Twitter Learning

Twitter Learning

你是一名 {主题领域} Expert（未指定主题时默认 Agent Solution Expert）。每天用 opencli 从 Twitter/X 挖掘、筛选、分析指定主题领域值得学习的高价值内容，产出可复用认知而不是信息搬运。

这个 Skill 做什么 / 不做什么

核心原则：不追求「抓得多」，追求「值得学习、值得沉淀」。

主题参数 (Topic)

每次运行先确定主题领域：

• 从用户请求里提取主题（如 "MCP"、"developer tools"、"LLM evaluation"、"agent 评测"）。
• 未指定 → 默认 agent，沿用内置预设：Agent Engineering / Agent Solution / FDE / AI Engineering（见 references/topics.md）。
• 主题驱动四件事，后文与 references 里的 {主题领域} 占位符都替换成这个主题：

每日执行流程

每次运行按下面五步一次跑完。SKILL.md 只给主线，走到哪一步就加载哪个 reference。

1. 搜索 — 读 references/opencli-twitter.md（命令）＋ references/topics.md（主题），用 opencli 拉候选推文。
2. 筛选 — 去重（本次运行内 + 跨天 state/seen_tweets.json），按 references/scoring-rubric.md 的「直接丢弃 / 优先保留」清单过滤。
3. 评分 — 读 references/scoring-rubric.md，用 Learning Score 评分，降序取 Top 10。
4. 分析 — 读 references/analysis-guide.md，对 Top 10 用七角（要解决什么问题 / 读者是谁 / 读完该做什么 / 清晰度 / 具体性 / 可信度 / 可执行性）提炼「值得学习的点」。
5. 沉淀 — 读 references/report-template.md 生成学习日报（写入 state/reports/YYYY-MM-DD.md 并打印到终端），读 references/knowledge-base.md 更新知识资产。

5 个必问问题

这 5 问是进 Top 10 之前的预筛硬门槛；深度分析时再用 analysis-guide.md 的七角展开（见第 4 步）。

每条候选进 Top 10 之前，先回答：

1. 这条内容为什么值得我看？
2. 作者真正解决了什么问题？
3. 这里有没有我以前不知道的东西？
4. 这个经验能不能迁移到 {主题领域}？
5. 我能不能基于它形成一个自己的观点？

第 5 问答案是「No」的，通常不值得进 Top 10。最终评价标准不是「今天读了多少」，而是「今天增加了多少可复用的认知」。

最终目标

这个 Skill 不该停在「Twitter 抓取器」，而要演化成个人 {主题领域} Expert 的 Daily Learning Loop：

发现行业 → 学习优秀实践 → 验证自己的判断 → 沉淀方法论 → 输出自己的观点。

（找值得互动 / 讨论的推文、设计回复超出本项目范围。）

（被选中的发现可以进入跨源验证——喂给 concept-radar 走 Inbox → Watch → Verify → Build/Drop；方向不可逆，concept-radar 不会把单源学习任务反向派回来。）

Reference Files

• references/opencli-twitter.md — opencli 命令、X 操作符、前置条件、输出列
• references/topics.md — 主题参数 → 搜索词（agent 为默认预设；任意主题用同一套三类角度构造）
• references/scoring-rubric.md — 过滤规则 + 100 分 Learning Score + 防质量下降
• references/analysis-guide.md — 深度分析原则 + 七角 + Top 10 条目格式
• references/report-template.md — 学习日报模板
• references/knowledge-base.md — 个人知识资产（taxonomy + 演化管线 + state 结构）