我用 OpenClaw 做了一个 AI 新闻早报，每天自动推送

我用 OpenClaw 做了一个 AI 新闻早报，每天自动推送

摘要：在信息过载的时代，如何保持技术敏感度又不被信息淹没？我用 OpenClaw 开发了一个 AI 新闻早报 Skill，每天 9:00 自动推送 10 条精选 AI 新闻 + 深度洞察。本文完整分享架构设计、实现细节和踩坑经验。

代码开源 ：https://github.com/damiangao/agent-skills/blob/main/ai-morning-report

---

一、为什么做这个？

1.1 我的困境

作为一名 AI 从业者，我每天都要面对：

• 信息爆炸：每天都有新模型、新框架、新融资消息
• 来源分散：36 氪、机器之心、新智元、量子位、Twitter、HackerNews...
• 质量参差：标题党、营销号、百家号，真正有价值的内容被淹没
• 时间有限：工作 + 学习已经占满，还要花 1-2 小时刷新闻

结果：要么错过重要信息，要么被信息淹没，焦虑感爆棚。

1.2 我的需求

我需要的是一个信息过滤器，而不是另一个信息源：

1. 自动收集 - 不用我主动去刷
2. 权威排序 - 专业媒体优先，过滤自媒体
3. 深度总结 - 不只是标题，要有洞察
4. 定时推送 - 每天早上 9 点，像报纸一样

1.3 为什么选 OpenClaw？

OpenClaw 是一个 AI Agent 框架，支持：

• ✅ Cron Job 定时任务
• ✅ 飞书/钉钉/微信推送
• ✅ LLM 调用
• ✅ Skill 系统（可复用的 AI 能力）

关键优势：我可以专注于业务逻辑，不用管基础设施。

---

二、架构设计

2.1 整体架构

┌─────────────────────────────────────────────────────────┐
│                    每天 9:00 自动触发                      │
└────────────────────┬────────────────────────────────────┘
                     │
                     ↓
┌─────────────────────────────────────────────────────────┐
│  Step 1: generate_report.py (Python 脚本)                │
│  - 搜索 9 个关键词的 AI 新闻                                │
│  - 按媒体权威性排序（机器之心 100 分 > 36 氪 60 分）         │
│  - 去重（基于标题相似度）                                 │
│  - 过滤低质媒体（百家号、搜狐号等）                        │
│  - 保存 JSON 缓存（50 条新闻）                             │
└────────────────────┬────────────────────────────────────┘
                     │
                     ↓ 写入 ai_news_raw.json
┌─────────────────────────────────────────────────────────┐
│  Step 2: Cron Job (OpenClaw 原生)                        │
│  - 读取 JSON 文件                                         │
│  - 调用 LLM 筛选 10 条 + 生成洞察                           │
│  - 格式化输出（Markdown）                                 │
└────────────────────┬────────────────────────────────────┘
                     │
                     ↓ message 工具
┌─────────────────────────────────────────────────────────┐
│  Step 3: 飞书推送                                         │
│  - 10 条精选新闻                                          │
│  - 每条含：标题 + 简述 + 洞察 + 来源                       │
│  - 4 大趋势观察                                           │
└─────────────────────────────────────────────────────────┘

2.2 核心设计思想

1. 数据生成与总结分离

• Python 脚本：搜索、排序、去重、过滤（精确控制）
• LLM：总结、格式化、洞察生成（发挥语言优势）

为什么这样设计？

最初我把所有逻辑都放在 Python 里，包括总结。结果：

• 代码复杂，难以维护
• 总结质量不稳定
• 想调整格式要改代码

后来改成 LLM 负责总结：

• Python 脚本只关注数据质量
• LLM 专注内容生成
• 想调整格式？改 Prompt 就行

2. 数据缓存策略

• 脚本运行一次 → 保存 JSON
• Cron Job 直接读取 → 无需重复搜索
• 便于调试和回溯

好处：

• 节省 API 调用（搜索只需一次）
• 加快 Cron Job 执行速度
• 出问题时可以直接查看 JSON 排查

3. 媒体权威性排序

MEDIA_WEIGHTS = {
    100: ['机器之心', '新智元', '量子位'],      # 专业 AI 媒体
    80:  ['新华社', '人民日报', '央视新闻'],    # 官方媒体
    60:  ['36 氪', '钛媒体', '虎嗅'],           # 科技媒体
    40:  ['新浪科技', '网易科技', '腾讯科技'],  # 主流门户
    5:   ['百家号', '搜狐号', '头条号']         # 自媒体（过滤）
}

效果：专业 AI 媒体优先展示，过滤低质自媒体。

---

三、实现细节

3.1 项目结构

ai-morning-report/
├── README.md                  # 项目说明
├── SKILL.md                   # OpenClaw Skill 使用手册
├── requirements.txt           # Python 依赖
└── scripts/
    └── generate_report.py     # 早报生成脚本（180 行）

核心文件：

• generate_report.py：搜索、排序、去重、保存 JSON
• SKILL.md：给 AI 读的极简手册（不是设计文档）
• README.md：给人类看的完整指南

3.2 核心代码（简化版）

#!/usr/bin/env python3
"""
AI 新闻早报 - 数据生成脚本
功能：搜索、排序、去重、过滤、保存 JSON
"""

import json
import subprocess
from datetime import datetime, timedelta

# 配置
CONFIG = {
    # 搜索关键词（9 个）
    "TOPIC_QUERIES": [
        "AI 大模型",
        "人工智能 自动驾驶",
        "AI 智能体 Agent",
        "人形机器人",
        "OpenAI 谷歌 英伟达"
    ],
    # 指定媒体搜索（4 个）
    "MEDIA_QUERIES": [
        "机器之心 site:jiqizhixin.com",
        "新智元 site:aiera.com",
        "量子位 site:qbitai.com",
        "36 氪 AI site:36kr.com"
    ],
    "SEARCH_TOP_K": 10,  # 每个关键词搜索 10 条
    "MAX_NEWS": 50,      # 最终保留 50 条
    
    # 媒体权重
    "MEDIA_WEIGHTS": {
        100: ['机器之心', '新智元', '量子位'],
        80:  ['新华社', '人民日报', '央视新闻'],
        60:  ['36 氪', '钛媒体', '虎嗅'],
        40:  ['新浪科技', '网易科技', '腾讯科技'],
        5:   ['百家号', '搜狐号', '头条号']
    },
    "BLACKLIST": ['百家号', '搜狐号', '今日头条'],  # 过滤
    "OUTPUT_PATH": "/root/.openclaw/workspace/ai_news_raw.json",
}

def get_media_weight(source):
    """获取媒体权重"""
    for weight, sources in CONFIG["MEDIA_WEIGHTS"].items():
        if any(s in source for s in sources):
            return weight
    return 5

def filter_news(news_list):
    """过滤低质新闻（权重 < 10）"""
    return [n for n in news_list if n.get("weight", 0) >= 10]

def deduplicate(news_list):
    """基于标题哈希去重"""
    seen = set()
    result = []
    for news in news_list:
        title_hash = hash(news["title"])
        if title_hash not in seen:
            seen.add(title_hash)
            result.append(news)
    return result

def search_news(query):
    """调用 baidu-search 搜索"""
    cmd = [
        "python3", "search.py",
        json.dumps({
            "query": query,
            "search_recency_filter": "week",  # 只搜索最近一周
            "resource_type_filter": [{"type": "web", "top_k": CONFIG['SEARCH_TOP_K']}]
        })
    ]
    result = subprocess.run(
        cmd,
        cwd="/root/.openclaw/workspace/skills/baidu-search/scripts",
        capture_output=True,
        text=True,
        timeout=30
    )
    # 解析返回结果...
    return news_list

def main():
    all_news = []
    
    # 1. 搜索：9 个主题关键词 + 4 个指定媒体 = 13 次搜索
    for query in CONFIG["TOPIC_QUERIES"] + CONFIG["MEDIA_QUERIES"]:
        news = search_news(query)
        all_news.extend(news)
    
    # 2. 添加权重
    for news in all_news:
        news["weight"] = get_media_weight(news["source"])
    
    # 3. 过滤黑名单
    filtered = [n for n in all_news if not any(b in n["source"] for b in CONFIG["BLACKLIST"])]
    
    # 4. 去重
    deduped = deduplicate(filtered)
    
    # 5. 排序
    sorted_news = sorted(deduped, key=lambda x: x["weight"], reverse=True)
    
    # 6. 截取前 MAX_NEWS 条
    final_news = sorted_news[:CONFIG["MAX_NEWS"]]
    
    # 7. 保存 JSON
    with open(CONFIG["OUTPUT_PATH"], "w", encoding="utf-8") as f:
        json.dump(final_news, f, ensure_ascii=False, indent=2)
    
    # 8. 输出统计
    print(f"✅ 保存 {len(final_news)} 条新闻")

if __name__ == "__main__":
    main()

3.3 baidu-search 配置详解

（能涨工资不QAQ）

baidu-search 是 ClawHub 的百度搜索 Skill，支持丰富的搜索参数，有一定的免费次数：

基本调用

python3 search.py '{"query":"人工智能"}'

常用参数

参数	类型	说明	示例
query	str	搜索关键词（必填）	"AI 大模型"
search_recency_filter	str	时间过滤	"week"（最近一周）
resource_type_filter	list	资源类型	[{"type":"web","top_k":10}]
search_filter.match.site	list	限定网站	["jiqizhixin.com"]
block_websites	list	屏蔽网站	["tieba.baidu.com"]
safe_search	bool	严格过滤	true

本项目配置

{
  "query": "AI 大模型",
  "search_recency_filter": "week",
  "resource_type_filter": [{"type": "web", "top_k": 10}]
}

说明：

• search_recency_filter: "week" - 只搜索最近一周的新闻，确保时效性
• resource_type_filter - 只搜索网页，每个关键词返回 10 条
• 不配置 safe_search - 默认宽松过滤，避免过度过滤

高级用法

限定网站搜索：

{
  "query": "最新新闻",
  "search_filter": {
    "match": {
      "site": ["news.baidu.com", "jiqizhixin.com"]
    }
  }
}

屏蔽特定网站：

{
  "query": "AI",
  "block_websites": ["tieba.baidu.com", "zhuanlan.zhihu.com"]
}

时间范围搜索：

{
  "query": "大模型",
  "search_recency_filter": "month"
}

可选值：week | month | semiyear | year

关键点：

• 代码简洁，职责单一（只负责数据准备）
• 权重算法确保高质量新闻优先
• 去重 + 过滤保证内容质量

3.4 Cron Job 配置

{
  "name": "AI 新闻早报",
  "enabled": true,
  "schedule": {
    "kind": "cron",
    "expr": "0 9 * * *",
    "tz": "Asia/Shanghai"
  },
  "payload": {
    "message": "【每日自动调用】请执行 AI 新闻早报 Skill：\n\n1. 运行脚本：python3 generate_report.py\n2. 读取 JSON：cat ai_news_raw.json\n3. 生成早报：按模板生成\n4. 发送给用户：openclaw message send --channel feishu --target user:YOUR_USER_ID --message \"早报内容\""
  },
  "delivery": {
    "mode": "announce",
    "channel": "feishu",
    "target": "user:YOUR_USER_ID"
  }
}

---

四、运行效果

4.1 每日推送示例

📰 今日 AI 新闻早报（2026 年 3 月 14 日）
⭐⭐⭐⭐⭐ | 上海打造全球首个人形机器人零部件中试平台
📝 简述：上海在 2026 全球投资促进大会上宣布打造全球首个人形机器人零部件中试平台，围绕关节模组、减速器等 5 类零部件搭建小批量试制线，提供 72 项测试验证，助力工艺优化，解决机器人零部件性能不稳问题。
💡 我的理解：这是人形机器人产业化的重要基础设施，意味着中国正在从"造机器人"向"造好机器人"转变，供应链成熟度加速提升。
📰 来源：财联社 | 2026-03-14
⭐⭐⭐⭐⭐ | 对话科大讯飞刘庆峰：面对 AI，先用起来
📝 简述：科大讯飞刘庆峰提出 AI 人才培养两大方向：一是重塑教育体系，在基础教育普及 AI 通识，在高等教育加快"AI+X"交叉学科建设；二是建立国家级 AI 就业风险监测预警机制，构建岗位变化 - 技能供需 - 就业质量的高频监测体系。
💡 我的理解：AI 落地进入深水区，人才和就业成为核心议题，"先用起来"的务实态度比空谈替代更有价值。
📰 来源：36 氪 | 2026-03-14
⭐⭐⭐⭐⭐ | AI 重构人居未来，2026AWE 高峰论坛全景解读"未来家"
📝 简述：AWE2026 高峰论坛在上海召开，全球家电企业、科技企业、具身智能等领域代表围绕 AI 原生时代的人居场景重构、具身智能进入家庭、人车家全域协同等议题展开深度对话，勾勒未来家的全新图景。
💡 我的理解：AI 正从"工具"走向"生活空间"，具身智能进入家庭是 2026 年的重要趋势。
📰 来源：36 氪 | 2026-03-14
⭐⭐⭐⭐ | 成本 1 万播放过亿：AI 正在"吃掉"真人短剧？
📝 简述：AI 短剧制作成本大幅降低，3 人团队 5 天完成的作品播放破 2 亿，单人统筹 23 集成本仅 1 万余元播放破亿。真人短剧行业面临深度洗牌，有公司开始签约老演员年轻时的肖像权用于 AI 创作。
💡 我的理解：AI 对内容创作的冲击从"辅助"走向"替代"，但真人表演的"活人气息"仍是 AI 难以复制的核心价值。
📰 来源：36 氪 | 2026-03-12
⭐⭐⭐⭐ | 当 AI 学会写作，人类开始互相怀疑
📝 简述：AI 大规模进入写作领域后，"像 AI 写的"成为新的评价方式。结构太工整、逻辑太完整、表达太平稳都被当成"AI 味"证据，创作者陷入尴尬：认真打磨结构反而更容易被怀疑。
💡 我的理解：AI 改变了人类对"真实性"的判断标准，这是一个深刻的文化冲击。
📰 来源：36 氪 | 2026-03-13
⭐⭐⭐⭐ | 量化巨头们的 AI 大模型"野望"
📝 简述：幻方量化孵化的深度求索 (DeepSeek) 正式成立，目标直指 AGI（通用人工智能）。他们不满足于做证券市场的"捕猎者"，而是试图成为智能时代的"造物主"，追求让机器拥有像人类一样通用的推理能力。
💡 我的理解：量化机构跨界 AGI 有独特优势------算力、资金、对复杂系统的理解，这是 2026 年值得关注的趋势。
📰 来源：36 氪 | 2026-03-13
⭐⭐⭐⭐ | 一场关于 AI 意识觉醒的数字表演
📝 简述：AI 社交平台 Moltbook 被曝涉嫌制造虚假账号和虚假内容，那些宣称自我意志觉醒的 AI 背后由真人操控。卢森堡大学研究发现大模型在心理测评中自述抑郁、焦虑等症状，但这更多是拟人化误置。
💡 我的理解：AI"人格"是剧场性表演，真正需要警惕的是我们将人类心理剧本错误投射到机器上。
📰 来源：36 氪 | 2026-03-12
⭐⭐⭐⭐ | AI 不是给懒人用的
📝 简述：中国电信研究院专家饶少阳表示，AI 不会简单取代人类工作，但会重新分配人类创造价值的方式。"智能原生"强调让 AI 成为新的生产要素，从一开始就以 AI 为圆心设计新的产业形态和商业模式。
💡 我的理解：从"+AI"到"AI+"的思维转变是关键，AI 焦虑没必要，但主动适应是必须的。
📰 来源：36 氪 | 2026-03-12
⭐⭐⭐⭐ | 量子位专访陶哲轩：我为什么现在创办一个 AI x Science 组织
📝 简述：数学家陶哲轩接受量子位专访，解释创办 AI x Science 组织的原因，表示未来可能会有 10000 个陶哲轩。同时阿里云发布手机"一键养虾"产品 JVS Claw，3 分钟实现养虾自由。
💡 我的理解：顶尖科学家拥抱 AI for Science，这是 AI 从"聊天"走向"发现"的重要标志。
📰 来源：量子位 | 2026-03-12
💡 我的观察：
产业化加速：上海人形机器人中试平台、AWE 未来家论坛，显示 AI 和机器人正在从实验室走向规模化生产，基础设施逐步完善。
内容创作拐点：AI 短剧成本仅为真人 1/3 至 1/4，播放量却屡创新高，真人短剧行业面临深度洗牌，但"活人气息"仍是 AI 难以替代的核心。
社会适应期：从"AI 焦虑"到"先用起来"，从写作被怀疑到就业风险监测，社会正在经历 AI 带来的认知重构和制度调整。
AGI 竞赛升级：量化巨头幻方孵化 DeepSeek 直指 AGI，陶哲轩创办 AI x Science 组织，顶尖人才和资本正在向通用人工智能聚集。
每天早上 9 点自动推送

4.2 运行统计

指标	数值
运行时长	~60 秒/次
搜索数量	~200 条/天
过滤后	~50 条/天
推送条数	10 条/天
Token 消耗	~200k/次
稳定运行	2 个月+
推送成功率	100%

4.3 用户反馈

我自己：

• ✅ 每天早上 9 点准时收到，像报纸一样
• ✅ 6 分钟读完，了解当天重要新闻
• ✅ 有深度洞察，不只是标题
• ✅ 过滤了低质内容，节省时间

---

五、踩坑经验

5.1 isolated session 推送问题

问题 ：Cron Job 使用 isolated session，delivery 配置不生效。

表现：

• 系统显示 delivered
• 实际没收到消息

解决 ：在 payload.message 中明确使用 message 工具：

{
  "payload": {
    "message": "... 4. 发送给用户：openclaw message send --channel feishu --target user:YOUR_USER_ID --message \"早报内容\""
  }
}

教训：isolated session 没有上下文，必须显式调用工具。

5.2 媒体权重设计

问题：如何确保高质量新闻优先？

迭代过程：

1. 第一版：按时间排序 → 最新但不一定最重要
2. 第二版：按点击量排序 → 标题党泛滥
3. 第三版：按媒体权重排序 → ✅ 最终方案

权重设计：

• 专业 AI 媒体（机器之心、新智元）→ 100 分
• 官方媒体（新华社、人民日报）→ 80 分
• 科技媒体（36 氪、钛媒体）→ 60 分
• 自媒体（百家号、搜狐号）→ 5 分（过滤）

效果：专业内容优先，过滤低质自媒体。

5.3 去重算法

问题：同一新闻可能被多个关键词搜索到。

方案对比：

方案	准确率	性能	选择
标题完全匹配	60%	快	❌
标题哈希	85%	快	✅
向量相似度	95%	慢	❌

最终方案：标题哈希去重（threshold=0.9）

效果：重复率从 ~30% 降至 ~2%。

5.4 Skill 设计原则

问题：Skill 应该负责什么？

错误设计（第一版）：

• Skill 负责搜索、总结、推送
• 代码复杂，难以维护
• LLM 调用硬编码在脚本里

正确设计（第二版）：

• Skill 只负责数据准备（搜索、排序、去重、保存）
• LLM 调用由 OpenClaw 处理
• 推送使用 OpenClaw message 工具

好处：

• Skill 更简洁，易于维护
• LLM 调用由框架统一管理
• 推送渠道可灵活切换

---

如果这篇文章对你有帮助，欢迎 Star、Fork、分享！ 🌟