News

核心用法

News Skill 是一个个性化新闻简报生成工具，通过本地记忆系统持续学习用户的阅读偏好。首次使用时，系统会询问用户的具体兴趣领域（如"70% AI, 30% markets"）、格式偏好（要点/叙事/仅标题）和推送时机（晨间/晚间/按需），构建 ~/news/memory.md 个人档案。后续每次简报前自动读取记忆文件，确保内容精准匹配。

简报遵循"事实优先，分析其次"原则：先陈述事件、标注时间、注明来源，再提供解读。针对争议性话题强制要求双源以上报道，明确标注来源分歧与编辑立场。

显著优点

• 完全本地化：用户偏好、阅读历史均存储于 ~/news/ 目录，无外部数据传输
• 持续学习：通过 history.md 追踪用户互动，主动建议档案优化
• 质量控制：内置防虚构规则，不确定信息明确标注，避免幻觉风险
• 结构化输出：晨间简报限制 5-7 条，避免信息过载

潜在局限

• 依赖用户主动维护记忆系统，初期配置成本较高
• 未集成实时抓取功能，需配合 scrape skill 使用
• 多源验证依赖用户提供的可信源清单，源质量直接影响输出

适合人群

信息密集型工作者（投资者、研究人员、政策分析师）、需要定制化资讯流但担忧隐私泄露的用户，以及希望减少算法推荐依赖的主动信息管理者。

常规风险

• 若用户长期不更新 sources.md，可能形成信息茧房
• 本地文件损坏可能导致偏好丢失，需建议定期备份
• 与第三方抓取工具配合时，需额外注意抓取源的可靠性

核心用法

News 是一款文档型 AI Skill，通过结构化规则引导用户建立个人新闻档案（~/news/ 目录），实现"无代码"的个性化新闻简报服务。首次交互时，系统会询问具体兴趣领域（如"70% AI 初创、30% 市场动态"）、格式偏好（要点/叙事/纯标题）、推送时机（晨间/晚间/按需），并将配置写入本地记忆文件。后续每次简报前自动读取用户档案，确保内容精准匹配。

显著优点

1. 零安全风险架构：纯 Markdown 实现，无可执行代码、无外部 API 调用、无第三方依赖，安全认证达 S 级（85分），静态分析与动态分析均满分通过。

2. 隐私优先设计：所有数据（兴趣画像、阅读历史、信源清单）严格本地存储于 ~/news/ 目录，明确声明不发送数据至外部服务、不持久化存储新闻内容，完全符合 GDPR 数据最小化与 CCPA 用户知情权要求。

3. 专业新闻伦理：内置"事实先于分析""争议话题多信源""绝不编造"等核心规则，要求标注信源名称与发布时间，主动披露编辑立场差异，有效避免单一信源偏见与虚假信息传播。

4. 渐进式学习机制：通过追踪用户 engagement 模式（阅读 vs 跳过），周期性建议档案调优，实现兴趣模型的动态演化。

潜在局限

• 功能天花板：无实时网络抓取能力，需配合 scrape 或 summarizer 等 Skill 才能处理外部链接；简报内容依赖底层 AI 模型的知识时效性，可能产生"陈旧新闻误判"。

• 维护者可信度：来源评级 T3（社区项目/个人开发者），非知名开源基金会或企业背书，长期维护稳定性待观察。

• 无开源许可证：当前未声明 LICENSE，存在使用条款模糊风险。

适合人群

• 对隐私敏感、希望完全掌控个人数据的资讯消费者
• 需要结构化新闻工作流程的内容创作者与分析师
• 企业内网或离线环境中寻求安全简报方案的团队

常规风险

| 风险类型 | 说明 | 缓解措施 |

|---------|------|---------|

| 模型幻觉 | AI 可能编造未发生的新闻事件 | 严格遵循 Rule 5：不确定时明确声明，禁止假设 |

| 时效性误判 | 无实时验证机制，可能误将旧闻当新鲜 | Rule 1 强制标注发布时间，Rule 6 限制简报条数（5-7条）避免信息过载 |

| 档案漂移 | 长期未更新兴趣画像导致推荐失准 | 系统主动建议周期性档案调优 |