AI 搜广推技术周报 - 自动化 Skill

本 Skill 将完整的"信息搜集 → 报告生成 → IMA 同步"流程打包，可迁移到任意 WorkBuddy 账号使用。

前置依赖

必须安装的 Skill

本 Skill 依赖以下 Skill，使用前请确保已安装：

1. ima-skills（或 腾讯ima）— 用于上传文件到 IMA 知识库
   • 安装后需配置 Client ID 和 API Key（见下方「IMA 配置」）

可选但推荐的 Skill

• wechat-article-search — 搜索微信公众号文章
• zhihu-search-api-skill — 搜索知乎文章
• ArXiv论文追踪 — 搜索 ArXiv 最新论文

IMA 配置

在使用此 Skill 前，必须先配置 IMA 凭证：

# 1. 打开 https://ima.qq.com/agent-interface 获取 Client ID 和 API Key

# 2. 存储凭证
mkdir -p ~/.config/ima
echo "你的Client_ID" > ~/.config/ima/client_id
echo "你的API_Key" > ~/.config/ima/api_key

使用方式

方式一：单次执行（手动触发）

当用户要求"生成搜广推周报"、"出一份大模型推荐系统的技术报告"时，按以下步骤执行：

Step 1：信息搜集

并行执行以下搜索（至少覆盖 ArXiv + 中文来源）：

ArXiv 论文搜索（核心）：

• site:arxiv.org recommendation system transformer backbone 2025 2026
• site:arxiv.org recommendation MoE mixture of experts ranking
• site:arxiv.org sparse attention recommendation transformer
• site:arxiv.org generative recommendation LLM

中文技术文章搜索：

• 微信公众号：大模型推荐系统 Transformer 搜广推 （通过 wechat-article-search 或 web_search）
• 知乎：搜广推 Scaling Law 推荐系统 大模型 （通过 zhihu-search 或 web_search）
• 技术博客：InfoQ、腾讯云开发者社区、CSDN 等

特定技术追踪：

• DeepSeek Sparse Attention (DSA)
• Kimi Attention Residuals (AttnRes)
• Qwen Gated Attention
• Muon 优化器
• SwiGLU 激活函数
• DeepSeekMoE

对搜索到的重要论文，使用 web_fetch 获取 arXiv 页面的详细信息（标题、作者、摘要、核心贡献）。

Step 2：生成报告

将搜集到的信息整理为 Markdown 格式的技术周报，必须包含以下章节：

1. 本周热点综述（3-5条核心趋势，每条含论文链接）
2. 深度技术解读（选择2-5篇最重要的工作，每篇包含）：
   • 论文基本信息（标题、作者、机构、会议/期刊、链接）
   • 核心创新点
   • 关键实验数据（具体数字）
   • 对搜广推领域的启示和建议
3. 技术对比分析：
   • 至少一个对比表格（如不同架构对比、不同注意力机制对比）
   • 可选 ASCII 架构图展示演进路线
4. 创新思考与建议（2-4条可操作的建议）
5. 趋势预测（2-4个方向的前瞻性判断）
6. 延伸阅读推荐（6-12条，分类整理：综述类 / 经典必读 / 技术博客）
7. 优化调整思考建议（新增！本次研究的局限与后续改进方向）
8. 参考文献（所有引用的完整列表，每项含可点击链接）

格式要求：

• 每篇论文/工作必须附带 arXiv 链接和 PDF 直接下载链接
• 尽可能附上中文解读链接（知乎/CSDN/博客园等）
• 如有 GitHub 开源仓库，附上 GitHub 链接
• 报告字数：2000-4000 字
• 文件命名：AI搜广推技术周报_YYYY-MM-DD.md

Step 3：上传到 IMA 知识库

关键：必须使用 cos-upload.cjs 官方脚本上传 COS，不可用 curl 手动传。

标准三步流程：

# 配置常量（每次执行时替换实际值）
FILE_PATH="\x3C生成的报告路径>"
FILE_NAME="AI搜广推技术周报_YYYY-MM-DD.md"
FILE_EXT="md"
KB_ID="\x3C目标知识库ID>"          # 用户需提供
MEDIA_TYPE=7                     # Markdown 固定为7
CONTENT_TYPE="text/markdown"

# 工具路径
NODE="/Users/fandywang/.workbuddy/binaries/node/versions/22.12.0/bin/node"
# 注意：目标账号需要确认 node 路径，可能不同
COS_SCRIPT="\x3Cskill目录>/scripts/upload-to-ima.py"

# 执行上传脚本
python3 "$COS_SCRIPT" --file "$FILE_PATH" \
  --kb-id "$KB_ID" \
  --title "$FILE_NAME"

或直接调用 scripts/upload-to-ima.py 封装脚本（见下方脚本说明）。

方式二：自动化定时任务

创建每周定时执行的自动化任务：

名称: AI大模型搜广推技术周报
频率: FREQ=WEEKLY;BYDAY=MO;BYHOUR=9;BYMINUTE=0
prompt: 请加载 ai-recsys-weekly-report skill，完整执行一次周报生成并同步到 IMA 知识库。
      知识库ID: \x3C用户提供>
cwds: \x3C用户的工作空间路径>
status: ACTIVE

脚本说明

scripts/upload-to-ima.py

IMA 知识库上传封装脚本，内部实现标准的三步流程：

1. create_media — 获取 media_id 和 COS 上传凭证
2. cos-upload.cjs — 使用腾讯云 SDK 上传文件到 COS
3. add_knowledge — 将已上传文件关联到知识库

用法：

python3 scripts/upload-to-ima.py --file \x3C报告路径> --kb-id \x3C知识库ID> [--title \x3C自定义标题>]

依赖：

• Python 3.x
• ima-skills 中的 cos-upload.cjs 脚本
• Node.js（用于运行 cos-upload.cjs）

重要注意事项：

• 如果 cos-upload.cjs 返回非零退出码，立即终止流程，不要继续调用 add_knowledge
• Node 路径需要在脚本中配置正确（不同环境可能路径不同）
• IMA 凭证从 ~/.config/ima/client_id 和 ~/.config/ima/api_key 读取

研究范围参考

以下是本 Skill 覆盖的核心技术方向，供搜索时参考关键词：