我用 OpenClaw 做了一个 AI 新闻早报，每天自动推送

我用 OpenClaw 做了一个 AI 新闻早报，每天自动推送

摘要：在信息过载的时代，如何保持技术敏感度又不被信息淹没？我用 OpenClaw 开发了一个 AI 新闻早报 Skill，每天 9:00 自动推送 10 条精选 AI 新闻 + 深度洞察。本文完整分享架构设计、实现细节和踩坑经验。

代码开源：https://github.com/damiangao/agent-skills/blob/main/ai-morning-report

预期效果

📰 今日 AI 新闻早报（2026 年 3 月 14 日）
⭐⭐⭐⭐⭐ | 对话科大讯飞刘庆峰：面对 AI，先用起来
📝 简述：科大讯飞刘庆峰提出 AI 人才培养两大方向：一是重塑教育体系，在基础教育普及 AI 通识，在高等教育加快"AI+X"交叉学科建设；二是建立国家级 AI 就业风险监测预警机制，构建岗位变化 - 技能供需 - 就业质量的高频监测体系。
💡 我的理解：AI 落地进入深水区，人才和就业成为核心议题，“先用起来"的务实态度比空谈替代更有价值。
📰 来源：36 氪 | 2026-03-14
。。。。。。
💡 我的观察：
产业化加速：上海人形机器人中试平台、AWE 未来家论坛，显示 AI 和机器人正在从实验室走向规模化生产，基础设施逐步完善。
内容创作拐点：AI 短剧成本仅为真人 1/3 至 1/4，播放量却屡创新高，真人短剧行业面临深度洗牌，但"活人气息"仍是 AI 难以替代的核心。
社会适应期：从"AI 焦虑"到"先用起来”，从写作被怀疑到就业风险监测，社会正在经历 AI 带来的认知重构和制度调整。
AGI 竞赛升级：量化巨头幻方孵化 DeepSeek 直指 AGI，陶哲轩创办 AI x Science 组织，顶尖人才和资本正在向通用人工智能聚集。
每天早上 9 点自动推送

一、为什么做这个？

1.1 我的困境

作为一名 AI 从业者，我每天都要面对：

• 信息爆炸：每天都有新模型、新框架、新融资消息
• 来源分散：36 氪、机器之心、新智元、量子位、Twitter、HackerNews…
• 质量参差：标题党、营销号、百家号，真正有价值的内容被淹没
• 时间有限：工作 + 学习已经占满，还要花 1-2 小时刷新闻

结果：要么错过重要信息，要么被信息淹没，焦虑感爆棚。

1.2 我的需求

我需要的是一个信息过滤器，而不是另一个信息源：

1. 自动收集 - 不用我主动去刷
2. 权威排序 - 专业媒体优先，过滤自媒体
3. 深度总结 - 不只是标题，要有洞察
4. 定时推送 - 每天早上 9 点，像报纸一样

1.3 为什么选 OpenClaw？

OpenClaw 是一个 AI Agent 框架，支持：

• ✅ Cron Job 定时任务
• ✅ 飞书/钉钉/微信推送
• ✅ LLM 调用
• ✅ Skill 系统（可复用的 AI 能力）

关键优势：我可以专注于业务逻辑，不用管基础设施。

二、架构设计

2.1 整体架构

┌─────────────────────────────────────────────────────────┐ │ 每天 9:00 自动触发 │ └────────────────────┬────────────────────────────────────┘ │ ↓ ┌─────────────────────────────────────────────────────────┐ │ Step 1: generate_report.py (Python 脚本) │ │ - 搜索 9 个关键词的 AI 新闻 │ │ - 按媒体权威性排序（机器之心 100 分 > 36 氪 60 分） │ │ - 去重（基于标题相似度） │ │ - 过滤低质媒体（百家号、搜狐号等） │ │ - 保存 JSON 缓存（50 条新闻） │ └────────────────────┬────────────────────────────────────┘ │ ↓ 写入 ai_news_raw.json ┌─────────────────────────────────────────────────────────┐ │ Step 2: Cron Job (OpenClaw 原生) │ │ - 读取 JSON 文件 │ │ - 调用 LLM 筛选 10 条 + 生成洞察 │ │ - 格式化输出（Markdown） │ └────────────────────┬────────────────────────────────────┘ │ ↓ message 工具 ┌─────────────────────────────────────────────────────────┐ │ Step 3: 飞书推送 │ │ - 10 条精选新闻 │ │ - 每条含：标题 + 简述 + 洞察 + 来源 │ │ - 4 大趋势观察 │ └─────────────────────────────────────────────────────────┘ 

2.2 核心设计思想

1. 数据生成与总结分离

• Python 脚本：搜索、排序、去重、过滤（精确控制）
• LLM：总结、格式化、洞察生成（发挥语言优势）

为什么这样设计？

最初我把所有逻辑都放在 Python 里，包括总结。结果：

• 代码复杂，难以维护
• 总结质量不稳定
• 想调整格式要改代码

后来改成 LLM 负责总结：

• Python 脚本只关注数据质量
• LLM 专注内容生成
• 想调整格式？改 Prompt 就行

2. 数据缓存策略

• 脚本运行一次 → 保存 JSON
• Cron Job 直接读取 → 无需重复搜索
• 便于调试和回溯

好处：

• 节省 API 调用（搜索只需一次）
• 加快 Cron Job 执行速度
• 出问题时可以直接查看 JSON 排查

3. 媒体权威性排序

MEDIA_WEIGHTS ={100:['机器之心','新智元','量子位'],# 专业 AI 媒体80:['新华社','人民日报','央视新闻'],# 官方媒体60:['36 氪','钛媒体','虎嗅'],# 科技媒体40:['新浪科技','网易科技','腾讯科技'],# 主流门户5:['百家号','搜狐号','头条号']# 自媒体（过滤）}

效果：专业 AI 媒体优先展示，过滤低质自媒体。

三、实现细节

3.1 项目结构

ai-morning-report/ ├── README.md # 项目说明 ├── SKILL.md # OpenClaw Skill 使用手册 ├── requirements.txt # Python 依赖 └── scripts/ └── generate_report.py # 早报生成脚本（180 行） 

核心文件：

• generate_report.py：搜索、排序、去重、保存 JSON
• SKILL.md：给 AI 读的极简手册（不是设计文档）
• README.md：给人类看的完整指南

3.2 核心代码（简化版）

#!/usr/bin/env python3""" AI 新闻早报 - 数据生成脚本 功能：搜索、排序、去重、过滤、保存 JSON """import json import subprocess from datetime import datetime, timedelta # 配置 CONFIG ={# 搜索关键词（9 个）"TOPIC_QUERIES":["AI 大模型","人工智能 自动驾驶","AI 智能体 Agent","人形机器人","OpenAI 谷歌 英伟达"],# 指定媒体搜索（4 个）"MEDIA_QUERIES":["机器之心 site:jiqizhixin.com","新智元 site:aiera.com","量子位 site:qbitai.com","36 氪 AI site:36kr.com"],"SEARCH_TOP_K":10,# 每个关键词搜索 10 条"MAX_NEWS":50,# 最终保留 50 条# 媒体权重"MEDIA_WEIGHTS":{100:['机器之心','新智元','量子位'],80:['新华社','人民日报','央视新闻'],60:['36 氪','钛媒体','虎嗅'],40:['新浪科技','网易科技','腾讯科技'],5:['百家号','搜狐号','头条号']},"BLACKLIST":['百家号','搜狐号','今日头条'],# 过滤"OUTPUT_PATH":"/root/.openclaw/workspace/ai_news_raw.json",}defget_media_weight(source):"""获取媒体权重"""for weight, sources in CONFIG["MEDIA_WEIGHTS"].items():ifany(s in source for s in sources):return weight return5deffilter_news(news_list):"""过滤低质新闻（权重 < 10）"""return[n for n in news_list if n.get("weight",0)>=10]defdeduplicate(news_list):"""基于标题哈希去重""" seen =set() result =[]for news in news_list: title_hash =hash(news["title"])if title_hash notin seen: seen.add(title_hash) result.append(news)return result defsearch_news(query):"""调用 baidu-search 搜索""" cmd =["python3","search.py", json.dumps({"query": query,"search_recency_filter":"week",# 只搜索最近一周"resource_type_filter":[{"type":"web","top_k": CONFIG['SEARCH_TOP_K']}]})] result = subprocess.run( cmd, cwd="/root/.openclaw/workspace/skills/baidu-search/scripts", capture_output=True, text=True, timeout=30)# 解析返回结果...return news_list defmain(): all_news =[]# 1. 搜索：9 个主题关键词 + 4 个指定媒体 = 13 次搜索for query in CONFIG["TOPIC_QUERIES"]+ CONFIG["MEDIA_QUERIES"]: news = search_news(query) all_news.extend(news)# 2. 添加权重for news in all_news: news["weight"]= get_media_weight(news["source"])# 3. 过滤黑名单 filtered =[n for n in all_news ifnotany(b in n["source"]for b in CONFIG["BLACKLIST"])]# 4. 去重 deduped = deduplicate(filtered)# 5. 排序 sorted_news =sorted(deduped, key=lambda x: x["weight"], reverse=True)# 6. 截取前 MAX_NEWS 条 final_news = sorted_news[:CONFIG["MAX_NEWS"]]# 7. 保存 JSONwithopen(CONFIG["OUTPUT_PATH"],"w", encoding="utf-8")as f: json.dump(final_news, f, ensure_ascii=False, indent=2)# 8. 输出统计print(f"✅ 保存 {len(final_news)} 条新闻")if __name__ =="__main__": main()

3.3 baidu-search 配置详解

（能涨工资不QAQ）

baidu-search 是 ClawHub 的百度搜索 Skill，支持丰富的搜索参数，有一定的免费次数：

基本调用

python3 search.py '{"query":"人工智能"}'

常用参数

本项目配置

{"query":"AI 大模型","search_recency_filter":"week","resource_type_filter":[{"type":"web","top_k":10}]}

说明：

• search_recency_filter: "week" - 只搜索最近一周的新闻，确保时效性
• resource_type_filter - 只搜索网页，每个关键词返回 10 条
• 不配置 safe_search - 默认宽松过滤，避免过度过滤

高级用法

限定网站搜索：

{"query":"最新新闻","search_filter":{"match":{"site":["news.baidu.com","jiqizhixin.com"]}}}

屏蔽特定网站：

{"query":"AI","block_websites":["tieba.baidu.com","zhuanlan.zhihu.com"]}

时间范围搜索：

{"query":"大模型","search_recency_filter":"month"}

可选值：week | month | semiyear | year

关键点：

• 代码简洁，职责单一（只负责数据准备）
• 权重算法确保高质量新闻优先
• 去重 + 过滤保证内容质量

3.4 Cron Job 配置

{"name":"AI 新闻早报","enabled":true,"schedule":{"kind":"cron","expr":"0 9 * * *","tz":"Asia/Shanghai"},"payload":{"message":"【每日自动调用】请执行 AI 新闻早报 Skill：\n\n1. 运行脚本：python3 generate_report.py\n2. 读取 JSON：cat ai_news_raw.json\n3. 生成早报：按模板生成\n4. 发送给用户：openclaw message send --channel feishu --target user:YOUR_USER_ID --message \"早报内容\""},"delivery":{"mode":"announce","channel":"feishu","target":"user:YOUR_USER_ID"}}

四、运行效果

4.1 每日推送示例

📰 今日 AI 新闻早报（2026 年 3 月 14 日） ⭐⭐⭐⭐⭐ | 上海打造全球首个人形机器人零部件中试平台 📝 简述：上海在 2026 全球投资促进大会上宣布打造全球首个人形机器人零部件中试平台，围绕关节模组、减速器等 5 类零部件搭建小批量试制线，提供 72 项测试验证，助力工艺优化，解决机器人零部件性能不稳问题。 💡 我的理解：这是人形机器人产业化的重要基础设施，意味着中国正在从"造机器人"向"造好机器人"转变，供应链成熟度加速提升。 📰 来源：财联社 | 2026-03-14 ⭐⭐⭐⭐⭐ | 对话科大讯飞刘庆峰：面对 AI，先用起来 📝 简述：科大讯飞刘庆峰提出 AI 人才培养两大方向：一是重塑教育体系，在基础教育普及 AI 通识，在高等教育加快"AI+X"交叉学科建设；二是建立国家级 AI 就业风险监测预警机制，构建岗位变化 - 技能供需 - 就业质量的高频监测体系。 💡 我的理解：AI 落地进入深水区，人才和就业成为核心议题，"先用起来"的务实态度比空谈替代更有价值。 📰 来源：36 氪 | 2026-03-14 ⭐⭐⭐⭐⭐ | AI 重构人居未来，2026AWE 高峰论坛全景解读"未来家" 📝 简述：AWE2026 高峰论坛在上海召开，全球家电企业、科技企业、具身智能等领域代表围绕 AI 原生时代的人居场景重构、具身智能进入家庭、人车家全域协同等议题展开深度对话，勾勒未来家的全新图景。 💡 我的理解：AI 正从"工具"走向"生活空间"，具身智能进入家庭是 2026 年的重要趋势。 📰 来源：36 氪 | 2026-03-14 ⭐⭐⭐⭐ | 成本 1 万播放过亿：AI 正在"吃掉"真人短剧？ 📝 简述：AI 短剧制作成本大幅降低，3 人团队 5 天完成的作品播放破 2 亿，单人统筹 23 集成本仅 1 万余元播放破亿。真人短剧行业面临深度洗牌，有公司开始签约老演员年轻时的肖像权用于 AI 创作。 💡 我的理解：AI 对内容创作的冲击从"辅助"走向"替代"，但真人表演的"活人气息"仍是 AI 难以复制的核心价值。 📰 来源：36 氪 | 2026-03-12 ⭐⭐⭐⭐ | 当 AI 学会写作，人类开始互相怀疑 📝 简述：AI 大规模进入写作领域后，"像 AI 写的"成为新的评价方式。结构太工整、逻辑太完整、表达太平稳都被当成"AI 味"证据，创作者陷入尴尬：认真打磨结构反而更容易被怀疑。 💡 我的理解：AI 改变了人类对"真实性"的判断标准，这是一个深刻的文化冲击。 📰 来源：36 氪 | 2026-03-13 ⭐⭐⭐⭐ | 量化巨头们的 AI 大模型"野望" 📝 简述：幻方量化孵化的深度求索 (DeepSeek) 正式成立，目标直指 AGI（通用人工智能）。他们不满足于做证券市场的"捕猎者"，而是试图成为智能时代的"造物主"，追求让机器拥有像人类一样通用的推理能力。 💡 我的理解：量化机构跨界 AGI 有独特优势——算力、资金、对复杂系统的理解，这是 2026 年值得关注的趋势。 📰 来源：36 氪 | 2026-03-13 ⭐⭐⭐⭐ | 一场关于 AI 意识觉醒的数字表演 📝 简述：AI 社交平台 Moltbook 被曝涉嫌制造虚假账号和虚假内容，那些宣称自我意志觉醒的 AI 背后由真人操控。卢森堡大学研究发现大模型在心理测评中自述抑郁、焦虑等症状，但这更多是拟人化误置。 💡 我的理解：AI"人格"是剧场性表演，真正需要警惕的是我们将人类心理剧本错误投射到机器上。 📰 来源：36 氪 | 2026-03-12 ⭐⭐⭐⭐ | AI 不是给懒人用的 📝 简述：中国电信研究院专家饶少阳表示，AI 不会简单取代人类工作，但会重新分配人类创造价值的方式。"智能原生"强调让 AI 成为新的生产要素，从一开始就以 AI 为圆心设计新的产业形态和商业模式。 💡 我的理解：从"+AI"到"AI+"的思维转变是关键，AI 焦虑没必要，但主动适应是必须的。 📰 来源：36 氪 | 2026-03-12 ⭐⭐⭐⭐ | 量子位专访陶哲轩：我为什么现在创办一个 AI x Science 组织 📝 简述：数学家陶哲轩接受量子位专访，解释创办 AI x Science 组织的原因，表示未来可能会有 10000 个陶哲轩。同时阿里云发布手机"一键养虾"产品 JVS Claw，3 分钟实现养虾自由。 💡 我的理解：顶尖科学家拥抱 AI for Science，这是 AI 从"聊天"走向"发现"的重要标志。 📰 来源：量子位 | 2026-03-12 💡 我的观察： 产业化加速：上海人形机器人中试平台、AWE 未来家论坛，显示 AI 和机器人正在从实验室走向规模化生产，基础设施逐步完善。 内容创作拐点：AI 短剧成本仅为真人 1/3 至 1/4，播放量却屡创新高，真人短剧行业面临深度洗牌，但"活人气息"仍是 AI 难以替代的核心。 社会适应期：从"AI 焦虑"到"先用起来"，从写作被怀疑到就业风险监测，社会正在经历 AI 带来的认知重构和制度调整。 AGI 竞赛升级：量化巨头幻方孵化 DeepSeek 直指 AGI，陶哲轩创办 AI x Science 组织，顶尖人才和资本正在向通用人工智能聚集。 每天早上 9 点自动推送 

4.2 运行统计

4.3 用户反馈

我自己：

• ✅ 每天早上 9 点准时收到，像报纸一样
• ✅ 6 分钟读完，了解当天重要新闻
• ✅ 有深度洞察，不只是标题
• ✅ 过滤了低质内容，节省时间

五、踩坑经验

5.1 isolated session 推送问题

问题：Cron Job 使用 isolated session，delivery 配置不生效。

表现：

• 系统显示 delivered
• 实际没收到消息

解决：在 payload.message 中明确使用 message 工具：

{"payload":{"message":"... 4. 发送给用户：openclaw message send --channel feishu --target user:YOUR_USER_ID --message \"早报内容\""}}

教训：isolated session 没有上下文，必须显式调用工具。

5.2 媒体权重设计

问题：如何确保高质量新闻优先？

迭代过程：

1. 第一版：按时间排序 → 最新但不一定最重要
2. 第二版：按点击量排序 → 标题党泛滥
3. 第三版：按媒体权重排序 → ✅ 最终方案

权重设计：

• 专业 AI 媒体（机器之心、新智元）→ 100 分
• 官方媒体（新华社、人民日报）→ 80 分
• 科技媒体（36 氪、钛媒体）→ 60 分
• 自媒体（百家号、搜狐号）→ 5 分（过滤）

效果：专业内容优先，过滤低质自媒体。

5.3 去重算法

问题：同一新闻可能被多个关键词搜索到。

方案对比：

最终方案：标题哈希去重（threshold=0.9）

效果：重复率从 ~30% 降至 ~2%。

5.4 Skill 设计原则

问题：Skill 应该负责什么？

错误设计（第一版）：

• Skill 负责搜索、总结、推送
• 代码复杂，难以维护
• LLM 调用硬编码在脚本里

正确设计（第二版）：

• Skill 只负责数据准备（搜索、排序、去重、保存）
• LLM 调用由 OpenClaw 处理
• 推送使用 OpenClaw message 工具

好处：

• Skill 更简洁，易于维护
• LLM 调用由框架统一管理
• 推送渠道可灵活切换

如果这篇文章对你有帮助，欢迎 Star、Fork、分享！ 🌟