- name
- AI RecSys Weekly Report
- slug
- ai-recsys-weekly-report
- version
- 1.0.0
- description
- >
- author
- fandywang
- license
- MIT-0
- tags
- triggers
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：
- 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：
# 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 2026site:arxiv.org recommendation MoE mixture of experts rankingsite:arxiv.org sparse attention recommendation transformersite: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：
- 本周热点综述（3-5条核心趋势，每条含论文链接）
- 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
- 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
- 创新思考与建议（2-4条可操作的建议）
- 趋势预测（2-4个方向的前瞻性判断）
- 延伸阅读推荐（6-12条，分类整理：综述类 / 经典必读 / 技术博客）
- 优化调整思考建议（新增！本次研究的局限与后续改进方向）
- 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：
# 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：
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：
create_media— 获取 media_id 和 COS 上传凭证cos-upload.cjs— 使用腾讯云 SDK 上传文件到 COSadd_knowledge— 将已上传文件关联到知识库
用法：
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 Backbone | OneTrans, RankMixer, MixFormer | unified backbone recommender, one transformer |
| Scaling Law | 10亿参数推荐Transformer | scaling law recommendation system |
| MoE 架构 | DeepSeekMoE, 专家路由 | mixture of experts recommendation |
| 稀疏注意力 | BlossomRec, DSA, ISA | sparse attention sequential recommendation |
| 残差连接革新 | Kimi AttnRes | attention residuals transformer |
| 门控注意力 | Qwen Gated Attention | gated attention mechanism |
| 优化器迁移 | Muon, Adam-mini | efficient optimizer recommendation |
| 激活函数 | SwiGLU, GeGLU | activation function recommender |
| 生成式推荐 | GRU4Rec, GenRec, MTGR | generative recommendation LLM |