News Report — 新闻报道
v1.0.0多引擎资讯采集 + 深色仪表盘 HTML 报告生成。输入关键词，自动采集资讯、LLM 分析提炼、生成专业报告并发送。触发词：生成资讯报告、采集资讯分析、行业资讯报告、news report、资讯采集。 翻译： 多引擎信息采集 + 深色仪表盘 HTML 报告生成。输入关键词，自动采集信息、LLM 分析提炼、生成专业报告并发送。触发词：生成信息报告、采集信息分析、行业信息报告、news report、信息采集。
by 运行时依赖
安装命令
点击复制技能文档
资讯采集报告生成器（news-report）输入一个关键词或主题，自动完成：多引擎资讯采集 → LLM 分析提炼 → 生成深色仪表盘风格 HTML 报告 → 发送给用户。
触发示例 「帮我生成一份关于 OpenClaw 的资讯报告」 「采集 Dify 最新动态，生成分析报告」 「生成一份讯飞星火大模型的行业资讯报告」
完整流程 Step 1：采集原始资讯
python3 scripts/fetch_news.py \
--keyword "关键词" \
--engines "bing,bing_cn,ddg,brave" \
--count 20 \
--output /tmp/raw_news.json
Step 2：LLM 分析提炼（核心步骤） 读取 /tmp/raw_news.json 采集结果，结合 LLM 自身知识库，生成完整报告数据 JSON，保存到 /tmp/report_data.json。 报告数据结构（必须严格遵守）：
{
"title": "报告主标题（含关键词）",
"subtitle": "副标题，如：AI 框架生态全景解读",
"date": "YYYY-MM-DD",
"keyword": "搜索关键词",
"kpis": [
{"num":"190K+", "label":"GitHub Stars", "sub":"90天增长", "color":"blue"},
{"num":"25+", "label":"支持平台", "sub":"消息平台数", "color":"orange"},
{"num":"88%", "label":"企业采用率", "sub":"年增长数据", "color":"green"},
{"num":"400+", "label":"安全漏洞", "sub":"已知CVE", "color":"red"}
],
"summary": "执行摘要，2-3句话概括核心发现，可包含 标签高亮关键词",
"timeline": [
{"date":"2025年11月", "title":"事件标题", "desc":"事件描述", "color":"blue"},
{"date":"2026年2月", "title":"收购完成", "desc":"详细描述", "color":"green"}
],
"news": [
{ "num": 1, "date": "2026-02-16", "source": "InfoWorld", "title": "资讯标题", "body": "资讯摘要（2-3句）", "tag": "战略收购", "tag_color": "blue" }
],
"analysis": {
"tech": {"title":"技术亮点", "icon":"⚡", "color":"blue", "items":["要点1","要点2"]},
"risk": {"title":"风险挑战", "icon":"⚠️","color":"red", "items":["风险1","风险2"]},
"trend": {"title":"未来趋势", "icon":"🚀", "color":"green", "items":["趋势1","趋势2"]}
},
"comparison": {
"headers": ["产品","定位","评分","状态"],
"rows": [
["产品A","定位描述","★★★★★","活跃"],
["产品B","定位描述","★★★☆☆","稳定"]
]
},
"conclusion": {
"pros": ["优势1","优势2","优势3"],
"risks": ["风险1","风险2","风险3"],
"refs": [
{"title":"参考价值1", "body":"说明文字"},
{"title":"参考价值2", "body":"说明文字"}
]
},
"source_note": "数据来源：xxx · 报告日期：xxx · 由 astronClaw AI 生成"
}
⚠️ 重要说明： kpis 数组固定4个，颜色建议：第1个blue、第2个orange、第3个green、第4个red news 数组固定10条，每条必须有真实的 source 来源 timeline 5-7个事件，按时间顺序排列 analysis 固定包含 tech / risk / trend 三个模块，每个 5-6 条 如无竞品数据，comparison 可省略
生成的 JSON 保存为 /tmp/report_data.json。
Step 3：生成 HTML 报告
python3 scripts/gen_report.py \
--data /tmp/report_data.json \
--output /Users/eric/.openclaw/workspace/report_KEYWORD_MMDD.html
Step 4：发送给用户 使用 message 工具将 HTML 文件发送到飞书。
快速示例（完整命令）
注意事项 采集可能因网络限制返回空结果（尤其 Google），此时以 LLM 自身知识补充 HTML 报告完全自包含，无外部依赖，可直接用浏览器打开 报告生成约 30-60 秒（含采集+生成） 输出文件大小约 20-40KB 依赖 Python 3（标准库，无需额外安装） * 网络访问（采集时需要）# Step 1：采集 python3 scripts/fetch_news.py \ --keyword "讯飞星火大模型" \ --engines "bing,bing_cn,ddg,baidu" \ --count 20 \ --output /tmp/raw_news.json# Step 2：LLM 分析（见上方数据结构）→ 生成 /tmp/report_data.json
# Step 3：生成 HTML python3 scripts/gen_report.py \ --data /tmp/report_data.json \ --output /Users/eric/.openclaw/workspace/report_xfyun_0309.html