技能介绍

要解决什么问题

做 AI 或程序员向内容时，热点分散在抖音、视频号、B站、即刻、掘金、GitHub Trending 等平台，手工刷榜很难保证覆盖面和时效。更麻烦的是：热搜里混着娱乐八卦和泛生活话题，真正能写成技术/AI 稿子的条目需要二次筛选，还要想清楚读者为什么点进来——是知识焦虑、效率焦虑还是职业焦虑。

技能如何工作

技能按 Phase 0～4 跑一条固定流水线：先确认平台、赛道（AI/程序员）、时间范围（默认近 7 天）和输出条数，再用 WebSearch 并行拉各平台热搜（参考 references/platform_sources.md 里的关键词模板），必要时 WebFetch 展开高价值链接，汇总成 30～50 条原始表。

第二阶段做正向/反向过滤：必须命中 AI、编程、工具应用或行业动态等维度之一；娱乐八卦、纯广告、超过 30 天的旧闻直接剔除。第三阶段对照 references/ai_pain_points.md，为每条候选标注 1～2 个痛点类型（如选择困难、实操困惑）和强度（高/中/温）。最终按 assets/topic_template.md 输出结构化选题清单，多平台共振的话题会加权靠前。

适用边界

至少覆盖 3 个平台数据源；不允许与 AI/程序员无关的话题进入候选列表。
每条选题必须有具体痛点标注，时效窗口需明确，不能写「不确定」。
已有候选选题要做策略评分 → 用 content-topic-planner；查公众号爆款参考 → 用 wechat-article-search；单篇表现诊断 → 用 gzh-article-diagnosis。
仓库里的 scripts/topic_filter.py、scripts/pain_point_matcher.py 可作为过滤与痛点匹配的辅助脚本。