面向 AI 内容运营和产品调研的热点选题监控工具。它会每天抓取公开 AI 信号（国内外共 15+ 数据源），生成一份中文"值得写、值得测、值得深挖"的选题池，并通过 HTML、Web UI、RSS、Telegram、飞书和 GitHub Actions 分发。
它不是一个简单的信息搬运脚本，而是把分散的 AI 行业信号转成可排序、可解释、可交付的选题决策流：先采集公开证据，再用评分框架判断优先级，最后沉淀成报告、结构化数据和自动化分发链路。
关联项目：本仓库的扩展版本 AI-TREND-RADAR-RAG 在数据管道基础上构建了 Graph RAG + Agentic RAG 智能查询系统，支持通过自然语言对话查询历史选题数据、分析趋势。详见开发方向。
用户配置必要权限后，AI Trend Radar 自动采集多源 AI 信号，生成带分数、分类、行动建议、理由和证据的选题池；用户据此完成当天选题决策，并可以通过 Web UI、RSS、历史索引继续浏览和复盘。
| 路径 | 用户目标 | 成功标准 |
|---|---|---|
| P0_001 | 首次配置并生成今日 AI 选题池 | 生成主报告、HTML 报告、topic-pool.json，选题池非空且有证据 |
| P0_002 | 阅读报告并完成选题决策 | 用户能解释为什么某些话题值得深挖、入池、观察或归档 |
| P0_003 | 浏览历史报告与搜索历史选题 | 历史报告、日期列表、搜索、RSS 可用 |
| P0_004 | 每日自动运行并公开分发 | GitHub Actions、manifest、RSS、GitHub Pages 更新 |
flowchart LR
START([用户准备使用工具])
CONFIG_CHECK{已配置模型和权限？}
CONFIG_SETUP[配置 DeepSeek 和可选数据源权限]
RUN_DAILY[用户启动今日选题生成]
FETCH_SIGNALS[系统采集公开 AI 信号]
SOURCE_STATUS((数据源状态))
BUILD_POOL[系统生成选题池和报告]
REPORT_READY((今日报告就绪))
READ_REPORT[用户阅读报告]
DECIDE_TOPICS[用户选择深挖选题]
OPEN_WEB[用户打开历史 Web UI]
BROWSE_HISTORY[用户浏览历史报告]
SEARCH_TOPICS[用户搜索历史选题]
SET_AUTO[用户配置每日自动运行]
AUTO_RUN[系统定时生成日报]
PUBLIC_SHARE[系统更新公开页面和 RSS]
DONE([用户获得可追溯选题决策])
CONFIG_ERROR[提示补齐配置]
SOURCE_DEGRADED[标记来源降级]
START --> CONFIG_CHECK
CONFIG_CHECK -->|否| CONFIG_SETUP
CONFIG_SETUP --> RUN_DAILY
CONFIG_CHECK -->|是| RUN_DAILY
subgraph DAILY_FLOW["P0 今日选题生成"]
RUN_DAILY --> FETCH_SIGNALS
FETCH_SIGNALS --> SOURCE_STATUS
SOURCE_STATUS --> BUILD_POOL
BUILD_POOL --> REPORT_READY
end
subgraph DECISION_FLOW["P0 选题决策"]
REPORT_READY --> READ_REPORT
READ_REPORT --> DECIDE_TOPICS
DECIDE_TOPICS --> DONE
end
subgraph HISTORY_FLOW["P0 历史浏览"]
REPORT_READY -.-> OPEN_WEB
OPEN_WEB --> BROWSE_HISTORY
BROWSE_HISTORY --> SEARCH_TOPICS
SEARCH_TOPICS --> DONE
end
subgraph AUTO_FLOW["P0 自动分发"]
REPORT_READY -.-> SET_AUTO
SET_AUTO --> AUTO_RUN
AUTO_RUN --> PUBLIC_SHARE
PUBLIC_SHARE --> DONE
end
CONFIG_CHECK --x|缺配置| CONFIG_ERROR
FETCH_SIGNALS -.->|部分失败| SOURCE_DEGRADED
SOURCE_DEGRADED -.-> SOURCE_STATUS
P1 扩展路径包括源级报告、周报/月报、通知推送、社媒草稿、GitHub Issue 记录和语言/范围配置。P2 异常路径覆盖模型 Key 缺失、429/403/超时、GitHub 限流、可选数据源缺 token、历史状态损坏、索引/RSS 损坏、通知失败和上游异常内容。
每天 AI 信息源很多：新模型、新产品、开源项目、论文、Hacker News 讨论、大厂官网发布、国内外社区文章。AI Topic Radar 把这些公开信号聚合成一个可操作的内容选题池，帮助你判断：
- 今天哪些 AI 话题值得优先深挖？
- 哪些产品或开源项目值得进入选题池？
- 中英文社区对同一话题的讨论有何异同？
- 哪些数据源失败了，应该怎么修？
| 文件 | 用途 |
|---|---|
digests/YYYY-MM-DD/ai-topic-radar.html |
主报告，可双击打开 |
digests/YYYY-MM-DD/ai-topic-radar.md |
Markdown 版本 |
digests/YYYY-MM-DD/topic-pool.json |
结构化选题池（分数、分类、动作、理由、证据） |
digests/YYYY-MM-DD/ai-china-tech.md |
中文科技社区 AI 动态日报（36kr + InfoQ + Gitee + OSChina + 掘金） |
manifest.json |
历史 Web UI 侧边栏索引 |
digests/search-index.json |
历史选题搜索索引 |
feed.xml |
RSS 订阅源 |
- AI 内容研究者 / 趋势研究者 / 科技媒体编辑：每天筛选值得写、值得深挖的 AI 话题
- 独立创作者 / Newsletter 作者 / 社区运营：把多源 AI 信息转成可发布内容
- AI 产品、战略、市场、行研、咨询、投资相关角色：跟踪新产品、新模型、竞品和生态变化
- AI PM 候选人：用真实项目训练趋势判断、证据判断、优先级判断和面试表达
# 1. 安装依赖
pnpm install --frozen-lockfile
# 2. 配置 API Key
cp .env.example .env
# 编辑 .env，填入 LLM_PROVIDER 和对应 API_KEY
# 3. 运行
pnpm digest成功后打开 digests/YYYY-MM-DD/ai-topic-radar.html。
查看历史看板：pnpm serve → http://localhost:8080
| 来源 | 内容 | 配置 |
|---|---|---|
| GitHub Trending | 每日热门开源仓库 | 无需 token |
| GitHub Search | llm、ai-agent、rag 等关键词 |
推荐 GITHUB_TOKEN |
| Hacker News | AI / LLM 社区讨论 | 无需 token |
| Product Hunt | AI 产品发布 | 需要 PRODUCTHUNT_TOKEN |
| arXiv | cs.AI、cs.CL、cs.LG 论文 |
无需 token |
| Hugging Face | 热门模型和下载/点赞信号 | 无需 token |
| OpenAI 官网 | 官方发布、产品更新 | 无需 token |
| Anthropic 官网 | Claude、模型、安全动态 | 无需 token |
| Google DeepMind | 研究博客、论文、产品发布 | 无需 token |
| Dev.to | 技术社区文章 | 无需 token |
| Lobsters | 技术社区讨论 | 无需 token |
| 来源 | 内容 | 访问方式 |
|---|---|---|
| 36kr | AI 行业新闻 | RSS feed |
| InfoQ 中国 | 技术深度文章 | 内部 API |
| Gitee | 热门 AI 开源项目 | REST API v5 |
| 开源中国 | 技术资讯 | RSS feed |
| 稀土掘金 | 开发者技术文章 | 内部 API |
五个国内源合并为一份 ai-china-tech.md 报告（中英文版本），并同时纳入选题评分。
某个来源失败不会中断日报，主报告会在"数据源状态与修复提示"里说明原因。
状态语义：
ok：来源成功返回并产出内容。empty：来源成功访问，但本轮没有符合条件的新内容；不等同于故障。skipped：缺少可选 token 或配置，主动跳过。error：网络、接口结构或上游返回异常；HTTP 200 但返回拦截页、HTML 或异常 XML 也会标记为失败。
Gitee 是尽力而为来源，空结果或部分关键词失败不会阻断日报。
选题排序优先级默认按一手程度处理：OpenAI / Anthropic / Google DeepMind 官网优先，其次是产品、模型、开源和国际社区信号；国内媒体和国内开发者社区作为补充观察源。
| 模块 | 能力 | 默认 |
|---|---|---|
| 数据采集 | 15+ 国内外源（GitHub、HN、arXiv、HF、官网、36kr、掘金等） | 是 |
| LLM 摘要 | DeepSeek / Anthropic / OpenAI / OpenRouter / GitHub Copilot | 是 |
| 选题评分 | 商业影响 40、热度 30、新鲜度 20、可写性 10 | 是 |
| 内容分类 | 政策监管、模型突破、AI 产品、行业落地、标杆企业与商业格局 | 是 |
| 中文科技社区报告 | ai-china-tech.md（36kr + InfoQ + Gitee + OSChina + 掘金） |
是 |
| 搜索索引 | digests/search-index.json，从每日 topic-pool.json 生成 |
是 |
| 源级报告 | ai-web.md、ai-hn.md、ai-arxiv.md 等 |
默认关闭 |
| 英文报告 | *-en.md |
默认关闭 |
| 历史 Web UI | index.html + manifest.json |
是 |
| RSS | feed.xml |
是 |
| Telegram / 飞书 | 通知推送 | 需 token |
| GitHub Actions | 每日 / 每周 / 每月自动运行 | 是 |
本仓库主线是 AI 信息搜索与选题雷达：采集公开信号，调用 LLM 生成摘要和判断，再沉淀为报告、结构化选题池、Web UI、RSS 和自动化分发。Web UI 中的 Agent 入口是后续 RAG 项目的预留入口，用虚线表示，不纳入当前主线能力。
flowchart TD
CLI_ENTRY[命令入口层]
GHA_ENTRY[GitHub Actions 自动化]
WEB_UI[Web UI 报告浏览]
RESERVED_AGENT[Agent 预留入口]
CONFIG_LAYER[配置加载层]
REPORT_OPTIONS{报告范围与语言}
SOURCE_FETCH[数据采集层]
SOURCE_STATUS((数据源状态层))
PROMPT_LAYER[Prompt 层]
LLM_GATEWAY((LLM Provider 层))
REPORT_BUILD[报告生成层]
TOPIC_RADAR[选题评分层]
OUTPUT_SAVE[输出保存层]
MANIFEST_BUILD[索引与 RSS 生成层]
NOTIFY_LAYER[通知分发层]
SOCIAL_LAYER[社媒草稿层]
DIGEST_DIR[(日报目录)]
TOPIC_POOL[(结构化选题池)]
WEB_STATE[(官网增量状态)]
MANIFEST_FILE[(Web/RSS/搜索索引)]
SOCIAL_DIR[(社媒草稿)]
LLM_API([模型 API])
GITHUB_API([GitHub API])
PUBLIC_SOURCES([公开数据源])
NOTIFY_API([通知渠道])
PAGES([GitHub Pages])
CLI_ENTRY --> CONFIG_LAYER
GHA_ENTRY --> CONFIG_LAYER
CONFIG_LAYER --> REPORT_OPTIONS
REPORT_OPTIONS --> SOURCE_FETCH
SOURCE_FETCH -.->|抓取| PUBLIC_SOURCES
SOURCE_FETCH -.->|抓取| GITHUB_API
SOURCE_FETCH --> SOURCE_STATUS
SOURCE_FETCH -->|读取/写入| WEB_STATE
SOURCE_STATUS --> PROMPT_LAYER
PROMPT_LAYER --> LLM_GATEWAY
LLM_GATEWAY -.->|成本/限流| LLM_API
LLM_GATEWAY --> REPORT_BUILD
SOURCE_STATUS --> TOPIC_RADAR
REPORT_BUILD --> TOPIC_RADAR
TOPIC_RADAR --> OUTPUT_SAVE
REPORT_BUILD --> OUTPUT_SAVE
OUTPUT_SAVE -->|写入| DIGEST_DIR
OUTPUT_SAVE -->|写入| TOPIC_POOL
DIGEST_DIR --> MANIFEST_BUILD
TOPIC_POOL --> MANIFEST_BUILD
MANIFEST_BUILD -->|写入| MANIFEST_FILE
MANIFEST_FILE --> WEB_UI
DIGEST_DIR --> WEB_UI
WEB_UI -.->|预留| RESERVED_AGENT
MANIFEST_FILE -.->|部署| PAGES
MANIFEST_FILE --> NOTIFY_LAYER
TOPIC_POOL --> NOTIFY_LAYER
NOTIFY_LAYER -.->|外发| NOTIFY_API
DIGEST_DIR --> SOCIAL_LAYER
SOCIAL_LAYER -->|写入| SOCIAL_DIR
总分 = 商业影响（40）+ 热度（30）+ 新鲜度（20）+ 可写性（10）
| 分数 | 动作 |
|---|---|
| 80+ | 深挖 |
| 65-79 | 入池 |
| 50-64 | 观察 |
| < 50 | 归档 |
五类分类：
- 政策监管、社会影响与 AI 安全
- 模型与技术突破
- AI 产品与用户入口
- 企业落地与行业应用
- 标杆企业动向、商业格局与投融资
选题池还有几条约束：
topic-pool.json的主数据字段是candidates；历史版本的topics会继续被搜索索引兼容读取。- 候选池会按 URL 去重。
- 官网一手内容会获得更高排序权重；HTTP 200 但结构异常的官网响应仍会标记为失败。
- GitHub + Gitee 仓库类候选最多保留 16 条，避免开源仓库长期挤满 60 个候选位。
- Gitee 单源最多 3 条。
- GitHub 仓库热度使用对数计分，高 star 仍有优势，但不会仅凭总 star 挤掉其他来源。
- 国内源拆分为国内媒体（InfoQ 中国、36kr）和国内开发者社区（开源中国、掘金）；国内源合计最多 6 条。
- 掘金单源最多 2 条，定位为补充社区观察，不作为 Top 深挖主来源。
- Dev.to 和 Lobsters 社区内容会进入选题池，不只生成社区报告。
- 50-64 分是"观察项"。如果当天没有观察项，报告会显示说明文案；这不代表采集失败。
pnpm digest
# 打开 digests/YYYY-MM-DD/ai-topic-radar.html- 配置
DEEPSEEK_API_KEY为仓库 Secret - 进入
Actions -> Daily AI Topic Radar -> Run workflow - 成功后仓库自动生成新的 digest 文件
Settings -> Pages→ Source 选择GitHub Actions- 等待日报 workflow 成功后自动部署
- 访问 https://conradgui.github.io/AI-TREND-RADAR
| Workflow | 时间 |
|---|---|
| Daily | 每天 08:00 CST |
| Weekly | 每周一 09:00 CST |
| Monthly | 每月 1 日 10:00 CST |
通知：Telegram / 飞书 / SMTP 邮箱。未配置 token 时自动跳过。
| 命令 | 作用 |
|---|---|
pnpm digest |
生成主报告 + manifest + RSS |
pnpm start |
只生成日报文件 |
pnpm manifest |
更新 manifest.json 和 feed.xml |
pnpm serve |
本地查看历史 Web UI |
pnpm weekly |
生成周报 |
pnpm monthly |
生成月报 |
pnpm test |
Vitest 单元/集成测试 |
pnpm typecheck |
TypeScript 类型检查 |
本项目按“用户路径 → 架构节点 → 测试类型 → Benchmark 任务”的方式验证，不只证明代码能跑，也验证它是否能作为信息搜索产品稳定地产出可解释选题。
| 检查项 | 结果 |
|---|---|
| TypeScript typecheck | 通过 |
| ESLint | 通过 |
| Vitest | 284 passed / 1 skipped |
| 真实 API 可用性 | DeepSeek 主路径通过；可选数据源缺 token 时降级交付 |
Benchmark 对比的是“AI Trend Radar 产品化流程”和“直接调用 DeepSeek 裸模型”。满分 60 分，任务覆盖端到端生成、AI PM 选题决策、多源证据、异常降级、评分透明度、新闻分类准确率和摘要切入角度质量。
| 任务 | Tool | Baseline | 差值 |
|---|---|---|---|
| BM_001 今日 AI 选题池端到端生成 | 56 / 60 | 23 / 60 | +33 |
| BM_002 基于选题池做选题决策 | 57 / 60 | 19 / 60 | +38 |
| BM_003 多源证据覆盖与来源差异判断 | 54 / 60 | 23 / 60 | +31 |
| BM_004 异常数据与噪声下的可信降级 | 55 / 60 | 23 / 60 | +32 |
| BM_005 评分透明度与筛选规则复核 | 55 / 60 | 25 / 60 | +30 |
| BM_006 新闻分类准确率对比 | 48 / 60 | 22 / 60 | +26 |
| BM_007 新闻切入角度与摘要质量对比 | 49 / 60 | 18 / 60 | +31 |
| 指标 | Tool | Baseline | 结论 |
|---|---|---|---|
| 平均总分 | 53.4 / 60 | 21.9 / 60 | Tool 胜在结构化证据、可复跑、可追溯和产品化输出 |
| BM_006 分类准确率 | 5 / 6 | 5 / 6 | 分类命中数持平，不能说 Tool 分类更准 |
| BM_007 切入角度与摘要质量 | 8.4 / 10 | 5.4 / 10 | Tool 更能给出可用角度、证据和摘要 |
需要诚实表达的边界：
- 不能说“所有数据源全部成功”。更准确的说法是：真实不完美环境下仍可降级交付；在 GitHub 端配置完整信息源 token 后，可恢复更完整的信息覆盖。
- 不能说“分类准确率全面优于裸模型”。BM_006 显示分类命中数持平，但工具把分类变成了可复核、可审计、可复跑的产品流程。
- 当前本仓库主线是 AI 信息搜索与选题雷达；
rag/、services/agentdb/、mcp/属于实验性或预留代码，不作为主线 Benchmark 对象。
扩展版本：https://github.com/Conradgui/AI-TREND-RADAR-RAG
本仓库是数据管道（采集 → 评分 → 报告 → 分发），RAG 仓库在此基础上增加了智能查询层：
AI-TREND-RADAR（本仓库） AI-TREND-RADAR-RAG（扩展版本）
├── 15+ 数据源采集 ├── 包含本仓库全部代码
├── LLM 摘要 + 选题评分 ├── Neo4j 知识图谱
├── 日报/周报/月报生成 ├── ChromaDB 向量搜索
├── Telegram/飞书/RSS 分发 ├── LangGraph ReAct Agent（6 工具）
└── GitHub Pages 展示 └── Chat UI + MCP Worker
本仓库的
rag/、services/agentdb/、mcp/目录是从 RAG 仓库引入的实验性代码，尚未接入主流程。正式版本请使用 RAG 仓库。
正在 RAG 仓库开发的下一代架构，目标是把分散的每日 AI 信号预编译为结构化知识，让 Agent 查询时直接获取已组织好的知识，而非每次从原始文档中检索：
Nexus-inspired Knowledge Engine
= Agentic RAG — Agent 自主决定何时检索、用哪个工具、如何综合
+ Pre-runtime Knowledge Compilation — 每日 ingestion 阶段预编译知识制品
+ Knowledge Artifact Layer — 结构化知识实体（话题图谱、趋势轨迹、实体关系）
+ Structured Knowledge Query — 声明式查询（Cypher + 语义混合），不再依赖纯文本检索
+ Evidence & Governance Layer — 每条结论可追溯到原始数据源和评分证据
+ Evaluation Feedback Loop — 选题质量反馈驱动评分权重和分类规则的持续优化
当前进度：基础 Graph RAG（知识图谱构建 + 混合检索 + 6 工具 Agent）已完成，后续迭代预编译知识制品和声明式查询层。
本仓库只使用公开信息源和可复现代码，不包含公司内部资料、私有社群内容、API key 或未公开报告。它用于展示一个可公开复现的 AI 热点监控、选题评分、日报生成和自动分发工作流。
MIT