Content Radar

内容雷达 Content Radar

核心公式：好选题 = 信息差（供给侧） + 受众需求（需求侧）

• 供给侧：新信息 / 新实践 / 新玩法（用高互动内容作为证据）
• 需求侧：真实互动 / 提问 / 负面吐槽（数字越大需求越强）

依赖前置

本技能依赖已注册并 connected 的 mcp-autocli MCP 服务（≥ {{VERSION_FROM_POST_PILOT_ASSETS}}，版本号从 post-pilot 的 assets/mcp_autocli-*.whl 文件名中提取）。

版本获取方式：通过 useSkill post-pilot 调用获取当前支持的 mcp-autocli 版本号（从 assets 文件名解析）。

• 未安装或版本不足时 → Step 0.0 会自动调用 useSkill post-pilot 完成安装 （wheel + setup + Wukong 注册），全程无需用户介入。
• ⛔ 本技能不内嵌任何 pip install / setup 步骤 —— 装 MCP 是 post-pilot 的活， 混在一起会破坏职责边界。

触发与边界

强触发词（最高优先级，命中即用本技能，不要走 discovery）

"内容雷达"、"选题发现"、"帮我找选题"、"找选题"、"发现选题"、"找点选题"、 "扫一下最近的热点"、"最近有什么值得做的选题"、"有啥可写的"、"博主选题"、 "知识博主选题"、"自媒体选题"、"内容选题"，支持指定话题（如"内容雷达 MCP"、 "帮我找 AI 工具方向的选题"）。

与 discovery 技能的边界（必须遵守）

• 用户说"帮我找选题 / 选题发现 / 内容雷达 / 找点选题写"等面向内容创作的选题诉求 → 必须用本技能（content-radar），禁止走 discovery（资讯/舆情订阅）。
• discovery 处理的是"订阅 XX 行业资讯 / 监控 XX 品牌舆情 / 查最新新闻"。
• 本技能处理的是"我是博主 / 创作者，想找下一篇可以写什么"。

不触发场景

• 用户要求发布/编辑/排版已有博文 → 不触发
• 用户提供具体 URL 要求拆解/分析爆款 → 路由到 content-breakdown
• 闲聊、通用百科问答 → 不触发
• 用户想"订阅资讯 / 监控舆情" → 路由到 discovery

流程硬约束（违反即评测失败）

• 必须先按 Step 0.0 用 mcp_runtime list_servers + 版本号检测验证 mcp-autocli 已 connected 且 ≥ VERSION_FROM_POST_PILOT， 未满足时自动 useSkill post-pilot 完成安装，禁止自己跑 pip / setup。
• 必须按 Step 0.1 反问"你这次想找什么方向的选题？"，禁止自行假设话题直接采集。
• 必须按 Step 0.2 询问网络环境（能否访问海外），禁止跳过——决定平台过滤范围。
• 必须按 Step 0.3 用 ask_human（form + multi_select）让用户多选采集平台，禁止跳过。 仅国内网络时只展示国内平台。
• 必须按 Step 0.4 调 launch_login 打开 Edge 登录窗口 + ask_human 让用户多选确认 已登录平台，禁止跳过；禁止自己调任何"登录探测"工具（已不存在）。
• 必须按 Step 1 用 mcp-autocli 的 search 工具采集所有平台数据。
• 兜底：某平台 search 失败时允许 web_search 兜底（标 🟡）； RSS 用 read_url 抓 XML（标 🟡）。

前置条件

未满足任一项 → Step 0.0 会自动 useSkill post-pilot 完成安装，装完重检后继续。

执行流程

Step 0.0：MCP 安装预检（首步硬约束）

阶段 A：检查 MCP 服务是否注册

mcp_runtime(
  action="list_servers",
  snippet="检查 mcp-autocli 是否已注册"
)

判读返回结果中 mcp-autocli 这一项：

阶段 B：版本号检测

execute_shell(
  command="python -c \"import mcp_autocli; print(mcp_autocli.__version__)\"",
  snippet="检查 mcp-autocli 版本"
)

最低版本要求：从 post-pilot assets 文件名解析的版本号。比对：

安装流程（自动，不询问用户）

当阶段 A 或阶段 B 判定需要安装时，不要终止本技能，直接触发 post-pilot 完成安装：

useSkill post-pilot

悟空会路由到 post-pilot skill，post-pilot 的 references/mcp-install.md 会执行完整安装： wheel → setup → Wukong 注册 → 验证。

post-pilot 安装完成后回到 Step 0.0 重检，确认 mcp-autocli 已 connected 且版本 ≥ {{VERSION_FROM_POST_PILOT_ASSETS}}（从 post-pilot assets 文件名解析），再进入 Step 0.1。

⛔ 严禁在本技能里自己跑 pip install / mcp-autocli setup / mcp_runtime add_server —— 那是 post-pilot 的活，混在一起会破坏职责边界。

仅当 post-pilot 自身安装也失败时，输出下方文案并终止：

🛑 mcp-autocli MCP 服务安装失败（post-pilot 安装流程出错）， 请检查 Python 环境后重试。

Step 0.1：话题输入（每次必问）

你这次想找什么方向的选题？（如：AI 工具、独立开发、出海、前端、设计……）

用户回答后：

1. 根据话题自动生成 topic、keywords、keywords_cn、scope、role、style
2. 覆盖写入配置文件（无论是否已存在，每次都重新生成）
3. 直接进入 Step 0.2 网络环境询问

配置文件路径：{项目根目录}/.content-radar/my-radar.yaml。 （项目根目录 = SKILL.md 所在目录的上级，即 content-radar/ 本身。） 参照 examples/my-radar.yaml.example。

Step 0.2：网络环境询问（每次必问，决定平台过滤）

⛔ 此步骤是强制的：在话题确认后、平台选择前，必须主动询问用户当前的网络环境， 禁止跳过。网络环境直接决定 Step 0.3 平台列表展示哪些平台。

使用 ask_human 工具询问（单选：顶层 question_type: "single_select"、内层 input_type: "single_select"，questions 数组正好 1 道题）：

ask_human(
  question_type="single_select",
  task_title="网络环境确认",
  questions=[{
    "id": "network",
    "input_type": "single_select",
    "question": "你当前的网络环境能访问海外网站吗？（如 HackerNews / Twitter / Reddit / YouTube 等）",
    "required": True,
    "options": [
      { "label": "可以（有代理/VPN，能访问海外）",      "value": "overseas_ok" },
      { "label": "不行（仅国内网络，访问不了海外）",    "value": "domestic_only", "default": True }
    ]
  }],
  snippet="确认网络环境"
)

或在用户消息中已明确表态时直接识别（"仅国内网络"、"能访问海外"、"有代理/VPN"）， 无需再次询问。

返回值：single_select 模式工具结果直接是 value 字符串本身 （"overseas_ok" 或 "domestic_only"），不是 form 模式的 JSON 包装。

• overseas_ok → Step 0.3 展示全部 14 个平台（含 HN/Lobsters/Dev.to/SO/ Arxiv/HF/Wikipedia/Twitter/YouTube/Instagram + 4 个国内平台）
• domestic_only → Step 0.3 只展示 4 个国内平台（小红书/B站/抖音/微博）， 禁止展示任何标注"需外网"的海外平台

Step 0.3：平台选择（form + multi_select 硬性要求）

⛔ 多选硬约束 · 必须 form + multi_select 双层组合：

• 顶层 question_type 必须 "form"。绝对禁止用 "single_select" —— 会强制降级成单选卡片，用户只能勾一个。
• 内层 input_type 必须 "multi_select"，配 options + min_selections: 1 + max_selections ≥ options 数。
• option 的 value 必须是 mcp-autocli 平台英文 key（如 xiaohongshu）， label 给中文显示名。后续直接把 answers.platforms 数组传给 search 的 platforms 参数。

⛔ 平台展示按 Step 0.2 网络环境过滤：

• network = overseas_ok → 全部 14 个平台
• network = domestic_only → 只展示 4 个国内平台；报告区块 0「本轮说明」 必须标注："因仅国内网络，本轮跳过所有海外平台。"

overseas_ok 调用（14 个平台）：

ask_human(
  question_type="form",
  task_title="选择采集平台",
  questions=[{
    "id": "platforms",
    "input_type": "multi_select",
    "question": "请勾选本轮要采集的平台（可多选）",
    "required": True,
    "min_selections": 1,
    "max_selections": 14,
    "options": [
      { "label": "HackerNews（需外网）",            "value": "hackernews" },
      { "label": "Lobsters（需外网）",              "value": "lobsters" },
      { "label": "Dev.to（需外网）",                "value": "devto" },
      { "label": "StackOverflow（需外网）",         "value": "stackoverflow" },
      { "label": "Arxiv（需外网，AI/论文相关）",    "value": "arxiv" },
      { "label": "HuggingFace（需外网，AI/模型）",  "value": "hf" },
      { "label": "Wikipedia（需外网）",             "value": "wikipedia" },
      { "label": "小红书（需登录）",                "value": "xiaohongshu" },
      { "label": "B站（需登录）",                   "value": "bilibili" },
      { "label": "抖音（需登录）",                  "value": "douyin" },
      { "label": "微博搜索（需登录）",              "value": "weibo" },
      { "label": "Twitter/X（需登录 + 需外网）",    "value": "twitter" },
      { "label": "YouTube（需登录 + 需外网）",      "value": "youtube" },
      { "label": "Instagram（需登录 + 需外网）",    "value": "instagram" }
    ]
  }],
  snippet="勾选采集平台"
)

domestic_only 调用（仅 4 个国内平台）：

ask_human(
  question_type="form",
  task_title="选择采集平台（仅国内网络）",
  questions=[{
    "id": "platforms",
    "input_type": "multi_select",
    "question": "请勾选本轮要采集的平台（可多选）",
    "required": True,
    "min_selections": 1,
    "max_selections": 4,
    "options": [
      { "label": "小红书（需登录）",   "value": "xiaohongshu" },
      { "label": "B站（需登录）",      "value": "bilibili" },
      { "label": "抖音（需登录）",     "value": "douyin" },
      { "label": "微博搜索（需登录）", "value": "weibo" }
    ]
  }],
  snippet="勾选采集平台"
)

返回值解析：先校验 user_action == "submit"，再读 answers.platforms 数组。 未选的平台跳过；未 submit 按未答处理，不要假设 default。

Step 0.4：登录预检（launch_login 打开窗口 → ask_human 让用户多选确认）

⛔ 此步骤是强制的：用户在 Step 0.3 勾选了任何需登录平台（xiaohongshu / bilibili / douyin / weibo / twitter / youtube / instagram）时，必须完成下面两步。

⚠️ 为什么是用户确认而非自动探测：mcp-autocli 0.1.8 起已移除自动登录探测 工具 —— 早期版本对小红书 / 抖音 / B 站误判率过高（合法 JSON 中含 login 子串 的 URL 会被错判为未登录）。登录确认彻底交给用户，更可靠。

步骤 1：打开 Edge 登录窗口

mcp_runtime(
  action="call_tool",
  server_id="mcp-autocli",
  tool_name="launch_login",
  arguments={
    "platforms": ["<Step 0.3 勾选的所有需登平台>"]
  },
  snippet="打开 Edge 登录窗口"
)

返回结构关键字段：

{
  "ok": true,
  "edge_pid": 12345,
  "opened_pages": [{"platform": "xiaohongshu", "url": "..."}],
  "user_instruction": "已为你打开 ... 的登录页（AutoCLI 专用 Edge 窗口...）",
  "error": null
}

把 user_instruction 原样转发给用户。

⚠️ launch_login 是异步：调用立刻返回，不会阻塞等用户登录。是否真的已登录 完全靠下面 ask_human 让用户自己说。

步骤 2：ask_human 让用户多选确认

⛔ 必须 form + multi_select 组合（同 Step 0.3 硬约束）。option 的 value 必须用 mcp-autocli 平台英文 key（xiaohongshu / bilibili / ...）， answers.logged_in_platforms 数组直接转给 Step 1 的 search platforms 参数。

ask_human(
  question_type="form",
  task_title="确认登录状态",
  questions=[{
    "id": "logged_in_platforms",
    "input_type": "multi_select",
    "question": "你已经在 Edge 窗口里登录哪几个平台？请勾选（未勾选的本轮跳过采集）",
    "required": True,
    "min_selections": 0,
    "max_selections": <Step 0.3 勾选的需登平台数量>,
    "options": [
      // 对 Step 0.3 勾的每个需登平台生成一条 option，未勾的平台不要出现在这
      { "label": "小红书",    "value": "xiaohongshu" },
      { "label": "B站",       "value": "bilibili" },
      { "label": "抖音",      "value": "douyin" },
      { "label": "微博",      "value": "weibo" },
      { "label": "Twitter",   "value": "twitter" },
      { "label": "YouTube",   "value": "youtube" },
      { "label": "Instagram", "value": "instagram" }
    ]
  }],
  snippet="确认已登录平台"
)

处理返回

校验 user_action == "submit" 后读 answers.logged_in_platforms：

⚠️ 采集阶段不再询问登录 —— 所有登录问题在 Step 0.4 一次性解决。 Step 1 如果 search 仍返回 login_required，标"登录态失效，本轮跳过"， 不再二次 launch_login。

Step 1：全平台采集（一次 search 调用）

按用户在 Step 0.3 的勾选 + 当前配置的关键词，调用 mcp-autocli 的 search：

mcp_runtime(
  action="call_tool",
  server_id="mcp-autocli",
  tool_name="search",
  arguments={
    "keyword": "<topic 或 keywords_cn[0]>",
    "platforms": ["<本轮勾选的平台数组>"],
    "limit_per_platform": 20
  },
  snippet="一次调用采集所有勾选平台"
)

返回结构：

{
  "items": [
    { "platform": "hackernews", "title": "...", "url": "...", "score": 1024, "comments": 230, "author": "..." },
    { "platform": "xiaohongshu", "title": "...", "url": "...", "likes": "5.2万", "author": "..." }
  ],
  "metadata": {
    "platforms_searched": ["hackernews", "xiaohongshu"],
    "platforms_skipped":  [{ "platform": "twitter", "reason": "login_required" }],
    "elapsed_seconds": 12.3
  }
}

中英文关键词策略

如果配置同时给了中英文且勾选了两类平台 → 分两次调 search：

1. 第一次：platforms = [所有国内平台]，keyword = keywords_cn[0]
2. 第二次：platforms = [所有海外平台]，keyword = keywords[0]

最后把两次返回的 items 合并即可。如果用户只配了一种语言或只勾了一类平台，单次调用足矣。

热榜补充（仅当勾选了支持 hot 的平台时）

hot 工具拉的是平台"现在最火"的内容，不依赖关键词。适合在用户话题比较宽泛、 或希望加一个"当前流量风口"维度时跑一遍。

支持 hot 工具的平台：

mcp_runtime(
  action="call_tool",
  server_id="mcp-autocli",
  tool_name="hot",
  arguments={"platform": "<平台 key>", "limit": 20},
  snippet="拉热榜补充候选"
)

Instagram 没有 hot 工具，用 platform_action 的 explore 替代：

mcp_runtime(
  action="call_tool",
  server_id="mcp-autocli",
  tool_name="platform_action",
  arguments={
    "platform": "instagram",
    "action": "explore",
    "options": {"limit": 20}
  },
  snippet="拉 Instagram Explore 补充候选"
)

返回与 search 一致的 items 数组。把这些热榜/Explore 条目合并进 Step 1 的 items 池， 并在 Step 2a 排序时一视同仁参与互动数据排序。在区块 3「数据来源汇总」单独列一行 标"{{平台}} 热榜/Explore X 条"，便于用户知道这部分来自热榜而非关键词搜索。

未勾选任何支持 hot/explore 的平台时，跳过本步。

硬约束

• 主采集必须用 mcp-autocli.search，platforms 参数必须包含用户在 Step 0.3 勾选的全部平台。
• web_search 仅作兜底：当某平台出现在 metadata.platforms_skipped 且重试失败时使用，报告中必须标 🟡 二手。
• 采集失败 / 平台跳过 → 在区块 0/3 如实标注，禁止用模型自身知识凑数。

失败处理

Step 2：排序、痛点、补充信号

2a. 按互动数据排序 + 平台权重

1. 排序字段：参见 references/platform-mapping.md → 「排序字段表」
2. 数值解析：互动量字符串按解析规则转数值（K/千→×1k，M/万→×1w，B/亿→×1e8）
3. 应用平台权重：最终分数 = 原始排序分数 × 平台权重（默认 1.0，来自 my-radar.yaml）
4. 取 Top 10：各平台排序后取前 10 进入后续分析

2b. 需求强度推断（含评论挖掘）

先从 search 返回字段做粗筛：

然后，对 Top 10 中属于 post_detail 支持平台的条目调 post_detail 拉评论原文（不支持的平台直接跳过）。

支持 post_detail 的平台：xiaohongshu / youtube / twitter / zhihu / douban / arxiv。 其中 zhihu 返回问题 + 高赞回答，douban 返回条目元数据 + 短评，arxiv 返回论文元数据（无评论）。

mcp_runtime(
  action="call_tool",
  server_id="mcp-autocli",
  tool_name="post_detail",
  arguments={
    "platform": "<xiaohongshu | youtube | twitter | zhihu | douban | arxiv>",
    "url": "<Top 条目的 url>",
    "comment_limit": 30
  },
  snippet="拉评论提炼痛点"
)

返回 detail.comments[]，每条带 author / text / likes / publish_time。从评论文本 中提炼：

• 高频提问：含"怎么 / 求教 / how / why"
• 明显负面：含"踩雷 / 不推荐 / 翻车 / disappointed / waste"
• 未满足需求：用户说"希望有 / 要是能 / 求一个 X"

评论文本本身和提炼出的痛点写进区块 2 选题详情的「💡 推荐理由」段落（不需要每条 引用，1-2 句概括即可）。

⚠️ post_detail 是逐条调，N 条候选 = N 次 MCP 调用。请把调用上限定在 Top 10 候选 里前 5 条，避免 wall-clock 爆炸。 调用失败（metadata.skip_reason 非空）→ 该条退回"仅用 search 字段推断"路径， 不影响其它条目。

YouTube 视频深挖：对 Top 候选中的 YouTube 视频，可用 platform_action 获取更丰富 的元数据和文字稿，辅助判断选题价值：

# 获取视频元数据（比 search 返回更丰富：description、duration、channel 详情等）
mcp_runtime(
  action="call_tool",
  server_id="mcp-autocli",
  tool_name="platform_action",
  arguments={
    "platform": "youtube",
    "action": "video",
    "args": ["<视频 URL>"]
  },
  snippet="拉 YouTube 视频元数据"
)

# 获取视频文字稿（纯文本读取，不下载视频）
mcp_runtime(
  action="call_tool",
  server_id="mcp-autocli",
  tool_name="platform_action",
  arguments={
    "platform": "youtube",
    "action": "transcript",
    "args": ["<视频 URL>"]
  },
  snippet="拉 YouTube 视频文字稿"
)

文字稿可用于判断视频实际讲了什么、是否有信息差，写进「💡 推荐理由」。 调用上限同 post_detail：Top 10 里前 5 条。

「需求证据」直接引用 search / hot 命中的高互动条目本身（标 🟢 一手）。 某平台 search 失败时，允许用一次 web_search 兜底该话题，所得引用标 🟡 二手。

2c. RSS 采集（如配置了 rss_feeds，可选）

用 agent 内置 read_url 工具抓 XML 文本，模型自己解析 <item> / <entry> 节点：

read_url(
  url="<rss_feeds[i]>",
  snippet="抓取 RSS 源 XML"
)

解析每条 RSS item，提取 title / link / pubDate，取前 10 条。 RSS 条目标 🟡 二手，仅作补充参考，不参与主排序评分。

如 read_url 因登录墙 / 超时失败 → 跳过该 RSS 源并在区块 0「本轮说明」如实标注。

2d. follow_list（关注列表）

如果 my-radar.yaml 里配了 follow_list，按平台分别调对应工具。 两类：指定用户列表用 user_timeline，自己关注圈整体用 following_feed。

user_timeline 调用（bilibili / xiaohongshu / douyin）：

mcp_runtime(
  action="call_tool",
  server_id="mcp-autocli",
  tool_name="user_timeline",
  arguments={
    "platform": "bilibili",   # 或 xiaohongshu / douyin
    "user_id":  "<UID 或 profile_id 或 sec_uid>",
    "limit":    10
  },
  snippet="拉指定 UP 主最新视频"
)

Instagram 关注用户调用（Instagram 无 user_timeline 工具，用 platform_action 替代）：

mcp_runtime(
  action="call_tool",
  server_id="mcp-autocli",
  tool_name="platform_action",
  arguments={
    "platform": "instagram",
    "action": "user",
    "args": ["<username>"],
    "options": {"limit": 10}
  },
  snippet="拉指定 Instagram 用户最新帖子"
)

following_feed 调用（bilibili / twitter）：

mcp_runtime(
  action="call_tool",
  server_id="mcp-autocli",
  tool_name="following_feed",
  arguments={
    "platform": "bilibili",   # 或 twitter
    "limit":    20
  },
  snippet="拉自己关注圈时间线"
)

返回结构与 search 一致（items 列表 + metadata.skip_reason）。把这些条目合并进 Step 1 的 items 池，参与 Step 2a 排序时与 search 命中条目一视同仁。

未支持的平台（weibo / youtube 的指定用户场景，以及 xhs/douyin/instagram 的关注圈 场景）配了也跳过，区块 0 加一行："follow_list.{平台} 暂不支持，已跳过。"

关注列表数据标 🟢 一手，作为补充信号进入主排序池。

2e. 账号自审与需求信号（可选，提升选题精准度）

当用户勾选了支持账号工具的平台时，可额外调取自己的账号数据作为选题参考信号。 这些数据不进入主排序池，而是作为 Step 3 评分时的辅助维度（"我的受众关心什么"）。

account_dashboard — 账号概览（支持平台：xiaohongshu / bilibili / twitter）：

mcp_runtime(
  action="call_tool",
  server_id="mcp-autocli",
  tool_name="account_dashboard",
  arguments={"platform": "xiaohongshu"},  # 或 bilibili / twitter
  snippet="拉账号概览（创作者数据 / 收藏 / 历史）"
)

返回内容因平台而异：

• xiaohongshu：creator-profile + 7 日数据统计 + 最近 5 篇笔记摘要
• bilibili：个人信息 + 收藏夹(20) + 浏览历史(20)
• twitter：profile + bookmarks(20)

用途：识别自己近期哪类内容表现好、收藏/书签了什么待写素材。

account_notifications — 通知收件箱（支持平台：xiaohongshu / douyin / twitter）：

mcp_runtime(
  action="call_tool",
  server_id="mcp-autocli",
  tool_name="account_notifications",
  arguments={
    "platform": "xiaohongshu",  # 或 douyin / twitter
    "limit": 20
  },
  snippet="拉通知（@提及 / 评论 / 新粉丝）"
)

用途：通知中的提问、@提及是高信号需求——有人主动找你要内容，说明需求真实存在。 将高频提问话题提取出来，作为 Step 3 评分的加分项。

Instagram 收藏/已保存内容（Instagram 无 account_dashboard，用 platform_action 替代）：

mcp_runtime(
  action="call_tool",
  server_id="mcp-autocli",
  tool_name="platform_action",
  arguments={
    "platform": "instagram",
    "action": "saved",
    "options": {"limit": 20}
  },
  snippet="拉 Instagram 已保存帖子"
)

用途：已保存的帖子通常是用户认为有价值但还没来得及消化的素材，可作为选题灵感。

⚠️ 账号工具调用上限：每个平台最多调 1 次 dashboard + 1 次 notifications。 调用失败（skip_reason 非空）→ 跳过，不影响主流程。

2f. KOL 画像（可选，辅助竞品分析）

对 Top 候选中出现的高频作者，可调 platform_action 获取其公开画像，辅助判断 "这个话题的头部玩家是谁、他们怎么做的"。

Twitter 创作者画像：

mcp_runtime(
  action="call_tool",
  server_id="mcp-autocli",
  tool_name="platform_action",
  arguments={
    "platform": "twitter",
    "action": "profile",
    "args": ["<username>"]
  },
  snippet="拉 Twitter 用户画像"
)

Instagram 创作者画像：

mcp_runtime(
  action="call_tool",
  server_id="mcp-autocli",
  tool_name="platform_action",
  arguments={
    "platform": "instagram",
    "action": "profile",
    "args": ["<username>"]
  },
  snippet="拉 Instagram 用户画像"
)

返回粉丝数、bio、近期帖子等公开信息。将这些写入区块 2 选题详情的「📚 参考材料」 段落，帮助用户了解同一话题下的头部创作者和他们的内容风格。

⚠️ 调用上限：Top 10 候选里前 3 位高频作者，每位最多查 1 个平台。 不支持的平台直接跳过。

Step 3：交叉比对、评分与输出报告

交叉比对

保留同时满足以下条件的候选：

• 供给侧 有新信息 / 新实践 / 新玩法
• 需求侧 有明确受众兴趣 / 互动 / 提问（优先用 Step 2a 排序后的高互动内容作为证据）
• 与 topic、scope、platforms 匹配

评分

使用 my-radar.yaml 的 scoring 权重（按配置动态读取，不硬编码维度）。 计算细则见 references/scoring.md。

输出报告

报告结构、5 区块、表头、信源标签、入选硬约束、保存路径全部以 references/output-template.md 为准，禁止自由发挥。

报告要点：

• 区块 0「本轮说明」的"采集引擎"字段填 mcp-autocli MCP（v0.1.7+）
• 区块 4「已知限制与建议」中"重新登录"的建议用 launch_login MCP 流程话术

保存报告（直接落盘，无需用户确认）：

将报告内容直接写入 output/radar_{{topic}}_{{日期}}.md，告知用户最终路径。

资源索引

全局规则

• 所有链接必须有效；无法确认有效性的不允许出现在报告中
• Twitter 链接格式：https://x.com/{用户名}/status/{推文ID}
• 需求证据和参考材料每条必须 [可点击标题](完整URL) 格式
• 参考材料优先原始来源页，不要放聚合页

数据真实性硬约束：

• 禁止编造补位：mcp-autocli search 失败 → 严禁用模型自身知识生成候选。空返平台直接标记"该平台本轮无数据"
• 信源标签强制：每个候选必须标 🟢 / 🟡，未标注的禁止写入最终报告
  • 🟢 一手：来自 mcp-autocli.search 命中的条目
  • 🟡 二手：来自 web_search 兜底 / RSS 订阅源

异常处理速查

状态

唯一持久文件是 .content-radar/my-radar.yaml（每次 Step 0.1 覆盖写入）； 不维护其他会话级状态文件，已完成/待采集平台通过对话上下文跟踪。