News

核心用法

News 技能是一套智能化新闻管理系统，通过深度用户画像实现精准信息分发。首次交互即建立详细兴趣档案，捕捉具体偏好（如"AI初创"而非泛泛的"科技"），并记录格式、时段等个性化需求。系统支持四种 briefing 模式：早间简报（5-7条，<2分钟）、深度分析（单话题多视角）、周报（聚焦实质变化）、突发快讯（<30秒关键信息）。

显著优点

主动智能：按设定时间自动推送，无需唤醒；重大事件即时打断通知。学习进化：追踪阅读行为，识别真实兴趣与声明偏好的偏差，定期邀请调整配比。多元信源：争议话题强制双源呈现，主动标注立场分歧与编辑倾向，避免信息茧房。信任架构：事实先于解读、强制标注时间戳、具名引用来源，杜绝编造假设。

局限与风险

• 内容创建边界：不生成原创文章或公关稿，需调用内容创作技能
• 深度核查缺失：复杂事实验证需专业工具支持
• 通知依赖：定时推送需外部系统集成，原生环境可能受限
• 主观校准："重要性判断"虽基于用户历史，仍存在算法黑箱感

适合人群

信息过载的知识工作者、需追踪细分领域的专业人士（投资人、研究员）、希望减少无效 scrolling 的高效用户。不适合追求被动娱乐或完全零配置体验的人群。

常规风险

信源偏见标注依赖已知标签，新兴媒体可能漏标；用户兴趣漂移若未及时反馈，推荐质量下滑；突发打断机制若设置过敏，易造成干扰。

核心用法

News 技能是一套纯 Markdown 配置的提示词系统，旨在帮助 AI 助手扮演「个性化新闻管家」角色。用户首次使用时，系统会主动询问具体兴趣领域（如"AI 创业公司"优于笼统的"科技"）、内容比例偏好、简报格式（ bullet 摘要/叙事分析/仅标题）及推送时间（晨间简报/晚间回顾/每周摘要）。设定完成后，助手将按用户日程主动发起简报，无需反复指令。

显著优点

• 主动式服务设计：突破传统问答模式，在设定的时间点自动推送，并针对重大突发新闻即时提醒
• 精准兴趣捕捉：拒绝泛泛分类，引导用户定义颗粒度极细的关注领域（如"Rust 生态"而非"编程"）
• 智能反馈学习：追踪用户 engagement 模式，动态调整内容配比，定期主动询问"是否需要调整新闻组合"
• 多源平衡机制：争议话题强制呈现至少两个信源，明确标注媒体立场，帮助用户识别 filter bubble
• 格式场景化：晨间简报（5-7 条，<2 分钟）、深度专题（多角度对比）、突发快讯（<30 秒）三种形态适配不同场景

潜在缺点与局限

• 无内容生产能力：明确声明需配合其他技能完成原创文章撰写或深度调查，本身仅提供框架
• 无定时推送能力：依赖外部通知系统集成，独立运行时无法实现真正的"闹钟式"推送
• T3 来源可信度：由个人开发者/社区维护（ivangdavila），无企业背书，长期维护承诺未知
• 无实时数据接入：纯提示词架构意味着无法自主抓取新闻源，实际新闻内容仍需模型知识截止日或外部 API 补充

适合人群

• 信息过载困扰者，希望 AI 预先筛选降噪
• 有固定信息消费节律的职场人士（如每日晨间 10 分钟行业速览）
• 跨领域关注者（如同时追踪 AI、二级市场、特定技术栈）
• 对媒体偏见敏感、希望获得多视角平衡的用户

常规风险

• 模型幻觉风险：纯提示词系统无法验证新闻真伪，若模型知识陈旧或产生幻觉，可能传递错误信息（技能已要求标注"何时发生"和"信源"以降低此风险）
• 兴趣固化陷阱：算法推荐可能强化既有偏好，虽设计有"建议移除忽略类别"机制，但依赖用户主动觉察
• 隐私画像累积：兴趣比例、engagement 模式等数据若被长期存储，可能形成精细用户画像，需确认实际部署环境的隐私策略