AI 热门模型技能

目的

系统性地从权威信源采集并汇总最新、最具传播度的开源 AI / 大语言模型（LLM）项目，并向用户提供结构清晰、可直接行动的情报报告。

触发条件

当用户提出以下任一请求时，加载本技能：

• 查找 / 采集 / 探索最新的热门 AI 开源项目
• 汇总近期热门的 LLM / 多模态 / Agent 框架
• 追踪 GitHub、HuggingFace、arXiv 或 AI 垂直媒体上正在“爆火”的内容

工作流程

第 1 步 — 运行自动化采集器（首选）

执行 scripts/fetch_trending.py，从多个信源拉取实时数据：

python3 scripts/fetch_trending.py

脚本将生成一个结构化的 JSON 文件（trending_report.json），其中包含原始数据。请读取并解析该文件以完成最终报告。

若脚本无法运行（如网络异常、依赖缺失），则降级至第 2 步。

第 2 步 — 手动网页调研回退方案

使用 web_fetch 或 web_search，依次查询 references/sources.md 中所列各信源。至少需收集以下内容：

• GitHub Trending（近 7 天，筛选：AI / ML / LLM 类别）
• HuggingFace Models — “trending” 标签页
• arXiv cs.AI / cs.CL — 近 7 天提交论文，按提交量排序
• Papers With Code — “trending methods” 板块
• Twitter / X — #OpenSourceAI、#LLM 等话题下的高互动帖文

第 3 步 — 去重与综合排序

依据复合信号对项目进行排序：

1. GitHub Star 增速（新增 Stars 数 ÷ 发布天数）
2. 跨信源提及频次（同时出现在 GitHub + HuggingFace + arXiv 中者优先级更高）
3. 时效性（优先选择 30 天内发布或更新的项目）
4. 社区热度（Forks 数、Issues 数、PR 活跃度、社交媒体提及量）

第 4 步 — 生成报告

按 references/report_template.md 中定义的模板，输出格式规范的 Markdown 报告。

核心章节包括：

• 执行摘要 / Executive Summary — 用三句话概括当前最热趋势
• TOP 10 爆火项目 — 排序表格，字段含：排名、项目名称、组织/作者、Stars ⭐、Stars 增量 Δ、类别、一句话简介、直达链接
• 按方向分类 — 将项目归类为：LLM底座 | 多模态 | Agent/工具链 | 推理加速 | 数据/微调 | 其他
• 值得关注的论文 — 关联已开源代码的 top 5 篇 arXiv 论文（附链接）
• 趋势洞察 — 以要点形式分析数据所揭示的行业动向

输出标准

• 语言：匹配用户语言（默认中文）
• 格式：Markdown，可使用 emoji 提升视觉可读性
• Star 数量：采用 K 计数法（例如 12.4K）
• 必须提供 GitHub 仓库 / HuggingFace 模型页面的直达 URL
• 报告头部须标注本次数据采集日期
• 若所用数据距今超过 3 天，须明确注明

质量规则

• 主表格中项目不少于 10 个；推荐目标为 15–20 个
• 同一项目在 GitHub 与 HuggingFace 条目中不得重复出现
• 须验证每个项目确属开源（具备有效开源许可证）
• 对仅提供 Demo 或未公开模型权重的项目予以明确标注
• 优先选用已提供可运行代码的项目，而非仅发布论文者