自动生成关于"AI大模型(LLM、VLM等)技术在搜索、广告、推荐(搜广推)领域应用"的深度技术周报, 并自动同步到 IMA(腾讯文档/知识库)。触发词:AI搜广推技术周报、搜广推周报、大模型推荐报告、 推荐系统技术周报、生成式推荐周报、Transformer推荐系统报告、Scaling Law推荐系统、 MoE...
---
name: AI RecSys Weekly Report
slug: ai-recsys-weekly-report
version: 1.0.0
description: >
自动生成关于"AI大模型(LLM、VLM等)技术在搜索、广告、推荐(搜广推)领域应用"的深度技术周报,
并自动同步到 IMA(腾讯文档/知识库)。触发词:AI搜广推技术周报、搜广推周报、大模型推荐报告、
推荐系统技术周报、生成式推荐周报、Transformer推荐系统报告、Scaling Law推荐系统、
MoE推荐系统、稀疏注意力推荐、RankMixer、OneTrans、MixFormer、BlossomRec。
当用户要求定期生成搜广推领域的技术研究报告、论文综述或行业动态分析时触发此 skill。
author: fandywang
license: MIT-0
tags:
- recommendation
- search
- advertising
- weekly-report
- automation
- arxiv
- transformer
- llm
triggers:
- AI搜广推技术周报
- 搜广推周报
- 大模型推荐报告
- 推荐系统技术周报
- 生成式推荐周报
- Transformer推荐系统报告
- Scaling Law推荐系统
- MoE推荐系统
- 稀疏注意力推荐
---
# AI 搜广推技术周报 - 自动化 Skill
> 本 Skill 将完整的"信息搜集 → 报告生成 → IMA 同步"流程打包,可迁移到任意 WorkBuddy 账号使用。
## 前置依赖
### 必须安装的 Skill
本 Skill 依赖以下 Skill,使用前请确保已安装:
1. **ima-skills**(或 **腾讯ima**)— 用于上传文件到 IMA 知识库
- 安装后需配置 Client ID 和 API Key(见下方「IMA 配置」)
### 可选但推荐的 Skill
- **wechat-article-search** — 搜索微信公众号文章
- **zhihu-search-api-skill** — 搜索知乎文章
- **ArXiv论文追踪** — 搜索 ArXiv 最新论文
## IMA 配置
在使用此 Skill 前,必须先配置 IMA 凭证:
```bash
# 1. 打开 https://ima.qq.com/agent-interface 获取 Client ID 和 API Key
# 2. 存储凭证
mkdir -p ~/.config/ima
echo "你的Client_ID" > ~/.config/ima/client_id
echo "你的API_Key" > ~/.config/ima/api_key
```
## 使用方式
### 方式一:单次执行(手动触发)
当用户要求"生成搜广推周报"、"出一份大模型推荐系统的技术报告"时,按以下步骤执行:
#### Step 1:信息搜集
并行执行以下搜索(至少覆盖 ArXiv + 中文来源):
**ArXiv 论文搜索**(核心):
- `site:arxiv.org recommendation system transformer backbone 2025 2026`
- `site:arxiv.org recommendation MoE mixture of experts ranking`
- `site:arxiv.org sparse attention recommendation transformer`
- `site:arxiv.org generative recommendation LLM`
**中文技术文章搜索**:
- 微信公众号:`大模型推荐系统 Transformer 搜广推` (通过 wechat-article-search 或 web_search)
- 知乎:`搜广推 Scaling Law 推荐系统 大模型` (通过 zhihu-search 或 web_search)
- 技术博客:InfoQ、腾讯云开发者社区、CSDN 等
**特定技术追踪**:
- DeepSeek Sparse Attention (DSA)
- Kimi Attention Residuals (AttnRes)
- Qwen Gated Attention
- Muon 优化器
- SwiGLU 激活函数
- DeepSeekMoE
对搜索到的重要论文,使用 `web_fetch` 获取 arXiv 页面的详细信息(标题、作者、摘要、核心贡献)。
#### Step 2:生成报告
将搜集到的信息整理为 Markdown 格式的技术周报,必须包含以下章节:
1. **本周热点综述**(3-5条核心趋势,每条含论文链接)
2. **深度技术解读**(选择2-5篇最重要的工作,每篇包含):
- 论文基本信息(标题、作者、机构、会议/期刊、链接)
- 核心创新点
- 关键实验数据(具体数字)
- 对搜广推领域的启示和建议
3. **技术对比分析**:
- 至少一个对比表格(如不同架构对比、不同注意力机制对比)
- 可选 ASCII 架构图展示演进路线
4. **创新思考与建议**(2-4条可操作的建议)
5. **趋势预测**(2-4个方向的前瞻性判断)
6. **延伸阅读推荐**(6-12条,分类整理:综述类 / 经典必读 / 技术博客)
7. **优化调整思考建议**(新增!本次研究的局限与后续改进方向)
8. **参考文献**(所有引用的完整列表,每项含可点击链接)
**格式要求**:
- 每篇论文/工作必须附带 arXiv 链接和 PDF 直接下载链接
- 尽可能附上中文解读链接(知乎/CSDN/博客园等)
- 如有 GitHub 开源仓库,附上 GitHub 链接
- 报告字数:2000-4000 字
- 文件命名:`AI搜广推技术周报_YYYY-MM-DD.md`
#### Step 3:上传到 IMA 知识库
**关键:必须使用 cos-upload.cjs 官方脚本上传 COS,不可用 curl 手动传。**
标准三步流程:
```bash
# 配置常量(每次执行时替换实际值)
FILE_PATH="<生成的报告路径>"
FILE_NAME="AI搜广推技术周报_YYYY-MM-DD.md"
FILE_EXT="md"
KB_ID="<目标知识库ID>" # 用户需提供
MEDIA_TYPE=7 # Markdown 固定为7
CONTENT_TYPE="text/markdown"
# 工具路径
NODE="/Users/fandywang/.workbuddy/binaries/node/versions/22.12.0/bin/node"
# 注意:目标账号需要确认 node 路径,可能不同
COS_SCRIPT="<skill目录>/scripts/upload-to-ima.py"
# 执行上传脚本
python3 "$COS_SCRIPT" --file "$FILE_PATH" \
--kb-id "$KB_ID" \
--title "$FILE_NAME"
```
或直接调用 `scripts/upload-to-ima.py` 封装脚本(见下方脚本说明)。
### 方式二:自动化定时任务
创建每周定时执行的自动化任务:
```
名称: AI大模型搜广推技术周报
频率: FREQ=WEEKLY;BYDAY=MO;BYHOUR=9;BYMINUTE=0
prompt: 请加载 ai-recsys-weekly-report skill,完整执行一次周报生成并同步到 IMA 知识库。
知识库ID: <用户提供>
cwds: <用户的工作空间路径>
status: ACTIVE
```
## 脚本说明
### scripts/upload-to-ima.py
IMA 知识库上传封装脚本,内部实现标准的三步流程:
1. `create_media` — 获取 media_id 和 COS 上传凭证
2. `cos-upload.cjs` — 使用腾讯云 SDK 上传文件到 COS
3. `add_knowledge` — 将已上传文件关联到知识库
**用法**:
```bash
python3 scripts/upload-to-ima.py --file <报告路径> --kb-id <知识库ID> [--title <自定义标题>]
```
**依赖**:
- Python 3.x
- ima-skills 中的 `cos-upload.cjs` 脚本
- Node.js(用于运行 cos-upload.cjs)
**重要注意事项**:
- 如果 `cos-upload.cjs` 返回非零退出码,立即终止流程,不要继续调用 `add_knowledge`
- Node 路径需要在脚本中配置正确(不同环境可能路径不同)
- IMA 凭证从 `~/.config/ima/client_id` 和 `~/.config/ima/api_key` 读取
## 研究范围参考
以下是本 Skill 覆盖的核心技术方向,供搜索时参考关键词:
| 技术方向 | 代表性工作 | 搜索关键词 |
|:---|:---|:---|
| 统一 Backbone | OneTrans, RankMixer, MixFormer | unified backbone recommender, one transformer |
| Scaling Law | 10亿参数推荐Transformer | scaling law recommendation system |
| MoE 架构 | DeepSeekMoE, 专家路由 | mixture of experts recommendation |
| 稀疏注意力 | BlossomRec, DSA, ISA | sparse attention sequential recommendation |
| 残差连接革新 | Kimi AttnRes | attention residuals transformer |
| 门控注意力 | Qwen Gated Attention | gated attention mechanism |
| 优化器迁移 | Muon, Adam-mini | efficient optimizer recommendation |
| 激活函数 | SwiGLU, GeGLU | activation function recommender |
| 生成式推荐 | GRU4Rec, GenRec, MTGR | generative recommendation LLM |
don't have the plugin yet? install it then click "run inline in claude" again.