Cheat Trends

/cheat-trends — 热点抓取

多 adapter 模式：读各 trend-sources adapter 的输出 → 去重 → 粗打分 → 写入 candidates.md。

Overview

[用户：抓热点]
  ↓
[Phase 0: 读 .cheat-state.json 拿 enabled adapters]
  ↓
[Phase 1: 对每个 adapter 调 fetch]
  ↓
[Phase 2: normalize 到 candidate-schema]
  ↓
[Phase 3: 去重（vs candidates / predictions / trends-history）]
  ↓
[Phase 4: 对每个新 item 粗打分（调 cheat-score 内联逻辑）]
  ↓
[Phase 5: 排序 + 询问用户哪些加入 candidates.md]
  ↓
[Phase 6: 写入 + 更新 trends-history.jsonl 缓存]

Constants

• TREND_SOURCES = ["manual-paste"] — 启用的 adapter 列表（默认仅 manual-paste，最稳）
• LOOKBACK_HOURS = 24 — 抓最近 N 小时的热点
• MAXPERSOURCE = 20 — 每个 adapter 最多 N 条
• DEDUPE = true — 去重开关
• AUTO_SCORE = true — 抓回来后自动调 cheat-score 粗打分
• MINCOMPOSITETO_SUGGEST = 6.0 — 低于此分的不推荐用户加入候选池（仍写入 trends-history 避免下次重复推）

> 💡 调用时覆盖：/cheat-trends — sources: manual-paste,hackernews,bilibili-popular — max-per: 10

Inputs

| 必填 | 来源 | |---|---| | .cheat-state.json | 默认 sources | | adapters/trend-sources/.md | 各 adapter 的实现描述 | | candidates.md | 去重对照 | | predictions/*.md | 去重对照（已发的不再推） | | .cheat-cache/trends-history.jsonl | 历史抓取去重缓存 |

Workflow

Phase 0: 读启用的 adapters

# 伪代码
state = read('.cheat-state.json')
enabled_adapters = args.sources or state.get('enabled_trend_sources', ['manual-paste'])

如 enabled_adapters 为空 → 输出引导：

你目前没有启用任何热点源。

最快配法：
- 临时跑：/cheat-trends — sources: manual-paste,hackernews
- 永久启用：编辑 .cheat-state.json 的 enabled_trend_sources 数组

可用 adapter（详见 adapters/trend-sources/）：
- manual-paste（默认，永远能用）
- hackernews（HN Algolia API，无需 key）
- reddit-rising（公开 .json 端点）
- youtube-trending（需 YouTube Data API key）
- bilibili-popular（公开端点，偶有变动）
- xhs-explore / douyin-hot（fragile，需 cookie）
- thirdparty-paid（新榜 / 飞瓜，需自己接 API）

Phase 1-2: 对每个 adapter 调 fetch + normalize

对每个 adapter，读其 adapters/trend-sources/.md 中描述的 fetch 接口（实际是 Bash 调底层 Python / shell / WebFetch）：

| Adapter | 实现机制 | |---|---| | manual-paste | 询问用户："粘贴你今天的候选 URL/标题列表（每行一条）" → 解析每行，对 URL 做 WebFetch 拓展 snippet | | hackernews | WebFetch HN Algolia API：https://hn.algolia.com/api/v1/search?tags=front_page&hitsPerPage={N} → 提取 title/url/snippet | | reddit-rising | WebFetch Reddit JSON：https://www.reddit.com/r//rising.json?limit={N} | | youtube-trending | 需 API key 配置在 .env 或 .cheat-state.json，调 YouTube Data API v3 videos?chart=mostPopular | | bilibili-popular | WebFetch B 站 popular 接口 | | xhs-explore / douyin-hot | 需用户提供 cookie 路径，调对应 platform-stub 描述的接口；缺 cookie → skip 该 adapter | | thirdparty-paid | schema only——读 adapters/trend-sources/thirdparty-paid.md，让用户自己接 |

每个 adapter 输出符合 [candidate-schema.md](../../shared-references/candidate-schema.md) 的 items。

优雅降级：单 adapter 失败（API key 缺失 / 端点 503 / cookie 失效）→ skip 该 adapter，不抛异常，在汇总里说明：

✅ hackernews: 拉到 18 条
⚠️  youtube-trending: 跳过（缺 API key——配置见 adapters/trend-sources/youtube-trending.md）
✅ bilibili-popular: 拉到 15 条
❌ douyin-hot: 跳过（cookie 文件不存在）

Phase 3: 去重

按 [candidate-schema.md](../../shared-references/candidate-schema.md) 的"去重协议"：

1. 对每个 item 算 id（sha256(source_type + normalized_title + url_path)[:12]）
2. 检查 candidates.md 已含此 id → 跳过
3. 检查 predictions/*.md 已含此 id → 跳过
4. 检查 .cheat-cache/trends-history.jsonl 已含此 id 且 rejected_at != null → 跳过

去重统计写到汇总报告里。

Phase 4: 粗打分

AUTO_SCORE=true 时，对每条新 item：

1. 用 item 的 snapshot_text 作为输入
2. 按当前 rubric 给 7 维打分（不调 /cheat-score 子 skill 走 IO；inline 复用打分逻辑）
3. 算 composite
4. 给一句 rationale

注意：粗打分 ≠ 正式预测。预测必须基于最终稿（用户改过的），这里的打分只是"是否值得展开写"的粗筛。

AUTO_SCORE=false 时，items 写入 candidates.md 时 composite=null，需要后续手动 /cheat-score。

Phase 5: 排序 + 询问

按 composite 降序，过滤掉 composite ", "fetched_at": ""} ```

Phase 7: 状态更新

{
  "last_trends_run_at": "",
  "last_trends_added_count": 5
}

Key Rules

1. 不抛异常。单 adapter 失败 → skip + 报告。多 adapter 全失败 → 报错"所有源都失败"，附排查指引
2. manual-paste 永远在。即使其他所有 adapter 都坏了，manual-paste 模式必须能跑——它是兜底
3. 去重是硬约束。同 id 不重复推；用户拒绝过的 6 个月内不再推
4. 粗打分要诚实标注。在 candidates.md 的 entry 里标 composite (rough, snapshot-based)，避免与 prediction 的精打分混淆
5. 不直接进 predictions/。trends 只产 candidates，predict 是另一个动作

Refusals

• 「直接抓抖音热门 feed，不用 cookie」 → 拒绝。抖音反爬极严，无 cookie 必失败；引导到 douyin-session adapter 配置文档
• 「跳过去重，把所有抓到的都写进去」 → 拒绝。会污染候选池，下次 recommend 时排序失效
• 「跳过粗打分，直接写 raw 标题」 → 允许（AUTO_SCORE=false），但提示用户后续需要 /cheat-score 才能进 recommend 池

Integration

• 上游：用户配置 .cheat-state.json 的 enabled_trend_sources 数组
• 下游：/cheat-recommend 直接读 candidates.md 排序——trends 写完，recommend 立刻看到
• 与 /cheat-init：onboarding Q4 选"没有候选池"的用户被引导到这里
• 与 /cheat-status：status 看板显示"上次抓热点：X 天前 / 待清理候选池：Y 条"

Adapter 实现注意事项

每个 adapters/trend-sources/.md 必须文档化以下：

1. 依赖：API key / cookie / package
2. fetch 接口：调用方式（python script path / shell command / API endpoint）
3. 输出 schema：必须符合 candidate-schema.md
4. 失败模式：常见错误 + 优雅降级行为
5. 稳定性等级：★ 1-5 颗星

详见 [adapters/HOWTO.md](../../adapters/HOWTO.md)（待批次 3 实现）。

Source & license

This open-source skill is cataloged on AgentStack and links to its original source — we do not rehost the code.

• Author: LiHongwei-cn
• Source: LiHongwei-cn/lihongwei-cn
• License: MIT
• Homepage: https://lihongwei-cn.github.io/lihongwei-cn/

Install and usage instructions live in the source repository linked above.