twitter-ai-kol-fetcher

---

name: twitter-ai-kol-fetcher description: "抓取 Twitter AI 领域 KOL 最新动态、识别热门话题、生成专业内参。触发条件：\"抓取 Twitter\"、\"AI 领域最新动态\"、\"每天 AI 动态\"、\"写内参\"、\"AI 内参\"。"

---

Twitter AI KOL Fetcher

抓取 Twitter AI 领域动态，识别热门话题，自动生成专业内参报告。

内参风格参考：中关村两院《美国对中国"关键软件"出口管制的影响研判与对策建议》

---

目录结构

twitter-ai-kol-fetcher/
├── config.json                  # API 配置文件（用户填 key）
├── SKILL.md                     # 本文件
├── references/
│   ├── kol_list.json            # KOL 账号列表（82个）
│   ├── llm_prompts.md          # LLM 提示词
│   └── internal_report_template.md  # 内参模板
└── scripts/
    ├── 01_fetch_kols.py        # 抓取 KOL 推文
    ├── 02_filter_and_score.py  # 过滤、评分、聚类
    ├── 03_generate_report.py   # 机会判定 + 报告生成
    └── main.py                 # 主流程脚本

---

Twitter API

服务商：https://twitterapi.io

| 资源 | 价格 | |------|------| | Tweets | $0.15 / 1K 条 | | Profiles | $0.18 / 1K 个 | | Followers | $0.15 / 1K 个 |

计费：15 Credits/条推文，1 USD = 100,000 Credits

---

工作流（优化版）

[Step 1] 抓取数据
    ↓
[Step 2] 规则过滤 + 热度评分
    ↓
[Step 3] 话题聚类（新增！基于关键词相似度）
    ↓
[Step 4] LLM 机会判定（Lightning 模型，便宜）
    ↓
[Step 5] LLM 报告生成（M2.1 模型，强推理）
    ↓
[Step 6] 发送到飞书 → 删除临时文件

---

核心优化点

1. 模型分离（成本优化）

| 阶段 | 模型 | 理由 | 成本 | |------|------|------|------| | 数据抓取 | 82 KOL × 1条 | Tweets.io API | ~$0.012 | | 机会判定 | MiniMax-M2.5 | 逻辑判断 + 优先级排序 | ~$0.01 | | 报告生成 | Gemini 3.1 Pro × 3 | 大上下文、强推理、文笔好 | ~$1.20 | | 总计 | | | ~$1.22/天 |

2. 话题聚类（质量提升）

问题：原来的逻辑是"一条推文 = 一个话题"，但内参的价值在于发现趋势和主题。

解决方案：基于关键词相似度将相关推文聚类

3个KOL讨论"Claude 4发布" → 合并为一个主题

5个KOL聊"AI安全法案" → 这是重点话题

效果：

减少重复内容

话题更有代表性

报告更有深度

3. 扩大信源 + 减少单KOL抓取量

信源扩大：从 34 个扩展到更多 KOL（AI公司、CEO、投资人、博主、研究员）

每KOL抓取量：从 5 条减少到 1 条（最新）

效果：覆盖更广，成本可控

4. 并行报告生成（速度优化）

原来：串行生成 3 篇报告 → ~3分钟

现在：并行生成 3 篇报告 → ~1分钟

效果：速度翻倍，更快交付

5. 防漏抓机制（关键！）

| 问题 | 解决方案 | |------|----------| | 漏掉 VIP 用户 | 兜底机制：sama/elonmusk 等发的强制纳入 | | 漏掉突发事件 | 关键词兜底：含 "launching" 等强制纳入 | | 漏掉高互动 | 互动兜底：点赞>5000 或 转发>500 强制纳入 |

4. 兜底规则

如果满足以下任一条件，强制纳入话题池：
1. VIP 用户（sama, elonmusk 等）发布的
2. 包含 "launching", "announcing", "new", "breaking" 等关键词
3. 点赞 > 5000 或 转发 > 500

4. KOL 列表（82个）

从 references/kol_list.json 加载，分类：

| 类型 | 数量 | 说明 | |------|------|------| | company | 28 | AI 公司官方（OpenAI, Anthropic, Google DeepMind 等） | | influencer | 11 | 技术博主（swyx, fireship, heyBarsee 等） | | ceo | 9 | CEO（Sam Altman, Elon Musk, Demis Hassabis 等） | | researcher | 8 | 研究员（Yann LeCun, Ilya, Noam Brown 等） | | vc | 5 | 投资机构（a16z, Sequoia, Greylock 等） | | platform | 5 | 平台（GitHub, LangChain, Streamlit 等） | | investor | 4 | 个人投资人 | | 其他 | 12 | newsletter, analyst, framework 等 |

总计：82 个 KOL（覆盖 AI 公司、投资、产品、研究、媒体）

5. 过滤规则

AI 关键词过滤：匹配 AI 相关内容

热度评分：转发×2 + 点赞×1 + 浏览×0.001

内参触发词：launch, release, funding, safety, policy...

话题聚类：基于关键词相似度合并相关推文

6. LLM 参与点

1. 机会判定（Lightning）：判断聚类后的话题是否值得写内参 2. 报告生成（M2.1）：按模板生成 Markdown 报告

7. 报告结构优化

| 章节 | 内容 | 目的 | |------|------|------| | 核心要点 | 3条最核心发现 | 一句话摘要 | | 事件还原 | 发生了什么、时间线 | 背景铺垫 | | 战略意义分析 | 为什么重要、影响 | 核心部分 | | 各方观点 | 支持/质疑/中立 | 呈现多视角 | | 趋势判断 | 短/中/长期判断 | 明确战略预测 | | 对策建议 | 跟踪关注、行动建议 | 可操作建议 |

---

使用方式

方式1：手动执行

# 设置 API Key
export OPENROUTER_API_KEY="your-key"
运行主流程
python3 scripts/main.py

方式2：定时任务

任务: 每日 AI 内参
时间: 工作日 9:00
输出: 发送到飞书 → 删除临时文件

---

关键文件说明

references/kol_list.json

KOL 账号列表，JSON 格式，可动态扩展。

references/llm_prompts.md

LLM 提示词模板，包含：

机会判定 Prompt

报告生成 Prompt

关键词配置

references/internal_report_template.md

内参模板，对齐中关村两院风格。

scripts/01_fetch_kols.py

抓取 KOL 推文，输出 JSON。

scripts/02_filter_and_score.py

过滤和评分，输出热门话题。

scripts/03_generate_report.py

调用 LLM 生成报告。

---

配置

config.json

在项目根目录创建 config.json，填入 API Key：

{
  "twitter_api_key": "your-twitter-api-key",
  "openrouter_api_key": "your-openrouter-api-key"
}

获取方式：

Twitter API: https://twitterapi.io/dashboard

OpenRouter API: https://openrouter.ai/settings

可配置参数

KOL 列表：references/kol_list.json

关键词：references/llm_prompts.md

热度阈值：脚本中 MIN_HOTNESS = 500

报告数量：脚本中 max_reports = 3

---

输出流程（关键！）

生成内参 → Markdown 文本 → 发送到飞书 → 删除临时文件

重要：不保存本地文件！