法律周报

法律周报自动化 · Legal Weekly Briefing

全局禁令（Agent 铁律）

以下规则在整个 skill 执行期间必须遵守。违反任一条 = 交付阻断。

执行前置检查（Agent 启动时强制，先于一切内容发现）

每次「生成本周法律周报」请求，Agent 必须先跑此检查，再开始任何操作。

三层通道可用性检测

2026-07-29 微信关闭 MP 跨号接口后，内容发现走「微信读书搜一搜（主）+ 元宝（补）」双通道。TokenHub API 已验证无公众号内容，仅保留代码兼容。

Agent 输出要求（任一通道缺失时，在回复中明确声明）：

⚠️ 自动发现通道缺失（缺少: <具体缺什么>），将降级至 <下一可用通道>。
影响：① 文章链接可能来自转载站而非微信原文 ② 摘要是搜索结果片段而非原文节选。
如需要主通道，请先完成配置（见 references/weread-setup-guide.md / yuanbao-setup-guide.md）。

摘要生成三级回退

根据内容发现路径选择摘要来源。每条候选的 abstract 字段必须非空：

⚠️ L1 digest 质量陷阱（2026-08-01 实测）：微信读书搜索的 digest 对部分文章会抓到文末片段或法条引用段（"来稿经编校后…""投稿须知…""关注我们…"等引导语，以及《民法典》第X条、《最高法…解释》等法条原文开头）。判断规则：digest 以"来稿/投稿/点击/长按/关注/扫描/更多信息"等文末特征词开头，或以《法条名》第X条句式开头（法条引用段）→ 视为质量差，回退到 WebFetch 取正文前 200 字（案情/问题引入段）。

recommend 字段：始终由 Agent 基于标题和可用摘要做律师视角的实务价值判断（≥30 字）。

⚠️ recommend 缺失纪律（2026-08-01 实测）：L1 微信读书抓取只有 5 字段（title/url/publish_time/digest/_source），不含 recommend。全自动模式跑 pipeline 前，Agent 必须为每条法律候选补写 recommend——漏补则周报条目无推荐理由（渲染时整段消失）。判据：这条对律师办案有什么用（裁判规则/举证要点/抗辩思路/调解策略），写不出就说明该条不该进精选。

第一性原理

同一批法院公众号文章，走三层分流：

Tier 1 · 精读区：k-NN 评分引擎挑 10 条精品 → 律师主动阅读 Tier 2 · 雷达区 + IMA：低分≠消失，legal 未进精读的前 8 条进「其他领域速览」（雷达区）防闭门造车；score ≥ 6.5 法院源条目全量入库 IMA 做 RAG Tier 3 · 噪音：非 legal 源 + 非 court 源 + 未进 AI 精读的条目，自然落选

精读解决"本周重点看什么"，雷达区解决"执业圈外还有什么在动"，IMA 解决"以后能找到什么"。三层共享内容发现层，在评分环节分叉。

核心交付模式：「配置一次，每周自动推送」——依赖外部调度层（WorkBuddy Automation / GitHub Actions cron）定时触发。

分级架构

Level 0 · 5 分钟快速体验（零配置，零依赖）
  └─ 预置 10 条示范候选 → demo.py → 演示周报 MD+HTML

Level 1 · 纯评分引擎（零外部依赖）
  └─ 用户提供候选 URL 列表 → k-NN 评分排序 → 周报 MD+HTML

Level 2 · + IMA 知识库（需 IMA 账号）
  └─ Level 1 + ima_importer.py → 分类 → import_urls → 全量入库

Level 3 · + 自动发现（需微信读书账号 + 元宝账号）
  └─ 微信读书搜一搜（主）→ 元宝反查（补）双通道拉取四账号文章（TokenHub 已验证无内容，仅保留兼容）

快速开始

生成演示周报：在 WorkBuddy 对话中说「帮我用 legal-weekly-briefing 生成一份演示周报」。AI 自动运行 demo.py，生成 MD + HTML 两份文件。

生成真实周报：对话中说「帮我生成本周法律周报」。AI 自动搜索 → 构建候选 → 评分排序 → 交付。

配置自己的周报：对话中说「帮我配置法律周报」。AI 按适配向导引导你完成四问配置。

cd ~/.workbuddy/skills/legal-weekly-briefing
python3 scripts/demo.py

标准执行流程（前置检查 → 三层通道 → 八判据评分 → 三层交付）

2026-07-29 MP 跨号接口关闭后确立的标准执行链路。每次真实周报按此流程：前置检查 → 通道拉取 → 构建 → 评分 → 交付。

Step 0: 执行前置检查（强制，不可跳过）

Agent 必须先完成「执行前置检查」段落的三层通道检测 + 路径声明。 基于结果走后续分支：

L1 微信读书 ✓ → Step 1 (主通道，最佳质量)
L1 ✗ 且 L2 元宝 ✓ → Step 1 (元宝补充通道)
L1/L2 ✗ 且 L3 TokenHub ✓ → Step 1 (API 兜底通道，⚠️ 已验证无公众号内容，仅保留兼容)
三层全 ✗ → Agent 声明降级 → 跳过 Step 1-2，走 WebSearch 构建候选

Step 1: 通道登录态就绪

# L1 微信读书（主通道）
python3 scripts/weread_login.py          # 扫码登录，保存 ~/.config/weread_state.json

# L2 元宝（补充通道）
python3 scripts/yuanbao_login.py         # 扫码登录，保存 ~/.config/yuanbao_state.json

# L3 TokenHub（⚠️ 已验证无公众号内容，仅保留代码兼容，不建议使用）
# 密钥文件：~/.config/tencentcloud/tokenhub_api_key

Step 2: 拉取四号文章

# L1 微信读书搜一搜（主）：山东高法 / 上海一中法院 / 上海二中院 / 中国应用法学
python3 scripts/fetch_weread_week.py --days 7        # → mp_articles_weread.json

# L2 元宝反查（补）：缺失本号原文的条目反查 mp 直链
python3 scripts/fetch_yuanbao_supplement.py          # → yuanbao_links.json
python3 scripts/merge_candidates.py                  # → candidates_merged.jsonl（L1+L2 合并）

# L3 TokenHub（⚠️ 已验证无公众号内容，仅保留代码兼容，不建议使用）
python3 scripts/fetch_hunyuan_week.py --days 7       # → mp_articles.json

Step 2.5: AI+法律动态补充（Agent WebSearch，防板块空置）

⚠️ L1/L2 只抓法院公众号（纯法律内容），AI+法律板块没有自动内容源——不补这一步，周报「AI + 法律」板块必空（2026-08-01 实测踩坑）。

• Agent 用 WebSearch 搜本周（近 7 天）AI+法律动态（法律大模型/智能体/法律科技/司法智能化）
• 选 3 条（与上一期周报已收录条目去重），按 AI+法律 4 维评分特征构建候选：
  • category: "ai-legal" + features：signal_strength（1 格局级/2 应用落地/3 融资动态）+ depth + relevance + domestic_relevance
  • digest 取搜索摘要（新闻稿），recommend 写律师视角实务价值（≥30 字）
• 追加到 candidates_merged.jsonl 后统一跑 pipeline

Step 3: Agent 精修候选（内容过滤 → 跨期去重 → 摘要 → 推荐 → 特征，五步全做）

本步是内容质量的核心环节，不可跳过。2026-08-01 实测：跳过本步（全自动直出）会同时出现 5 类问题（摘要文末片段/法条段、推荐理由全空、评分失真、非实务混入、跨期重复）。机器负责产候选，Agent 负责精修——只精修最终进周报的 ≤10 条，成本可控。对比分析见 新渠道内容质量解决方案.md。

Agent 精修五步（顺序执行）：

1. 内容过滤：非实务类文章剔除——法院文体活动（"之旅""交流赛""运动会"）、互动庆祝（"百期""感谢有你""周年"）、征稿启事、法院建设/会议新闻、文化建设类。拿不准就剔除（Tier 3 噪音原则）。
2. 跨期去重：读 scripts/ 下最新一份 周报_*.md（+html）的 mp URL，按 __biz/mid/idx/sn 指纹剔除已收录文章（转载版 URL 不同，辅以标题级去重）。滚动 7 天窗口与上期天然重叠，不去重雷达区必重复。
3. 摘要（abstract）质量修复：L1 digest（微信读书 desc）质量预筛——以"来稿/投稿/关注/点击/长按/扫描/更多信息"等文末特征词开头，或以《法条名》第X条句式开头（法条引用段）→ 低质，WebFetch 取正文开头 150-200 字（案情/内容提要）替换。⚠️ 中国应用法学【法官办案心得】文末固定带投稿须知、山东高法案例类易抽中法条段，重点检查。
4. 推荐理由（recommend）：每条 ≥30 字律师视角实务价值（裁判规则/举证要点/抗辩思路/调解策略）。写不出推荐理由 = 这条不该进精选。
5. 特征标注（features）：按 feature-guide.md 八判据逐条赋值（判据1案例密度→case_density，判据4作者实证→author_empirical_depth，判据7地域贴近→jurisdictional_proximity 等）。features 为空 → k-NN 评分与内容无关（2026-08-01 实测文体新闻得 7.3 分），必须标注。

Step 4: 运行流水线 + 验证

# Level 1（WebSearch/手动构建）：输入 candidates.jsonl
PYTHONPATH=scripts python3 scripts/run_pipeline.py candidates.jsonl
# Level 3（L1+L2 自动发现）：输入 Step 2 合并产出的 candidates_merged.jsonl
PYTHONPATH=scripts python3 scripts/run_pipeline.py scripts/candidates_merged.jsonl
python3 scripts/verify.py  # 期望: 23 通过 / 0 失败

流水线 Stage 5 自动完成三层分流：

• 路径1：taxonomy 关键词命中 → 直接写入 ima_import_queue.jsonl
• 路径2：启发式规则命中 → 直接写入 ima_import_queue.jsonl
• 路径3：均不命中 → 写入 needs_llm_classify.jsonl（由 Step 5 的 LLM 兜底分类后回填队列）

Step 5: LLM 批量兜底分类（Agent 层，仅当 needs_llm_classify.jsonl 非空时触发）

若 needs_llm_classify.jsonl 非空，Agent 读取该文件 → 一次性将全部待分类标题传给 LLM → LLM 返回分类结果 → Agent 按 taxonomy.yaml 映射 folder_id → 回填 ima_import_queue.jsonl。 分类完成后清空 needs_llm_classify.jsonl。

# Agent 检查是否有待分类队列
wc -l needs_llm_classify.jsonl
# 若 > 0，Agent 执行 LLM 批量分类，prompt 模板：
#   "对以下法律文章标题按 taxonomy.yaml 的 11 个分类归类，
#    输出 JSON: [{idx: 0, category: '公司'}, ...]"
# 结果回填后 Agent 追加到 ima_import_queue.jsonl
# 分类完成后：
> needs_llm_classify.jsonl  # 清空已处理队列

Step 6: IMA 入库（消费队列，强制执行）

流水线和 LLM 分类完成后，ima_import_queue.jsonl 中所有条目必须实际导入 IMA 知识库。

Agent 执行：

1. 检查 taxonomy.yaml 的 knowledge_base_id ≠ YOUR_KNOWLEDGE_BASE_ID（占位符时阻断，提示用户先配置）
2. 读取 ima_import_queue.jsonl，按 folder_id 分组
3. 逐组调用 ima-skill（OpenAPI） 的 import_urls（knowledge_base_id + folder_id + urls[]，单次 ≤10 条）——⚠️ taxonomy.yaml 的 KB_ID/folder_id 是 OpenAPI 体系（~/.config/ima/client_id + api_key 凭证），ima-mcp 连接器是另一套 ID，不通用。执行方式：cd ~/.workbuddy/skills/ima-skills && node ima_api.cjs "openapi/wiki/v1/import_urls" '{...}'
4. 导入成功 → 调用 reset_queued_cache() 清空去重缓存
5. 导入成功 → 截断 ima_import_queue.jsonl（消费完成，清空队列）
6. 输出汇总：「已入库 X 条 / 跳过重复 Y 条 / 失败 Z 条」

# Agent 读取队列 → 调用 IMA MCP
# import_urls 单次最多 10 条 URL，超过分批
# 导入完成后：
python3 -c "import sys; sys.path.insert(0,'scripts'); from ima_importer import reset_queued_cache; reset_queued_cache()"
> /dev/null 2>&1 ima_import_queue.jsonl  # 截断已消费队列

适配向导（4 问流程）

用户表达「想配置法律周报」意图时，Agent 必须主动引导。完整话术和分支逻辑见 references/adaptation-wizard.md。

只想要 Level 1：在 Agent 问完前两问后告知，Agent 跳过第三、四问。

Level 1 · 纯评分引擎

核心工作流

用户说「帮我生成本周法律周报」
  → Agent 搜索近一周法律动态 + 法院公众号文章
  → 构建 candidates.jsonl（含 abstract + recommend）
  → run_pipeline.py（去重 → k-NN 评分排序 → MD + HTML）
  → present_files 交付周报

k-NN 评分引擎 v3.0

法律条目（7 维评分 + 1 维雷达）

⚠️ 金华锚点积累（2026-08-01）：prox 维度生效依赖训练集里的金华样本（当前 0 条，演示验证有锚点时 prox=1 高 0.5 分）。每周周报遇到浙江/金华/永康法院的文章 → 标注 jurisdictional_proximity: 1 注入训练集；用户本地办案案例也可手动注入。无锚点时 prox 维度不参与 k-NN 区分（权重已生效，等锚点）。 | 执业视野提醒 | — | — | 不进评分，雷达区实现 |

老四维（author_tier/platform_tier/depth/relevance）已废弃，权重置 0.00，保留仅为兼容旧训练集。

AI+法律条目（4 维有效）

评分锚定（v3）

法律条目补充规则

1. 入库案例：case_density=1 + norm_anchoring=1 + actionability=1 → 基准 9.0
2. 至正系列：author_empirical_depth=1 + framework_quality=1 → 基准 8.2+
3. 法官办案心得：按审级分 — 中院 7.7-8.0，基层 7.4-7.7
4. 非主攻方向：刑事/知产/行政/环境 → 常规扣 0.5-1

降级行为

已知限制

• 训练集 91 条：70 条老四维映射近似 + 21 条真实 v3 样本（2026-08-01 注入，经用户逐条验收）——v3 空间已有点，k-NN 置信度随真实样本累积持续提升（每周跑完沉淀新样本）
• 摘要生成依赖 WebFetch + 人工，不适合全量自动化
• 兴趣赛道加成（+0.3）在 settings.yaml 的 interest_keywords 中配置

特征标注速查、训练数据替换指引 → references/feature-guide.md

Level 2 · IMA 知识库入库

完整指南、接入链路、踩坑速查 → references/ima-level2-guide.md

前置条件：Level 1 验证通过 + IMA 账号 + API 凭证已配。

工作原理：run_pipeline.py 产出 ima_import_queue.jsonl → 按 taxonomy.yaml 关键词分配 folder_id → 调用 IMA OpenAPI import_urls 入库。

周报 vs IMA vs 雷达区（三层分流）：

• 精读区（Tier 1）：diversity-aware 选 10 条，同源≤2，进 MD 周报 + HTML 卡片区
• IMA 入库（Tier 2 之一）：score ≥ 6.5 法院源条目全部入库，不限条数
• 雷达区（Tier 2 之二）：legal 未进精读前 7 的条目进 HTML「其他领域速览」（最多 8 条，低分条做低调视觉标记）
• 噪音（Tier 3）：非 legal 源 + 非 court 源 + 未进 AI 精读的条目，不显示不进库

分类规则：10 个分类，按优先级排序——专业领域（建筑工程/劳动法/交通事故 priority=9）高于通用兜底（合同借贷 priority=8），避免"劳动合同"被"合同"误捕获。

IMA 铁律：仅使用用户自建个人知识库；knowledge_base_id 占位符未替换时导入自动阻断。

Level 3 · 微信读书搜一搜 + 元宝 + TokenHub 三层通道

完整配置指南 → references/weread-setup-guide.md（微信读书，主）· references/yuanbao-setup-guide.md（元宝，补）· references/mp-setup-guide.md（旧 MP 通道，已 DEPRECATED）

前提条件：微信读书账号（主通道，扫码即可）+ 腾讯元宝账号（补充通道）。

原理：2026-07-29 微信关闭 MP 跨号文章接口后，公开 API（腾讯云 WSA、TokenHub 等）因版权不含公众号内容。微信读书网页版「搜一搜」是唯一能返回 mp.weixin.qq.com 原文直链的免费通道；元宝产品端有微信内容生态授权，可反查缺失的本号原文。TokenHub 已验证无公众号内容，仅保留代码兼容（见 references/mp-setup-guide.md 历史记录）。

三层通道分工：

• L1 微信读书（主）：fetch_weread_week.py 搜 4 号近 7 天文章 → mp_articles_weread.json
• L2 元宝（补）：fetch_yuanbao_supplement.py 对 __biz 指纹不匹配（缺失本号原文）的条目反查 → merge_candidates.py 合并 → candidates_merged.jsonl
• L3 TokenHub（⚠️ 已排除）：fetch_hunyuan_week.py 已验证无公众号内容（P3 验收结论），仅保留代码兼容，不建议使用

替代方案（无微信读书账号）：WebSearch 手动发现 → 整理 candidates.jsonl → 评分；或纯依赖 legal-hot skill。

周报交付格式

标题: # 法律周报 2026年X月X日-X月X日 · 第N期

三板块（按评分降序）：

## AI + 法律
【9.5】标题 | URL | 描述（含信号级别）

## 纯法律
【9.0】标题 | URL | 描述（含领域标签）

## 其他领域速览（雷达区）
【6.5】标题 | URL | 描述（执业圈外动态，低分≠消失）

页脚：引擎版本 + 通道状态（weread/yuanbao/tokenhub）+ IMA 导入统计 + 排除清单。

交付门禁

完整门禁清单、四条铁律、违规案例 → references/delivery-gate.md

python3 scripts/verify.py
# 期望: "23 通过 / 0 失败" → exit code 0

外部依赖

安全与隐私

• IMA 知识库：文章导入的是你自己的知识库，不在第三方服务器上
• 通道登录态：~/.config/weread_state.json（微信读书）与 ~/.config/yuanbao_state.json（元宝）仅存储本地，绝对不要分享或提交到 Git（.gitignore 已排除）
• API 凭证：client_id / api_key 仅请求 IMA 官方 API（ima.qq.com），不发送到其他服务器

绝对不要分享

References 索引

打包结构

legal-weekly-briefing/
├── SKILL.md                         ← 本文件
├── scripts/                         ← 评分引擎 + 流水线 + 渲染 + 验证
├── assets/config/                   ← settings.yaml / sources.yaml / taxonomy.yaml
├── assets/data/                     ← 训练样本 + 回归用例
└── references/                      ← 详细指南（10 个文件）

Rationalizations

1. 分级架构：四级独立运行，上层依赖下层，降低开源用户门槛
2. k-NN 选型：7+1 维特征向量可解释（法律七维评分 + 雷达区视野提醒），训练数据可替换，降级不崩
3. IMA 独立管道：周报精选 ≠ IMA 全量，各自优化目标不同
4. 三层通道：微信读书搜一搜（mp 直链，主）+ 元宝反查（本号原文，补）+ TokenHub（API 兜底）；2026-07-29 微信关闭 MP 跨号接口后确立
5. 门禁驱动：verify.py 23 项检查保证交付一致性，评分回归测试 ≠ 交付质量保证

配置指南（零基础版）

用户说「配置法律周报」时触发此段。按 Level 逐级引导，每级完成后再问是否升级。

Level 1 · 纯评分（零配置，2 分钟可用）

用户只需说「帮我生成本周法律周报」→ Agent 自动 WebSearch → 评分排序 → 交付。 无需任何配置。唯一可选：告诉 Agent 你的执业方向（如「建筑工程」），评分会自动加成 +0.3 分。

Level 2 · + IMA 知识库（需 5 分钟配置）

需要什么：IMA 账号（ima.qq.com 注册，免费）+ 自建个人知识库。 怎么做：① 登录 IMA → 左侧「知识库」→「新建」→ 记住名称 ② 打开 IMA 开发者设置 → 复制 client_id 和 api_key ③ 在知识库设置 → 复制 knowledge_base_id（一串数字）④ 把这些值告诉 Agent → Agent 写入配置 → 完成。 效果：每周评分 ≥ 6.5 的文章自动入库，以后可检索。

Level 3 · + 自动发现（需微信读书账号，10 分钟配置）

需要什么：微信读书账号（App 或网页版均可，免费，不需要会员）。 怎么做：① 微信读书 App 或 weread.qq.com 用微信登录即可 ② 跑 python3 scripts/weread_login.py → 浏览器弹出 → 扫码 → 登录态自动保存（约 10 天~数周有效）③ 跑 python3 scripts/fetch_weread_week.py --days 7 自动拉取 4 个号的文章。 效果：不再需要手动搜文章，Agent 自动从 4 个法院公众号拉取（每周可定时自动跑）。 可选补充：再配置元宝（yuanbao_login.py）开启 L2 反查，覆盖微信读书漏掉的「本号原文」。

常见问题

• 没有微信读书账号：直接用 Level 1，Agent 用 WebSearch 搜索文章，效果类似
• 微信读书搜不到某号：该号可能未被微信读书收录（少见），由元宝反查或 WebSearch 兜底
• IMA 注册不了：跳过 Level 2，周报功能完全不受影响
• 不想装 Python 包：Agent 会帮你装 pip3 install pyyaml，一行命令