When you need to analyze and summarize collected tech articles
当用户要求对已采集的技术文章或开源项目生成分析摘要时，自动激活此技能。
从 knowledge/raw/ 读取目标 JSON 文件，提取每个条目的以下信息：
title — 标题description — 描述url — 链接（用于获取更多上下文）stars / score — 热度指标readme_excerpt — README 摘录（如有）如果条目没有 readme_excerpt 且 url 可用：
摘要长度：100-200 个中文字符
结构要求（不需要显式标注，自然融入）：
写作规范：
示例：
好的摘要：
基于 Tree-of-Thought 推理框架，让 LLM 在复杂数学推理任务上的准确率从 54% 提升到 74%。核心思路是将单次推理拆分为多步搜索树，每步生成多个候选 并通过 LLM 自评估剪枝。实现代码不到 500 行 Python，可直接集成到现有 LangChain 管道中。
差的摘要：
这是一个非常创新的项目，使用了先进的 AI 技术来提升推理能力。 它采用了一种新颖的方法，在多个基准测试中取得了很好的效果。 对于 AI 从业者来说值得关注。
按 AGENTS.md 中定义的 5 维度评分体系打分：
| 维度 | 权重 | 评分要点 |
|---|---|---|
| 技术深度 | 0.25 | 有原理说明 > 只有使用方法 > 纯新闻报道 |
| 实用价值 | 0.30 | 可直接用 > 需大量适配 > 纯学术 |
| 时效性 | 0.20 | 本周发布 > 本月发布 > 更早 |
| 社区热度 | 0.15 | GitHub: >1K Stars 高, >100 中, <100 低; HN: >200 高, >50 中 |
| 领域匹配 | 0.10 | Agent/LLM 核心 > AI 相关 > 泛技术 |
为每个条目生成 3-5 个标签：
标签词库（优先使用，保持一致性）：
large-language-model, agent-framework, rag, mcp, fine-tuning, prompt-engineering, multi-agent, code-generationtransformer, attention, embedding, vector-database, knowledge-graphlangchain, llamaindex, openai, anthropic, deepseek, huggingfacechatbot, code-assistant, data-analysis, document-qa, workflow-automation如果条目涉及词库中没有的概念，可以新增标签，但必须遵循小写连字符格式。
对每个条目追加以下字段：
{
"summary": "中文技术摘要...",
"relevance_score": 0.85,
"score_breakdown": {
"tech_depth": 0.80,
"practical_value": 0.90,
"timeliness": 0.85,
"community_heat": 0.80,
"domain_match": 0.90
},
"tags": ["agent-framework", "python", "openai"],
"analyzed_at": "2026-03-17T11:00:00Z"
}
当一个文件中包含多个条目时：