Install
openclaw skills install @bianchunhui/hot-analyzer热点舆情金融市场分析
触发条件
用户提到"热点分析""热榜分析""今天热点""舆情分析""热搜对市场影响""hot-analyzer"等时自动激活。
数据源
调用以下5个API获取全量热榜数据，每个API独立请求，并行抓取。
apis:
头条:
url: https://www.toutiao.com/hot-event/hot-board/?origin=toutiao_pc
ref: https://www.toutiao.com/
title_key: Title
hot_key: HotValue
data_path: [data]
total: 50
weight: 1.0
百度:
url: https://top.baidu.com/api/board?tab=realtime
ref: https://top.baidu.com/
title_key: query
hot_key: hotScore
data_path: [data, cards, 0, content]
total: 50
weight: 0.9
微博:
url: https://weibo.com/ajax/side/hotSearch
ref: https://weibo.com/
title_key: word
hot_key: num
data_path: [data, realtime]
total: 51
weight: 0.8
抖音:
url: https://www.iesdouyin.com/web/api/v2/hotsearch/billboard/word/
ref: https://www.douyin.com/
title_key: word
hot_key: hot_value
data_path: [word_list]
total: 20
weight: 0.7
知乎:
url: https://www.zhihu.com/api/v4/search/preset_words
ref: https://www.zhihu.com/hot
title_key: query
hot_key: weight
data_path: [preset_words, words]
total: 30
weight: 0.6
综合评分公式
基础单项得分
每条条目同时记录排名和热度原始值，混合计算：
排名因子 = 1 - 排名/总数
热度因子 = heat / max_heat # 用 max 归一化
单项得分 = [0.6 × 排名因子 + 0.4 × 热度因子] × 平台权重
- 排名从0开始（API返回的自然序）
- 热度归一化：
heat / max_heat（相对于平台榜首热度的比例）。不用(heat-min)/(max-min)——实测发现热榜热度值"高地板"（末位仍有榜首的40%~62%），用min减法会把底部推回0 - α=0.6（排名权重60%、热度权重40%）——保留排名主导地位，同时让热度绝对值放大排名尾部的高热度条目
- 特殊处理：知乎的
weight字段固定为1无区分度 → α=1.0（纯排名），不引入热度因子
跨平台合并 + 边际递减
同一事件跨多平台出现时不是简单叠加（实测发现5平台全在的娱乐事件会因平台数过多而线性膨胀到6+分），而是按贡献递减：
步骤1：将同组内各平台单项得分从高到低排序
步骤2：综合分 = S₁ + 0.8×S₂ + 0.6×S₃ + 0.3×S₄ + 0.3×S₅
- 第1个平台贡献全额，之后每个平台的增量信息递减
- 原理：第1个平台已确认事件热度，第2-3个平台主要验证，第4+平台信息增量接近饱和
- 效果：NBA总决赛5平台→6.64→约4.8（不再过度膨胀）；3平台事件和5平台事件的差距缩小到合理范围
财经偏好系数
娱乐内容天然热度高（NBA/世界杯/明星八卦），财经信号容易被淹没。对涉及经济/金融/政策/市场的热点给予适度加权：
最终得分 = 综合分 × 财经系数
系数由LLM判断，取值：
| 系数 | 适用条件 | 示例 |
|---|---|---|
| 1.3 | 直接影响上市公司/期货/货币政策的事件 | 金价大跌、电商被约谈、《新闻联播》A股数据、韩国紧急会议 |
| 1.2 | 经济角度可解读的地缘/产业事件 | 伊朗封锁海峡（石油供应链）、电动车新国标、芯片制裁 |
| 1.1 | 间接经济影响 | 小麦丰收（农产品价格）、高考结束（消费预期） |
| 1.0 | 纯娱乐/体育/社会/泛事件 | NBA、世界杯、明星八卦 |
- 判断依据：事件是否可影响上市公司股价/期货价格/货币政策预期/产业政策
- 纯LLM推理，不写死规则——像"日本军国主义"这种涉地缘+军事但经济传导路径长的事件，系数1.1而非1.3
- 乘在边际递减后的综合分上（不是单项得分），确保财经加权只影响最终排名
独家信号加分
知乎经常出现其他平台完全没有的财经信号（《新闻联播》A股数据、韩国交易所紧急会议、上海副市长被查等），这些信号的独特价值被平台权重0.5结构性惩罚。对出现在≤2个平台的财经热点额外奖励：
最终得分 = 综合分 × 财经系数 × 独家系数
| 独家系数 | 条件 |
|---|---|
| 1.5 | 仅1个平台出现 + 财经系数≥1.2 |
| 1.3 | 仅2个平台出现 + 财经系数≥1.2 |
| 1.0 | 3+平台 或 财经系数<1.2 |
- 生效前提：财经系数≥1.2（确保财经偏好判断已在先），纯娱乐/体育不享受独家加分
- 效果：《新闻联播》A股数据（知乎独占） 0.33×1.3×1.5=0.65，从
30名外跃入TOP15 - 韩国交易所紧急会议 0.08×1.3×1.5=0.16，仅小幅提升（排名太靠后）
- 跨3平台的钉钉换帅不受影响（3平台=1.0），其突破主要靠财经系数1.3
去重合并规则
- 精确匹配（Python脚本）：标题字符串完全相同 → 直接合并
- 包含匹配（Python脚本）：一个标题包含另一个 → 直接合并取最长
- LLM语义合并（关键步骤）：
- 将精确匹配后剩余的标题列表传给大模型
- 按「核心事件相同」分组（同主体+同动作+同时间窗口）
- 每组选信息量最大的标题为代表
- 禁止用纯字符串相似度算法（SequenceMatcher等）替代LLM
- 实际测试发现：字符串算法导致伊朗8条热点分散、黄金3条未合并，严重影响排序
- 合并后综合分为各平台得分之和
- 记录出现平台数、各平台原始排名、合并成员数
申万一级行业（31个）
以下行业分类写死用于分析。每轮分析时，将合并后的热榜词条逐条对照各行业的keywords进行匹配，输出受影响的行业及方向。
申万行业:
大消费:
农林牧渔:
code: "801010"
keywords: [粮食安全, 猪肉, 猪周期, 种业, 转基因, 水产, 养殖, 渔业, 农产品涨价, 饲料, 糖, 棉花进口]
食品饮料:
code: "801120"
keywords: [白酒, 茅台, 预制菜, 消费复苏, 餐饮, 乳业, 调味品, 零食, 饮料, 啤酒, 食品安全, 涨价]
家用电器:
code: "801110"
keywords: [家电补贴, 以旧换新, 出口关税, 空调, 冰箱, 洗衣机, 扫地机, 智能家居]
纺织服饰:
code: "801130"
keywords: [服装出口, 新疆棉, 运动品牌, 羽绒服, 纺织, 关税, 汇率]
轻工制造:
code: "801140"
keywords: [造纸, 包装, 出口, 家具, 文具, 跨境电商, 汇率]
医药生物:
code: "801150"
keywords: [集采, 创新药, 疫苗, 疫情, 医保, 医疗器械, CXO, 中药, 减肥药, 流感, 药监局]
商贸零售:
code: "801200"
keywords: [电商, 免税, 消费券, 直播带货, 百货, 超市, 双11, 618]
社会服务:
code: "801210"
keywords: [旅游, 酒店, 景区, 教育, 教培, 出境游, 免税, 演唱会, 节假日]
美容护理:
code: "801880"
keywords: [医美, 化妆品, 护肤品, 监管, 双11, 618]
大科技:
电子:
code: "801080"
keywords: [芯片, 半导体, 光刻机, 消费电子, 手机, 华为, 苹果, 面板, 存储, AI芯片, 先进封装, 台积电, 美国制裁]
计算机:
code: "801750"
keywords: [AI, 人工智能, 信创, 数据要素, 大模型, ChatGPT, 软件, 云计算, 网络安全, 数字政府, 国产替代]
传媒:
code: "801760"
keywords: [游戏版号, 短剧, 电影, 票房, 直播, 短视频, 互联网平台, 反垄断, 广告]
通信:
code: "801770"
keywords: [5G, 6G, 光模块, 卫星互联网, 光纤, 运营商, 数据センター, 通信设备]
大金融:
银行:
code: "801780"
keywords: [降息, 降准, 房贷利率, LPR, 存款利率, 银行利润, 不良贷款, 城投, 地方债]
非银金融:
code: "801790"
keywords: [券商合并, 保险, 资本市场, 印花税, IPO, 再融资, 减持, 证监会, 牛市, 成交量]
大周期:
煤炭:
code: "801020"
keywords: [煤价, 限产, 能源安全, 煤矿事故, 冬季供暖, 发电, 进口煤]
石油石化:
code: "801030"
keywords: [油价, 中东, 伊朗, 沙特, OPEC, 俄罗斯, 炼化, 成品油, 加油站, 地缘冲突, 霍尔木兹海峡]
基础化工:
code: "801040"
keywords: [化工涨价, 新材料, 化肥, 农药, 染料, 钛白粉, 氟化工, 磷化工]
钢铁:
code: "801050"
keywords: [粗钢, 限产, 基建, 房地产, 螺纹钢, 铁矿石, 钢厂, 产能过剩]
有色金属:
code: "801060"
keywords: [铜, 铝, 稀土, 锂, 钴, 镍, 黄金, 白银, 矿产, 资源税, 新能源金属, 碳酸锂]
建筑材料:
code: "801710"
keywords: [水泥, 玻璃, 防水, 涂料, 地产链, 基建, 保障房, 城中村改造]
建筑装饰:
code: "801720"
keywords: [基建, 一带一路, 城中村改造, 专项债, 工程, 铁公基, 水利, 城市更新]
电力设备:
code: "801730"
keywords: [光伏, 风电, 储能, 特高压, 电网, 新能源, 电力改革, 硅料, 逆变器, 充电桩]
机械设备:
code: "801890"
keywords: [机器人, 人形机器人, 工业母机, 工程机械, 挖掘机, 自动化, 减速器, 伺服电机]
国防军工:
code: "801740"
keywords: [地缘冲突, 军演, 导弹, 航母, 战斗机, 军工, 南海, 台海, 武器出口, 冲突升级, 国防预算]
汽车:
code: "801880"
keywords: [新能源车, 出口, 关税, 自动驾驶, 比亚迪, 特斯拉, 充电桩, 补贴, 车展]
公用事业:
code: "801160"
keywords: [电价, 水务, 天然气, 供暖, 环保税, 碳排放]
交通运输:
code: "801170"
keywords: [集运, 运费, 物流, 快递, 港口, 铁路, 航空, 红海, 苏伊士, 海运]
环保:
code: "801250"
keywords: [碳交易, 碳中和, 环保政策, 污染, 固废, 污水, 生态修复]
房地产:
code: "801180"
keywords: [限购, 放松, 房贷, 保交楼, 白名单, 开发商, 救市, 房价, 土地出让, 取消限购]
综合:
code: "801230"
keywords: []
期货品种映射表
期货品种:
上海期货交易所_SHFE:
黄金_AU:
category: 贵金属
keywords: [地缘冲突, 战争, 伊朗, 中东, 避险, 美联储, 降息, 通胀, 美元, 央行购金, 金价, 危机]
direction: 利好
白银_AG:
category: 贵金属
keywords: [避险, 工业需求, 光伏用银, 通胀, 美元]
direction: 利好
铜_CU:
category: 有色金属
keywords: [铜价, 基建, 电网投资, 新能源, 供应中断, 铜矿罢工, 经济复苏]
direction: 利好
铝_AL:
category: 有色金属
keywords: [铝价, 限产, 电解铝, 房地产, 汽车, 云南限电, 出口]
direction: 利好
锌_ZN:
category: 有色金属
keywords: [锌价, 基建, 镀锌, 汽车, 供应]
direction: 利好
铅_PB:
category: 有色金属
keywords: [铅价, 蓄电池, 环保限产]
direction: 中性
镍_NI:
category: 有色金属
keywords: [镍价, 新能源电池, 不锈钢, 印尼出口禁令]
direction: 利好
锡_SN:
category: 有色金属
keywords: [锡价, 半导体, 焊料, 供应]
direction: 利好
螺纹钢_RB:
category: 黑色金属
keywords: [基建, 房地产, 稳增长, 城中村改造, 专项债, 钢材, 地产政策]
direction: 利好
热轧卷板_HC:
category: 黑色金属
keywords: [汽车, 家电, 制造业, 出口, 钢材]
direction: 利好
不锈钢_SS:
category: 黑色金属
keywords: [镍价, 家电, 建筑, 出口]
direction: 中性
天然橡胶_RU:
category: 能源化工
keywords: [橡胶, 轮胎, 汽车, 东南亚天气, 合成胶]
direction: 利好
合成橡胶_BR:
category: 能源化工
keywords: [丁二烯, 轮胎, 汽车, 原油]
direction: 中性
燃料油_FU:
category: 能源化工
keywords: [原油, 航运, 中东, 炼厂]
direction: 跟随原油
石油沥青_BU:
category: 能源化工
keywords: [基建, 公路, 原油, 专项债]
direction: 利好
纸浆_SP:
category: 能源化工
keywords: [纸浆, 造纸, 进口, 汇率, 环保]
direction: 中性
氧化铝_AO:
category: 有色金属
keywords: [铝土矿, 几内亚, 铝, 限产]
direction: 利好
上海国际能源交易中心_INE:
原油_SC:
category: 能源
keywords: [中东, 伊朗, 霍尔木兹海峡, OPEC, 减产, 地缘, 供应中断, 红海, 石油, 沙特, 俄罗斯, 油价]
direction: 利好
低硫燃料油_LU:
category: 能源
keywords: [航运, 限硫令, 船用油, 原油]
direction: 跟随原油
20号胶_NR:
category: 能源化工
keywords: [轮胎, 汽车, 东南亚, 橡胶]
direction: 中性
国际铜_BC:
category: 有色金属
keywords: [铜价, 全球经济, 美元, LME]
direction: 利好
集运指数_EC:
category: 航运
keywords: [红海, 苏伊士, 运费, 集装箱, 航运, 供应链, 绕航, 中东]
direction: 利好
大连商品交易所_DCE:
黄大豆1号_A:
category: 农产品
keywords: [大豆, 中美, 关税, 种植面积, 天气, 巴西, 阿根廷, USDA]
direction: 利好
豆粕_M:
category: 农产品
keywords: [大豆, 关税, 饲料, 养殖, 生猪, 中美贸易, 巴西]
direction: 利好
豆油_Y:
category: 农产品
keywords: [食用油, 生物柴油, 大豆, 棕榈油]
direction: 利好
棕榈油_P:
category: 农产品
keywords: [食用油, 印尼, 马来西亚, 生物柴油, 出口禁令]
direction: 利好
玉米_C:
category: 农产品
keywords: [玉米, 饲料, 深加工, 进口, 关税, 天气, 种植面积]
direction: 中性
玉米淀粉_CS:
category: 农产品
keywords: [玉米, 淀粉, 深加工]
direction: 中性
鸡蛋_JD:
category: 农产品
keywords: [鸡蛋, 禽流感, 饲料成本, 节假日]
direction: 中性
生猪_LH:
category: 农产品
keywords: [猪肉, 猪周期, 猪价, 存栏, 养殖, 猪瘟]
direction: 中性
粳米_RR:
category: 农产品
keywords: [稻米, 粮食安全, 储备]
direction: 中性
铁矿石_I:
category: 黑色金属
keywords: [钢厂, 限产, 粗钢, 房地产, 基建, 澳洲, 巴西, 供应]
direction: 利空
焦炭_J:
category: 黑色金属
keywords: [钢厂, 限产, 煤炭, 环保, 焦化]
direction: 利空
焦煤_JM:
category: 黑色金属
keywords: [煤炭, 煤矿, 安全, 进口, 蒙古, 澳洲煤]
direction: 利好
聚乙烯_L:
category: 能源化工
keywords: [塑料, 原油, 包装, 农业膜]
direction: 跟随原油
聚氯乙烯_V:
category: 能源化工
keywords: [PVC, 房地产, 管材, 基建]
direction: 利好
聚丙烯_PP:
category: 能源化工
keywords: [塑料, 原油, 汽车, 家电, 口罩]
direction: 跟随原油
苯乙烯_EB:
category: 能源化工
keywords: [苯, 原油, 家电, 汽车, EPS]
direction: 跟随原油
乙二醇_EG:
category: 能源化工
keywords: [聚酯, 纺织, 原油, 煤化工]
direction: 跟随原油
液化石油气_PG:
category: 能源化工
keywords: [LPG, 原油, 取暖, 化工]
direction: 跟随原油
纤维板_FB:
category: 建材
keywords: [木材, 家具, 房地产]
direction: 中性
郑州商品交易所_ZCE:
白糖_SR:
category: 农产品
keywords: [白糖, 甘蔗, 印度, 巴西, 乙醇, 天气, 糖价]
direction: 利好
棉花_CF:
category: 农产品
keywords: [棉花, 新疆, 纺织, 出口, 关税, 种植面积, 天气]
direction: 利好
棉纱_CY:
category: 农产品
keywords: [纺织, 出口, 棉花, 关税]
direction: 中性
苹果_AP:
category: 农产品
keywords: [苹果, 天气, 产区, 水果]
direction: 中性
红枣_CJ:
category: 农产品
keywords: [红枣, 新疆, 天气]
direction: 中性
花生_PK:
category: 农产品
keywords: [花生, 食用油, 种植面积]
direction: 中性
菜油_OI:
category: 农产品
keywords: [菜籽, 食用油, 加拿大, 进口, 关税]
direction: 利好
菜粕_RM:
category: 农产品
keywords: [菜籽, 饲料, 水产, 加拿大, 关税]
direction: 利好
PTA_TA:
category: 能源化工
keywords: [聚酯, 纺织, 原油, PX, 出口]
direction: 跟随原油
甲醇_MA:
category: 能源化工
keywords: [甲醇, 煤化工, 原油, MTO, 进口]
direction: 跟随原油
纯碱_SA:
category: 能源化工
keywords: [纯碱, 玻璃, 光伏玻璃, 房地产, 限产]
direction: 利好
玻璃_FG:
category: 建材
keywords: [玻璃, 房地产, 光伏, 竣工, 保交楼, 城中村改造]
direction: 利好
尿素_UR:
category: 能源化工
keywords: [化肥, 农业, 出口, 煤炭, 印度招标]
direction: 中性
烧碱_SH:
category: 能源化工
keywords: [烧碱, 氧化铝, 化工, 出口]
direction: 中性
硅铁_SF:
category: 黑色金属
keywords: [硅铁, 钢厂, 限产, 电力]
direction: 中性
锰硅_SM:
category: 黑色金属
keywords: [锰硅, 钢厂, 限产, 锰矿]
direction: 中性
动力煤_ZC:
category: 能源
keywords: [煤炭, 发电, 限价, 能源安全, 冬季供暖]
direction: 利好
短纤_PF:
category: 能源化工
keywords: [涤纶, 纺织, 原油, 出口]
direction: 跟随原油
原木_LG:
category: 建材
keywords: [木材, 进口, 房地产, 建筑]
direction: 中性
中国金融期货交易所_CFFEX:
沪深300_IF:
category: 股指
keywords: [A股, 牛市, 降息, 降准, 经济复苏, 外资流入, 政策利好, 证监会]
direction: 利好
上证50_IH:
category: 股指
keywords: [大盘, 蓝筹, 降息, 银行, 保险, 茅台]
direction: 利好
中证500_IC:
category: 股指
keywords: [中小盘, 题材, 量化, 成长]
direction: 利好
中证1000_IM:
category: 股指
keywords: [小盘, 题材, 微盘, 量化]
direction: 中性
2年期国债_TS:
category: 利率
keywords: [降息, 降准, 流动性, 货币政策, 央行, MLF, LPR]
direction: 利好
5年期国债_TF:
category: 利率
keywords: [降息, 降准, 经济数据, 通胀, PMI, GDP]
direction: 利好
10年期国债_T:
category: 利率
keywords: [降息, 降准, 财政刺激, 加息, 通胀, 美联储, 国债收益率]
direction: 利好
广州期货交易所_GFEX:
工业硅_SI:
category: 新能源
keywords: [光伏, 多晶硅, 有机硅, 限电, 云南, 四川, 出口]
direction: 利好
碳酸锂_LC:
category: 新能源
keywords: [锂电池, 新能源车, 宁德时代, 比亚迪, 盐湖, 锂矿, 澳大利亚, 智利]
direction: 利好
多晶硅:
category: 新能源
keywords: [光伏, 硅料, 硅片, 产能过剩]
direction: 中性
工作流（Python + LLM 二段式）
核心原则：所有确定性公式（解析、去重、计分、排序、HTML生成）由 compute.py 处理，LLM 只做三件事——语义分组、系数判断、市场推理。
配套脚本：compute.py（与本 SKILL.md 同目录）
⚠️ 运行前必须先将 compute.py 复制到工作目录：
bash cp <skill_dir>/compute.py {cwd}/compute.py # Windows: copy <skill_dir>\compute.py {cwd}\compute.py
<skill_dir>是本 SKILL.md 所在目录。各平台安装路径不同：WorkBuddy 上为~/.workbuddy/skills/hot-analyzer/，其他平台按实际安装路径替换。以下所有命令均从{cwd}执行 compute.py。
第一步：并行抓取数据（全 Python urllib）
⚠️ 全部 5 个平台都用 Python
urllib抓取，不用 WebFetch。 WebFetch 处理纯 JSON API 返回不稳定（百度/抖音/知乎均失败过），Python urllib 一次成功。
import urllib.request, json, os
os.chdir("{cwd}") # 切换到工作目录，各平台自动替换
UA = 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/135.0.0.0 Safari/537.36'
# 1. 头条
req = urllib.request.Request('https://www.toutiao.com/hot-event/hot-board/?origin=toutiao_pc',
headers={'User-Agent': UA, 'Referer': 'https://www.toutiao.com/'})
with urllib.request.urlopen(req, timeout=15) as r:
with open('raw_toutiao.json', 'w', encoding='utf-8') as f:
json.dump(json.loads(r.read()), f, ensure_ascii=False)
# 2. 百度
req = urllib.request.Request('https://top.baidu.com/api/board?tab=realtime',
headers={'User-Agent': UA, 'Referer': 'https://top.baidu.com/'})
with urllib.request.urlopen(req, timeout=15) as r:
with open('raw_baidu.json', 'w', encoding='utf-8') as f:
json.dump(json.loads(r.read()), f, ensure_ascii=False)
# 3. 微博
req = urllib.request.Request('https://weibo.com/ajax/side/hotSearch',
headers={'User-Agent': UA, 'Referer': 'https://weibo.com/'})
with urllib.request.urlopen(req, timeout=15) as r:
with open('raw_weibo.json', 'w', encoding='utf-8') as f:
json.dump(json.loads(r.read()), f, ensure_ascii=False)
# 4. 抖音
req = urllib.request.Request('https://www.iesdouyin.com/web/api/v2/hotsearch/billboard/word/',
headers={'User-Agent': UA, 'Referer': 'https://www.douyin.com/'})
with urllib.request.urlopen(req, timeout=15) as r:
with open('raw_douyin.json', 'w', encoding='utf-8') as f:
json.dump(json.loads(r.read()), f, ensure_ascii=False)
# 5. 知乎
req = urllib.request.Request('https://www.zhihu.com/api/v4/search/preset_words',
headers={'User-Agent': UA, 'Referer': 'https://www.zhihu.com/hot'})
with urllib.request.urlopen(req, timeout=15) as r:
with open('raw_zhihu.json', 'w', encoding='utf-8') as f:
json.dump(json.loads(r.read()), f, ensure_ascii=False)
print("5个平台数据全部保存完成")
注意：微博API返回中混有广告条目（is_ad=1），Py脚本自动过滤。将以上代码写入 {cwd}/fetch_all.py，然后用 python 执行。
第二步：Python 精确去重 + 单项计分
运行 compute.py prepare：
python {cwd}/compute.py prepare \
--state {cwd}/state.json \
--toutiao {cwd}/raw_toutiao.json \
--baidu {cwd}/raw_baidu.json \
--weibo {cwd}/raw_weibo.json \
--douyin {cwd}/raw_douyin.json \
--zhihu {cwd}/raw_zhihu.json
脚本自动完成：
- 解析5个API的JSON，提取标题/排名/热度
- 精确匹配 + 包含匹配去重（标题完全相同或包含关系）
- 计算每条条目的单项得分：
[0.6×排名因子 + 0.4×热度因子] × 平台权重（知乎 α=1.0 纯排名） - 输出「已自动合并的精确匹配组」和「待LLM语义合并列表」
- 状态保存到
state.json，待合并列表额外写入pending.json（UTF-8 JSON，无Windows终端乱码问题）
⚠️ 重要 — 读取 prepare 输出的方式：
终端/控制台输出可能因编码问题导致中文乱码（如 Windows PowerShell 的 GBK 编码）。建议直接读取文件：
- 读取
{cwd}/pending.json - 从中获取
items数组（待语义合并条目）和multi_member_groups（已自动合并的组）
pending.json 格式：
{
"total": 130,
"items": [
{"index": 0, "title": "伊朗关闭霍尔木兹海峡", "platform": "zhihu", "rank": 27, "score": 0.06},
...
],
"multi_member_groups": [
{"representative": "全长标题", "members": ["短标题1","短标题2"], "platforms": ["baidu","toutiao"]},
...
]
}
第三步：LLM 语义合并 + 系数判断
读取 {cwd}/pending.json（compute.py prepare 生成的UTF-8 JSON文件，不是控制台输出），获取 items（待语义合并列表）和 multi_member_groups（已自动合并的组）。完成两个任务：
任务A — 语义合并分组：
按「核心事件相同」分组（同主体 + 同动作 + 同时间窗口）。示例：
- ✅ 「伊朗关闭霍尔木兹海峡」「伊朗宣布封锁海峡」「伊朗局势」→ 合并
- ✅ 「黄金一直跌」「黄金别跌了」「黄金进入熊市」→ 合并
- ✅ 「钉钉换帅」「陈航卸任CEO」「陈宇森接棒」→ 合并
- ❌ 「黄金一直跌」和「金饰克价下跌400元」→ 有重叠但不强制合并，LLM自主判断
- 禁止用 SequenceMatcher/Levenshtein 等纯字符串算法替代LLM
每组选信息量最大的标题为代表（优先头条/百度来源）。
任务B — 财经系数 + 独家系数判断：
对每个分组，判断：
| 系数 | 值 | 适用条件 |
|---|---|---|
| 财经系数 | 1.3 | 直接影响上市公司/期货/货币政策 |
| 财经系数 | 1.2 | 经济角度可解读的地缘/产业事件 |
| 财经系数 | 1.1 | 间接经济影响 |
| 财经系数 | 1.0 | 纯娱乐/体育/社会 |
| 独家系数 | 1.5 | 仅1平台 + 财经系数≥1.2 |
| 独家系数 | 1.3 | 仅2平台 + 财经系数≥1.2 |
| 独家系数 | 1.0 | 3+平台 或 财经系数<1.2 |
输出格式（保存为 {cwd}/groups.json）：
[
{
"representative": "伊朗全面关闭霍尔木兹海峡",
"members": ["伊朗关闭霍尔木兹海峡", "伊朗宣布封锁海峡", "伊朗局势"],
"finance_coeff": 1.2,
"exclusive_coeff": 1.0
},
{
"representative": "电商平台被约谈",
"members": ["淘宝京东拼多多抖音小红书被约谈"],
"finance_coeff": 1.3,
"exclusive_coeff": 1.5
}
]
注意：
members必须是 prepare 输出列表中的精确标题名，否则 compute.py 无法匹配。⚠️ 文件写入方式：
groups.json内容较大时直接写入文件可能截断。优先用 Python 脚本写入：bash python -c "import json; json.dump(groups, open('groups.json','w',encoding='utf-8'), ensure_ascii=False, indent=2)"⚠️ 去重检查：写入
groups.json前检查是否有重复representative，LLM 语义合并可能产生同组重复。⚠️ Unicode 转义谨防写错：书名号「《》」的 Unicode 是
\u300a（左）和\u300b（右），中文双引号「""」是\u201c（左）和\u201d（右）。写成JSON时推荐直接使用"members": ["《新闻联播》披露A股重要数据"]（UTF-8原文），不要用Unicode转义形式，避免开/闭符号打错。
第四步：Python 计算最终排名 + 生成 HTML
# 计算最终排名
python {cwd}/compute.py compute \
--state {cwd}/state.json \
--groups {cwd}/groups.json
# 生成 HTML 可视化
python {cwd}/compute.py html \
--state {cwd}/state.json \
--output {cwd}/hot_analysis_report.html
脚本自动完成：
- 应用LLM分组合并，计算边际递减综合分：
S₁ + 0.8×S₂ + 0.6×S₃ + 0.3×S₄₊ - 乘以财经系数 + 独家系数 → 最终得分
- 按最终得分排序 → TOP 30
- 生成暗色主题HTML报告（汇总指标卡片 + TOP 30 得分柱状图）
预览 HTML：
使用各平台支持的文件预览方式打开 {cwd}/hot_analysis_report.html。
第五步：LLM 市场分析
读取 compute.py compute 输出的 TOP 30 结果，逐条分析四个维度：
① 利率债方向：判断10Y国债收益率方向 + 2-3句逻辑 ② 信用债方向：判断信用利差方向 + 2-3句逻辑 ③ 申万行业影响：扫描TOP 30匹配上方31个行业keywords，输出利好/利空行业表格 ④ 直接关联标的：精确定位上市公司（A股/港股/美股），不能映射的跳过 ⑤ 期货品种影响：匹配上方期货映射表 + LLM补充，输出含置信度表格
第五步 B：将 LLM 分析注入 HTML
compute.py html 生成的 HTML 只有框架（TOP 30 排名表 + 汇总卡片），第二部分显示占位文字「此部分需 LLM 市场分析后补充」。需要将占位块替换为完整的分析内容（利率债/行业/标的/期货/关键信号），填入对应的 HTML 表格和卡片中。
占位块匹配字符串：
<p>此部分需 LLM 市场分析后补充</p>
第六步：输出 Markdown 报告
## 📊 综合热点舆情分析报告
**时间：YYYY-MM-DD HH:MM**
---
### 一、综合热点榜 TOP 30
| 排名 | 热点标题 | 平台数 | 最终得分 | 来源平台 |
|------|---------|:------:|:------:|----------|
| 1 | ... | 4 | 2.48 | 头条#2, 百度#6, 微博#8 |
---
### 二、利率债/信用债方向
（第五步的①②分析结果）
### 三、申万行业影响
（第五步的③分析结果）
### 四、直接关联标的
（第五步的④分析结果）
### 五、期货品种影响
（第五步的⑤分析结果）
输出要求
- 语气客观、简洁，每条逻辑不超过2句话
- 置信度：多平台+多关键词命中=高；单平台=中；间接推断=低
- 不输出"无法判断"条目，不确定的不列
- 债券部分专注方向性判断，不给具体点位
compute.py已生成 HTML，预览后 Markdown 报告中也提及 HTML 已就绪
Related skills
- Downloads
- Security audit
- Pass
- Last updated
- 1mo ago
- Current version
- v1.0.1
- License
- MIT-0