基于AI Agent工作流构建自动化行业趋势报告生成器

🚀 30+款热门AI模型一站整合，DeepSeek/GLM/Qwen 随心用，限时 5 折。 👉 点击领海量免费额度

在实际 AI 项目开发和技术趋势跟踪中，开发者经常面临一个矛盾：一方面需要快速获取并理解最新的行业动态、开源项目和技术突破；另一方面，信息源分散、访问不稳定、内容重复等问题又严重消耗了研发效率。手动整理日报、周报或专题报告，从信息采集、去重、验证到格式化输出，是一个重复且繁琐的过程。这正是 AI Agent 和工作流技术可以大显身手的场景——将固定的信息处理流程自动化、智能化。

本文将以一个具体的开源项目ai-trend-radar-report为例，深入探讨如何构建一个面向中文 AI 行业监测的 Agent Skill。这不是一个简单的爬虫脚本，而是一个完整的工作流，它能够被集成到支持 Agent Skills 的工具（如 Claude Code）中，自动生成结构清晰、来源可溯的行业报告。我们将从概念理解开始，逐步拆解其工作机制，然后提供一个可运行的本地部署与集成示例，最后深入分析其配置、常见问题及在生产环境中的最佳实践。无论你是希望为自己的团队搭建一个自动化的信息雷达，还是想深入学习 Agent 工作流的设计与实现，这篇文章都将提供一条清晰的路径。

1. 理解 Agent Skill 与自动化工作流的核心价值

在深入代码之前，我们需要厘清几个关键概念：Agent、Agent Skill 和工作流。它们共同构成了现代自动化信息处理系统的基石。

1.1 什么是 AI Agent？

AI Agent 通常指一个能够感知环境、自主决策并执行行动以实现特定目标的智能体。在软件开发语境下，一个 Agent 可以理解为一个封装了特定能力（如搜索、分析、写作）的程序模块，它能够接收指令（通常通过自然语言），调用工具（Tools）或技能（Skills），并返回结构化的结果。与传统的脚本不同，Agent 更强调自主性和上下文理解能力。

1.2 Agent Skill 的本质

Agent Skill 是 Agent 可调用的、完成特定任务的标准化能力单元。你可以把它类比为手机上的一个“小程序”或一个“插件”。一个设计良好的 Skill 应该具备：

• 明确的输入输出接口：定义好接收什么参数，返回什么格式的数据。
• 可复用的逻辑：其核心处理流程不依赖于特定的 Agent 实例。
• 自包含性：尽可能减少外部依赖，或明确声明依赖。
• 错误处理：能够妥善处理异常情况并给出有意义的反馈。

ai-trend-radar-report项目就是一个典型的 Agent Skill，它的核心任务是“生成 AI 行业趋势报告”。

1.3 工作流如何将 Skill 串联起来

单个 Skill 可能只完成一个步骤，比如“获取新闻列表”。而一个复杂任务（如生成日报）通常需要多个步骤协同：获取信息、清洗去重、分析筛选、格式化输出、来源校验等。工作流（Workflow）就是定义这些步骤执行顺序、数据传递和条件分支的蓝图。

在ai-trend-radar-report中，其工作流可以抽象为以下阶段：

1. 采集（Crawl）：从预设的、优先国内可访问的信息源（如 AIbase、量子位）拉取原始数据。
2. 清洗与去重（Deduplicate）：去除重复转载的新闻，合并相似内容，提取核心信息。
3. 上下文筛选（Filter & Enrich）：根据时效性、重要性等规则筛选条目，并可能回溯官方页面、论文等补充详细信息。
4. 报告生成与校验（Generate & Validate）：将筛选后的内容按照固定模板（日报、周报、专题）组织成 Markdown 报告，并校验报告是否包含无关的中间过程信息（如搜索日志），确保最终输出干净。

这个工作流的设计，正是为了解决项目简介中提到的痛点：信息源分散、访问不稳定、内容重复、AI 幻觉混入报告等。

2. 环境准备与项目结构解析

要运行或集成这个 Agent Skill，首先需要理解它的运行环境和代码结构。该项目强调“不依赖第三方 Python 包，只使用标准库”，这极大地降低了部署的复杂性。

2.1 基础环境要求

• Python 3.8+：项目基于 Python 标准库，确保你安装了合适版本的 Python。
• 网络连接：需要能够访问项目预设的信息源网站（如aibase.cn,qbitai.com等）。
• 支持 Agent Skills 的工具（可选）：如 Claude Code、Cursor 等，用于直接集成和调用。本文也会演示如何在纯本地 Python 环境中运行核心逻辑。

首先，将项目克隆到本地：

git clone https://github.com/lgy1027/ai-trend-radar-report.git cd ai-trend-radar-report

2.2 项目目录结构分析

查看项目根目录，理解各个文件的作用：

ai-trend-radar-report/ ├── README.md # 项目说明文档 ├── skill.json # Agent Skill 的元数据描述文件（关键） ├── main.py # Skill 的入口主程序 ├── config.yaml # 配置文件（信息源、报告模板等） ├── sources/ # 信息源采集模块目录 │ ├── __init__.py │ ├── aibase.py # AIbase 信息源实现 │ ├── qbitai.py # 量子位信息源实现 │ └── ... # 其他信息源 ├── processors/ # 数据处理器目录 │ ├── __init__.py │ ├── deduplicator.py # 去重处理器 │ ├── filter.py # 过滤器 │ └── validator.py # 输出校验器 ├── templates/ # 报告模板目录 │ ├── daily.md.j2 # 日报模板 │ ├── weekly.md.j2 # 周报模板 │ └── ... └── outputs/ # 报告输出目录（通常由程序生成）

关键文件解析：

1. skill.json：这是 Agent Skill 的“身份证”。它定义了 Skill 的名称、描述、输入参数、输出格式等信息，使得支持 Agent Skills 的平台能够自动识别和加载它。理解这个文件是集成到 Claude Code 等工具的关键。
2. config.yaml：集中管理所有配置，如启用哪些信息源、报告生成的模式（fast/standard/deep）、输出风格等。修改配置比修改代码更安全、更灵活。
3. sources/目录：每个.py文件对应一个信息源的采集逻辑。这种模块化设计使得新增一个信息源（如“机器之心”）只需在目录下添加一个新文件，并在配置中启用即可。
4. processors/目录：实现了工作流中的各个处理环节。这种设计符合“单一职责原则”，每个处理器只做一件事，便于测试和维护。
5. templates/目录：使用 Jinja2 模板引擎（Python 标准库jinja2需单独安装，但项目声明“不依赖第三方包”，此处可能内嵌了简易模板逻辑或依赖环境已有）定义报告格式。分离格式和逻辑，便于定制报告样式。

2.3 核心依赖检查

虽然项目宣称不依赖第三方包，但为了处理 HTML 和生成报告，通常会用到一些库。让我们检查main.py或相关文件的导入部分：

# 示例：可能用到的标准库或内置功能 import json import yaml # 可能需要 pyyaml，但有时可用标准库替代或自定义加载 import datetime import re import urllib.request from pathlib import Path import hashlib

注意：如果运行时报错缺少yaml或jinja2模块，你需要通过pip install pyyaml jinja2安装。这与项目“标准库”的声明可能略有出入，在实际工程中，明确声明依赖并管理requirements.txt是更推荐的做法。为了快速验证，可以先安装这些常用库。

3. 核心工作流实现与配置详解

现在，我们深入代码，看这个 Agent Skill 是如何将工作流一步步实现的。

3.1 工作流引擎：main.py解析

main.py是整个 Skill 的调度中心。它通常遵循以下流程：

# 伪代码，展示 main.py 的核心逻辑 def generate_report(report_type='daily', mode='standard', style='standard'): """ 生成报告的主函数。 Args: report_type: 报告类型，如 'daily', 'weekly', 'brief', 'topic' mode: 采集模式，如 'fast', 'standard', 'deep' style: 输出风格，如 'concise', 'standard', 'detailed' Returns: 生成的报告文本（Markdown格式） """ # 1. 加载配置 config = load_config('config.yaml') # 2. 根据模式和类型，确定要使用的信息源和处理器 enabled_sources = config['sources'][mode] enabled_processors = config['processors'][report_type] # 3. 数据采集阶段 all_raw_items = [] for source_name in enabled_sources: source_module = importlib.import_module(f'sources.{source_name}') items = source_module.fetch() # 调用每个信息源的 fetch 函数 all_raw_items.extend(items) # 4. 数据处理阶段（工作流核心） processed_items = all_raw_items for processor_name in enabled_processors: processor_module = importlib.import_module(f'processors.{processor_name}') # 将上一步处理的结果传递给下一步，形成管道 processed_items = processor_module.process(processed_items) # 5. 报告生成阶段 template = load_template(f'templates/{report_type}.md.j2') report_content = template.render( items=processed_items, generated_time=datetime.now(), style=style ) # 6. 输出校验阶段 if is_valid_report(report_content): return report_content else: raise ValueError("生成的报告未通过校验，可能混入了调试信息。")

这个流程清晰体现了工作流的思想：数据像在流水线上一样，依次经过各个“工位”（处理器），每个工位完成特定加工，最终产出成品。

3.2 关键配置：config.yaml解读

配置文件是控制工作流行为的枢纽。一个典型的config.yaml可能如下所示：

# config.yaml 示例 sources: fast: - aibase - qbitai standard: - aibase - qbitai - infoq deep: - aibase - qbitai - infoq - official_blog # 回溯官方博客 - arxiv # 回溯论文 processors: daily: - deduplicator - time_filter # 过滤24小时内的 - validator weekly: - deduplicator - time_filter # 过滤7天内的 - topic_cluster # 按主题聚类 - validator output: default_format: markdown styles: concise: include_sections: ['highlights', 'trends'] standard: include_sections: ['highlights', 'trends', 'details', 'sources'] detailed: include_sections: ['highlights', 'trends', 'details', 'sources', 'analysis', 'risks'] report_types: daily: description: "AI Daily Report" max_items: 15 weekly: description: "AI Weekly Report" max_items: 30

配置项说明：

• sources: 定义了不同采集模式下的信息源组合。fast模式只查最快的信息源，deep模式会进行深度回溯验证。
• processors: 定义了不同类型报告对应的处理管道。日报可能只需要去重和时效过滤，周报则可能增加主题聚类。
• output: 控制报告的最终呈现形式。
• report_types: 定义每种报告的特性，如最大条目数。

通过修改这个文件，你可以轻松地：

• 增加或移除信息源。
• 调整处理流程的顺序和组合。
• 改变报告的风格和包含的模块。

3.3 信息源实现示例：sources/aibase.py

看看一个具体的信息源是如何工作的：

# sources/aibase.py import urllib.request from bs4 import BeautifulSoup # 可能需要安装 bs4，但项目声明用标准库，这里可能用 html.parser import html.parser import json from datetime import datetime, timedelta def fetch(): """从 AIbase 获取最新的 AI 资讯列表。""" url = "https://www.aibase.com/" headers = {'User-Agent': 'Mozilla/5.0'} # 模拟浏览器访问 req = urllib.request.Request(url, headers=headers) try: with urllib.request.urlopen(req, timeout=10) as response: html_content = response.read().decode('utf-8') except Exception as e: print(f"Failed to fetch from AIbase: {e}") return [] # 优雅降级，一个源失败不影响整体 # 使用标准库 html.parser 解析（假设项目坚持不用第三方库） # 这里简化处理，实际解析逻辑会更复杂 soup = BeautifulSoup(html_content, 'html.parser') # 如果不用bs4，则需用 html.parser 手动解析 news_items = [] # 假设 AIbase 的新闻条目有特定的 CSS 类 for article in soup.find_all('div', class_='news-item'): title_elem = article.find('h3') link_elem = article.find('a', href=True) time_elem = article.find('span', class_='time') if title_elem and link_elem: title = title_elem.text.strip() link = link_elem['href'] # 处理相对链接 if link.startswith('/'): link = 'https://www.aibase.com' + link pub_time = time_elem.text.strip() if time_elem else datetime.now().strftime('%Y-%m-%d') news_items.append({ 'title': title, 'url': link, 'source': 'AIbase', 'published_at': pub_time, 'summary': '', # 初始摘要为空，可由后续处理器补充 'category': 'general' }) # 返回结构化的数据列表 return news_items[:10] # 限制每次获取的数量

关键点：

• 错误处理：网络请求可能失败，必须有try...except包裹，返回空列表而非崩溃。
• 结构化数据：每个新闻条目被转换为字典，包含标题、链接、来源、时间等统一字段。这是工作流中数据流转的基础。
• 优雅降级：一个信息源失败不应导致整个工作流中断。

3.4 处理器示例：processors/deduplicator.py

去重是信息聚合的关键步骤。一个简单的基于标题相似度的去重器：

# processors/deduplicator.py import hashlib from difflib import SequenceMatcher def calculate_similarity(str1, str2): """计算两个字符串的相似度（0-1）。""" return SequenceMatcher(None, str1, str2).ratio() def process(items, similarity_threshold=0.8): """ 对新闻条目列表进行去重。 基于标题相似度和来源进行判断。 """ unique_items = [] seen_hashes = set() for item in items: # 生成一个基于标题和来源的“指纹”，用于精确匹配 item_hash = hashlib.md5(f"{item['title']}_{item['source']}".encode()).hexdigest() if item_hash in seen_hashes: continue # 完全重复，跳过 # 模糊匹配：检查与已保留条目的相似度 is_duplicate = False for unique_item in unique_items: if calculate_similarity(item['title'], unique_item['title']) > similarity_threshold: # 如果相似度很高，认为是同一事件，合并来源或保留更早/更权威的 # 这里简单策略：跳过新的，保留旧的 is_duplicate = True # 可选：合并来源链接到 unique_item # unique_item['alternative_sources'].append(item['url']) break if not is_duplicate: unique_items.append(item) seen_hashes.add(item_hash) return unique_items

这个处理器展示了工作流中“数据转换”的典型模式：接收一个列表，处理后返回一个新的列表。

4. 本地运行与集成到 Agent 工具

理解了核心代码后，我们来看看如何实际使用它。

4.1 在本地命令行运行

最简单的方式是直接运行main.py脚本。项目可能提供了命令行接口。我们可以查看main.py的if __name__ == '__main__':部分，或者自己封装一个简单的运行脚本：

# run_local.py import sys sys.path.insert(0, '.') # 确保可以导入项目模块 from main import generate_report if __name__ == '__main__': # 生成今日AI日报 report_type = 'daily' mode = 'standard' style = 'standard' try: report = generate_report(report_type=report_type, mode=mode, style=style) # 打印到控制台 print(report) # 同时保存到文件 filename = f"ai_report_{report_type}_{datetime.now().strftime('%Y%m%d_%H%M%S')}.md" with open(filename, 'w', encoding='utf-8') as f: f.write(report) print(f"\n报告已保存至: {filename}") except Exception as e: print(f"生成报告时出错: {e}") sys.exit(1)

运行命令：

python run_local.py

如果一切正常，你将在当前目录下得到一个以时间戳命名的 Markdown 文件，内容就是生成的 AI 日报。

4.2 解析skill.json并集成到 Claude Code

要让这个 Skill 被 Claude Code 等工具识别，关键在于skill.json文件。这个文件遵循一定的规范（如 MCP，Model Context Protocol 或工具自定义的格式）。

{ "name": "ai-trend-radar-report", "description": "An Agent Skill for generating Chinese AI industry trend reports (daily, weekly, brief, topic).", "version": "0.1.0", "author": "lgy1027", "entrypoint": "main.py", "protocol": "mcp", // 或特定工具要求的协议 "capabilities": { "generate_report": { "description": "Generate an AI trend report.", "parameters": { "report_type": { "type": "string", "enum": ["daily", "weekly", "brief", "topic"], "description": "Type of report to generate.", "default": "daily" }, "mode": { "type": "string", "enum": ["fast", "standard", "deep"], "description": "Depth of information gathering.", "default": "standard" }, "style": { "type": "string", "enum": ["concise", "standard", "detailed"], "description": "Output style of the report.", "default": "standard" } }, "returns": { "type": "string", "description": "The generated report in Markdown format." } } } }

集成步骤（以 Claude Code 为例）：

1. 放置 Skill：将整个ai-trend-radar-report项目文件夹放到 Claude Code 指定的 Skills 目录下（具体路径需查看 Claude Code 文档）。
2. 刷新或重启工具：让 Claude Code 重新扫描并加载新的 Skill。
3. 调用 Skill：在 Claude Code 的对话或命令窗口中，你可以通过自然语言或特定命令调用该 Skill，例如：“请使用ai-trend-radar-reportSkill 生成一份本周的 AI 周报，使用深度模式。”
4. Agent 自动执行：Claude Code 中的 Agent 会解析你的指令，匹配到skill.json中定义的generate_report能力，并传入相应的参数（report_type: 'weekly',mode: 'deep'），然后执行main.py中的逻辑，最后将生成的 Markdown 报告返回给你。

这个过程实现了“一句话指令，自动完成复杂工作流”。

5. 常见问题排查与优化实践

在实际部署和运行过程中，你可能会遇到一些问题。以下是典型的排查路径和解决方案。

5.1 问题一：运行时报网络错误或获取不到数据

现象：运行脚本后，控制台输出Failed to fetch from [SourceName]或长时间无响应后超时。

可能原因与排查步骤：

1. 网络连接问题：

   • 检查：尝试在浏览器中直接访问config.yaml中配置的信息源网址（如https://www.aibase.com）。
   • 解决：如果无法访问，可能是网络环境导致。考虑为urllib.request配置代理（需谨慎处理代理设置，仅用于开发测试环境）。或者，在sources配置中暂时注释掉不可用的源。

2. 网站反爬机制：

   • 检查：脚本使用的User-Agent过于简单，被网站拒绝。查看返回的 HTTP 状态码（如 403）。
   • 解决：在sources/下的各个.py文件中，优化请求头。可以模拟更真实的浏览器，或添加Referer等头部信息。

   headers = { 'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/91.0.4472.124 Safari/537.36', 'Accept': 'text/html,application/xhtml+xml,application/xml;q=0.9,*/*;q=0.8', 'Accept-Language': 'zh-CN,zh;q=0.9,en;q=0.8', }

3. 网页结构变更：

   • 检查：这是最常见的问题。信息源网站的 HTML 结构更新了，导致解析代码找不到对应的标签（如div.news-item）。
   • 解决：需要更新对应的sources/[source_name].py文件中的解析逻辑。使用浏览器的开发者工具（F12）重新分析目标网站的元素结构，调整find或find_all中使用的标签和类名。

5.2 问题二：生成的报告内容空洞或重复条目多

现象：报告生成了，但条目很少，或者不同信息源的同一新闻被重复列出多次。

可能原因与排查步骤：

1. 去重阈值设置不当：

   • 检查：查看processors/deduplicator.py中的similarity_threshold参数。默认值 0.8 可能过高或过低。
   • 解决：调整阈值。可以尝试打印出被判定为重复的标题对及其相似度分数，根据实际情况调整。

   # 在 deduplicator.py 的 process 函数中添加调试信息 sim = calculate_similarity(item['title'], unique_item['title']) if sim > similarity_threshold: print(f"判定为重复: '{item['title']}' 与 '{unique_item['title']}', 相似度: {sim:.2f}") is_duplicate = True

2. 信息源失效或解析逻辑过时：

   • 检查：单独测试每个信息源的fetch函数，看其是否能返回预期数量的数据。
   • 解决：同问题一的第3点，更新解析逻辑。

3. 采集模式（mode）配置问题：

   • 检查：config.yaml中sources下对应模式（如standard）配置的信息源列表是否完整且有效。
   • 解决：确保配置的信息源模块名与sources/目录下的文件名一致，并且该模块能正确导入。

5.3 问题三：集成到 Claude Code 后无法识别或调用失败

现象：将项目文件夹放入 Skills 目录后，在 Claude Code 中无法看到或调用该 Skill。

可能原因与排查步骤：

1. skill.json格式错误或路径不对：

   • 检查：确保skill.json文件位于项目根目录，并且是有效的 JSON 格式。可以使用在线 JSON 校验工具检查。
   • 解决：修正 JSON 格式错误。确认 Claude Code 支持哪种 Skill 协议（如 MCP），并按照其官方文档调整skill.json的结构。

2. 依赖缺失：

   • 检查：虽然项目声明使用标准库，但如果实际代码用了yaml、jinja2或bs4，而 Claude Code 的运行环境没有这些包，就会导致导入失败。
   • 解决：在 Claude Code 的运行环境中安装缺失的包。或者，修改项目代码，用纯标准库实现（例如用json代替yaml，用string.Template代替jinja2，用html.parser代替bs4）。

3. 权限或执行路径问题：

   • 检查：Claude Code 是否有权限执行项目目录下的 Python 脚本。
   • 解决：检查文件权限，并确保main.py有可执行权限（在 Linux/macOS 上chmod +x main.py）。同时，检查skill.json中entrypoint指定的路径是否正确。

5.4 性能与稳定性优化实践

当这个 Skill 用于生产环境（如定时生成日报并推送到团队群）时，需要考虑更多：

1. 增加缓存机制：

   • 问题：频繁运行会反复请求相同网站，可能触发反爬，也浪费资源。
   • 实践：为每个信息源的fetch函数增加简单的文件缓存或内存缓存，例如将结果按源和时间戳缓存1小时。

   import os import pickle import time CACHE_DIR = './cache' os.makedirs(CACHE_DIR, exist_ok=True) def fetch_with_cache(source_name, url, ttl=3600): cache_file = os.path.join(CACHE_DIR, f"{source_name}_{hash(url)}.pkl") if os.path.exists(cache_file) and (time.time() - os.path.getmtime(cache_file)) < ttl: with open(cache_file, 'rb') as f: return pickle.load(f) # 否则执行网络请求 data = real_fetch(url) with open(cache_file, 'wb') as f: pickle.dump(data, f) return data

2. 完善日志记录：

   • 问题：运行出错时，难以定位是哪个信息源或处理器出了问题。
   • 实践：使用 Python 的logging模块替代print，为不同模块设置不同日志级别，并将日志输出到文件。

   import logging logging.basicConfig(level=logging.INFO, format='%(asctime)s - %(name)s - %(levelname)s - %(message)s', handlers=[logging.FileHandler('ai_radar.log'), logging.StreamHandler()]) logger = logging.getLogger(__name__) # 在代码中使用 logger.info(f"开始从 {source_name} 采集数据") try: items = fetch() logger.info(f"从 {source_name} 成功采集到 {len(items)} 条数据") except Exception as e: logger.error(f"从 {source_name} 采集数据失败: {e}", exc_info=True)

3. 配置外部化与敏感信息管理：

   • 问题：信息源 URL、请求头等信息硬编码在代码中，不便于管理和更新。
   • 实践：将所有可配置项（包括 URL、请求头、CSS 选择器、阈值参数）都移至config.yaml或一个专门的sources_config.yaml中。这样无需修改代码即可调整采集行为。

4. 设置超时与重试：

   • 问题：某个信息源响应慢会导致整个工作流卡住。
   • 实践：为urllib.request.urlopen设置合理的超时时间（如 15 秒），并实现简单的重试逻辑（如最多重试2次）。

   import socket def fetch_with_retry(url, max_retries=2, timeout=15): for attempt in range(max_retries): try: req = urllib.request.Request(url, headers=headers) with urllib.request.urlopen(req, timeout=timeout) as response: return response.read().decode('utf-8') except (urllib.error.URLError, socket.timeout) as e: if attempt == max_retries - 1: raise time.sleep(2 ** attempt) # 指数退避

6. 扩展方向与自定义开发

ai-trend-radar-report项目提供了一个优秀的起点，你可以基于它进行深度定制，打造属于自己的信息雷达。

6.1 添加新的信息源

这是最常见的扩展需求。假设你想添加“机器之心”作为信息源：

1. 在sources/目录下创建新文件，如jqr.py。
2. 实现fetch()函数，参照现有信息源的代码结构，适配“机器之心”网站的页面结构。
3. 在config.yaml的sources部分，将jqr添加到相应的模式列表中。
4. 测试：单独运行这个新源的fetch函数，确保能正确解析数据。

6.2 开发新的处理器

工作流的强大之处在于可插拔的处理器。例如，你想增加一个“情感分析”处理器，为每条新闻打上积极/消极/中性的标签：

1. 在processors/目录下创建新文件，如sentiment_analyzer.py。
2. 实现process(items)函数，接收条目列表，为每个item添加一个sentiment字段。

   # 简化示例，实际可能需要调用NLP API或使用本地模型 def simple_sentiment(text): positive_words = ['突破', '领先', '开源', '免费', '强大'] negative_words = ['争议', '漏洞', '泄露', '下跌', '制裁'] # ... 简单的关键词匹配逻辑 return 'neutral' def process(items): for item in items: item['sentiment'] = simple_sentiment(item['title'] + ' ' + item.get('summary', '')) return items

3. 在config.yaml的processors部分，将sentiment_analyzer插入到合适的位置（例如，在deduplicator之后）。
4. 修改报告模板：在templates/daily.md.j2中，可以利用新的sentiment字段对新闻进行分类展示。

6.3 输出到更多渠道

默认输出是 Markdown 文件。你可以轻松扩展，将报告发送到更多地方：

• 邮件推送：使用smtplib库，将生成的 Markdown 内容作为邮件正文发送给团队成员。
• Webhook 通知：将报告内容通过 HTTP POST 请求发送到团队协作工具（如钉钉、飞书、Slack）的 Webhook。
• 生成图文并茂的公众号推文：可以结合第三方库，将 Markdown 转换为更美观的 HTML，甚至生成图片。

6.4 构建定时任务

要让这个工作流完全自动化，可以将其部署为定时任务：

• Linux/macOS：使用cron。

  # 每天上午9点运行，生成日报 0 9 * * * cd /path/to/ai-trend-radar-report && /usr/bin/python3 run_local.py >> /path/to/logs/cron.log 2>&1

• Windows：使用任务计划程序。
• 云服务器/容器：使用systemd timer或 Docker 容器的健康检查与定时任务结合。

通过以上步骤，你不仅能够运行一个现成的 AI 行业趋势报告生成器，更能深入理解 Agent Skill 和工作流的设计思想，并具备根据自身需求进行定制和扩展的能力。这种将固定、繁琐的信息处理流程自动化的模式，可以广泛应用于竞品分析、舆情监控、技术动态追踪等多个领域，是提升研发和信息处理效率的利器。

🚀 30+款热门AI模型一站整合，DeepSeek/GLM/Qwen 随心用，限时 5 折。 👉 点击领海量免费额度