搜广推领域模型 Scaling Up 日报生成技能 v3.0#

适用场景（触发条件）#

触发词（命中即触发）#

• 搜广推日报 / ScalingUp 日报 / scaling up 日报 / 搜广推 Scaling 日报
• 推荐系统日报 / 推荐系统 Scaling Law 日报 / 生成式推荐日报 / 搜广推技术日报
• 「生成今天的搜广推日报」「跑一下 ScalingUp 日报」等主动指令

触发场景#

• 用户主动要求生成某日/当日的搜广推日报
• 自动化任务每周一 08:00 触发（任务 ID: scaling-up-2）
• 需要系统性追踪搜广推领域最新论文、技术文章、开源项目、行业会议动态

不触发（排除场景）#

• 用户仅咨询单篇论文/单一技术点（如"什么是 Scaling Law"、"讲讲 RankMixer"），应走普通问答，不生成日报
• 用户要求的是周报（走 ai-recsys-weekly-report）或深度调研报告（走 deep-research / tech-report-generator）
• 与搜广推领域无关的日报需求

信息源（6 类优先级）#

优先级 1：ArXiv 论文 — 最新学术论文#

使用 web_search 搜索以下关键词（最近 7 天的新论文）：

• "arxiv recommendation system scaling law {year}"
• "arxiv CTR prediction transformer {year}"
• "arxiv generative recommendation advertising {year}"
• "arxiv sequential recommendation token mixer {year}"
• "arxiv unified modeling search recommendation {year}"
• "arxiv recommendation foundation model {year}"
• "arxiv scaling law recommendation {year}"
• "arxiv ads ranking model {year}"
• "arxiv OneTrans HyFormer MixFormer recommendation {year}"
• "arxiv Mamba state space model recommendation {year}"
• "arxiv Mixture of Experts recommendation ranking {year}"
• "arxiv sparse attention recommendation {year}"
• "arxiv LLM4Rec large language model recommendation {year}"
• "arxiv multi-task learning recommendation {year}"
• "arxiv FLOPs MFU training efficiency recommendation {year}"
• "arxiv InterFormer Kunlun recommendation Meta {year}" 每个搜索取前 5 条结果。 对每篇论文记录：标题、arXiv ID、作者/机构、核心贡献、链接。

优先级 2：微信公众号 — 国内技术深度解读#

使用 wechat-article-search skill 搜索以下关键词（最近 7 天）：

• "推荐系统 Scaling Law"
• "搜广推 大模型"
• "序列建模 推荐"
• "生成式推荐"
• "TokenMixer 排序"
• "OneTrans 排序"
• "MixFormer 推荐"
• "Mamba 推荐系统"
• "MoE 稀疏 推荐"
• "LLM4Rec 大模型推荐"
• "训练效率 MFU 推荐" 每个关键词搜索 3-5 条。 对每篇文章记录：标题、公众号名、链接、发布日期、核心内容。

微信搜索命令格式：

bash

cd {skill_dir} && NODE_PATH={skill_dir}/node_modules {node_path} scripts/search_wechat.js "关键词" -n 5

其中 {skill_dir} 为本 skill 的安装路径， {node_path} 为 Node.js 可执行文件路径。

优先级 3：知乎 — 深度技术分析#

使用 web_search 搜索以下关键词（最近 7 天）：

• "site:zhuanlan.zhihu.com 推荐系统 Scaling Law {year}"
• "site:zhuanlan.zhihu.com TokenMixer 推荐 {year}"
• "site:zhuanlan.zhihu.com 生成式推荐 广告 {year}"
• "site:zhuanlan.zhihu.com 搜广推 序列建模 {year}"
• "site:zhuanlan.zhihu.com OneRec OneRanker GR4AD"
• "site:zhuanlan.zhihu.com 推荐系统 大模型 {year}"
• "site:zhuanlan.zhihu.com OneTrans MixFormer 推荐 {year}"
• "site:zhuanlan.zhihu.com 推荐系统 MoE 稀疏 {year}"
• "site:zhuanlan.zhihu.com Mamba LLM4Rec 推荐 {year}" 每个搜索取前 5 条结果。

优先级 4：技术博客 — 大厂团队博客#

使用 web_search 搜索以下关键词：

• "site:ai.meta.com blog recommendation {year}"
• "site:research.google blog recommendation {year}"
• "美团技术团队 推荐 {year}"
• "字节跳动技术博客 推荐 {year}"
• "阿里巴巴技术 推荐系统 {year}"
• "快手技术博客 生成式推荐 {year}"
• "腾讯技术 推荐系统 {year}"
• "字节跳动 推荐 Mamba MoE 架构 {year}"

优先级 5：GitHub Trending — 热门开源项目#

使用 web_search 搜索以下关键词：

• "GitHub recommendation system trending {year} stars"
• "GitHub awesome recommendation system {year}"
• "GitHub bytedance recommendation model open source"
• "GitHub Meta HSTU recommendation"
• "GitHub Kuaishou OneRec OpenOneRec"
• "github.com/trending 机器学习 推荐系统"
• "GitHub Mamba recommendation ranking open source"
• "GitHub LLM4Rec recommendation open source"

优先级 6：行业会议 — KDD/WWW/ICML/NeurIPS/SIGIR 等#

使用 web_search 搜索以下关键词：

• "KDD {year} accepted papers recommendation"
• "WWW {year} recommendation system paper"
• "ICML {year} recommendation transformer paper"
• "NeurIPS {year} recommendation system paper accepted"
• "SIGIR {year} recommendation scaling sequential"
• "RecSys {year} accepted papers call"
• "WSDM {year} recommendation paper"
• "AAAI {year} recommendation system paper"

重点关注的技术方向#

• 判别式建模三大 Scaling 方向：Dense Scaling / Seq Scaling / Co-Scaling
• 字节精排系列：RankMixer → TokenMixer-Large → OneTrans / HyFormer / MixFormer / MDL / LONGER
• 生成式推荐新范式：OneRec / OneRanker / GR4AD / GenRec / RecGPT-V2
• Meta 大规模推荐：Kunlun / InterFormer / ULTRA-HSTU / Wukong
• 高效扩展架构：MoE / 稀疏注意力 / SSM(Mamba) / 长序列建模
• 跨域与协同建模：LLM4Rec / 多任务学习 MTL / GNN与超图
• 训练效率：FLOPs 计算 / MFU 指标

已知核心论文（去重用，不需要重复列出）#

参考 references/known_papers.md 文件。

---

日报生成格式#

1. 标题： 搜广推领域模型 Scaling Up 日报 | {当天日期}
2. 驱动模型声明：标题下方紧跟 > 驱动模型：{AI模型名称}（如 Claude-Opus-4.6、Gemini-3.0-Pro 等），标注本次辅助生成所使用的大模型名称
3. 趋势概览：简要总结当日最重要的 2-3 个动态
4. 按信息源优先级分章节展示内容
5. 每个条目必须包含：标题/论文名、来源、 可访问的真实链接、核心要点
6. 文末附「引文索引」，按平台分类整理所有链接
7. 在每个章节末尾标注当日该源检索到的条目数量
8. 强制结构化排版：使用多级标题、列表、加粗高亮等 Markdown 元素增强可读性，严禁大段纯散文

日报模板参考 templates/daily_report_template.md。

---

引用链接规范（P0 级，强制执行）#

日报中所有条目必须附上 真实可访问的引用链接， 严禁使用占位符或编造链接。

1. ArXiv 论文：必须通过 web_search 搜索论文标题确认真实的 arxiv.org/abs/XXXX.XXXXX 链接，绝不允许编造 abs ID（如 2504.xxxxx）
2. GitHub 项目：必须搜索确认真实的仓库 URL，不允许猜测 URL 路径
3. 微信公众号文章：必须通过 wechat-article-search skill 搜索获取真实 mp.weixin.qq.com 链接
4. 知乎/博客文章：必须提供可点击访问的原始链接
5. 学术会议：必须提供会议官网或具体 proceedings 链接
6. 每条引用 在写入报告前必须通过 web_search 验证其真实性
7. 如果确实无法找到可验证的链接，应明确标注「链接待补充」，而非编造假链接

事实准确性#

• 论文的作者归属、机构、发表会议等信息必须经过验证
• 机构归属必须基于作者 affiliation，不可按部署场景/业务线推断（详见 references/known_papers.md）
• 会议论文数量、录取率等统计数据需从官方来源获取
• 遇到不确定的信息，优先 web_fetch arxiv 页面核对作者 affiliation，而非凭记忆填写

---

发布同步（双平台，强制执行）#

日报生成后， 必须同时同步到以下两个平台（缺一不可）：

平台 1：IMA 知识库「龙虾-模型ScalingUp」#

• 知识库 ID： 6peD1tTQj2UYi41MTaDgLpfVnbCegcA-sjzZLJ0zVPA=
• 上传流程：

  1. create_media 获取 COS 上传凭证

     • 必填参数： file_name, file_size, content_type=text/markdown, knowledge_base_id, file_ext=md

  2. 使用 cos-upload.cjs 脚本上传文件到 COS

  3. add_knowledge 将文件挂到知识库（ media_type=7）

     • 必填参数： media_type, media_id, title, knowledge_base_id, file_info.cos_key/file_size/file_name
• 认证： ima-openapi-clientid + ima-openapi-apikey（凭证存于 ~/.config/ima/client_id、 ~/.config/ima/api_key）
• Base URL： https://ima.qq.com（Base Path: /openapi/wiki/v1/）
• 限流处理：遇 code=220030 时 sleep 15 秒后重试即可

平台 2：腾讯文档（Markdown 格式）#

• 上传命令： bash

  # 用 jq 生成参数文件，避免命令行转义问题
  jq -Rn --arg title "搜广推模型ScalingUp日报_{日期}" \
         --rawfile mdx "{report_file}" \
         '{title:$title, mdx:$mdx, content_format:"markdown"}' > /tmp/td_args.json
  mcporter call tencent-docs create_smartcanvas_by_mdx --args "$(cat /tmp/td_args.json)"
  
  

• 标题上限 36 字符（按字符数计算），超长会报 business 400001

• 前置条件： mcporter 已注册 tencent-docs server，token 有效

双平台一致性要求#

• 两平台文件名/标题保持一致： 搜广推领域模型 Scaling Up 日报_YYYY-MM-DD（腾讯文档标题可适当缩短以满足 36 字符限制）
• 日报以纯 Markdown 文本为主，图片若为外链可直接引用
• 若含本地图片或 base64，腾讯文档版需替换为 upload_image 返回的 image_id
• IMA 和腾讯文档上传链应并行启动，不要串行等待

---

输出文件#

将日报保存为： {workspace_dir}/搜广推领域模型 Scaling Up 日报_YYYY-MM-DD.md

---

效率优化#

• 并行化：IMA 上传链与腾讯文档上传链必须并行启动
• 长流程三段分离：检索 → 落盘 → 上传，每段完成后立即持久化到文件
• subagent 并发上限 2 个：每完成一个信息源就 append 到草稿文件
• 质量校验合并：用一条 Python 脚本输出所有指标，不要分 5-6 条命令

---

依赖说明#

前置 Skill#

• wechat-article-search：微信公众号文章搜索（需先安装）
• ima-skills（或"腾讯ima"）：IMA 知识库操作（需先安装）
• tencent-docs：腾讯文档 MCP（需通过 mcporter 注册）

运行时依赖#

• Node.js >= 18（微信搜索脚本）
• Python 3（IMA 上传脚本）
• npm 包：cheerio（微信搜索脚本依赖）
• jq（腾讯文档参数构建）

凭证要求#

• IMA API： ~/.config/ima/client_id + ~/.config/ima/api_key
• 腾讯文档 MCP：mcporter 已注册 tencent-docs server（token 存于 ~/.mcporter/mcporter.json）

---

安装后首次运行检查清单#

1. 确认 wechat-article-search skill 已安装
2. 确认 ima-skills skill 已安装
3. 运行 npm install 安装 cheerio 依赖
4. 确认 IMA API 凭证已配置
5. 创建 IMA 知识库并记录 KB ID
6. 确认 mcporter 已注册 tencent-docs MCP server 且 token 有效（双平台发布所需）
7. 配置自动化任务（每周一 08:00）
8. 执行一次测试运行验证全流程（需验证 IMA 和腾讯文档双平台均同步成功）