AI Content Collector

AI及汽车行业信息扫描收集工具。从指定渠道搜索和收集AI/汽车行业最新动态，整理为结构化Excel表格。覆盖：研发、营销、制造运营、财经人力、AI基础设施、模型能力、智能体开发平台、AI安全。触发：(1)收集AI/汽车行业动态、新闻、资讯 (2)扫描行业信息 (3)整理资料到Excel (4)信息周报/日报

Security Scan

The skill's declared purpose (collecting public AI/automotive news and writing Excel reports) matches its instructions and requirements; it is instruction-only, requests no credentials, and has no install steps.

Purpose & Capability

Name/description, declared tools (WebSearch, WebFetch, Write), and dependency check for openpyxl align with producing structured Excel reports from public news sites. No unrelated credentials, binaries, or installs are requested.

Instruction Scope

SKILL.md gives a narrow, prescriptive workflow (site-limited web_search, web_fetch detail pages, strict date and source rules, and writing Excel). That stays within the stated purpose. Note: the skill lists general-purpose tools (Bash, Read) that are not required beyond dependency-check and file I/O; those broaden capability surface if the agent is allowed to invoke them, though the instructions themselves do not instruct reading local secrets or system files.

Install Mechanism

Instruction-only skill with no install spec or downloads; lowest install risk. Dependency check uses a simple python import test and suggests pip install for openpyxl if missing.

Credentials

No environment variables, credentials, or config paths are requested. The only runtime dependency is openpyxl (Python library) which is justified for Excel generation.

Persistence & Privilege

always:false and default autonomous invocation are set. Autonomous invocation alone is normal; nothing else in the skill requests permanent/privileged presence or modifies other skills.

Assessment

This skill appears coherent and limited to public web scraping + Excel generation. Before installing, confirm these operational policies: (1) check what agent permissions the platform grants to the declared tools—Bash and Read allow shell/file access, so ensure the agent cannot read private files or environment variables you care about; (2) confirm web_fetch/web_search are restricted to public web egress and cannot reach internal networks or private endpoints; (3) be aware the skill mandates re-running searches (may cause heavy scraping or trigger site rate limits); (4) ensure compliance with target sites' robots/terms and with copyright; (5) if you do not want autonomous periodic scraping, keep the skill user-invocable only or restrict autonomous invocation in agent settings. If you need stronger guarantees, ask the skill author to remove general-purpose Bash/Read permissions from the declared tool set or to explicitly document allowed file access.

AI 资料收集工具

从指定渠道搜索和收集 AI 及汽车行业最新资料，整理成结构化 Excel 表格。

---

🔴 强制规则（违反任何一条即判定为失败）

规则1: 禁止使用不可靠来源

禁止收录的来源（这些是论坛/社区/UGC，不是新闻，不可交叉印证）：

禁止来源	原因
zhihu.com（知乎）	用户生成内容，观点非事实，无法交叉验证
weibo.com（微博）	社交媒体，信息未经核实
bbs、论坛、贴吧	用户讨论，非权威报道
quora.com、reddit.com	UGC内容，同上
任何问答页面	"如何评价XX"不是新闻
toutiao.com（今日头条）	算法推荐聚合，信息源混杂不可靠

必须使用的来源（权威媒体，可交叉印证）：

来源	域名	可靠性
IT之家	ithome.com	✅ 科技新闻
腾讯新闻	new.qq.com	✅ 综合新闻
新华网	xinhuanet.com	✅ 官方权威
澎湃新闻	thepaper.cn	✅ 深度报道
36氪	36kr.com	✅ 行业资讯
新浪财经	finance.sina.com.cn	✅ 财经数据
每日经济新闻	nbd.com.cn	✅ 财经+科技
机器之心	jiqizhixin.com	✅ AI专业媒体
财新网	caixin.com	✅ 财经权威
第一财经	yicai.com	✅ 财经+产业
中国新闻网	chinanews.com	✅ 官方新闻
证券时报	stcn.com	✅ 上市公司信息
各公司官方博客	blog.google、openai.com	✅ 一手信息

⚠️ 搜索结果中出现 zhihu.com/weibo.com/toutiao.com 链接时，直接跳过，不要点击、不要抓取、不要收录。

规则2: 必须抓取详情页，禁止使用搜索摘要

搜索结果中的 snippet ≠ 摘要。每条收录的信息必须经过以下流程：

搜索发现链接 → web_fetch抓取原文 → 从原文提取核心要点 → 写入摘要

禁止的摘要写法：

❌ "关键词搜索结果：个人怎么才能使用OpenAI?"     → 这是搜索snippet
❌ "如何评价OpenAI最新发布的GPT-5.4 mini?"        → 这是搜索snippet
❌ "OpenAI发布了新模型"                            → 没有从原文提取

合格的摘要写法：

✅ "谷歌在Cloud Next大会发布第八代TPU，首次拆分训练与推理专用芯片。推理成本降低40%，Meta和Anthropic已签大单。"  → 从原文提取，含具体数据
✅ "K2.6开源发布，1T参数MoE架构，256K上下文。SWE-Bench Pro超越GPT-5.4和Claude Opus 4.6。"  → 从原文提取，含评测数据

规则3: 每次执行必须重新搜索，禁止复用历史数据

• 用户每次要求收集信息时，必须从头执行全部搜索，不得复用之前的搜索结果
• 即使同一用户短时间内多次请求，也要重新搜索
• 不得使用缓存的搜索结果或之前生成的数据
• 所有搜索调用必须实际执行，不能假设"上次搜过了所以跳过"
• 绝对不能因为"上次已搜索过同类信息"而省略任何搜索步骤

规则4: 日期必须精确到日

• 发布时间必须是 YYYY-MM-DD 格式
• YYYY-MM 格式 → 丢弃
• YYYY 格式 → 丢弃
• 无法确认精确日期的记录 → 丢弃

规则5: 禁止回退到纯英文来源

• 不允许因为"中文站点无法访问"而放弃中文来源
• 当 web_search 中文结果不足时，必须使用 web_fetch 直接抓取中文新闻站列表页（见步骤2B降级策略）
• 英文来源（The Verge、TechCrunch等）只能作为补充，不能成为主体
• 最终报告中，中文来源占比必须 ≥60%

规则6: 多渠道交叉印证，禁止单一来源垄断

• 单一域名链接占比不得超过50%：如果超过50%的记录链接来自同一域名（如全部来自ithome.com），必须从其他渠道补充
• 每条记录至少2个不同渠道验证：对每个事件，必须从至少2个不同权威媒体搜索确认，选择最权威可信的链接作为主链接
• 摘要应综合多渠道信息：核心要点摘要应融合多个渠道的报道内容，而非仅依赖单一来源
• 文档/链接选择最权威来源：优先选择：官方来源 > 通讯社(新华社等) > 深度媒体(澎湃/财新) > 综合媒体(腾讯新闻) > 科技媒体(IT之家/36氪)

---

依赖检查（必须首先执行）

python3 -c "import openpyxl" 2>/dev/null || echo "MISSING: openpyxl"

依赖	用途	安装命令
python3	生成Excel	系统自带
openpyxl	Excel文件生成	pip3 install openpyxl

如果依赖缺失，输出以下提示后停止：

⚠️ 缺少必要依赖：[依赖名]
请运行：[安装命令]
安装完成后重新执行本技能。

---

📊 质量基线（必须达标）

以下标准基于实际产出周报的质量验证，每条记录必须对标：

指标	最低标准	优秀标准	实际案例
总记录数	≥15条	≥25条	25条（周报）
类别覆盖	≥6个类别	8个类别全覆盖	8/8全覆盖
摘要字数	50-100字	70-100字含具体数据	平均76字
日期格式	YYYY-MM-DD	YYYY-MM-DD	100%合规
链接有效性	≥90%可访问	100%可访问	100%有效
来源具体度	公司/机构名	公司+部门/团队	"Google Cloud"非"Google"
不可靠来源占比	0%	0%	0%知乎/微博
中文来源占比	≥60%	≥80%	80%中文来源
单一域名占比	≤50%	≤30%	无单一域名超50%
交叉印证率	≥50%记录	≥80%记录	至少2渠道验证

每条记录质量对照

优秀记录示例（必须达到此质量）：

材料类别: AI基础设施
来源/发布机构: Google Cloud                    ← 具体到部门
材料名称: 谷歌发布第八代TPU v8双芯：TPU 8t训练+TPU 8i推理  ← 事件+具体型号+关键差异
发布时间: 2026-04-22                           ← 精确到日
核心要点摘要: 谷歌在Cloud Next大会发布第八代TPU，首次拆分训练与推理专用芯片。推理成本降低40%，Meta和Anthropic已签大单。同时宣布7.5亿美元基金推动企业AI采用。  ← 从原文提取，含具体数据
文档/链接: https://www.thepaper.cn/newsDetail_forward_33029483  ← 深度媒体为主链接
印证来源: https://www.36kr.com/p/xxx, https://www.ithome.com/0/941/418.htm  ← 不同域名佐证

不合格记录示例（必须避免）：

❌ 来源/发布机构: 知乎               → 禁止来源
❌ 来源/发布机构: 科技公司            → 太泛
❌ 材料名称: 如何评价OpenAI最新发布   → 这是知乎问答标题，不是新闻事件
❌ 核心要点摘要: 关键词搜索结果：...   → 搜索snippet，未抓取原文
❌ 核心要点摘要: 谷歌发布了新芯片      → 缺少具体数据
❌ 发布时间: 2026-04                 → 必须精确到日
❌ 文档/链接: https://www.zhihu.com/  → 禁止来源
❌ 文档/链接: https://www.theverge.com/... → 英文来源，必须有中文源交叉印证
❌ 印证来源: https://www.ithome.com/0/941/xxx → 与主链接同域名，不算交叉印证
❌ 印证来源: 无 → 每条记录应有≥1个不同域名的佐证
❌ 全部15条链接都是ithome.com → 单渠道垄断，必须分散到多个媒体

类别最低记录数

类别	周报最低条数	说明
AI基础设施	≥3	含算力、芯片、数据中心
模型能力	≥3	含大模型发布、开源、评测
智能体开发平台	≥2	含Agent、MCP、开发平台
AI安全	≥2	含合规、治理、政策
研发	≥2	含技术创新、政策支持
制造运营	≥2	含量产、产线、机器人
财经人力	≥1	含融资、营收、人事
营销	≥1	含市场、品牌、合作

---

🚫 绝对禁止事项

1. 禁止编造日期：发布时间必须是文章中明确标注的日期
2. 禁止使用模糊日期：发布时间必须是 YYYY-MM-DD 格式，不接受 YYYY-MM 或 YYYY
3. 禁止收录旧数据：严格按用户指定时间范围过滤
4. 禁止收录产品介绍页：只收录新闻/事件/报告发布，不收录常驻产品页面
5. 禁止自行推测内容：无法核实的内容直接丢弃
6. 禁止收录知乎/微博/论坛/今日头条内容：只收录权威新闻媒体和官方来源
7. 禁止用搜索snippet当摘要：必须抓取原文提取核心要点
8. 禁止摘要无数据：核心要点摘要必须包含至少1个具体数值（百分比、金额、数量、排名等）
9. 禁止来源笼统：来源/发布机构必须具体到公司/部门，不能写"行业"、"科技公司"等泛称
10. 禁止标题空洞：材料名称必须包含具体事件或关键差异点
11. 禁止复用历史搜索数据：每次执行必须重新搜索
12. 禁止跳过详情抓取：每条记录必须从原文页面获取信息
13. 禁止因中文搜索不足就放弃中文来源：必须执行降级策略（步骤2B），不得直接回退英文媒体
14. 禁止提示用户"技术限制"作为借口：中文来源不足时主动用web_fetch抓取列表页，不得输出"部分中文站点无法访问"
15. 禁止单渠道垄断：单一域名链接占比超过50%时，必须从其他渠道补充并替换
16. 禁止无交叉印证：每条记录至少应有1个不同域名的佐证链接，重大事件必须有2个不同渠道

---

✅ 搜索策略：三级搜索确保中文来源

核心原则：绝不放弃中文来源

第一级：web_search + site: 限定权威来源（主力）
    ↓ 结果不足？
第二级：web_fetch 直接抓取中文新闻站列表页（降级）
    ↓ 仍不足？
第三级：web_search 英文来源补充（仅补充，不超过40%）

第一级：站内搜索锁定权威来源

用 site: 限定权威媒体，避免泛搜返回知乎：

// ✅ 正确：限定权威媒体来源
web_search({ query: "site:ithome.com 大模型 发布 最新", freshness: "week", count: 10 })
web_search({ query: "site:new.qq.com AI 芯片 最新", freshness: "week", count: 10 })

// ❌ 错误：泛搜返回大量知乎结果
web_search({ query: "AI大模型 最新" })  // 会返回大量 zhihu.com 链接

第二级：web_fetch 直接抓取中文新闻站列表页（关键降级策略）

当 web_search 返回的中文结果不足10条时，必须执行此步骤。这是解决"中文站点无法访问"问题的核心策略。

直接 web_fetch 访问以下中文新闻站的列表页/频道页，从页面中提取最新文章标题和链接：

// IT之家 AI频道 - 最可靠的中文科技新闻源
web_fetch({ url: "https://www.ithome.com/tag/AI/", fetchInfo: "提取页面中所有AI相关新闻的标题、链接和日期" })
web_fetch({ url: "https://www.ithome.com/tag/%E4%BA%BA%E5%B7%A5%E6%99%BA%E8%83%BD/", fetchInfo: "提取页面中所有人工智能相关新闻的标题、链接和日期" })

// 36氪 AI频道
web_fetch({ url: "https://36kr.com/information/AI/", fetchInfo: "提取页面中所有AI相关新闻的标题、链接和日期" })

// 机器之心 - AI专业媒体
web_fetch({ url: "https://www.jiqizhixin.com/", fetchInfo: "提取首页所有文章的标题、链接和日期" })

// 澎湃新闻 科技频道
web_fetch({ url: "https://www.thepaper.cn/channel_25951", fetchInfo: "提取科技频道所有新闻的标题、链接和日期" })

// 腾讯新闻 科技频道
web_fetch({ url: "https://new.qq.com/ch/tech/", fetchInfo: "提取科技频道所有新闻的标题、链接和日期" })

// 新浪财经 科技频道
web_fetch({ url: "https://finance.sina.com.cn/tech/", fetchInfo: "提取科技频道所有新闻的标题、链接和日期" })

执行条件：

• 步骤2A 的 web_search 返回的中文权威来源链接 < 10条
• 或者搜索结果中超过50%是知乎/微博等不可靠来源

从列表页提取信息后：

1. 从页面中找到日期在 DATE_START ~ DATE_END 范围内的文章
2. 对每篇文章执行 web_fetch 抓取详情页
3. 提取核心要点写入摘要

第三级：英文来源补充（严格限制）

英文来源只能作为中文来源的补充，不得超过总记录数的40%：

// 仅在中文来源不足时使用
web_search({ query: "site:theverge.com AI latest", freshness: "week", count: 5 })
web_search({ query: "site:techcrunch.com AI model release", freshness: "week", count: 5 })
web_search({ query: "site:arstechnica.com AI chip", freshness: "week", count: 5 })

⚠️ 英文来源必须有中文权威媒体交叉印证。如果某个事件只有英文媒体报道、无任何中文来源提及，可以收录但需在摘要末尾标注 [仅英文来源]。

---

收集流程（7步）

步骤1: 解析需求 → 计算日期范围
  ↓
步骤2A: 站内搜索（site:限定权威来源，排除知乎微博）
  ↓ 中文结果不足10条？
步骤2B: web_fetch 直接抓取中文新闻站列表页（降级策略，必须执行）
  ↓ 仍不足？
步骤2C: 英文来源补充（不超过总数40%）
  ↓
步骤3: 逐条 web_fetch 抓取原文详情（必须步骤，不可跳过）
  ↓
步骤4: 从原文提取结构化信息 + 日期验证 + 事实核查
  ↓
步骤5: 生成 Excel 文件（必须完成）
  ↓
步骤6: 输出文本表格 + 质量自检

---

步骤1: 解析需求，计算日期范围

用户表述	计算方式	示例（今天是2026-04-23）
最近一周	今天 - 6天 ~ 今天	2026-04-16 ~ 2026-04-23
最近两周	今天 - 13天 ~ 今天	2026-04-09 ~ 2026-04-23
最近一个月	今天 - 29天 ~ 今天	2026-03-24 ~ 2026-04-23

将日期范围记录为 DATE_START 和 DATE_END，后续搜索必须使用。

---

步骤2A: 站内搜索锁定权威来源

搜索方式

// 方式1：site: 限定权威来源（推荐）
web_search({ query: "site:ithome.com 大模型 发布 最新", freshness: "week", count: 10 })

// 方式2：OR 组合多个权威来源
web_search({ query: "site:ithome.com OR site:36kr.com OR site:new.qq.com AI 发布", freshness: "week", count: 10 })

// 方式3：负向排除不可靠来源
web_search({ query: "AI大模型 发布 最新 -site:zhihu.com -site:weibo.com -site:toutiao.com", freshness: "week", count: 10 })

⚠️ 搜索结果中如果出现 zhihu.com / weibo.com / toutiao.com 链接，直接丢弃，不要点击或抓取。

搜索模板（共15次，确保多渠道覆盖）

⚠️ 关键原则：每组搜索必须分散到不同权威媒体站点，不得全部集中在 ithome.com。每次搜索应交替使用不同的 site: 组合。

搜索组A：模型厂商动态（4次，覆盖4组不同媒体）

// A1：国际厂商 - IT之家+36氪
web_search({ query: "site:ithome.com OR site:36kr.com OpenAI Anthropic Google Gemini 大模型 发布", freshness: "week", date_after: DATE_START, date_before: DATE_END, count: 10, country: "CN", language: "zh" })

// A2：国际厂商 - 腾讯新闻+澎湃（与A1不同渠道交叉）
web_search({ query: "site:new.qq.com OR site:thepaper.cn OpenAI Anthropic Google 大模型 发布 最新", freshness: "week", date_after: DATE_START, date_before: DATE_END, count: 10, country: "CN", language: "zh" })

// A3：国内厂商 - 每经+新浪财经
web_search({ query: "site:nbd.com.cn OR site:finance.sina.com.cn 阿里千问 字节豆包 智谱 腾讯混元 Kimi 发布", freshness: "week", date_after: DATE_START, date_before: DATE_END, count: 10, country: "CN", language: "zh" })

// A4：开源模型 - 机器之心+第一财经（排除知乎）
web_search({ query: "site:jiqizhixin.com OR site:yicai.com DeepSeek Meta Llama 开源模型 发布 -site:zhihu.com -site:weibo.com -site:toutiao.com", freshness: "week", date_after: DATE_START, date_before: DATE_END, count: 10, country: "CN", language: "zh" })

搜索组B：AI基础设施与智能体（3次，覆盖3组不同媒体）

// B1：AI算力/芯片 - IT之家+新浪财经
web_search({ query: "site:ithome.com OR site:finance.sina.com.cn AI算力 芯片 GPU TPU 数据中心 英伟达", freshness: "week", date_after: DATE_START, date_before: DATE_END, count: 10, country: "CN", language: "zh" })

// B2：AI算力/芯片 - 36氪+每经（与B1交叉）
web_search({ query: "site:36kr.com OR site:nbd.com.cn AI算力 英伟达 AMD 芯片 数据中心", freshness: "week", date_after: DATE_START, date_before: DATE_END, count: 10, country: "CN", language: "zh" })

// B3：智能体/Agent - 机器之心+腾讯新闻
web_search({ query: "site:jiqizhixin.com OR site:new.qq.com AI Agent 智能体 MCP 框架 平台", freshness: "week", date_after: DATE_START, date_before: DATE_END, count: 10, country: "CN", language: "zh" })

搜索组C：AI安全与政策（2次，覆盖2组不同媒体）

// C1：AI安全 - 新华网+澎湃
web_search({ query: "site:xinhuanet.com OR site:thepaper.cn AI安全 合规 治理 监管 政策", freshness: "week", date_after: DATE_START, date_before: DATE_END, count: 10, country: "CN", language: "zh" })

// C2：AI政策 - 政府官方+财新
web_search({ query: "site:gov.cn OR site:caixin.com 人工智能 政策 法规 工信部 国务院", freshness: "week", date_after: DATE_START, date_before: DATE_END, count: 10, country: "CN", language: "zh" })

搜索组D：汽车行业（2次，覆盖2组不同媒体）

// D1：汽车行业 - 新浪财经+每经
web_search({ query: "site:finance.sina.com.cn OR site:nbd.com.cn 汽车 智驾 产销 比亚迪 吉利", freshness: "week", date_after: DATE_START, date_before: DATE_END, count: 10, country: "CN", language: "zh" })

// D2：智能制造 - 证券时报+腾讯新闻
web_search({ query: "site:stcn.com OR site:new.qq.com 上汽 美的 三一 智能制造 AI", freshness: "week", date_after: DATE_START, date_before: DATE_END, count: 10, country: "CN", language: "zh" })

搜索组E：机器人与咨询报告（2次，覆盖2组不同媒体）

// E1：机器人 - 澎湃+第一财经
web_search({ query: "site:thepaper.cn OR site:yicai.com 人形机器人 量产 特斯拉 宇树 优必选", freshness: "week", date_after: DATE_START, date_before: DATE_END, count: 10, country: "CN", language: "zh" })

// E2：咨询报告 - 36氪+IT之家
web_search({ query: "site:36kr.com OR site:ithome.com 麦肯锡 德勤 Gartner IDC 行业报告 AI", freshness: "week", date_after: DATE_START, date_before: DATE_END, count: 10, country: "CN", language: "zh" })

搜索组F：交叉印证搜索（2次，确保多渠道覆盖）

// F1：本周重大事件 - 多站交叉（不限定site:，排除不可靠来源）
web_search({ query: "AI 大模型 发布 芯片 最新新闻 -site:zhihu.com -site:weibo.com -site:toutiao.com", freshness: "week", date_after: DATE_START, date_before: DATE_END, count: 15, country: "CN", language: "zh" })

// F2：汽车+AI交叉 - 多站交叉
web_search({ query: "汽车 智能制造 机器人 AI 最新 -site:zhihu.com -site:weibo.com -site:toutiao.com", freshness: "week", date_after: DATE_START, date_before: DATE_END, count: 15, country: "CN", language: "zh" })

---

步骤2B: 降级策略 — web_fetch 直接抓取中文新闻站

触发条件：步骤2A返回的中文权威来源链接 < 10条

执行方式：并行 web_fetch 以下列表页，从中提取文章标题、链接、日期：

站点	列表页URL	抓取目标
IT之家	https://www.ithome.com/tag/AI/	AI标签页所有文章
IT之家	https://www.ithome.com/tag/%E4%BA%BA%E5%B7%A5%E6%99%BA%E8%83%BD/	人工智能标签页
36氪	https://36kr.com/information/AI/	AI频道
机器之心	https://www.jiqizhixin.com/	首页文章列表
澎湃新闻	https://www.thepaper.cn/channel_25951	科技频道
腾讯新闻	https://new.qq.com/ch/tech/	科技频道
新浪科技	https://finance.sina.com.cn/tech/	科技频道
每经网	https://www.nbd.com.cn/columns/232/	科技频道

操作步骤：

1. 并行 web_fetch 所有列表页
2. 从返回的HTML/Markdown中提取：
   - 文章标题
   - 文章链接（补全为完整URL）
   - 发布日期（与 DATE_START~DATE_END 比对）
3. 筛选日期范围内的文章
4. 对筛选出的文章逐条 web_fetch 抓取详情页
5. 从详情页提取核心要点

⚠️ 列表页 web_fetch 可能返回403（部分站点有反爬），如果某个站点403，跳过该站点，继续抓取其他站点。不要因为一个站点403就放弃所有中文来源。

---

步骤2C: 英文来源补充（严格限制）

触发条件：步骤2A + 2B 仍无法收集到 ≥15条中文来源记录

执行方式：

web_search({ query: "site:theverge.com AI model release latest", freshness: "week", count: 5 })
web_search({ query: "site:techcrunch.com AI chip infrastructure", freshness: "week", count: 5 })
web_search({ query: "site:arstechnica.com AI safety policy", freshness: "week", count: 5 })
web_search({ query: "site:blog.google OR site:openai.com announcement", freshness: "week", count: 5 })

限制：

• 英文来源记录数 ≤ 总记录数的40%
• 每条英文记录必须有中文权威媒体交叉印证
• 无中文印证的标注 [仅英文来源]

---

步骤3: 抓取原文详情（核心步骤，不可跳过）

这是防止"搜索snippet当摘要"的关键步骤。

对每一条搜索结果：

1. 检查链接域名：如果是 zhihu.com/weibo.com/论坛/toutiao.com → 直接跳过
2. web_fetch 抓取原文：获取完整文章内容
3. 从原文提取：发布日期、核心数据、事件细节
4. 如果 web_fetch 返回403或空：跳过该链接，不要用搜索snippet替代

不同站点的抓取策略

站点	抓取方式	说明
IT之家、36氪、澎湃、腾讯新闻	web_fetch	通常允许访问
新华网、新浪财经、第一财经	web_fetch	通常允许访问
财新网、每经网	web_fetch	通常允许访问
机器之心	web_fetch	AI专业媒体，通常允许
知乎、微博、微信、今日头条	直接跳过	禁止收录

⚠️ 如果 web_fetch 返回 403 或空内容，丢弃该条记录。绝不能用搜索snippet代替原文摘要。

---

步骤4: 提取结构化信息 + 交叉印证 + 日期验证

7个字段

字段	格式要求	合格示例	不合格示例
材料类别	8选1	AI基础设施	科技
来源/发布机构	具体到公司/部门	Google Cloud	知乎、行业
材料名称	具体事件+关键指标	谷歌发布第八代TPU v8双芯：TPU 8t训练+TPU 8i推理	AI芯片发布
发布时间	必须 YYYY-MM-DD	2026-04-22	2026-04
核心要点摘要	50-100字，含≥1个具体数据，综合多渠道	推理成本降低40%（36氪），Meta和Anthropic已签大单（澎湃）	关键词搜索结果：...
文档/链接	最权威可信的原文URL	https://www.thepaper.cn/...	https://www.zhihu.com/...
印证来源	≥1个不同域名的佐证链接	https://www.36kr.com/..., https://finance.sina.com.cn/...	无、同域名链接

交叉印证流程（每条记录必须执行）

1. 识别事件关键词 → 提取核心实体（如"谷歌 TPUv8"）
2. 用关键词在至少1个不同权威媒体搜索验证
   web_search({ query: "谷歌 TPUv8 发布 site:new.qq.com OR site:36kr.com", freshness: "week", count: 5 })
3. 找到佐证链接 → 记录到「印证来源」字段
4. 选择最权威的链接作为主「文档/链接」
5. 综合多渠道信息写入摘要，重要数据标注来源

链接权威性优先级（选择主链接时参考）：

1. 官方来源（openai.com、blog.google）     → 最高权威
2. 通讯社/官方媒体（xinhuanet.com）         → 官方背书
3. 深度媒体（thepaper.cn、caixin.com）      → 深度调查
4. 综合新闻（new.qq.com、chinanews.com）    → 广泛传播
5. 行业媒体（36kr.com、jiqizhixin.com）     → 专业领域
6. 科技媒体（ithome.com）                   → 快速报道

⚠️ 如果某个事件只能找到单一来源，在「印证来源」列填"单源"，摘要末尾标注 [待核实]。

日期验证（每条记录必须通过，任一不通过则丢弃）

□ 发布时间是否为 YYYY-MM-DD 格式？（不是则丢弃）
□ 发布时间是否 >= DATE_START？（不是则丢弃）
□ 发布时间是否 <= DATE_END？（不是则丢弃）
□ 发布时间是否合理？（不是未来日期，不是1年前的日期）

来源可靠性验证

□ 链接域名是否为权威媒体？（知乎/微博/论坛/今日头条 → 丢弃）
□ 来源/发布机构是否具体？（"行业"/"科技公司" → 丢弃）
□ 摘要是否从原文提取？（搜索snippet → 丢弃）
□ 摘要是否含具体数据？（无数据 → 重写或丢弃）
□ 英文来源是否≤40%？（超过 → 减少英文记录）
□ 印证来源是否≥1个不同域名？（单一来源标注[待核实]）
□ 单一域名链接是否≤50%？（超过 → 必须从其他渠道补充）

事实核查

对重大事件（新模型发布、政策法规、企业重大合作、融资数据），必须2个不同权威来源交叉验证。只能找到1个来源时，摘要末尾标注 [待核实]。

去重

• 按 URL 去重
• 按事件去重：同一事件保留信息最全且日期最新的一条
• 按标题去重：标题高度相似(>80%)视为同一事件

---

步骤5: 生成 Excel 文件（必须完成）

使用 Python + openpyxl 生成：

from openpyxl import Workbook
from openpyxl.styles import Font, Alignment, PatternFill, Border, Side
from datetime import datetime

wb = Workbook()
ws = wb.active
ws.title = "信息扫描周报"

headers = ["材料类别", "来源/发布机构", "材料名称", "发布时间", "核心要点摘要", "文档/链接", "印证来源"]
hfont = Font(name='Arial', bold=True, color='FFFFFF', size=11)
hfill = PatternFill(start_color='2F5496', end_color='2F5496', fill_type='solid')
border = Border(left=Side(style='thin'), right=Side(style='thin'),
    top=Side(style='thin'), bottom=Side(style='thin'))

for col, h in enumerate(headers, 1):
    c = ws.cell(row=1, column=col, value=h)
    c.font, c.fill, c.border = hfont, hfill, border
    c.alignment = Alignment(horizontal='center', vertical='center', wrap_text=True)

cat_colors = {
    'AI基础设施': 'E2EFDA', '模型能力': 'D6E4F0', '智能体开发平台': 'FCE4D6',
    'AI安全': 'F2DCDB', '研发': 'D9E2F3', '制造运营': 'E2EFDA',
    '财经人力': 'FFF2CC', '营销': 'EDEDED',
}

link_font = Font(name='Arial', size=10, color='0563C1', underline='single')

for ri, item in enumerate(data, 2):
    for ci, val in enumerate(item, 1):
        ws.cell(row=ri, column=ci, value=val)
    for ci in range(1, 8):
        cell = ws.cell(row=ri, column=ci)
        cell.border = border
        cell.font = Font(name='Arial', size=10)
        cell.alignment = Alignment(vertical='center', wrap_text=True)
    color = cat_colors.get(item[0])
    if color:
        ws.cell(row=ri, column=1).fill = PatternFill(start_color=color, end_color=color, fill_type='solid')
    ws.cell(row=ri, column=1).alignment = Alignment(horizontal='center', vertical='center', wrap_text=True)
    ws.cell(row=ri, column=4).alignment = Alignment(horizontal='center', vertical='center')

    # 文档/链接列（F列）- 设置为可点击超链接
    url_cell = ws.cell(row=ri, column=6)
    url = str(url_cell.value or '')
    if url.startswith('http'):
        url_cell.hyperlink = url
        url_cell.font = link_font
    else:
        url_cell.font = Font(name='Arial', size=10)

    # 印证来源列（G列）- 设为可点击超链接
    # 规则：如果有多个佐证链接，只取第一个设为hyperlink（openpyxl限制），
    #       其余链接以纯文本显示在下方，用户可复制到浏览器打开
    ref_cell = ws.cell(row=ri, column=7)
    ref_val = str(ref_cell.value or '')
    ref_urls = [u.strip() for u in ref_val.replace('，', ',').split(',') if u.strip().startswith('http')]
    if len(ref_urls) >= 1:
        ref_cell.hyperlink = ref_urls[0]
        ref_cell.font = link_font
        if len(ref_urls) > 1:
            # 多个佐证：第一个可点击，其余附在单元格值中
            ref_cell.value = ref_val
    elif ref_val and ref_val != '单源':
        ref_cell.font = Font(name='Arial', size=10)

ws.column_dimensions['A'].width = 16
ws.column_dimensions['B'].width = 22
ws.column_dimensions['C'].width = 52
ws.column_dimensions['D'].width = 12
ws.column_dimensions['E'].width = 65
ws.column_dimensions['F'].width = 50
ws.column_dimensions['G'].width = 50
ws.freeze_panes = 'A2'
ws.auto_filter.ref = f'A1:G{len(data)+1}'

date_str = datetime.now().strftime("%Y-%m-%d")
filepath = f"信息扫描周报_{date_str}.xlsx"
wb.save(filepath)
print(f"已保存: {filepath}，共 {len(data)} 条记录")

openpyxl 未安装时降级为 CSV：

import csv
date_str = datetime.now().strftime("%Y-%m-%d")
filepath = f"信息扫描周报_{date_str}.csv"
with open(filepath, 'w', newline='', encoding='utf-8-sig') as f:
    writer = csv.writer(f)
    writer.writerow(["材料类别", "来源/发布机构", "材料名称", "发布时间", "核心要点摘要", "文档/链接", "印证来源"])
    for item in data:
        writer.writerow(item)

---

步骤6: 输出文本表格 + 质量自检

输出文本表格后，必须执行质量自检：

| 材料类别 | 来源 | 材料名称 | 发布时间 | 核心要点摘要 | 文档/链接 |
|----------|------|----------|----------|--------------|----------|
| 模型能力 | OpenAI | GPT-Image-2发布 | 2026-04-21 | ... | https://... |

质量自检清单（必须逐项检查并报告）

□ 总记录数是否 ≥15条？
□ 8个类别是否都有覆盖？
□ 所有日期是否为 YYYY-MM-DD 格式？
□ 所有链接域名是否为权威媒体（无知乎/微博/论坛/今日头条）？
□ 所有摘要是否从原文提取（无"关键词搜索结果"字样）？
□ 所有摘要是否含具体数据？
□ 所有来源/发布机构是否具体到公司/部门？
□ 是否所有搜索都是本次新执行的（非历史数据复用）？
□ 中文来源占比是否 ≥60%？
□ 英文来源是否 ≤40%？
□ 单一域名链接占比是否 ≤50%？（如ithome.com不超过50%）
□ 交叉印证率是否 ≥50%？（至少一半记录有≥2个不同渠道佐证）
□ 所有「印证来源」是否为不同域名？（不能与「文档/链接」同域名）

如果自检不通过，必须补充搜索和修正，直到达标。

---

扫描对象参考

国家机构

国务院、工信部、信通院、发改委、中国汽车工业协会、自动化所、国家网信办

咨询公司

麦肯锡、波士顿、德勤、普华永道、毕马威、安永、IBM、Gartner、IDC

模型厂商

Google(Gemini)、OpenAI、Meta(Llama)、阿里(千问)、字节(豆包)、百度(文心)、腾讯(混元)、月之暗面(Kimi)、智谱(GLM)、DeepSeek

机器人厂商

特斯拉(Optimus)、波士顿动力、优必选、银河通用、宇树科技、松延动力

头部企业

美的、比亚迪、上汽、三一、吉利

---

权威搜索来源

搜索时用 site: 限定以下来源，或用 -site:zhihu.com -site:weibo.com 排除不可靠来源：

来源	搜索词建议	可靠性
IT之家	site:ithome.com	✅ 权威科技媒体
腾讯新闻	site:new.qq.com	✅ 综合新闻
新华网	site:xinhuanet.com	✅ 官方权威
澎湃新闻	site:thepaper.cn	✅ 深度报道
36氪	site:36kr.com	✅ 行业资讯
新浪财经	site:finance.sina.com.cn	✅ 财经数据
每日经济新闻	site:nbd.com.cn	✅ 财经+科技
机器之心	site:jiqizhixin.com	✅ AI专业媒体
财新网	site:caixin.com	✅ 财经权威
第一财经	site:yicai.com	✅ 财经+产业

模型能力评估渠道

评估渠道	网址
LMArena	https://lmarena.ai
DataLeader	https://www.datalearner.com/leaderboards
SuperCLUE	https://www.superclueai.com
Artificial Analysis	https://artificialanalysis.ai

上市公司信息

渠道	网址
巨潮资讯网	http://www.cninfo.com.cn
港交所披露易	https://www.hkexnews.hk

---

可选增强 Skill 安装指南

以下 Skill 非必需，但安装后可显著提升搜索和抓取效果：

multi-search-engine（推荐，无需 API Key）

npx clawhub@latest install multi-search-engine

增强能力：17引擎聚合搜索 + tbs=qdr:w 时间过滤 + 微信公众号搜索 + site: 站内搜索

xcrawl-search + xcrawl-scrape（解决403反爬）

npx clawhub@latest install xcrawl-search
npx clawhub@latest install xcrawl-scrape

增强能力：绕过99%反爬机制 + JS渲染 + 中文位置语言优化

安装后需按 xcrawl Skill 的说明配置 API Key。安装和配置请遵循各 Skill 的官方文档。

---

注意事项

1. 站内搜索优先：用 site:ithome.com 等限定权威来源，避免泛搜返回知乎
2. 排除不可靠来源：搜索时加 -site:zhihu.com -site:weibo.com -site:toutiao.com 排除论坛和社交媒体
3. 必须抓取原文：每条记录必须 web_fetch 原文，搜索snippet不能替代摘要
4. 禁止复用历史数据：每次执行必须重新搜索，不得使用缓存或之前的搜索结果
5. 禁止知乎/微博/今日头条来源：只收录权威新闻媒体和官方来源，确保可交叉印证
6. 绝不放弃中文来源：web_search 中文结果不足时，必须执行步骤2B（web_fetch抓取中文站列表页），不得直接回退英文媒体
7. 中文来源占比 ≥60%：英文来源只能作为补充，不超过40%
8. 时间过滤：web_search 用 freshness:"week"
9. 日期验证不可跳过：每条记录必须 YYYY-MM-DD 且在范围内
10. 事实核查：重大事件2源交叉验证
11. 宁缺毋滥：无法确认日期或事实的条目直接丢弃
12. 必须有链接：文档/链接列不能为空，且必须是权威媒体
13. 必须生成Excel：步骤5不能跳过
14. 并行搜索：所有搜索并行执行
15. 403处理：web_fetch 返回403时丢弃该条，不用snippet替代
16. 质量自检：生成Excel前，对照「质量自检清单」逐项检查
17. 摘要必须有数据：每条摘要必须含≥1个具体数值
18. 来源必须具体：来源/发布机构必须具体到公司/部门名
19. 列表页降级必执行：中文搜索结果不足时必须抓取列表页，不能跳过
20. 多渠道搜索：每次搜索组必须覆盖不同媒体站点，不得全部集中在IT之家
21. 交叉印证必执行：每个事件至少从2个不同渠道搜索确认，综合多渠道信息写入摘要
22. 链接权威性优先：主链接选最权威来源（官方>通讯社>深度媒体>综合媒体>科技媒体），IT之家等科技媒体链接不应超过50%
23. 印证来源独立域名：印证来源必须与主链接不同域名，同域名不算交叉印证