技能介绍

GitHub Trending 每天刷新，但「本周到底在热什么、背后逻辑是什么」很难用扫一眼列表回答。人工整理周报费时，直接让大模型写趋势解读又容易在引用仓库上翻车：编号超出列表范围，或在正文里编造 owner/repo、标题和链接。

这个技能把「抓取 → 结构化提示 → 模型分析 → 引用落地」串成固定流程，输出可读的周报，同时把链接与星级交给权威数据，而不是模型记忆。

数据提取：通过 Feedship（v1.8.0+）拉取 GitHub Trending 页面数据，形成可供分析的仓库列表（技能设计上限为最多 10 条，对应 ${0}～${9}）。
提示词拼接：从 references/prompt.md 加载模板，角色定位为技术战略与开源趋势分析；执行步骤覆盖分类解构、根本原因、暗线发现、价值翻译。
模型生成：将完整提示发送给兼容的 LLM；硬性规则是正文里只出现 ${N} 占位符，禁止展开标题或 URL。
引用替换（Step 3.5）：replace_refs.py 从权威 JSON 把 ${N} 替换为 owner/repo (stars★)，支持 ${3,7} 这类逗号展开；无效编号会落成 [无效引用 #N]，便于排查。
交付：最终从 /tmp/trending_final.md 读取并输出给用户；也可按 cron 在每周一北京时间 9:00 自动跑同一套 Generate Trending Report 流程。

触发词包括「GitHub trending」「开源趋势」「GitHub 周报」等，适合按需生成或定时订阅式周报。

依赖 feedship 与网络可达性；GitHub 限流或页面 DOM 变化会导致抓取失败或列表为空，需要更新解析逻辑而非改 prompt。
引用质量取决于模型是否遵守 Citation Rules；若出现大量 [无效引用 #N] 或模型直接写出链接，应在 Step 3 重申「只输出 ${N}」。
分析深度由所选模型与 prompt.md 决定；技能负责数据与引用管线，不保证对每一个仓库的领域判断都准确。