# Cheat Trends

> 从配置的热点源（HN / Reddit / YouTube trending / B 站热门 / 等）抓今天的热门话题，去重 + 粗打分 + 写入 candidates.md。**绝大部分人没有候选池——这是让"我没素材"问题在 onboarding 第二步就消失的钥匙**。触发词："抓热点"/"fetch trends"/"今天有什么可做的"/"trending now"/"找选题"。

- **Type:** Skill
- **Install:** `agentstack add skill-lihongwei-cn-lihongwei-cn-cheat-trends`
- **Verified:** Yes — security-reviewed for prompt injection and unsafe behavior
- **Seller:** [LiHongwei-cn](https://agentstack.voostack.com/s/lihongwei-cn)
- **Installs:** 0
- **Category:** [AI & ML](https://agentstack.voostack.com/c/ai-and-ml)
- **Latest version:** 0.1.0
- **License:** MIT
- **Upstream author:** [LiHongwei-cn](https://github.com/LiHongwei-cn)
- **Source:** https://github.com/LiHongwei-cn/lihongwei-cn/tree/main/global-specs/skills/cheat-on-content/skills/cheat-trends
- **Website:** https://lihongwei-cn.github.io/lihongwei-cn/

## Install

```sh
agentstack add skill-lihongwei-cn-lihongwei-cn-cheat-trends
```

Requires the [AgentStack CLI](https://agentstack.voostack.com/docs/cli). Works with Claude Code, Cursor, and any MCP-compatible agent.

## About

# /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
- **MAX_PER_SOURCE = 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
- **MIN_COMPOSITE_TO_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

```python
# 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

```json
{
  "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](https://github.com/LiHongwei-cn)
- **Source:** [LiHongwei-cn/lihongwei-cn](https://github.com/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.

## Pricing

- **Free** — Free

## Security capabilities

Automated source analysis of v0.1.0 — what this tool can access:

- **Network access:** no
- **Filesystem access:** no
- **Shell / process execution:** no
- **Environment & secrets:** yes
- **Dynamic code execution:** no

*"Yes" means the capability is present in the source — more access means more to trust, not that it is unsafe.*


## Versions

- **0.1.0** — security scan: passed — Imported from the upstream source.

## Links

- Listing page: https://agentstack.voostack.com/l/skill-lihongwei-cn-lihongwei-cn-cheat-trends
- Seller: https://agentstack.voostack.com/s/lihongwei-cn
- Browse the marketplace: https://agentstack.voostack.com/browse

---
Listed on AgentStack — the marketplace for AI agent skills and MCP servers. Every listing is security-reviewed. Creators keep 70%.