AI 搜广推技术周报 - 自动化 Skill#

本 Skill 将完整的"信息搜集 → 报告生成 → IMA 同步"流程打包，可迁移到任意 WorkBuddy 账号使用。

前置依赖#

必须安装的 Skill#

本 Skill 依赖以下 Skill，使用前请确保已安装：

1. ima-skills（或 腾讯ima）— 用于上传文件到 IMA 知识库

   • 安装后需配置 Client ID 和 API Key（见下方「IMA 配置」）

可选但推荐的 Skill#

• wechat-article-search — 搜索微信公众号文章
• zhihu-search-api-skill — 搜索知乎文章
• ArXiv论文追踪 — 搜索 ArXiv 最新论文

IMA 配置#

在使用此 Skill 前，必须先配置 IMA 凭证：

bash

# 1. 打开 https://ima.qq.com/agent-interface 获取 Client ID 和 API Key

# 2. 存储凭证
mkdir -p ~/.config/ima
echo "你的Client_ID" > ~/.config/ima/client_id
echo "你的API_Key" > ~/.config/ima/api_key

使用方式#

方式一：单次执行（手动触发）#

当用户要求"生成搜广推周报"、"出一份大模型推荐系统的技术报告"时，按以下步骤执行：

Step 1：信息搜集

并行执行以下搜索（至少覆盖 ArXiv + 中文来源）：

ArXiv 论文搜索（核心）：

• site:arxiv.org recommendation system transformer backbone 2025 2026
• site:arxiv.org recommendation MoE mixture of experts ranking
• site:arxiv.org sparse attention recommendation transformer
• site:arxiv.org generative recommendation LLM

中文技术文章搜索：

• 微信公众号： 大模型推荐系统 Transformer 搜广推 （通过 wechat-article-search 或 web_search）
• 知乎： 搜广推 Scaling Law 推荐系统 大模型 （通过 zhihu-search 或 web_search）
• 技术博客：InfoQ、腾讯云开发者社区、CSDN 等

特定技术追踪：

• DeepSeek Sparse Attention (DSA)
• Kimi Attention Residuals (AttnRes)
• Qwen Gated Attention
• Muon 优化器
• SwiGLU 激活函数
• DeepSeekMoE

对搜索到的重要论文，使用 web_fetch 获取 arXiv 页面的详细信息（标题、作者、摘要、核心贡献）。

Step 2：生成报告

将搜集到的信息整理为 Markdown 格式的技术周报，必须包含以下章节：

1. 本周热点综述（3-5条核心趋势，每条含论文链接）

2. 深度技术解读（选择2-5篇最重要的工作，每篇包含）：

   • 论文基本信息（标题、作者、机构、会议/期刊、链接）
   • 核心创新点
   • 关键实验数据（具体数字）
   • 对搜广推领域的启示和建议

3. 技术对比分析：

   • 至少一个对比表格（如不同架构对比、不同注意力机制对比）
   • 可选 ASCII 架构图展示演进路线

4. 创新思考与建议（2-4条可操作的建议）

5. 趋势预测（2-4个方向的前瞻性判断）

6. 延伸阅读推荐（6-12条，分类整理：综述类 / 经典必读 / 技术博客）

7. 优化调整思考建议（新增！本次研究的局限与后续改进方向）

8. 参考文献（所有引用的完整列表，每项含可点击链接）

格式要求：

• 每篇论文/工作必须附带 arXiv 链接和 PDF 直接下载链接
• 尽可能附上中文解读链接（知乎/CSDN/博客园等）
• 如有 GitHub 开源仓库，附上 GitHub 链接
• 报告字数：2000-4000 字
• 文件命名： AI搜广推技术周报_YYYY-MM-DD.md

Step 3：上传到 IMA 知识库

关键：必须使用 cos-upload.cjs 官方脚本上传 COS，不可用 curl 手动传。

标准三步流程：

bash

# 配置常量（每次执行时替换实际值）
FILE_PATH="<生成的报告路径>"
FILE_NAME="AI搜广推技术周报_YYYY-MM-DD.md"
FILE_EXT="md"
KB_ID="<目标知识库ID>"          # 用户需提供
MEDIA_TYPE=7                     # Markdown 固定为7
CONTENT_TYPE="text/markdown"

# 工具路径
NODE="/Users/fandywang/.workbuddy/binaries/node/versions/22.12.0/bin/node"
# 注意：目标账号需要确认 node 路径，可能不同
COS_SCRIPT="<skill目录>/scripts/upload-to-ima.py"

# 执行上传脚本
python3 "$COS_SCRIPT" --file "$FILE_PATH" \
  --kb-id "$KB_ID" \
  --title "$FILE_NAME"

或直接调用 scripts/upload-to-ima.py 封装脚本（见下方脚本说明）。

方式二：自动化定时任务#

创建每周定时执行的自动化任务：

text

名称: AI大模型搜广推技术周报
频率: FREQ=WEEKLY;BYDAY=MO;BYHOUR=9;BYMINUTE=0
prompt: 请加载 ai-recsys-weekly-report skill，完整执行一次周报生成并同步到 IMA 知识库。
      知识库ID: <用户提供>
cwds: <用户的工作空间路径>
status: ACTIVE

脚本说明#

scripts/upload-to-ima.py#

IMA 知识库上传封装脚本，内部实现标准的三步流程：

1. create_media — 获取 media_id 和 COS 上传凭证
2. cos-upload.cjs — 使用腾讯云 SDK 上传文件到 COS
3. add_knowledge — 将已上传文件关联到知识库

用法：

bash

python3 scripts/upload-to-ima.py --file <报告路径> --kb-id <知识库ID> [--title <自定义标题>]

依赖：

• Python 3.x
• ima-skills 中的 cos-upload.cjs 脚本
• Node.js（用于运行 cos-upload.cjs）

重要注意事项：

• 如果 cos-upload.cjs 返回非零退出码，立即终止流程，不要继续调用 add_knowledge
• Node 路径需要在脚本中配置正确（不同环境可能路径不同）
• IMA 凭证从 ~/.config/ima/client_id 和 ~/.config/ima/api_key 读取

研究范围参考#

以下是本 Skill 覆盖的核心技术方向，供搜索时参考关键词：

技术方向代表性工作搜索关键词统一 BackboneOneTrans, RankMixer, MixFormerunified backbone recommender, one transformerScaling Law10亿参数推荐Transformerscaling law recommendation systemMoE 架构DeepSeekMoE, 专家路由mixture of experts recommendation稀疏注意力BlossomRec, DSA, ISAsparse attention sequential recommendation残差连接革新Kimi AttnResattention residuals transformer门控注意力Qwen Gated Attentiongated attention mechanism优化器迁移Muon, Adam-miniefficient optimizer recommendation激活函数SwiGLU, GeGLUactivation function recommender生成式推荐GRU4Rec, GenRec, MTGRgenerative recommendation LLM