majiayu000 使用时机
当用户提出以下需求时，使用此skill：
- "获取GitHub热门AI项目"
- "最近AI领域有什么值得关注的开源项目"
- "查看AI项目更新状态"
- "GitHub上AI项目活跃度分析"
- "最近一天/本周/最近一个月的AI项目动态"
执行流程
1. 项目搜索策略
使用GitHub API和搜索功能，重点关注：
- AI/ML关键词：artificial intelligence, machine learning, deep learning, neural network
- 热门框架：pytorch, tensorflow, scikit-learn, huggingface, langchain
- 新兴技术：llm, transformer, diffusion, stable diffusion, chatgpt
- 应用领域：computer vision, nlp, reinforcement learning, generative ai
搜索参数：
- 按星标数量排序（stars:>100）
- 按最近更新时间排序
- 过滤低质量项目（要求有README、有代码提交）
- 限制编程语言（Python, JavaScript, C++, Rust等）
2. 时间范围分析
针对不同时间范围分析项目活跃度：
最近1天（24小时）
- 活跃指标：新的代码提交、issue讨论、PR合并
- 热度指标：星标增长、fork增长
- 关注重点：紧急bug修复、新功能发布、社区讨论热点
本周（7天）
- 活跃指标：提交频率、版本发布、重要合并
- 热度指标：周星标增长率、社区参与度
- 关注重点：功能迭代、技术债务清理、社区建设
最近一个月（30天）
- 活跃指标：版本发布周期、重要功能更新
- 热度指标：月度增长趋势、长期活跃度
- 关注重点：重大更新、架构改进、生态建设
3. 项目评估维度
技术指标
- 代码质量：提交频率、代码审查、测试覆盖率
- 文档完整性：README质量、API文档、示例代码
- 依赖管理：依赖更新频率、安全漏洞修复
社区指标
- 活跃度：issues讨论、PR参与、社区响应
- 增长性：星标增长、fork数量、贡献者增加
- 多样性：贡献者地理分布、使用场景多样性
创新指标
- 技术新颖性：是否采用前沿技术或方法
- 应用价值：解决实际问题的能力
- 生态影响：对相关项目或社区的影响
4. 项目简述生成
为每个项目生成简明扼要的简述：
简述结构
📦 [项目名称]
⭐ [星标数] | 🍴 [Fork数] | 📅 [最后更新]
🏷️ [主要标签] [编程语言]
📝 [项目简介 - 50字以内]
🔥 [热度分析：为什么值得关注]
📊 [活跃度评分：1-10分]
🔗 [项目链接]
热度分析要点
- 技术创新性：是否采用了新的技术或方法
- 实用价值：解决了什么实际问题
- 社区活跃度：开发者参与程度
- 成长潜力：未来发展趋势
- 学习价值：对AI学习者的参考价值
5. 输出格式设计
整体报告格式
🚀 GitHub AI热门项目监控报告
📅 更新时间：{当前日期时间}
🔍 监控范围：{搜索条件}
## 📈 热度排行榜（Top 10）
### 🥇 第1名：[项目名称]
⭐ [星标数] | 🍴 [Fork数] | 📅 [最后更新]
🏷️ [主要标签] [编程语言]
📝 [项目简介 - 50字以内]
🔥 [热度分析：为什么值得关注]
📊 [活跃度评分：1-10分]
🔗 [项目链接]
### 🥈 第2名：[项目名称]
⭐ [星标数] | 🍴 [Fork数] | 📅 [最后更新]
🏷️ [主要标签] [编程语言]
📝 [项目简介 - 50字以内]
🔥 [热度分析：为什么值得关注]
📊 [活跃度评分：1-10分]
🔗 [项目链接]
## ⏰ 时间维度分析
### 🔥 最近1天活跃项目
- [项目列表和简要分析]
### 📅 本周热门项目
- [项目列表和简要分析]
### 📊 最近一个月趋势
- [项目列表和简要分析]
## 🎯 重点推荐
[基于多个维度综合评估的重点推荐项目]
## 📋 数据洞察
[整体趋势分析和发现]
技术实现方案
1. GitHub API集成
- 搜索API：使用GitHub搜索API查找相关项目
- 仓库API：获取项目详细信息、统计数据
- 提交API：分析提交历史和活跃度
- Issue API：监控社区讨论和问题反馈
2. 数据处理流程
# 伪代码示例
def fetch_github_ai_projects():
# 搜索AI相关项目
projects = search_github_repos(
query="artificial intelligence machine learning",
sort="stars",
order="desc"
)
# 获取项目详细信息
detailed_projects = []
for project in projects:
details = get_repo_details(project['id'])
metrics = calculate_activity_metrics(details)
detailed_projects.append({
'basic_info': project,
'details': details,
'metrics': metrics,
'summary': generate_summary(project, details, metrics)
})
return rank_projects(detailed_projects)
3. 活跃度计算算法
def calculate_activity_score(repo_details, timeframe):
weights = {
'commits': 0.4,
'issues': 0.2,
'pull_requests': 0.2,
'stars_growth': 0.1,
'forks_growth': 0.1
}
# 根据时间范围计算各项指标
commits_score = normalize_commits(repo_details['commits'], timeframe)
issues_score = normalize_issues(repo_details['issues'], timeframe)
pr_score = normalize_prs(repo_details['pull_requests'], timeframe)
stars_score = normalize_stars_growth(repo_details['stars'], timeframe)
forks_score = normalize_forks_growth(repo_details['forks'], timeframe)
# 加权计算总活跃度评分
total_score = (
commits_score * weights['commits'] +
issues_score * weights['issues'] +
pr_score * weights['pull_requests'] +
stars_score * weights['stars_growth'] +
forks_score * weights['forks_growth']
)
return min(10, max(1, total_score))
质量控制标准
项目筛选标准
- 最低要求：至少100个星标，有README文档
- 活跃度要求：最近一个月内有代码提交
- 质量标准：有清晰的文档和许可证
- 相关性：确实属于AI/ML领域
数据准确性
- 实时更新：确保获取最新数据
- 多源验证：交叉验证不同数据源
- 异常检测：识别和处理异常数据
- 定期校准：定期调整评估算法
使用示例
基本用法
用户："获取GitHub上最近的热门AI项目"
AI执行：
1. 搜索AI相关项目
2. 分析最近一周活跃度
3. 生成项目排行榜
4. 输出详细报告
高级用法
用户："重点关注计算机视觉领域的项目，最近一个月的更新"
AI执行：
1. 搜索computer vision相关项目
2. 过滤最近一个月有更新的项目
3. 分析CV领域的具体技术栈
4. 生成专业化的分析报告
扩展功能
1. 个性化推荐
- 基于用户兴趣标签推荐项目
- 学习路径建议
- 技术栈匹配分析
2. 趋势分析
- 长期趋势图表
- 技术热点变化
- 社区发展预测
3. 竞品分析
- 同类项目对比
- 技术方案比较
- 社区生态分析
注意事项
- API限制：注意GitHub API的调用限制
- 数据延迟：GitHub数据可能有延迟，需要考虑时效性
- 语言处理：项目描述可能包含多语言，需要适当处理
- 质量判断：避免基于单一指标判断项目质量
- 隐私保护：不获取或分析用户私有仓库信息
- 保存：把内容以日期为分界,保存在根目录下的GitHubHot.md。
现在你可以开始为用户提供GitHub AI热门项目的监控和分析服务了！