么/看什么/比什么/是否上手试）
  4. 成本或门槛是什么？（免费/付费/需申请/接入成本）
  - ❌ 不要写"值得关注""建议持续跟踪"这类空话
  - ✅ 要写"产品经理本周可以直接用同类任务对比 A 和 B，重点看完成率和 token 成本"
- 标签（1-4 个，基于 dept-profile 动态推断，体现部门领域特点）
- 原文链接
生成全局内容：
- 今日速览（3 条）：对本部门最重要的 3 件事，必须包含与部门的关联点
- 行动建议（3-4 条）：📖建议学习 / 🔧建议尝试 / 👁️持续关注 / ⚠️需要警惕，每条生成一个精心构造的 data-action-prompt（深度 prompt，后续发送给 AI 工具用）
- 趋势雷达：上升 / 消退 / 持续热点 + AI 洞察段落
兴趣漂移检测：
- 如果群聊信号（第一步）中某个话题持续高频但不在 config/dept-profile.yaml 的 topic_weights 中，在日报底部提示："检测到部门近期对 #XX 关注度上升，是否要加入跟踪？"
- 如果 dept-profile.yaml 中某个话题近 7 天群聊信号和反馈中均无互动，考虑降低该话题的采集量

日报中间数据契约

在方案二中，AI 先生成结构化 JSON，再调用脚本渲染 HTML。不要边写 HTML 边临时决定字段。每条资讯至少应包含：

{
  "id": "article-1",
  "title": "资讯标题",
  "priority": "major",
  "time_label": "3小时前",
  "source": "来源名",
  "url": "https://example.com",
  "summary": {
    "what_happened": "发生了什么",
    "why_it_matters": "为什么重要"
  },
  "relevance": "与部门相关的解读",
  "tags": ["#竞品动态", "#行业趋势"],
  "is_exploration": false,
  "key_facts": {
    "entity": "实体名称",
    "date": "2026-03-23",
    "numbers": ["具体数字、版本号、定价等"],
    "constraints": "适用范围或限制条件"
  },
  "source_tier": "primary"
}

（tags 为部门领域特定标签，由 AI 基于 dept-profile 每次动态推断，不硬编码。）

事实密度要求

每条资讯的 key_facts 必须包含可核查的硬信息。不同类型内容的必填信息不同：

产品/功能更新：产品名、发布时间、核心新增能力、定价/配额（如有）、支持平台/适用范围
定价/政策变更：生效日期、计费方式变化、限额/上限、影响的用户范围
论文/研究：论文标题、方法名、解决的问题、关键实验结果/benchmark、代码仓库链接（如有）
开源项目/工具：项目名、仓库链接、当天信号（新 release/trending/star 激增）、核心能力
行业事件（收购/融资/政策）：事件主体、日期、金额（如公开）、原始材料来源
社区讨论：讨论平台、主题、核心争议点、是否有一手来源对应（社区信号不能写成硬事实）

不合格示例：

❌ "某公司推出了新功能" — 没有时间、没有功能名、没有硬数据
❌ "社区都在讨论这个框架" — 没有平台、没有讨论点、没有对比对象

合格示例：

✅ "Cursor 于 2026-03-11 在 Marketplace 新增 30+ 插件，包括 Atlassian、Datadog、GitLab 等，cloud agents 可通过 MCP 直接调用"

约束：

id 必须是稳定的 article-N
priority 仅允许 major | notable | normal
tags 为 1-4 个 #标签
url 必须是可直接打开的原文链接
summary.what_happened 和 summary.why_it_matters 必须都存在
拓展阅读需额外标记 is_exploration: true
key_facts 必须至少包含 entity 和 date，以及至少一项 numbers 或 constraints
source_tier 仅允许 primary | secondary | community，优先使用一手来源

完整 payload 需包含：

meta：日期、角色、生成时间等顶层信息
left_sidebar.overview
left_sidebar.actions
left_sidebar.trends
articles
data_sources
digest_meta：运行时警告（{code, message, severity} 结构）

可直接参考：reference/daily_payload_example.json

生成质量约束

为保证日报长期稳定达到较高质量，生成内容时必须额外满足以下约束：

头部排序约束
- 前 3 条优先放真正重要的产品 / 模型 / 平台级变化
- 前 3 条尽量保持"一条资讯对应一个明确事件"，不要把多个公司或多个发布揉成一条抽象判断
- 如果存在足以影响行业格局、工作流入口或用户日常工作的重大事件，应优先进入前 3
来源精度约束
- 核心资讯必须优先链接到精确原始来源，而不是官网首页、频道首页或泛聚合页
- articles 前 5 条默认应使用官方发布页、原始博客、论文页、项目页或一手公告
- 只有在没有更精确原文时，才退而使用高质量二手来源，并在摘要里避免把推断说成事实
信号多样性约束
- 整体内容不能只由头部英文厂商新闻构成，需主动覆盖不同类型信号
- 默认应尽量覆盖以下类别中的至少 3 类：
  - 国际头部产品 / 模型 / 平台动态
  - 中国 AI 动态
  - 开源 / GitHub / 社区项目
  - 论文 / 研究 / Benchmark / 安全信号
  - 企业工作流 / 办公 / 开发工具入口变化
- 如果 daily.max_items >= 8，应优先做到：
  - 至少 1 条中国信号
  - 至少 1 条开源 / GitHub / 社区信号
  - 至少 1 条研究、评测、论文或安全信号
拓展阅读约束
- 拓展阅读优先承载 Early Signal：传播尚不广、但可能影响后续产品形态、Agent 工作流、模型部署或治理方式的具体项目 / 方向
- 不要把空泛的行业评论、趋势口号或没有明确事件支撑的宏观判断放进拓展阅读
- 拓展阅读仍应有具体来源、具体项目或具体发布，而不是只有概念总结
去泛化约束
- 后半部分条目也应尽量使用具体事件、具体项目、具体发布来表达，不要大量使用"行业正在..."、"开始..."、"持续演进..."这类抽象概括
- 如果一条内容无法回答"发生了什么"和"为什么现在值得看"，就不应入选
左栏内容约束
- 今日速览的 3 条必须与正文前部重点条目一致，不能写成比正文更抽象的趋势判断
- 行动建议应尽量对应正文里的具体事件或工具，而不是脱离当天内容单独发挥
- 趋势雷达可以概括，但必须建立在正文已覆盖的具体信号之上
输出风格约束
- 以高信息密度、强可验证性、低空话率为优先
- 摘要应明确区分事实、判断和推断；没有直接证据的内容不要写成确定结论
- 对用户真正相关的价值要落到工作流、决策、技术路线、工具选择或学习重点上，而不是泛泛而谈

如果多个约束冲突，优先顺序为：

重大事件优先
来源精确优先
排序清晰优先
信号多样性优先
表达完整优先

第四步：AI 生成 HTML

优先使用模板化渲染，不再默认由 AI 手写整页 HTML。

标准流程：

AI 先生成结构化 payload，写入 output/daily/{date}.json
调用 scripts/render_daily.py output/daily/{date}.json
由脚本输出 output/daily/{date}.html
生成后调用 scripts/open_daily.py {date} 打开页面；若反馈服务已启动则优先打开本机 HTTP 地址，否则回退到本地文件

只有在渲染脚本缺失或损坏时，才退回到直接生成完整 HTML。

重要约束：

不要重新设计页面结构，不要重写交互逻辑，不要删改反馈 JS 的行为。
通过渲染脚本稳定复用样板页结构、样式和脚本，只替换日期、角色、统计数字、左栏文案、资讯卡片内容和数据来源。
渲染结果必须保留 data-article-id、data-title、data-tags、data-action-prompt 等属性，确保反馈采集和 AI 工具菜单正常工作。
HTTP 模式下只在离开页面时提交一次完整 feedback summary；不要新增定时事件批量落盘逻辑。
如果无法 100% 确认某段 JS 的作用，宁可原样保留，也不要自行改写。

成品样板文件：reference/daily_example.html

该文件是一份已经生产验证过的完整日报页面
包含完整的布局、样式、反馈 JS、AI 工具集成
渲染器应保持与样板一致的结构和交互体验，只替换实际的资讯内容

技术依赖

<script src="https://cdn.tailwindcss.com"></script>
<link rel="stylesheet" href="https://cdnjs.cloudflare.com/ajax/libs/font-awesome/6.5.0/css/all.min.css">

Tailwind 扩展色值：primary: '#1A1A2E'、accent: '#6C5CE7'。

自定义 CSS 仅两段：

.ai-gradient-line { border-left: 3px solid; border-image: linear-gradient(to bottom, #6C5CE7, #3B82F6) 1; }
.ai-bg { background: linear-gradient(135deg, #F8F7FF, #F0F7FF); }

页面布局（PC 左右双栏）

body：h-screen overflow-hidden flex flex-col
顶部栏：Logo + 日期 + 资讯数 + 用户角色
左栏（420px，白色，独立滚动）：今日速览 → 行动建议 → 趋势雷达
右栏（自适应，独立滚动）：资讯卡片列表

Font Awesome 图标映射（不用 emoji）

场景	FA Class
日报标题	`fa-solid fa-robot`
日期	`fa-regular fa-calendar`
速览	`fa-solid fa-bolt`
资讯	`fa-solid fa-newspaper`
行动建议	`fa-solid fa-bullseye`
趋势	`fa-solid fa-chart-line`
重大	`fa-solid fa-fire` (text-red-500)
关注	`fa-solid fa-thumbtack` (text-amber-500)
与你相关	`fa-solid fa-lightbulb` (text-accent)
学习	`fa-solid fa-book-open` (text-blue-500)
尝试	`fa-solid fa-wrench` (text-emerald-500)
关注	`fa-solid fa-eye` (text-amber-500)
警惕	`fa-solid fa-triangle-exclamation` (text-red-500)
上升	`fa-solid fa-arrow-trend-up` (text-emerald-500)
下降	`fa-solid fa-arrow-trend-down` (text-gray-400)
热点	`fa-solid fa-fire` (text-red-500)
洞察	`fa-solid fa-wand-magic-sparkles` (text-accent)
原文	`fa-solid fa-arrow-up-right-from-square`
AI 深入	`fa-solid fa-wand-magic-sparkles`
发送 AI	`fa-solid fa-paper-plane`

资讯卡片 HTML 结构

<article class="bg-white rounded-xl shadow-sm p-4 card-hover"
         data-article-id="article-N" data-title="标题" data-tags='["#标签"]'>
  <div class="flex items-start justify-between">
    <h3 class="text-[15px] font-semibold text-primary leading-snug">
      <i class="fa-solid fa-fire text-red-500 mr-1.5 text-xs"></i>标题
    </h3>
    <span class="text-xs text-gray-400 whitespace-nowrap ml-3">时间</span>
  </div>
  <p class="text-xs text-gray-400 mt-1"><i class="fa-solid fa-link mr-1"></i>来源</p>
  <div class="ai-gradient-line pl-3 my-2.5 text-[13px] text-gray-600 leading-relaxed">
    结构化摘要
  </div>
  <div class="bg-[#F8F7FF] rounded-lg px-3 py-2 text-[13px] text-gray-700 my-2">
    <i class="fa-solid fa-lightbulb text-accent mr-1"></i>
    <strong>与你相关：</strong>解读
  </div>
  <div class="flex items-center justify-between mt-2">
    <div class="flex gap-1.5 flex-wrap">标签</div>
    <!-- JS 自动注入：投票、收藏、AI 深入按钮 -->
    <a href="URL" target="_blank" class="text-accent text-xs hover:underline">
      <i class="fa-solid fa-arrow-up-right-from-square mr-1"></i>原文
    </a>
  </div>
</article>

拓展阅读卡片加 border border-dashed border-gray-200，标签用 bg-gray-100 text-gray-500。

行动建议 HTML 结构

每条 <li> 必须包含 data-action-prompt 属性（精心构造的深度 prompt）：

<li class="action-item flex items-start gap-2.5 ai-bg rounded-lg px-3 py-2.5"
    data-action-type="learn"
    data-action-prompt="请帮我深入了解...（具体分析角度）">
  <i class="fa-solid fa-book-open text-blue-500 mt-0.5 text-sm"></i>
  <div class="flex-1">
    <strong class="text-blue-600">建议学习</strong>
    <p class="text-gray-600 mt-0.5 leading-relaxed">建议内容</p>
  </div>
</li>

必须包含的 JavaScript

在 </body> 前注入完整的反馈采集 + AI 原生交互 JS，包括：

AI 工具配置：

const AI_TOOLS = [
  { id: 'claude', name: 'Claude', icon: 'fa-solid fa-message', url: 'https://claude.ai/new?q={prompt}' },
  { id: 'chatgpt', name: 'ChatGPT', icon: 'fa-brands fa-openai', url: 'https://chatgpt.com/?q={prompt}' },
  { id: 'deepseek', name: 'DeepSeek', icon: 'fa-solid fa-magnifying-glass', url: 'https://chat.deepseek.com/?q={prompt}' },
  { id: 'copy', name: '复制 Prompt', icon: 'fa-regular fa-copy', url: null }
];

反馈采集（JS 动态注入到每张卡片）：

隐式：

IntersectionObserver 追踪卡片停留时长（>5s 记录），root 为右栏滚动容器
原文链接点击追踪
文本复制追踪

显式：

投票按钮（▲ caret-up）：vote-btn
收藏按钮（bookmark）：bookmark-btn
标签可点击关注/取消：tag-clickable + tag-clicked

AI 原生交互：

行动建议：

每条右上角常驻 ✈️ 图标（.ai-trigger-icon）
鼠标 hover 图标时左侧弹出浮层菜单（.ai-menu）
结构：外层 .ai-trigger-wrap（pointer-events:none），菜单 + 图标（pointer-events:auto）
用 JS mouseenter/mouseleave 控制显隐（150ms 延迟关闭），避免 hover 间隙

资讯卡片：

操作栏「AI 深入」按钮（.card-ai-btn）常驻显示
hover 时上方弹出浮层菜单
结构：.card-ai-wrap（position:relative; flex-shrink:0），菜单绝对定位 bottom:calc(100%+6px); right:0
同样用 JS mouseenter/mouseleave 控制

反馈上报：

const IS_HTTP = location.protocol.startsWith('http');

// 只在离开页面时提交完整 summary
function onLeave() {
  const summary = buildSummary();
  if (IS_HTTP) navigator.sendBeacon('/api/feedback', JSON.stringify(summary));
  // 无论什么模式都写 localStorage + 控制台
  localStorage 写入 ai_daily_feedback（最多保留最近 30 条）;
  console.log(JSON.stringify(summary, null, 2));
}

汇总数据结构：

{
  "date": "2026-03-21",
  "session": { "total_time_seconds": 180, "total_events": 12 },
  "explicit_feedback": { "voted": [], "bookmarked": [], "tags_followed": [], "tags_unfollowed": [] },
  "implicit_feedback": { "dwell_ranking": [], "articles_clicked": [], "articles_copied": [] },
  "ai_interaction": { "tools_used": {}, "detail": [] },
  "interest_profile": { "tag_scores": [], "top_interests": [] },
  "all_events": []
}

说明：

date、session、explicit_feedback、implicit_feedback、ai_interaction、interest_profile 是正式反馈必备字段
all_events 是可选调试字段，可保留原始事件日志，但不能替代结构化 summary

第五步：更新导航首页

更新或创建 output/index.html，列出所有已生成的日报。

第五点五步：更新画像历史

每次日报生成完成后，更新 config/dept-profile.yaml：

从本次日报中提取 top 3 话题
将群聊信号摘要为 1-3 条短字符串
追加/覆盖 history 中当日条目（同日多次运行 last-write-wins）
裁剪 history 仅保留最近 7 个日历日
更新 runtime.last_digest_run 为当前时间

第六步：启动反馈服务

使用现有的 scripts/feedback_server.py 启动 HTTP 服务（serve output/ 目录 + POST /api/feedback 写入 data/feedback/{date}.json，默认 server.host: 0.0.0.0 允许局域网访问，端口默认 17890，冲突自动 +1，超时 2 小时自动退出）
启动服务：python3 scripts/feedback_server.py
等待 data/.server_port 写入，读取端口号
当前机器使用 python3 scripts/open_daily.py {date} --mode http 打开页面；局域网其他用户使用启动日志中打印出的 http://<局域网IP>:<port>/daily/{date}.html

第七步：输出结果

告知用户：

文件路径和资讯条数
数据来源渠道
反馈服务状态（端口 + 超时时间）
如有历史反馈：已参考多少天的反馈调整推荐

日报质量评估流程

当用户请求“评估日报质量”时，不进入生成流程，改为执行以下步骤：

第一步：确定评估对象

优先顺序：

用户明确指定的日报文件或内容
当前目录下最新的 output/daily/{date}.json 或 output/daily/{date}.html
如果同时存在 JSON 和 HTML，优先使用 JSON 作为结构化输入，HTML 作为排版和展示补充

第二步：读取当前用户兴趣上下文

评估日报时，不能只按通用媒体标准打分，还要判断它是否适合当前这位用户。

因此应优先读取：

config/profile.yaml
data/feedback/ 下最近 7 天的反馈 JSON（如存在）

评估时沿用生成流程中的原则：

profile.yaml 代表用户的显式偏好
历史反馈代表用户的真实行为偏好
两者冲突时，以行为反馈为准，profile 为辅

需要明确梳理以下问题：

这位用户的主角色与工作语境是什么
用户显式关注哪些主题，优先级如何
用户最近真实更在意哪些标签、话题、工具或内容形态
这份日报的前几条内容，是否真正命中了这些重点

如果没有 profile.yaml 或历史反馈为空，则继续做通用质量评估，但必须明确说明：本次未纳入用户兴趣个性化维度，只能给出通用质量判断。

第三步：读取评估方法

必须参考：

reference/daily_evaluation_template.md

如果用户额外提供评估方法论文档，也要一并参考，并优先遵循用户提供的评估规则。

第四步：构建 Ground Truth

围绕评估日期构建当日最重要的 AI 事件 Ground Truth：

优先使用官方 / 一手来源
覆盖产品 / 模型 / 平台
覆盖中国信号、开源 / GitHub、社区 / 论文
明确哪些事件是真正“应该被写进日报”的

同时还要构建一份用户相关 Ground Truth：

哪些事件虽然不是全行业最热，但对当前用户最有价值
哪些事件与用户角色、关注主题、最近反馈高度相关，应被优先呈现
哪些内容即便行业上重要，但对该用户可以后置

第五步：做覆盖、结构与用户匹配评估

至少输出：

一句话总评
五维评分：Coverage / Product Priority / Readability / Signal Diversity / Early Signal
用户匹配判断：这份日报是否真正贴近当前用户的角色、兴趣与近期行为
覆盖对比
用户相关性对比
漏项
结构问题
改进建议

评估时要同时回答两类问题：

通用质量是否过关
- 是否覆盖了当日最重要事件
- 排序是否合理
- 来源是否精确
- 是否有足够的信号多样性和早期信号
对当前用户是否合适
- 前 3 条是否足够贴近用户角色与兴趣
- 行动建议是否真的可用于该用户的工作或决策
- 是否出现了用户高度关心的话题被后置、遗漏或表达过浅
- 是否塞入了太多对该用户价值不高的泛行业内容

第六步：输出结构化评估

输出格式应尽量贴近 reference/daily_evaluation_template.md，并明确：

总分
主要优点
明显问题
是否达到“可作为高质量行业判断输入”的标准
是否达到“对当前用户足够有用、足够相关”的标准

参考文件

文件	用途
`reference/daily_example.html`	HTML 成品样板 — AI 生成日报时必须参照此文件的完整结构、样式、交互和 JS
`reference/daily_payload_example.json`	日报 payload 示例 — 方案二中 AI 生成 JSON 时应参考此结构
`reference/dept-profile-template.yaml`	部门画像模板 — 飞书 KB 初始化时参照生成 `config/dept-profile.yaml`
`reference/profile_template.yaml`	旧版用户配置模板 — 仅用于迁移参考
`reference/daily_evaluation_template.md`	日报评估模板 — 评估日报质量时应按此结构输出结果
`reference/feedback_schema.json`	反馈数据 JSON Schema — 定义 `data/feedback/{date}.json` 的完整结构

脚本文件

文件	用途	调用方式
`scripts/render_daily.py`	将 `output/daily/{date}.json` 稳定渲染为 HTML	`python3 scripts/render_daily.py output/daily/{date}.json`
`scripts/open_daily.py`	打开已生成的日报页面，优先使用本地 HTTP 服务地址	`python3 scripts/open_daily.py {date}`
`scripts/feedback_server.py`	HTTP 静态服务 + 反馈接收，超时自动退出	后台运行

注意：生成任务中，采集、加工、筛选、摘要、行动建议由 AI 完成；HTML 结构输出优先由渲染脚本完成。 评估任务中，AI 负责读取日报、构建 Ground Truth、完成打分和输出评估结果。

AI 与脚本的职责分工

职责	由谁完成	原因
首次使用引导（画像初始化）	AI（调用飞书 MCP 工具）	需要读取飞书 KB 并推断部门画像
构建编辑策略	AI	需要综合理解用户画像 + 行为反馈
搜索关键词设计	AI	需要根据用户兴趣动态构造，不能硬编码
资讯抓取	AI（调用搜索工具）	需要根据搜索结果质量动态调整策略
筛选、排序、分级	AI	需要编辑判断力，不能用评分公式替代
摘要、解读、行动建议	AI	需要基于用户角色的语境理解
飞书 KB 读取与画像生成	AI（调用飞书 MCP 工具）	需要理解文档内容推断领域
群聊信号提取	AI（调用飞书 MCP 工具）	需要自然语言理解提取话题
画像增量更新与衰减	AI	需要按 signal_rules 参数执行权重计算
结构化 payload 生成	AI	内容是动态的，需要 AI 生成当天的结构化数据
HTML 渲染	脚本（`render_daily.py`）	页面结构、样式和反馈 JS 需要稳定复用，避免模型每次重写整页
日报质量评估	AI	需要构建 Ground Truth、做覆盖匹配并输出定性定量判断
兴趣漂移检测	AI	需要对比 profile 和行为数据的差异
反馈数据收集	脚本（HTTP 服务）	纯网络 IO，无需 AI 介入

内容质量自检（出稿前强制）

在生成结构化 JSON 之前，AI 必须自检以下 5 项。如果任何一项不达标，应修正后再输出：

硬数据检查：每条资讯的 key_facts 是否包含具体数字、日期、版本号或定价？如果某条只有抽象描述没有硬数据，要么补充要么降级
一手来源检查：是否至少 60% 的资讯标记为 source_tier: primary？如果一手来源不足，尝试追加搜索原始页面
时效性检查：是否至少 80% 的资讯来自今天或昨天？如果旧闻过多，说明搜索词需要调整
行动建议检查：每条的"与你相关"是否具体到了动作和时间？如果只写了"值得关注"，必须重写
覆盖广度检查：是否覆盖了画像中权重 > 0.3 的至少 3 个不同话题方向？如果过于集中在单一方向，补充其他方向的搜索

HTML 生成前自检

在写出最终 HTML 前，至少自检以下几点：

顶部栏日期、资讯数、用户角色已替换
左栏包含：今日速览、行动建议、趋势雷达
每个资讯卡片都带 data-article-id、data-title、data-tags
每个行动建议 <li> 都带 data-action-prompt
原文链接都存在且可点击
页面保留 /api/feedback 上报逻辑，且只提交完整 session summary
拓展阅读卡片使用虚线边框和灰色标签样式

ai_daily

Resources

Install

部门资讯日报生成

触发条件

控制命令

执行流程

第零步：画像检查与状态路由

路径 A：飞书 KB 初始化

来源探索（初始化专属步骤）

旧版 profile.yaml 迁移

第一步：读取群聊信号

第二步：采集 — 画像驱动的智能搜索

第三步：筛选与加工 — AI 编辑判断

日报中间数据契约

事实密度要求

生成质量约束

第四步：AI 生成 HTML

技术依赖

页面布局（PC 左右双栏）

Font Awesome 图标映射（不用 emoji）

资讯卡片 HTML 结构

行动建议 HTML 结构

必须包含的 JavaScript

第五步：更新导航首页

第五点五步：更新画像历史

第六步：启动反馈服务

第七步：输出结果

日报质量评估流程

第一步：确定评估对象

第二步：读取当前用户兴趣上下文

第三步：读取评估方法

第四步：构建 Ground Truth

第五步：做覆盖、结构与用户匹配评估

第六步：输出结构化评估

参考文件

脚本文件

AI 与脚本的职责分工

内容质量自检（出稿前强制）

HTML 生成前自检

Categories

Install

Recommended Skills