前言¶
做推荐、广告算法或大模型工程的同学，日常要盯公众号长文、知乎讨论和 GitHub 上新项目。信息散在多个平台，手工检索容易漏、也难按固定格式沉淀。把检索范围、过滤规则和输出字段写进 Agent Skill，可以让助手按同一套「情报流水线」跑每日扫描，而不是每次从零口述需求。
下面介绍 SkillHub 社区技能 cheng_rec_llm_skills（坐标 @user_d28b18a4/chengrecllmskill），它基于通用 SKILL.md 格式，把「推荐广告」与「大模型 / Agent」两条技术线的监控与汇总说明写清楚，供支持 Skills 的 Agent 读取后执行。
这是什么¶
cheng_rec_llm_skills 在 Skill 元数据中的目标是「推荐广告 & 大模型每日技术推送」，描述为：推送推荐广告与大模型的每日、每周技术文档，并包括历史总结功能。
- 维护方：SkillHub 社区发布者
user_d28b18a4，来源标注为 community。 - 分类：
ai-agent；当前版本 1.0.0。 - 依赖：标签
requires_api_key=false，不强制配置第三方 API Key（具体检索能力仍取决于 Agent 与运行环境是否具备联网搜索等工具）。 - 在 SkillHub 上的数据（页面与抓取一致）：评分 100000，下载约 840 次，安装计数为 0（以 SkillHub 展示为准）。
官方入口：
- SkillHub 页面：https://www.skillhub.cn/skills/user_d28b18a4/chengrecllmskill
- API 坐标页：https://api.skillhub.cn/user_d28b18a4/chengrecllmskill
核心功能¶
Skill 正文将 Agent 定位为「高级技术情报专家」，通过 OpenClaw 监控技术动态，并把社交媒体与代码库信息整理为结构化输出。已写明的能力可归纳为以下几块。
监控目标池¶
覆盖腾讯、阿里、字节、百度、华为、美团、智谱 AI、DeepSeek 等 20+ 核心实体（Skill 原文表述）。
任务 A：图文深度情报（微信 & 知乎）¶
- 时间窗口：使用
after:{{yesterday}}，即执行日的前一天为检索下界。 - 站点：仅
mp.weixin.qq.com与zhihu.com。 - 过滤：剔除招聘、会议预告、纯 PR；同一技术主题在两平台都有内容时需合并条目。
- 输出：按领域分类，给出核心技术点与原文链接。
分两个专项，检索式与输出模板在 Skill 中写死：
推荐广告（Ads & Recommendation） 示例检索式：
site:(mp.weixin.qq.com | zhihu.com) "{实体名称}" ("召回" | "排序" | "精排" | "全链路" | "CTR" | "CVR" | "推荐系统" | "广告算法") after:{{yesterday}}
输出字段包括：[领域：推荐广告]、来源、标题、技术简评（模型结构、业务痛点等）、地址。
大模型（LLM & Agent） 示例检索式：
site:(mp.weixin.qq.com | zhihu.com) "{实体名称}" ("LLM" | "Agent" | "大模型" | "Transformer" | "MOE" | "微调" | "分布式训练") after:{{yesterday}}
输出字段包括：[领域：LLM/Agent]、来源、标题、技术简评（算法与工程实践）、地址。
任务 B：GitHub 开源趋势¶
- 范围：全球 GitHub 仓库，不限于上述大厂目标池。
- 排序：stars、forks、updated。
- 频率：Daily（昨日最热）、Weekly（本周之星）、Monthly（月度黑马）。
推荐广告开源 检索示例：
topic:recommendation-system OR topic:ctr-prediction OR "ranking algorithm" created:>{{yesterday}}
（Skill 亦提到可利用 GitHub Trending API。）
大模型开源 检索示例：
topic:llm OR topic:agent OR topic:vlm OR "inference framework"
输出需包含领域、项目名、核心介绍、GitHub 地址、趋势数据（如新增 Stars / 总 Stars）。
执行与沉淀¶
Skill 还要求：
- 同一成果出现在 GitHub、微信、知乎时由 OpenClaw 聚合为一条并附多方链接。
- 搜索间隔随机 3–8 秒，模拟真实用户行为。
- 内容需达到「技术干货」标准（架构图、公式、基准或复盘等），并拒绝无实质公关类信息。
- 天：生成《推荐广告 & 大模型每日技术推送》。
- 月：基于
/data/monitoring_log.md归纳 Top 3 趋势。 - 历史：支持语义回溯类查询（Skill 中举例为回顾大促场景下广告精排演进）。
以上路径与文件名均来自 Skill 正文，使用前需在 Agent 环境中确认是否已有对应目录与日志文件。
安装与启用¶
SkillHub 官方安装说明见：https://skillhub.cn/install/skillhub.md
1、安装 SkillHub CLI（若尚未安装）¶
command -v skillhub && skillhub --version
未安装时可执行完整安装脚本（文档推荐）：
curl -fsSL https://skillhub-1388575217.cos.ap-guangzhou.myqcloud.com/install/install.sh | bash
2、安装本 Skill¶
安装时必须用 --dir 指向当前 Agent 的 skills 目录，否则默认落在 ./skills/ 可能不会被识别。
skillhub install chengrecllmskill --namespace user_d28b18a4 --dir <你的 skills 目录>
常见客户端路径（摘自 SkillHub 安装文档）：
- Cursor：
~/.cursor/skills/ - Claude Code：
~/.claude/skills/ - Codex：
~/.codex/skills/或项目下的.agents/skills/
也可将安装说明直接交给 Agent：「请根据 https://skillhub.cn/install/skillhub.md，安装 @user_d28b18a4/chengrecllmskill。」
安装后按所用客户端要求重启或刷新 Skills 列表，使 SKILL.md 被加载。
典型用法¶
Skill 未单独提供独立脚本仓库，用法即：启用 Skill 后，让 Agent 按其中任务 A / B 的检索语法与输出格式执行一轮「昨日情报」或「GitHub 趋势」扫描。
可复现的触发方式示例（表述需与 Skill 内任务名一致）：
- 指定实体名称，执行任务 A 的推荐广告检索，并按
[领域：推荐广告]模板返回条目。 - 对同一实体执行任务 A 的大模型专项检索，输出
[领域：LLM/Agent]结构。 - 执行任务 B 的 Daily 扫描，分别拉取推荐广告与大模型相关 topic 的新仓库，并填写趋势数据字段。
- 在日更完成后，要求生成当日《推荐广告 & 大模型每日技术推送》摘要；若已维护
/data/monitoring_log.md，可再请求月度 Top 3 或历史语义回顾。
检索式中的 {实体名称}、{{yesterday}} 由 Agent 在执行日替换；是否真能访问微信、知乎与 GitHub，取决于 OpenClaw 与当前工具链，Skill 本身只定义规则而不提供托管爬虫服务。
适用场景与注意¶
适合谁
- 推荐系统、广告算法、大模型工程方向的开发者，希望用固定模板做「公众号 + 知乎 + GitHub」的例行技术扫街。
- 已在使用 OpenClaw 或同类可编排搜索的 Agent 环境，并愿意维护监控日志文件的同学。
限制与注意
- Skill 强依赖 OpenClaw 与联网检索；未配置相应能力时，只能当作输出规范参考，无法自动完成站点检索。
- 微信、知乎的
site:检索在真实环境中可能受反爬、登录态影响，Skill 中的语法是意图说明，落地效果需自行验证。 - 月度与历史功能写明读写
/data/monitoring_log.md，需自行创建目录与持久化流程，Skill 不包含该文件的初始内容。 - 社区来源（community），升级与问题反馈需通过 SkillHub 与发布者渠道处理；安装计数为 0 仅表示 SkillHub 统计字段，不代表本地无法安装（CLI 安装命令已验证可用）。
结尾¶
cheng_rec_llm_skills 把推荐广告与大模型两条线的检索词、平台范围、过滤规则和输出字段收敛到一份 SKILL.md，适合作为 Agent 侧的「技术情报 SOP」。若你要在 Cursor 等客户端固定每日推送格式，可按上文命令装入对应 skills 目录，并结合 OpenClaw 与日志路径做落地。
官方地址：https://www.skillhub.cn/skills/user_d28b18a4/chengrecllmskill
