Tech Summary

技术摘要生成技能

触发场景

当用户要求对已采集的技术文章或开源项目生成分析摘要时，自动激活此技能。

摘要生成流程

1. 读取源数据

从 knowledge/raw/ 读取目标 JSON 文件，提取每个条目的以下信息：

• title — 标题
• description — 描述
• url — 链接（用于获取更多上下文）
• stars / score — 热度指标
• readme_excerpt — README 摘录（如有）

2. 获取补充上下文（可选）

如果条目没有 readme_excerpt 且 url 可用：

• GitHub 仓库：通过 API 获取 README 前 500 字
• 博客/文章：通过 WebFetch 获取正文前 1000 字
• 获取失败不阻塞流程，基于已有信息生成摘要

3. 生成中文技术摘要

摘要长度：100-200 个中文字符

结构要求（不需要显式标注，自然融入）：

1. 定位（1 句）：这个项目/文章解决什么问题
2. 核心内容（2-3 句）：关键技术方案、架构特点、主要创新
3. 价值判断（1 句）：对 AI 工程师的实际意义

写作规范：

• 第一句直接点明核心，不要 "本项目是..."、"这篇文章介绍了..." 等模板开头
• 技术术语保留英文原文，如 RAG、MCP、Fine-tuning
• 避免空洞的形容词（"强大的"、"创新性的"）——用具体信息替代
• 如果能写出具体数字（性能提升、模型大小等），优先使用数字

示例：

好的摘要：

基于 Tree-of-Thought 推理框架，让 LLM 在复杂数学推理任务上的准确率从 54% 提升到 74%。核心思路是将单次推理拆分为多步搜索树，每步生成多个候选 并通过 LLM 自评估剪枝。实现代码不到 500 行 Python，可直接集成到现有 LangChain 管道中。

差的摘要：

这是一个非常创新的项目，使用了先进的 AI 技术来提升推理能力。 它采用了一种新颖的方法，在多个基准测试中取得了很好的效果。 对于 AI 从业者来说值得关注。

4. 评分

按 AGENTS.md 中定义的 5 维度评分体系打分：

5. 提取标签

为每个条目生成 3-5 个标签：

标签词库（优先使用，保持一致性）：

• 领域：large-language-model, agent-framework, rag, mcp, fine-tuning, prompt-engineering, multi-agent, code-generation
• 技术：transformer, attention, embedding, vector-database, knowledge-graph
• 工具：langchain, llamaindex, openai, anthropic, deepseek, huggingface
• 场景：chatbot, code-assistant, data-analysis, document-qa, workflow-automation

如果条目涉及词库中没有的概念，可以新增标签，但必须遵循小写连字符格式。

6. 输出格式

对每个条目追加以下字段：

{
  "summary": "中文技术摘要...",
  "relevance_score": 0.85,
  "score_breakdown": {
    "tech_depth": 0.80,
    "practical_value": 0.90,
    "timeliness": 0.85,
    "community_heat": 0.80,
    "domain_match": 0.90
  },
  "tags": ["agent-framework", "python", "openai"],
  "analyzed_at": "2026-03-17T11:00:00Z"
}

批量处理

当一个文件中包含多个条目时：

• 逐条处理，每条独立评分
• 不要因为前面的条目分数高就压低后面的（绝对评分，非相对排名）
• 处理完所有条目后再统一输出