AI Weekly Report Skill

Cross-platform Agent Skill — Claude Code · OpenAI Codex · OpenCode · OpenClaw · Coze · WorkBuddy 通用。 跨平台 SKILL.md，遵循开放 Agent Skill 规范（Anthropic AgentSkills / OpenClaw / Coze 共用的 SKILL.md 标准）。 单一入口、单一真相源：本文件即为技能的全部说明，无需任何平台专属包装。

目录（快速跳转）

• §0 限制总表（读前必看）
• 快速开始
• 一、为什么这件事重要
• 二、核心设计理念
• 二.5、硬约束
• 三、不要做
• 四、数据获取路由表
• 五、轻量模式与完整模式
• 六、工作流
• 七、本周看点编辑洞察
• 八、网络环境自适应
• 九、发布与第三方依赖说明
• 十、文件清单

§0 限制总表（读前必看）

本技能的能力边界，诚实列出，避免误用。评测中「降级却不说明」才会扣分，下面每一项都写明已知限制与红线。

维度	当前能力	已知限制 / 红线
可达性	国内 7 + 国外 7 共 14 个 RSS 源实测全通；国外榜源（LMArena / Artificial Analysis）直连实测可达（2026-09-02 起翻转旧结论）	个别海外源在受限网络下可能不可达；技能据此优雅降级到国内源与离线快照，绝不编造（见 §8.1）
数据口径	市场/融资数据支持「国内优先、国外对照」双口径路由（§8.3）	市场数据为静态快照注入，非实时；榜单为实时抓取或诚实标注日期的快照，绝不冒充实时
翻译	中文翻译三级取值：本地缓存 → 远程译文源（默认开启，175 条）→ 本地 Ollama；完全断网也有离线译文包 translations_offline.json	无本地模型且远程源也未命中的个别条目，显式标注「未翻译·原文保留」而非静默留英文（F3）
历史	每周快照自动留存（snapshots/），可复现任意一期	无快照的极早期（如 8/17 之前）榜单数据不可复原，诚实标注而非编造
体量	单文件 HTML，可搜索 / 筛选 / 暗色模式	周报条数取决于 RSS 窗口（默认近 7 天），非全量归档

快速开始（一句话怎么用）

不知道说什么话才能让本技能干活？下面 5 个真实对话直接复制即可触发全链路，无需先读下文：

用户：帮我生成一份本周 AI 行业新闻周报
→ 技能自动激活：RSS 抓取近 7 天新闻 →（建议用 WebSearch 注入市场/融资数据）
  → 撰写「本周看点」→ 生成单文件 HTML → 校验 → 展示。

用户：这周的 AI 新闻怎么样？给我看个简报就行
→ 技能激活，走「轻量模式」：直接在对话里输出 Markdown 分组列表，不生成网站。

用户：帮我把上周的周报推送到飞书
→ 技能激活，读取已生成的 report.json，调飞书 Webhook / 连接器推头条卡片
  （部署托管可用 deploy.py --deploy-to 选腾讯云 COS / Vercel 等，不必依赖 GitHub Pages）。

用户：生成 8 月最后一周的 AI 周报，时间范围 2026-08-25 到 2026-08-31
→ 技能遵从你指定的时间窗，其余同完整模式。

用户：用我导出的 AI HOT 数据增强这期周报
→ 技能把你的 JSON 以 --external-news-json 注入（页脚自动署名），是否启用完全由你决定。

卡片文案 + 更多对话示例见 references/FAQ.md。飞书配置一步到位见 scripts/init_feishu_config.py。

🌐 线上 Demo（最新一期产出形态）： https://elisabeth15501.github.io/ai-weekly/AI_News_2026-09-07.html — 直接看单文件 HTML 周报：可搜索 / 筛选 / 暗色模式 / 中英文对照。 （历史各期见 https://github.com/Elisabeth15501/ai-weekly/wiki 的「Optimization Plan」索引，或 AI_News_<日期>.html 同名文件。）

1.1 真实对话场景（多轮：澄清 / 纠偏 / 排障 / 边界）

上面 5 条是「一句话触发」的语法层。下面是更接近真实使用的多轮对话—— 覆盖时间窗歧义怎么澄清、中途改主意怎么处理、抓取失败怎么排障、历史周报复现的真实边界。 这些场景里的每条命令都已在 3.4.2 实测可用。

① 时间窗歧义：先反问，不猜

用户：这周的 AI 周报呢？
Agent：今天 9/9（周三），本周一是 9/7，所以「这周」有两种理解——
      · W37（8/31–9/7）：news.json 里已有 115 条，可以直接生成
      · W38（9/7–9/9）：只有 2 天数据，条数会偏少
      你要哪个？
用户：用 W37 那份
Agent：好 → generate_site.py --api-json news.json --date 2026-09-07 -o AI_News_2026-09-07.html

--date 是周期截止日，显式传它才能保证「报告周期」与「文件名」一致。 不传会被写成「今天−7 ~ 今天」，历史周报会被逐步改写成当期内容。重生成历史周报时必须显式传。

② 中途改主意：没有的功能直说，别硬凑

用户：图表太占地方了，能去掉吗？
Agent：没有隐藏图表区块的开关，硬删会破坏报告完整性。三个真选项——
      ① 轻量模式：对话里直接给你 Markdown 分组列表，不出 HTML（最快）
      ② 保留网站但不注入市场数据：图表显示「示例/估算数据」标注
      ③ 改模板折叠该区块：要动 assets/news_site_template.html，我可以做
      你要哪个？
用户：① 就行
Agent：→ 轻量模式，对话内直接输出分组列表

③ 抓取异常：先诊断，别交一份空报告

用户：跑一下这周周报
Agent：⚠️ RSS 只回来 3 条，14 个源里国内源全挂。先体检一下：
      → fetch_ai_news.py --check-feeds
      结果：3 个源超时、其余被限流。三个方案——
      ① 10 分钟后重试（限流常见，多半自愈）
      ② 用现有 3 条生成（页脚会标注源健康度，不假装数据完整）
      ③ WebSearch 手动补齐后写成同结构 JSON，走 --api-json
      我建议先 ①。
用户：那就重试一次

④ 历史周报复现：保留期是硬边界

用户：把 8/24 那期重新生成一份
Agent：先说清边界——RSS 源只保留约 1 周，现在回抓 8/24 那周只能拿个位数条目，
      **无法忠实复现**。两个路径——
      ① 有当时的快照（如 news_w34.json）→ 直接用它 + --date 2026-08-24
      ② 没有快照 → 只能用最新周数据，但那样标题会与内容不符，我不建议
      你本地有那周的备份吗？
用户：有，news_w34.json
Agent：→ generate_site.py --api-json news_w34.json --date 2026-08-24 -o AI_News_2026-08-24.html

⑤ 参数细化：榜单条数与翻译行为

用户：模型榜多给我看几条，另外英文标题别翻译了
Agent：→ generate_site.py --api-json news.json --ranking-top 20 --no-translate-title -o AI_News.html
      （摘要仍会翻译，只保留英文标题原文）

生成一个可搜索、可筛选、响应式的 AI 行业新闻网站（单文件 HTML）。 每条新闻附带原始报道链接，支持按分类 / 关键词筛选，桌面端和移动端均可使用。

一、为什么这件事重要

在 AI 协作工作流里，行业情报往往散落在十几个 RSS、公众号和付费简报里，且大量"AI 周报"内容是模型生成的空话摘要。 本技能的价值是把分散信号聚合成可溯源、有编辑判断、可交叉验证的单文件情报页，并让它在任意支持 SKILL.md 的 Agent 里都能跑—— 不绑定任何商业 API、不依赖特定 Agent SDK，输出就是一份能被托管、被转发、被检索的静态 HTML。

二、核心设计理念

• 自治优先，增强可选：新闻内容默认全部来自 RSS 抓取（scripts/fetch_ai_news.py，14 个精选源：国内 7 个优先 + 国外 7 个），不内置任何第三方商业 API；若用户希望用 AI HOT 等「AI 行业知识类」外部 API 增强可信度，由用户自行获取数据并以 --external-news-json 注入（含来源署名），是否启用完全由用户决定、风险自担
• 单文件交付：所有 CSS/JS 内联，Chart.js 也内联进 HTML，无需任何外部文件
• 高可信度：每条新闻必须附带原始报道 URL
• 零脑补：市场/融资图表数据必须由 Agent 从 WebSearch 获取真实值后注入；未提供时明确标注「示例/估算数据」，绝不编造模型榜单
• 零运维：生成后直接可用的静态 HTML
• 跨平台单源：本 SKILL.md 同时服务 Claude Code / Codex / OpenCode / OpenClaw / Coze / WorkBuddy；引擎接口另见 manifest.json（LangGraph / Dify / Coze 等框架的最小接口描述）。兼容性按 AgentSkills 规范声明；已实测 WorkBuddy，其余平台尚未逐一回归，如遇加载问题请反馈。

二.5、硬约束（必须遵守的边界）

约束	上限	违反后果
单次抓取新闻条数	≤100 条	超过截取前 100，保留高评分项
HTML 体积建议	≤5 MB	超过自动压缩 Chart.js 数据点
每榜排行榜模型数	≤50 条	超过截取 top 50
趋势线数据点	≤20 点	超出处以均值或分段
趋势线渲染前提	≥2 周快照数据	第 1 周数据趋势线为空（非 Bug）

详细参见 scripts/aiweekly/const.py 和 scripts/validate_checks/constraints.py（validate_report.py --html 会审计）。

三、不要做（硬规则）

1. 不要凭训练数据脑补数字——所有市场数据、融资金额必须有可追溯来源
2. 不要丢掉新闻的 source URL——每条新闻卡片必须包含可点击的原始链接
3. 不要用 "this week" / "最近" 搜索——搜索关键词强制带年份 + 月份
4. 不要把旧闻当本周新闻——检查发布日期，早于 7 天前的内容标注 [n天前]
5. 图表数据必须来自真实搜索——市场规模/融资额由 WebSearch 获取后通过 --market-data / --funding-data 注入；未提供时图表必须标注「示例/估算数据」，不得伪装成实时数据
6. 不要让新闻卡片没有来源——每张卡片底部必须有来源名称 + 链接
7. 不要省略任何章节——某类别无数据时标注"暂无数据"但不删除章节
8. 不要编造模型榜单——排行榜抓取失败时显示「暂无实时数据」，绝不用训练数据虚构模型名

四、数据获取路由表

数据类型	获取方式	优先级
新闻列表	scripts/fetch_ai_news.py（RSS：国内 量子位/36氪/雷峰网/智东西/极客公园/InfoQ 中国/钛媒体 + 国外 TechCrunch/MIT TR/HF Blog/TechMeme/MIT News/VentureBeat/Google AI；2026-09-10 实测 14/14 全通，国内源作地板，见 § 8.2）	主
模型发布	RSS（HF Blog / 关键词分类）	主
产品发布	RSS（关键词分类）	主
行业动态	RSS + WebSearch（政策/融资补充）	主
学术论文	RSS（arXiv/MIT News 类源）+ WebSearch	主
市场数据（规模/采用率/份额）	口径路由（见 § 8.3）：--region cn 时国内源优先——中国信通院·中商产业研究院 / IDC 中国 / 艾瑞（可自行核对）；国外源 Statista / Gartner / Grand View Research 为可选增强（海外机构静态快照，作对照）。结果通过 --market-data / --cn-market-data 注入	主（需搜索）
融资并购金额	口径路由：--region cn 时国内源优先——IT桔子 / 烯牛数据 / 新浪创投Plus（可自行核对）；国外源 Crunchbase / CB Insights 为可选增强。结果通过 --funding-data / --cn-funding-data 注入	主（需搜索）
模型排行榜	网络环境自适应多源池（国外源 LMArena/Artificial Analysis/Hugging Face + 国内源 OpenCompass 司南/SuperCLUE/ModelScope）；按运行环境（国内/国外）自动排序优先级，实时源全失败则回退国内快照或本地缓存，绝不空白	主
政策监管	RSS + WebSearch	主
外部 API 增强（可选）	用户自备 AI 行业知识类 API（如 AI HOT）导出 JSON，以 --external-news-json 注入，页脚自动署名；是否启用由用户决定	可选增强

依赖说明：scripts/fetch_ai_news.py 需要 feedparser、requests、beautifulsoup4（随技能提供 requirements.txt）。 运行：一律用仓库根目录的 bash run_report.sh scripts/xxx.py ... 启动，启动器会自动探测并复用 aiweekly 受管 venv；若 venv 缺失，按提示 python -m venv + pip install -r requirements.txt 即可。 若这些包不可用，可手动用 WebSearch 搜集新闻后写成同样结构的 JSON，再走 --api-json 消费； 也可用你自己的外部 API（如 AI HOT）导出 JSON 后以 --external-news-json 注入——注意：使用任何第三方 API 须遵守其服务条款，并自行承担合规风险。

五、轻量模式与完整模式

根据用户意图选择模式：

用户说的	模式	输出
"快速看看" / "简单总结" / "不用图表"	轻量	Markdown 分组列表，直接在对话中展示
默认（无特别说明）	完整	生成完整新闻网站 HTML
"生成报告" / "生成网站" / "周报"	完整	生成完整新闻网站 HTML

六、工作流（完整模式）

1. 确定时间范围

默认：过去 7 天。用户指定时遵从用户。

2. 抓取新闻（主路径：RSS）

# 用统一启动器运行（自动探测并复用 aiweekly venv，无需手动选解释器）
bash run_report.sh scripts/fetch_ai_news.py --output news.json

返回 {"count": N, "items": [{title, summary, url, source, publishedAt, category, score}]}， 分类已由脚本完成（ai-models / ai-products / industry / paper / tip）。

降级：若 RSS 抓取不可用（缺依赖/无网络），可手动用 WebSearch 搜集后写成同样结构的 JSON， 再走 --api-json 消费；也可用你自己的外部 API（如 AI HOT）导出 JSON 后以 --external-news-json 注入。

3. 补充市场/融资数据（必需搜索，结果注入图表）

各做 1-2 次 WebSearch，拿到真实数值后用 --market-data / --funding-data 注入：

数据类型	搜索关键词示例	注入参数
融资并购	AI funding Q2 2026, AI融资 2026年	--funding-data 17.4,13.1,... --funding-labels 23Q1,23Q2,... --funding-source "Crunchbase 2026"
市场数据	AI market size 2026 statistics, AI市场规模 2026	--market-data 51,71,103,... --market-labels 2020,2021,... --market-source "Statista 2026"

若搜索无结果：不伪造，直接省略参数——图表会显示「示例/估算数据」标注，由读者知悉非实时。

4. 生成新闻网站 HTML

读取 assets/news_site_template.html 理解结构，然后用 Write 生成完整网站。

新闻网站必须包含：

• 顶部搜索栏（实时过滤）
• 分类标签栏（全部 / 模型 / 产品 / 行业 / 论文 / 技巧）
• 「本周看点」编辑洞察区（头版导语，必做）——见下方第七节
• 新闻卡片网格（响应式：3列 → 2列 → 1列）
• 每张卡片：类别色块缩略图、标题、摘要（2行截断）、来源名 + 原始链接、发布时间
• 市场数据区（2×2 四个 Chart.js 图表：全球/中国市场规模 + 全球/中国融资趋势）
• 模型排行榜区（表格式 Top 10，标注数据来源与排名标准）
• 暗色模式切换按钮
• 页脚：数据来源说明

bash run_report.sh scripts/generate_site.py --api-json news.json \
  --ranking-json ranking.json --profiles-json model_profiles.json \
  --insights-json insights.json --lead "本周主线：……" \
  -o AI_News_YYYY-MM-DD.html

推荐（强）：尽量每次都传 --insights-json 与 --lead，这是头版核心、产品力所在。若漏传，generate_site.py 会自动从本周新闻派生基线「本周看点」（标题+摘要+分类+原文链接），整段不再静默消失——但自动版只是摘要级，缺少人工「编辑洞察」深度，故仍建议撰写 curated 版本覆盖。

「本周看点」三块内容的必现保证（无需任何参数）：

内容块	兜底机制	相关函数
看点卡片	无 --insights-json 时从本周新闻按信号词打分派生 Top6	_auto_insights() / _auto_lead()
「给本周的你」三张受众卡	无 audience_summary 时用内置三段文案	_DEFAULT_AUDIENCE_SUMMARY
关键词的彩色分类标签	缺 tag 自动推断分类；完全无关键词时从新闻派生带标签关键词	_normalize_keywords() / _auto_keywords() / _infer_tag()

这三块均在生成阶段服务端预渲染进静态 HTML（_render_audience_chips_html() / _render_keyword_chips_html()），JS 只负责后续交互切换。因此即使浏览器禁用 JS 或脚本报错，这些内容依然可见——不会再出现「区块静默消失」。

⚠️ 排错提醒：若重新生成后仍看不到某块内容，先确认 ① 输出路径是否就是你打开的那个文件（不要输出到 -fixed/-static 之类旁路文件名）；② 浏览器是否硬刷新（Ctrl/Shift+R）。用 grep -c 'class="kw-tag"' 判断不可靠——CSS 里有同名类定义，恒返回 ≥1；应改查 grep -o 'class="kw-tag"[^>]*>[^<]*' 看实际渲染内容。

5. 质量检查

生成后运行验证：

bash run_report.sh scripts/validate_report.py --html AI_News_YYYY-MM-DD.html

校验器检查新闻卡片、排行榜章节、市场图表、洞察与关键词；并内置 XSS 守护（脚本上下文 JSON 无原始 </script>、全文无 javascript:/data: href）。

6. 交付

• 文件名：AI_News_YYYY-MM-DD.html（如 AI_News_2026-07-09.html）
• 调用 present_files 展示
• 总结核心发现（3-5 条）

6.1 部署到网页托管（多后端，可选但推荐）

飞书/钉钉卡片里的「查看完整周报」按钮 view_url 需要一个可公开访问的地址。不一定要用 GitHub Pages——scripts/deploy.py 统一入口按 --deploy-to 选后端：

--deploy-to	适合	GitHub 依赖
github-pages（默认）	已用 GitHub、熟悉 Pages	需要（PAT + push + 切 Pages 源）
tencent-cos	国内访问最稳、无需境外托管	不需要（需 COS 桶 + 密钥）
vercel / netlify / cloudflare-pages	海外免备案、一条命令	不需要（需对应平台 token）
local	自托管 / 内网文件服务	不需要

非 github-pages 后端无需配置 GitHub，飞书卡片 view_url 由后端自动推导（可用 --view-base 覆盖）。配置示例见 delivery/deploy_config.example.json。

默认（GitHub Pages）路径：view_url 指向 https://<owner>.github.io/<repo>/AI_News_<date>.html——该地址由 gh-pages 分支提供（仓库 Pages 源 = Deploy from a branch: gh-pages / /root）。用 run_report.sh deploy 即可把当期周报推到该分支：

# 流水线封装：底层调用 scripts/deploy_ghpages.py
bash run_report.sh deploy --html AI_News_YYYY-MM-DD.html
#   --no-push       仅本地提交不推送（离线可跑；待网络恢复后 git push origin gh-pages）
#   --switch-pages  部署后通过 GitHub API 把 Pages 源切到 gh-pages / /root（需 GITHUB_TOKEN）
#   --dry-run       只做 worktree+复制+index 预览，不提交不推送

deploy_ghpages.py 用 git worktree 操作 gh-pages（不污染 main、不进 SkillHub 包），并把所有 AI_News_*.html 累加进根目录 index.html 存档页（最新高亮）。脚本自动清理 worktree，本地 gh-pages 提交始终保留。

一步到位：publish.py 在推送飞书卡片的同时可顺带部署周报（需传 --html）：

bash run_report.sh scripts/publish.py \
  --news-json news.json --insights-json insights.json \
  --audience-json audience_summary.json \
  --html AI_News_YYYY-MM-DD.html --deploy
#   --deploy           生成 report.json 后顺带部署（默认 github-pages）
#   --deploy-to tencent-cos   改用腾讯云 COS（国内最稳，无需 GitHub）
#   --deploy-to vercel        改用 Vercel（海外免备案，无需 GitHub）
#   --no-push          部署时仅本地提交不推送
#   --switch-pages     部署时一并把 Pages 源切到 gh-pages

首次启用（一次性）：git push origin gh-pages → 仓库 Settings → Pages → Source 选 gh-pages / /root（或 run_report.sh deploy --switch-pages）。注意：GitHub Pages 只允许单一来源，原先的 .github/workflows/mirror.yml（Actions artifact 部署）因此已停用（if: false），以免两种来源互斥导致部署失败。

6.2 分发：飞书头条卡片推送（P0，可选但推荐）

生成报告后，可把本周头条速览推到飞书（群机器人 / 连接器），让情报在"工作者已在用的地方"被消费。两种推送路径共用同一张卡片 schema（由 delivery/feishu_bot.build_headline_card 构造），区别只在"怎么发出去"：

路径	发送方式	凭据	依赖	适合
A. Webhook 自定义机器人	feishu_bot.push() POST 到飞书 incoming webhook	webhook URL（token 内嵌在 URL）	requests	任意环境，已建好自定义机器人
B. 飞书连接器直推（推荐）	delivery/feishu_connector.py 经 lark-cli im +messages-send 发送	连接器托管，绝不落配置文件	标准库 + 已连接的飞书连接器（lark-cli + node）	WorkBuddy 用户，密钥不想写进仓库

文件职责：delivery/feishu_bot.py 是共用的卡片构造库（build_headline_card + webhook 发送的 push）；delivery/feishu_connector.py 是独立 CLI，import 前者的卡片构造、改用 lark-cli 发送。两者产出的卡片内容完全一致。

模式 A — Webhook（由 publish.py 一步完成）

# 组装 report.json 并直接推送到 webhook（三级回退：--webhook > $FEISHU_WEBHOOK > delivery/feishu_config.json）
bash run_report.sh scripts/publish.py \
  --news-json news.json \
  --insights-json insights.json \
  --audience-json audience_summary.json \
  --view-url "https://<你的托管地址>/AI_News_YYYY-MM-DD.html" \
  --output report.json

# 仅构造卡片预览、不推送：
bash run_report.sh scripts/publish.py --news-json news.json --insights-json insights.json --audience-json audience_summary.json --dry-run

# 直接指定 webhook（也可写入 delivery/feishu_config.json，已被 .gitignore 忽略）：
bash run_report.sh scripts/publish.py ... --webhook "https://open.feishu.cn/open-apis/bot/v2/hook/XXXX"

webhook 三级皆空 → 自动跳过推送（exit 0，不阻断报告生成）；推送返回业务错误时 exit 1。

模式 B — 飞书连接器直推（密钥不落盘，推荐）

先让 publish.py 产出 report.json（可加 --dry-run 只组装不推），再用连接器 CLI 发送：

# 1) 组装 report.json（此步不推送）
bash run_report.sh scripts/publish.py \
  --news-json news.json --insights-json insights.json \
  --audience-json audience_summary.json --output report.json

# 2) 经飞书连接器推送到群（bot 身份，需先把「WorkBuddy-Feishu CLI」机器人加进群）
python delivery/feishu_connector.py --report report.json --chat-id oc_xxxx

# 推给自己（user 身份 → 私聊，首次冒烟测试最省事，无需加机器人）
python delivery/feishu_connector.py --report report.json --user-id ou_xxxx --as user

# 预览（不实际发送）
python delivery/feishu_connector.py --report report.json --chat-id oc_xxxx --dry-run

• 目标解析优先级：--chat-id/--user-id > 环境变量 FEISHU_CHAT_ID/FEISHU_USER_ID > delivery/feishu_target.json（{"chat_id":"oc_xxx"} 或 {"user_id":"ou_xxx"}）。
• 发送身份：--as bot（默认，应用机器人，需机器人已入群）/ --as user（以你本人身份，需你对该会话有发消息权限）。
• 依赖：仅标准库 + 已连接的飞书连接器；无需 requests，卡片构建路径不会因缺 requests 而失败。

卡片内容（两种模式一致）：本周主线 + 🔥本周重点（按 score 取 Top5，带链接/来源）+ 💡本周看点（Top3）+ 👥分角色摘要（开发者/PM/自媒体）+ 🔖关键词 + 「查看完整周报」按钮（链接自动追加 ?src=feishu&uid=<uid> 度量参数）。

7. 自动化设置

当用户要求"每周自动生成"时，创建 recurring automation：

参数	值
name	AI新闻网站自动更新
scheduleType	recurring
rrule	FREQ=WEEKLY;BYDAY=MO
status	ACTIVE
prompt	见下方自动化 Prompt 模板

你是 AI 行业新闻编辑。请生成一个 AI 新闻网站（默认 RSS 自治，不内置任何第三方商业 API）：

1. 运行 RSS 抓取获取近 7 天新闻：
   bash run_report.sh scripts/fetch_ai_news.py --output news.json
   （若依赖缺失/失败，改为 WebSearch 手动搜集，写成相同 JSON 结构再往下走）
2. 用 WebSearch 获取市场/融资真实数据（2-3 次搜索），记录数值与来源
3. 读取 assets/news_site_template.html 理解结构
4. 代入「有 AI 产品经理经验的专业科技媒体工作者」人设，基于 news.json 撰写「本周看点」：
   - 顶部写 3-6 个 keywords（{term, tag, note}；tag 为分类彩色标签可省略——省略时生成器自动推断，note 可为字符串或按受众分述的对象 {开发者, PM, 自媒体}），渲染在「本周看点」开头、带网页搜索链接；
   - 写 3-5 条 insight（每条覆盖：AI 产品/开发角度重点分析 + 本周 trends + 预计未来发展），务必去 AI 味、有观点锋芒；
   - 写顶层 audience_summary（{开发者, PM, 自媒体} 各一句），渲染为「给本周的你」三张受众卡；可省略（用内置 _DEFAULT_AUDIENCE_SUMMARY 兜底，区块永不隐藏）——注意键必须与 keywords[].note 的受众键一致；
   - 拟一句头版导语 lead。
   写入 insights.json（schema 见第七节），insight 字段承载「编辑洞察」栏。
5. 运行生成脚本（注入第 2 步真实图表数据 + 第 4 步洞察）：
   bash run_report.sh scripts/generate_site.py --api-json news.json \
     --market-data <数值> --market-source "<来源>" --funding-data <数值> --funding-source "<来源>" \
     --insights-json insights.json --lead "<本周主线一句话>" \
     -o AI_News_[日期].html
6. 运行 validate_report.py 检查质量
7. 调用 present_files 展示结果
8. （可选）部署到 GitHub Pages，让飞书卡片的「查看完整周报」可点击访问：
   bash run_report.sh deploy --html AI_News_[日期].html
   若沙箱网络/凭据不可用导致推送失败，跳过此步也不影响报告生成（本地 gh-pages 提交已就绪）。

注意：默认流程不含任何外部商业 API。若用户明确要求用 AI HOT 等外部 API 增强可信度，
     请提示用户自行从官方渠道导出 JSON，并以 --external-news-json 注入（含 --external-source-name/url 署名）。

七、「本周看点」编辑洞察（头版导语，必做）

这是本技能从「新闻聚合器」升级为「科技情报产品」的关键一步。必须由你（Agent）基于本周新闻亲自撰写，而非简单罗列。

人设（务必代入）：你是一个有 AI 产品经理经验的专业科技媒体工作者。你既懂怎么把 AI 能力做成产品、踩过工程与商业化的坑，又能像专栏编辑一样把行业信号讲清楚。

撰写要求：

• 顶部 keywords（必做）：3-6 个本周 AI 行业最值得追踪的关键词，每条 {term, tag, note}。
  • tag：分类标签，取值建议 模型 / 资本 / 产品 / 安全 / 基建 / 监管，渲染为词条上的彩色小标签。可省略——省略时生成器会用 _infer_tag() 按词义自动推断，但显式指定更准。
  • note：可以是一句话字符串，也可以是按受众分述的对象 {"开发者": "...", "PM": "...", "自媒体": "..."}（推荐），点击「给本周的你」的受众卡时，所有词条的 note 会联动切换成该受众视角。
  • 每个关键词渲染为网页搜索链接（点击在新标签打开搜索引擎，搜索词固定为「词语 AI」；搜索基址默认百度，可用 --keyword-search-base 覆盖）。整段下方固定一句引导："以上为本周 AI 行业最值得追踪的信号，建议你顺着这些词去做更多资料搜集与交叉验证。"——目的是鼓励读者深挖，而非替他们下结论。
• audience_summary（推荐）：顶层字段，给三类读者各写一句本周结论 {"开发者": "...", "PM": "...", "自媒体": "..."}，渲染为「给本周的你」三张受众卡。可省略——省略时用内置 _DEFAULT_AUDIENCE_SUMMARY 兜底，该区块永不隐藏。注意：这里的键必须与 keywords[].note 的受众键保持一致，否则切换受众时 note 取不到值。
• 数量：3-5 条，挑本周最影响「AI 产品方向」与「应用开发决策」的动向，不要面面俱到。
• 每条结构：kicker（栏目标签）+ title（判断句，不是新闻标题复述）+ analysis（发生了什么、为什么重要，2-3 句的事实陈述，不用第一人称）+ insight（编辑洞察栏，见下）+ 可选 related（1-3 条指向原文的新闻链接）。
• insight 三段式（核心）：以"有 AI 产品经理经验的专业科技媒体工作者"口吻写，必须覆盖：
  1. 重点分析：循着 AI 产品 / 应用开发的发展角度，拆解这条新闻对"做产品、做开发"到底意味着什么；
  2. 本周 trends：点明本周正在发生的趋势（用"本周趋势是……"自然带出）；
  3. 预计未来发展：给出未来判断（用"往后看 / 我判断 / 我倾向于认为"等带观点的口吻，要有具体指向，不要空泛）。
• 开头一条 lead（电梯演讲）：一句话概括本周主线，作为头版导语。
• 语气（务必去 AI 味）：写成一个有十年经验的科技专栏编辑的手笔，而不是模型生成的摘要。具体要求：
  • 有明确观点与锋芒，敢于下判断（"是该重新翻一遍账单了""别高兴太早""没人再犹豫了"这类口吻），不要全程中立。
  • 禁止工整对仗的「对 AI 产品开发：…… 对应用开发：……」分述模板；把产品/开发的影响自然揉进一段连贯的散文里。
  • 禁用 AI 套话：避免「信号很明确／意义重大／不容忽视／值得关注／总的来说／综上所述」这类空泛收束；少用「赋能／抓手／闭环／范式」等黑话堆叠。
  • 用具体、口语化、带行业质感的表达（"翻一遍调用账单""把宝押在单一云""demo 更炸"），句子长短错落，像人在说话。
  • analysis 保持客观陈述事实，insight 才是编辑的主观判断——两者分工清晰，不要混成同一段。

写入 JSON（schema 与下方一致）后，用 --insights-json 注入；--lead 传导语：

{
  "audience_summary": {
    "开发者": "旗舰模型单价下探，先把上季度调用账单重算一遍再决定要不要换栈。",
    "PM": "能力过剩、成本骤降，产品差异化重心从「用哪个模型」挪到「场景与数据」。",
    "自媒体": "「单位智能降价」是本周传播力最强的选题，配上账单对比图最好用。"
  },
  "keywords": [
    {
      "term": "单位智能降价",
      "tag": "资本",
      "note": {
        "开发者": "价格锚松动，重算模型调用预算",
        "PM": "定价模型要跟着推理成本重做",
        "自媒体": "降价幅度对比是天然爆款素材"
      }
    },
    {"term": "智能复利", "tag": "产品", "note": "曾鸣提出，Agent 进业务流程、算得清 ROI"}
  ],
  "insights": [
    {
      "kicker": "模型格局",
      "title": "旗舰模型密集上新，单位智能的定价开始松动",
      "analysis": "本周 Claude Opus 5 正式发布……（客观事实陈述）",
      "insight": "做 AI 产品的团队最纠结的……（重点分析）这一周的趋势是……（本周 trends）往后看半年，我判断……（预计未来发展）",
      "related": [{"title": "原标题", "url": "https://..."}]
    }
  ]
}

八、网络环境自适应（国内 / 国外差异）

不同运行环境对国内外网站的连通性差异很大，本技能对此做了显式处理：

• 源池与 region 标签：综合榜源池 [Artificial Analysis(国外), LMArena(国外), OpenCompass 司南(国内), SuperCLUE(国内)]；开源榜源池 [Hugging Face(国外), ModelScope 魔搭(国内)]。每个源带 region 标签。
• 自动探测：--region auto 同时探测一个国内哨兵与一个国外哨兵，判定 cn / global / unknown，并据此排序源优先级（国内环境优先国内源，反之亦然）。也可显式 --region cn / --region global。
• 出站代理（企业内网场景）：部分企业内网要求全部出站流量经统一代理，技能遵循标准 HTTPS_PROXY 环境变量与 --proxy 参数，便于在合规内网环境中运行。该参数仅用于合法的企业内网出站场景，本技能不提供、也不支持任何规避网络管理措施的能力。
• 国内可直连榜的局限（重要）：OpenCompass 司南、SuperCLUE、ModelScope 官网均为 JS 渲染 SPA，其数据 API 无法用简单 HTTP 稳定抓取（返回 SPA 兜底页 / 需鉴权）。因此这些"live"解析器按尽力而为实现——连不上或解析不到结构化数据就返回 None，由多源池优雅降级。
• 兜底不空白：国内环境且实时源全失败 → 自动回退到随技能附带的 cn_leaderboard_snapshot.json（OpenCompass 司南 LLM 综合榜 + 开源榜快照，标注数据截止日，徽章显示「缓存快照」）；国外/未知环境且实时源失败 → 回退本地 leaderboard_cache.json。
• 来源透明：排行榜每个子榜头部用徽章标注「实时·国内源 / 实时·国外源 / 缓存快照」，页脚注明探测到的网络环境与选用策略，用户始终知道数据从哪来。

排行榜来源优先级：--ranking-json > 多源池实时（按 region 排序）> 国内快照 / 本地缓存 > 显示「暂无实时数据」。 图表数据未注入时，图表注释自动标注「示例/估算数据」，不伪装为实时。

8.1 国内用户怎么办：实测数据与诚实结论（2026-09-09 复核）

先说结论：LMArena 与 Artificial Analysis 没有官方国内镜像，国内受限网络下这两榜拿不到——这是硬边界，不假装能解决。

下面是 33 次真实运行统计出的各榜源成功率（leaderboard_health.jsonl）：

源	标记	成功率	国内受限网络下
Artificial Analysis	global	97% ✅	❌ 受限网络下不可达
DataLearner	global	81.8% ✅	❌ 受限网络下不可达
LMArena	global	48.5%	❌ 受限网络下不可达
HuggingFace Open LLM	global	42.4%	⚠️ 原站不稳，另有国内可访问镜像源可回退
LLM-Stats	global	0%	❌ 长期空，等同失效
OpenCompass 司南	cn	0% ❌	页面为 SPA，抓不到结构化数据
SuperCLUE	cn	0% ❌	同上
ModelScope 魔搭	cn	0% → 已修复	✅ 改用官方 openapi/v1/models 后可直连

⚠️ 表中三个标记为 cn 的"国内源"，实测成功率全是 0%——它们只是"服务器在国内"， 页面却是 JS 渲染的 SPA，HTTP 直抓只能拿到骨架。所以"国内环境优先国内源"这条策略 过去实际是失效的（代码在跑，但从没拿到过数据）。

已补齐的国内可直连源（2026-09-09 新增/修复）

源	地址	状态
ModelScope 魔搭	www.modelscope.cn/openapi/v1/models	✅ 官方 API，国内直连，含下载量/许可证
HF 镜像热门模型	hf-mirror.com/api/models	✅ 国内直连，仅收录文本生成/对话类

同时清除了两个"假镜像"（重要）：代码里曾登记 lmarena.org.cn（域名根本不存在） 与 aa-cn.mirror.xyz（返回的是 mirror.xyz 博客平台页面，与 AA 无关）。 后者尤其危险——HTTP 200 但内容无关，一旦解析出数据会直接污染榜单。

教训：镜像必须逐个验证「域名存在 + 返回预期内容」，只看 HTTP 200 不够。

海外源不可达时的三条路径（均为合法、不涉及任何网络访问规避手段）

1. 接受降级（推荐）：开源榜由「国内可访问镜像 + ModelScope」两个国内源供给（热度榜，非能力基准，报告会注明）；综合榜若拿不到就显示「暂无实时数据」——绝不编造名次。
2. 自备数据注入：--ranking-json 传入你自己的榜单 JSON，完全不走网络抓取。
3. 企业内网出站代理：若你所处网络架构本身要求经统一代理出站，技能遵循标准 HTTPS_PROXY 环境变量与 --proxy 参数，可直接沿用该合规配置（详见下节）。

企业内网出站代理（合规场景）

部分企业内网要求所有出站流量经统一代理，这是标准的网络架构，并非本技能的特殊能力——技能只是遵循 HTTPS_PROXY / --proxy 这一通用约定，使自身能在该架构下正常工作。

合规边界：本参数面向合法的企业内网/自建网关出站场景。本技能不提供、不指导、也不支持任何规避网络管理措施的做法；当某个源因网络原因不可达时，技能的既定行为是降级到国内源与随技能附带的离线快照，而不是设法绕行。

• 通过环境变量

  HTTPS_PROXY=http://<proxy-host>:<port> bash run_report.sh scripts/generate_site.py --api-json news.json -o AI_News.html
  

• 通过参数

  bash run_report.sh scripts/generate_site.py --api-json news.json --proxy http://<proxy-host>:<port> -o AI_News.html
  

• 降级行为：代理不可达时，海外源优雅降级到国内快照 / 本地缓存，不会崩溃。

模型资料卡档案同步（real-time archive update）

排行榜资料卡所需的「机构 / 许可证 / 成本 / 上下文 / 多模态 / 适用场景 / 信息源」等字段，来自一个联网核实的 canonical 档案，随技能一起维护、随每次运行累积更新：

• canonical 档案：model_profiles.json（技能目录内）按模型名索引，存放逐模型核实过的资料；无需每次手动传入，generate_site.py 每次生成自动加载并注入资料卡。
• 新模型实时建档：生成时会比对排行榜全部上榜模型与档案。若有模型缺档案，脚本写入 model_profiles.pending.json 并告警。运行方（Agent）应据此闭环：
  1. 读取 model_profiles.pending.json 中的模型名；
  2. 用 WebSearch 逐模型联网核实（官方公告 / 模型卡 / Artificial Analysis / Hugging Face）；
  3. 产出 {模型名: {org, license, commercial, intel_index, hf_avg, cost_in, cost_out, context, multimodal, use_case, source}} 的 JSON；
  4. 以 --profiles-json 该JSON 重新生成——脚本会将其合并写回 model_profiles.json（canonical 实时更新），并自动清除 pending 清单。
• 写入优先级：--profiles-json 合并 > canonical 档案 > 资料卡留空（绝不编造字段）。

8.2 新闻源可达性实测（2026-09-10 体检，与排行榜结论相反）

结论：新闻类（RSS）与排行榜类（网页抓取）的国内可达性完全不同——RSS 目前 14/14 全通。

逐源裸连实测（国内网络，无代理）：

分组	实测	说明
国内源（7）	7/7 ✅	量子位 / 36氪 / 雷峰网 / 智东西 / 极客公园 / InfoQ 中国 / 钛媒体
国外源（7）	7/7 ✅	TechCrunch / MIT TR / HF Blog / TechMeme / MIT News / VentureBeat / Google AI

用 fetch_ai_news.py --check-feeds 可随时自测，输出按 cn / global 分区统计，并对失败源直接给「人话建议」。

本次体检修掉的三个真问题

问题	根因	修复
36氪 0 条	URL 缺 www，被反爬拦截（200 + HTML，无条目）	改用 www.36kr.com/feed（30 条）
机器之心 0 条	RSS 已下线，返回「机器之心·数据服务」落地页	替换为雷峰网 AI 科技评论（20 条，AI 垂直媒体）
VentureBeat 429	站点对自报爬虫 UA（compatible; AIWeeklyReport/4.0）限流	统一改用常规浏览器 UA（常量 FEED_UA），即时恢复 200

为什么新闻源没那么脆弱：RSS 是各站主动对外公开的订阅接口（本来就是给机器读的），不像排行榜网页那样靠 JS 渲染、依赖访问来源。所以「海外源拿不到就等于没有国外信息」在新闻这一侧并不成立；真正受限的是排行榜（见 § 8.1），而技能对此已有国内源与离线快照兜底。

仍然存在的边界（诚实说明）：

• RSS 只保留约 1 周，回抓 2–3 周前的历史周报只能拿个位数条目，无法忠实复现。
• 源站随时可能改版 / 下线 / 限流（机器之心就是这么没的）。--check-feeds 建议每周跑一次。
• 若你的网络确实访问不了某个国外源：其余 13 个源会兜底，报告不会空白；这是技能的既定降级路径，无需任何额外配置。

8.3 市场数据口径路由：国内优先，国外为可选增强（2026-09-10）

先说边界：市场数据不是实时抓取的。 它是运行方用 WebSearch 核实后以 --market-data / --cn-market-data 等参数注入的静态快照（快照日期印在每张图下方）。所以"国内优先"不是说国外源抓不到，而是说两套数字该信哪个。

口径	国内源（可自行核对）	国外源（可选增强）
市场规模	中国信通院·中商产业研究院、IDC 中国、艾瑞	Grand View Research、Statista、Gartner
融资并购	IT桔子、烯牛数据、新浪创投Plus	Crunchbase、CB Insights

--region cn 时（或自动探测为国内网络）的处理：

1. 主口径切到国内：市场板块顶部插入一条「口径路由条」（服务端预渲染，禁 JS 也可见）——「当前口径：国内优先，中国口径为主；全球口径属海外机构静态快照，仅作趋势对照，国内无法一手核实」。
2. 每张图注标可核实性：国内源图注加「✅ 国内公开数据，可自行核对」；全球源图注加「🌍 海外机构静态快照 · 作对照」。
3. 不编造：未注入真实数据时用基准值并在图注标注快照日期，不伪装成实时。

为什么这么设计：GVR / Crunchbase 这类海外机构数据，国内用户通常无法一手核实（且多位于付费墙之后），把它们和"信通院白皮书面上的数字"标成同等可靠是误导。路由条的作用就是把"该信哪个、哪个只是对照"明写给用户。

8.4 英文报道中文翻译：三级取值 + 译文源（2026-09-10）

英文报道的中文总结（cn_title / cn_summary）按三级优先级取值，前两级都不需要本地模型：

优先级	来源	前提	说明
1	本地译文缓存 .translate_cache.json	曾在本机翻译过	零开销，src_hash 校验原文未变
2	远程译文源 --translations-url	能访问 Pages	没有本地 Ollama 的用户靠这一级（见下）
3	本地 Ollama 实时翻译 qwen2.5:7b	本机装了 Ollama 且在运行	约 19s/条（CPU 推理），best-effort

三级都落空 → 保留英文原文，并在结束时的「💡 给你的提示」里说明原因（不会静默）。

⚠️ 运营方必读：历史上有期次（8/24、8/31）因为生成那一刻 Ollama 没运行而整期没有中文，且事后无法补救——RSS 只保留约 1 周，原始 news.json 回抓不到。生成前请确认 Ollama 在线，或配置 --translations-url。

远程译文源（给没有本地模型的用户）

每周生成周报时顺带把译文汇总发布到 Pages：

https://elisabeth15501.github.io/ai-weekly/translations.json

• 格式：{"schema":"ai-weekly-translations/v1","count":N,"entries":{<原文URL>:{src_hash,cn_title,cn_summary}}}
• 按原文 URL 索引，src_hash 校验原文是否变化（变了就视为未命中，避免张冠李戴）
• 拉取失败静默降级，绝不阻断生成

用法：

python scripts/generate_site.py --api-json news.json -o AI_News.html \
  --translations-url https://elisabeth15501.github.io/ai-weekly/translations.json

历史期次回填

已发布的 HTML 若缺译文，可用回填脚本直接改 HTML 内的 NEWS_DATA（不需要原始 news.json）：

python scripts/backfill_translations.py --check AI_News_*.html        # 只核查
python scripts/backfill_translations.py --no-ollama AI_News_*.html    # 只复用缓存，离线可用
python scripts/backfill_translations.py --emit-source translations.json AI_News_*.html

九、发布与第三方依赖说明（合规）

本技能默认零第三方商业 API 依赖，可安全开源发布（GitHub / Gitee）：

9.0 网络访问合规声明（重要）

• 本技能不提供、不指导、也不支持任何规避网络管理措施的能力。 技能的全部网络行为仅为：读取各站点主动对外公开的 RSS 订阅接口与公开榜单页面。

• 数据源默认国内优先：14 个 RSS 源中国内 7 个、国外 7 个；--region auto 会优先选用国内源。海外源不可达时，技能的既定行为是降级到国内源与随技能附带的离线快照，并在报告中如实标注数据来源与快照日期——绝不编造、也绝不为取数而改变网络路径。

• --proxy / HTTPS_PROXY 的定位：这是通用的标准 HTTP 客户端参数（pip / npm / git / curl 等均有），本技能仅为适配「企业内网要求所有出站流量经统一代理」这类常见网络架构而遵循该约定。它不是为访问任何特定站点而设，也不构成任何规避手段；公网直连环境无需配置。

• 不做的事：不内置任何代理服务、不提供代理节点、不指导任何形式的网络访问规避；不使用非公开接口、不破解任何访问控制、不伪造身份绕过鉴权。

• 新闻默认全部来自 14 个公开 RSS 源（国内 7 + 国外 7）；市场/融资图表由运行方通过 WebSearch 注入；排行榜从公开网页（LMArena / Artificial Analysis / Hugging Face / OpenCompass / SuperCLUE / ModelScope 等）自适应抓取，国内兜底快照随技能附带。

• 不内置、不打包任何 AI HOT / 卡兹克的内容。页脚仅保留基础参考来源链接（LMArena / Artificial Analysis / Hugging Face / OpenCompass / Gartner / IDC / Statista / Crunchbase / Stanford HAI）。

• 外部 API 增强是用户 opt-in 的：技能不主动调用 AI HOT 等任何外部商业 API；只有当用户自备 JSON 并以 --external-news-json 注入时才会参与，且页脚自动署名该来源。是否启用、遵守其服务条款均由用户自行决定。

• 发布建议：① 附带 LICENSE 文件（如 MIT / Apache-2.0）；② 如需大范围传播，建议提示用户使用外部 API 前先取得授权。

• 跨平台分发：本技能以单一 SKILL.md（开放 Agent Skill 规范）为唯一入口，直接放入支持该规范的任意 Agent 目录即可加载；框架级调用（LangGraph / Dify / Coze）参考 manifest.json 的引擎接口描述。无需任何平台专属包装（无 plugin.json、无 per-agent 副本）。

十、文件清单

目录职责边界（改东西前先看这里，避免跨目录混放）：

• scripts/ = 生成管线（抓取 / 翻译 / 渲染 / 部署），纯 Python，所有业务逻辑只在这里改；
• assets/ = HTML 模板与静态资源（Chart.js、截图占位），勿在其中写业务逻辑，改样式只动这里；
• references/ = 独立文档（FAQ / 数据源 / 结构说明），与代码解耦，改说明只动这里；
• 根目录 translations_offline.json = 离线译文包（随技能附带，断网可用），由 scripts/backfill_translations.py --emit-source 重新生成。

文件	用途
SKILL.md	本文件（单一跨平台入口）
manifest.json	通用引擎接口描述（框架级调用参考）
assets/news_site_template.html	v3.0 新闻网站 HTML 模板
assets/report_template.html	v2.0 周报模板（保留兼容）
assets/sample_chart_data.json	Chart.js 示例数据
scripts/generate_site.py	v3.0 一键从 API 生成新闻站
scripts/validate_report.py	v3.0 质量检查（含 XSS 守护，自动识别 v2/v3 格式）
scripts/fetch_ai_news.py	离线 RSS 抓取（备用）
scripts/deploy_report.py	部署摘要提取（框架无关通知文本）
scripts/deploy_ghpages.py	部署到 GitHub Pages：git worktree 操作 gh-pages 分支，累加根 index.html 存档页并推送（底层被 deploy.py 调用）
scripts/deploy.py	统一部署入口（P0-1）：按 --deploy-to 选后端（github-pages/tencent-cos/vercel/netlify/cloudflare-pages/local），非 GitHub 后端无需配置 GitHub
scripts/validate_models.py	模型档案守护（P0-2）：--check 扫描 model_profiles.json 有无未核实条目；--fix 将无来源推测条目移入 model_profiles_unverified.json
scripts/leaderboard_diagnose.py	排行榜源诊断（P0-3）：逐个源探测可达性 + 统计国内镜像回退命中
scripts/install_scheduler.py	R4 系统级调度兜底：注册每日 09:00 刷新任务（Windows 任务计划 / Linux cron），会话不在线也能刷新
scripts/publish.py	组装本周头条 report.json 并推送飞书卡片（支持 webhook 与连接器两种路径；--deploy/--deploy-to 顺带部署）
delivery/feishu_bot.py	飞书卡片构造（build_headline_card）+ Webhook 发送（push），两路径共用的卡片 schema
delivery/feishu_connector.py	飞书连接器直推 CLI（lark-cli，密钥不落盘），复用前者的卡片构造
scripts/init_feishu_config.py	飞书配置向导（P1-3）：交互式生成 feishu_config.json（Webhook）或 feishu_target.json（连接器），免去手动建文件
tools/accumulate_data.py	历史数据累积（独立辅助工具，不在主流程）
model_profiles.json	canonical 模型资料档案（按模型名索引，逐条 verified=true + 真实来源），每次生成自动加载、新模型研究后合并写回
model_profiles.pending.json	新上榜但档案缺失的模型清单（检测为空自动删除；运行方据此联网补档）
model_profiles_unverified.json	隔离存放（P0-2）：被 validate_models.py 移出的无来源推测条目，不参与排行榜，待联网核实后回填
cn_leaderboard_snapshot.json	国内排行榜快照（实时不可达时回退）
delivery/deploy_config.example.json	部署配置示例（COS/Vercel 等后端参数）
delivery/feishu_config.example.json	飞书 Webhook 配置示例（feishu_config.json 模板）
references/data_sources.md	备用数据源参考
references/report_structure.md	v2.0 报告结构参考
references/FAQ.md	常见问题集中解答（P1-2）：安装配置 / 首次使用 / 飞书推送 / GitHub Pages / 网络 / 模型数据
data/history.csv	历史指标数据

参考资料

• references/data_sources.md — 备用 / 候选数据源清单
• references/report_structure.md — v2.0 报告结构参考
• manifest.json — 通用引擎接口（框架级调用）
• docs/agent-skill-format-landscape.md — Agent 技能格式格局调研（为何采用单一开放 SKILL.md）