AI热点周报

解决什么问题

AI 资讯源极度分散：GitHub 趋势、HuggingFace、TechCrunch、HackerNews、国内科技媒体……手动每天刷一遍既耗时，又难以在周五形成一份「本周到底发生了什么」的结构化视图。本周报技能的目标是把这件事自动化：每周抓取 29 个国内外来源，做跨周去重和关键词过滤，按规则引擎自动分类，再输出给团队共享的腾讯文档与可对外发布的 HTML 亮点页。

核心能力

抓取管线 scripts/pipeline.py 负责从 config/sources.json 定义的 29 个源拉取数据，涵盖 GitHub 搜索、HuggingFace、ProductHunt、TechCrunch、TheVerge、HackerNews、arXiv，以及量子位、新智元、雷锋网、钛媒体、爱范儿等中文媒体。管线做了三层过滤：站内去重、按源限流（MAX_PER_SOURCE），以及基于 state/seen.json 的跨周 URL 指纹去重。针对 HuggingFace 官方 API 常超时的问题，失败时自动切换到 hf-mirror.com 镜像补抓论文与模型。feed 解析前统一执行 decode('utf-8', errors='replace')，避免中文源因 XML 声明与实际字节不符产生乱码。

分类与统计 scripts/build_report.py 调用同目录的 scripts/auto_cls.py 规则引擎，为每条动态打上 5 个字段：domain（9 大领域）、section（5 大版块）、summary_zh（15–40 字中文简介）、scenario（应用场景）、tags。规则引擎基于关键词表工作，任何新增来源都能兜底；对于高价值或边界条目，可以写 data/classifications_YYYY-WW.json 人工覆盖，build_report 会优先采用。

亮点提炼 脚本从已分类条目中选出 3–5 条本周最重要的动态，并为 5 大版块各提炼 3–5 条版块级亮点。亮点的 URL 必须从 items 反查校验，杜绝编造链接。

版块亮点质量门禁 scripts/build_section_highlights.py 是专门设的质量关卡。它要求每条版块亮点长简介最低 80 字、建议 100–200 字，强制覆盖「背景 / 时间 / 参与方 / 影响」四要素，并对 URL 做精确、前缀或子串匹配反查。校验不通过的条目直接报错，不会写入 HTML 或腾讯文档。

交付物生成 scripts/tdoc_write.py 调用 tencent-docs 技能的 smartsheet 接口，新建或增量更新「AI生态动态周报_YYYY-MM-DD」文档，包含本周亮点、版块亮点、说明、本周动态、领域统计 5 个工作表。scripts/gen_highlights.py 则生成 ai-hot-highlights-YYYY-MM-DD.html：Part 1 按版块分组展示亮点卡（编号徽章 + 标题 + 长简介 + 原文链接），默认展开；Part 2 按版块分组展示明细表，默认折叠。页面响应式适配，支持深浅色自适应，每个版块有专属色标。

适用边界与注意点

• 报告周期固定为运行日所在周的上一周（ISO 周，周一至周日），week_label 形如 2026-34。
• 重复触发时先检查 data/ 目录已有的 raw/report 文件，做增量合并而非覆盖。合并策略包括 hf-mirror 补抓、report 备份恢复和 URL 去重。
• feed 重抓有一个已知陷阱：已写入 seen.json 的条目再次运行 pipeline.py 会被直接跳过。如果需要重新抓取某个 feed，需要独立调用 fetch_feed 函数，按源 cap 限制条数，与旧源合并，但不写 seen.json。
• 中文源乱码排查：如果条目中出现拉丁扩展或西里尔字符，基本可以断定是编码问题。检查 fetch_feed 是否走了 decode 修复路径。
• 版块亮点长简介必须通过 build_section_highlights.py 的校验（≥80 字、URL 反查命中），否则 HTML 和腾讯文档都不会写入。
• 抓取过程若被沙箱拦截，需要申请网络放行；管线已适配系统证书，一般无需额外配置。
• 分类规则的关键词表和边界案例维护在 references/classification-rules.md，调整规则前建议先跑 tests/ 下的校验脚本验证样例数据。