用 Codex Skills + 红狐数据 API 搭一个 AI 热点雷达

沉默王二在掘金给出的完整实录：把红狐数据的新媒体 API 封装成 4 个标准 Agent Skills，用 Codex 半天搭出 aihot.paicoding.com——每天凌晨自动抓抖音 / 小红书 / 公众号三平台 AI 热点，交给 LLM 做结构化分析与机会评分，前端 5 分钟读完当天该聊什么。

基本信息

来源类型：网页文章（掘金文章，经 Telegram bot 补录、scripts/http_capture.py 抓取正文）
原文位置：raw/articles/2026-06-10-143708-tg-f8273e.md
原文 URL：https://juejin.cn/post/7649329229150650378
作者：沉默王二（来源：掘金）
消化日期：2026-09-22（Telegram 补录；该 URL 的正文此前已有另一版摘要 2026-06-10-codex-skill-aihot-radar，两条 raw 内容同源）

核心观点

红狐数据把「多平台新媒体数据」做成了 API 超市，开发者不必再写爬虫：覆盖抖音、小红书、公众号、视频号、快手、微博、今日头条，四大类接口——公众号 6 个（账号搜索 / 文章搜索 / 账号信息 / 文章详情 / 作品列表 / URL 直查）、小红书 2 个（账号详情 + 作品详情）、抖音 2 个（账号 + 作品基础信息）、工具类 3 个（AI 图片生成 image2-GPT、视频生成 Seendance 2.0、图片生成 Seedream 5.0 lite）。另有 Skills 广场 40+ 开箱即用技能，热门调用量：公众号 10w+ 文章推荐 3.6 万次、抖音热门账号推荐 2.5 万次、全网热点追踪 2.1 万次。作者对价值的判断是”拿到 API 之后想怎么用就怎么用，搭看板、写脚本、接 Agent、做自动化，都行”。
AI 热点雷达 = 采集 → 补全 → LLM 分析 → 静态站点，五个组件串成一条链：DailyAihotAgentRunner 由 SkillLoader（读 SKILL.md/references 拿采集策略与关键词）→ RedFoxCollector（执行 Skill scripts / 调 RedFox API）→ LlmAnalyzer（调 LLM 出结构化分析）→ Validator（校验 JSON 字段与长度）→ SiteBuilder（生成 HTML/JSON）组成。页面分四区：每日摘要（各平台样本数 + Agent 推荐条数）、Agent 精选推荐（按 opportunityScore 排序）、三平台数据面板（各 5 条原始数据）、在线查询（嵌 9 个 API 查询卡片）。
机会评分不是 LLM 随口打的，而是”数据基础分 + LLM 微调”：脚本在发给 LLM 之前，先根据关键词匹配度与互动数据（点赞、评论、分享、收藏）算出 40–96 分的基础分，LLM 只在此基础上微调，“确保评分有数据支撑”。LLM 必须返回严格 JSON，含五部分：dailySummary / topPicks（每条带机会评分、内容角度建议、风险提示）/ platformInsights / contentAngles / riskNotes；LLM 调用失败（超时、额度不足）时退化为模板生成的基础分析。
4 个 Skill 是三件套结构，可跨 Codex / Claude Code / PaiCLI 复用：douyin-search（抖音爆款作品搜索，泛化词自动扩展为 10 个细分关键词）、wechat-10w-hot（公众号 10w+ 文章推荐）、xiaohongshu-weeklytop（过去 7 天各领域爆款 TOP50，覆盖 25 个垂直分类）、trending-hub（聚合百度/知乎/微博/抖音/B站/快手/今日头条 7 平台热搜，按小时更新）。每个 Skill = SKILL.md（决策手册）+ scripts/（Python 脚本）+ references/（参考资料）。实测：在 Agent 里说”帮我看看最新的公众号 10w+ 文章”，Agent 自动加载 wechat-10w-hot 并调 fetch_hot_articles.py 拉数据。
半天上线靠的是”不自建基础设施”的取舍：数据源买 API 不写爬虫、LLM 用 OpenAI 兼容接口（默认 DeepSeek v4-pro，可切换）、部署交给 GitHub Actions + Nginx + systemd、没有数据库——每天数据写入 dist/data/latest.json 并归档到 dist/archive/YYYY-MM-DD.json，前端直接读 JSON 渲染。成本：红狐 API 每天调 15–20 次（三平台搜索 + 抖音详情补全），LLM 一次结构化分析约 2000–3000 tokens。
容错是多层的，且失败信息要落到输出里：单个平台失败不影响其他平台；每个平台有备用 Skill，主 Skill 超时后降级；API 调用之间留 0.15–0.25 秒延迟避免触发频率限制；最终 JSON 带 errors 数组记录所有异常，便于排查。GitHub Actions 的构建校验也带硬门槛：任何一个平台返回 0 条数据就标记失败。

实操内容保留

代码/配置

公众号文章搜索 API 调用（统一 POST + JSON，认证走 X-API-KEY 请求头）：

curl -X POST "https://redfox.hk/story/api/gzhData/searchArticle" \
  -H "Content-Type: application/json" \
  -H "X-API-KEY: ak_your_api_key" \
  -d '{"keyword": "AI智能体", "offset": 0, "sortType": "_4"}'

排序参数：sortType 设 _4 按阅读数倒序，_2 按发布时间倒序。响应结构：

{
  "code": 2000,
  "msg": "成功",
  "data": {
    "total": 100,
    "hasMore": true,
    "list": [
      {
        "title": "文章标题",
        "author": "作者",
        "readCount": 100001,
        "likeCount": 606,
        "commentCount": 3,
        "shareCount": 2613,
        "publishTime": "2026-06-07 18:00:00",
        "workUrl": "https://mp.weixin.qq.com/s/xxx"
      }
    ]
  }
}

GitHub Actions 环境变量（密钥经 GitHub Secrets 注入，不进代码仓库）：

env:
  REDFOX_API_KEY: ${{ secrets.REDFOX_API_KEY }}
  LLM_API_KEY: ${{ secrets.LLM_API_KEY }}
  LLM_BASE_URL: ${{ secrets.LLM_BASE_URL }}
  LLM_MODEL: ${{ secrets.LLM_MODEL }}

Nginx 站点配置 + API 代理（本地 Python 代理服务端口 5173）：

location / {
    root /home/www/aihot;
    try_files $uri $uri/ /index.html;
}
 
location ^~ /api/ {
    proxy_pass http://127.0.0.1:5173/api/;
    proxy_set_header Host $host;
    proxy_set_header X-Real-IP $remote_addr;
}

公众号封面图防盗链的图片代理（补上正确 Referer）：

location ^~ /wechat-img/ {
    proxy_pass https://mmbiz.qpic.cn/;
    proxy_set_header Host mmbiz.qpic.cn;
    proxy_set_header Referer "https://mp.weixin.qq.com/";
}

Prompt 模板

流水线组件结构（原文给出的 DailyAihotAgentRunner 编排）：

DailyAihotAgentRunner
├── SkillLoader      → 读取 SKILL.md / references
├── RedFoxCollector  → 执行 Skill scripts / 调 RedFox APIs
├── LlmAnalyzer      → 调 LLM 生成结构化分析
├── Validator        → 校验 JSON 字段和长度
└── SiteBuilder      → 生成 HTML / JSON

LLM 必须返回的五段式 JSON：dailySummary（当天数据整体概述）、topPicks（跨平台精选，每条带 0–100 机会评分 + 内容角度建议 + 风险提示）、platformInsights（各平台策略洞察）、contentAngles（整体内容切入角度）、riskNotes（整体风险提醒）。Prompt 里会带上 Skill 的元数据与参考资料，让 LLM 理解每个平台的数据结构和评判标准。

Skill 目录结构（三件套）：

skills/
├── douyin-search/           # 抖音爆款作品搜索
├── wechat-10w-hot/          # 公众号10w+文章推荐
├── xiaohongshu-weeklytop/   # 小红书七日爆款笔记
└── trending-hub/            # 全网热点追踪（7平台聚合）

操作步骤

采集流水线（GitHub Actions 每天 00:30 自动执行，run_daily_agent.py）

加载 Skills：读取 skills/ 目录下的 SKILL.md，获取每个平台的采集策略、API 参数与关键词配置

并行采集三平台数据（每个平台独立逻辑）：

平台	采集方式	关键词	数据量
抖音	关键词搜索 + 作品详情补全	AI	5 条（含完整互动数据）
小红书	爆款笔记查询	AI工具、AI编程、AI智能体、Agent、大模型	5 条
公众号	热门文章查询	AI工具、AI编程、AI智能体、Agent、大模型	5 条

补全抖音作品详情：搜索接口返回较简略，对排名靠前的 5 条再调一次 queryWork 接口，拿完整点赞数、评论热词、封面图、作者信息
交给 LLM 做结构化分析
生成站点文件：把数据与分析结果嵌入 HTML，输出到 dist/
部署：GitHub Actions 通过 SSH 把 dist/ 同步到服务器并更新 systemd 服务

把 Skill 装进 Codex

在对话里说明要装的 Skill，例如：「我想装这几个Skills：redfox.hk/skills 包括全网热点追踪小红书爆款笔记公众号10万+爆款文章推荐。」
在红狐数据申请一个 API Key
装完后直接用自然语言调用，Agent 会自动加载对应 Skill 并执行其脚本

关键概念

2026-06-10-codex-skill-aihot-radar — 同一 URL 的另一版摘要页（旧 raw 消化而来），本页与它互为镜像
红狐数据 — 新媒体数据 API 平台，本文的数据源与 Skills 来源
Codex — 承载红狐 Skills 的 Agent 平台，也是这个项目的开发工具
Skill — 标准三件套（SKILL.md + scripts/ + references/）封装采集与分析流程
DeepSeek — LLM 分析的默认模型（v4-pro），走 OpenAI 兼容接口
GitHub Actions — 每天 00:30 定时执行采集与分析，并 SSH 部署产物
opportunityScore（机会评分）— 0–100 分，先由脚本按关键词匹配度 + 互动数据算 40–96 基础分，再由 LLM 微调
未创建的概念：Agent Skills 三层加载机制（同名 Skill 覆盖 + 热重载）——本文仅一句话提及，暂不单独成页

与其他素材的关联

与 2026-06-10-codex-skill-aihot-radar 的关系：同一篇原文（同一 URL）的另一版摘要页。旧页由 raw/articles/2026-06-10-codex-skill-aihot-radar.md 消化，本页由 Telegram 补录 raw 消化；正文一致，本页仅补入旧页省略的两处细节——第 01 节结尾的项目自述”Codex 前后也就是俩小时的调试，包括上线部署”，以及第 05 节在线查询卡片的收尾说明。
与 2026-05-31-blocktempo-7-agents-software-factory 的关系：两者都在回答”Agent 干活时人负责什么”——那条素材的答案是 3 个人类审核点 + 工具权限矩阵，本文的答案是”Skill 封装决策逻辑、人只做选题判断”，共同点是把判断权留在人手里，把执行交给 Skill。
与 2026-06-02-woshipm-skill-creation-guide 的关系：本文是”从明确目标出发梳理成标准 Skill 结构”的落地样本——4 个 Skill 各自有清晰的采集目标、关键词配置和备用方案。
与 2026-06-02-woshipm-codex-agent-workbench 的关系：SkillLoader + Collector + Analyzer + Validator + Builder 五段式正是”Agent 工作台”组件编排的一个具体实现。
与 AI编程开发的关系：本文属”用 Agent 造工具”一类，官方 Skills 的调用量数据（3.6 万 / 2.5 万 / 2.1 万）是”Skill 生态已有真实需求”的量化证据。

原文精彩摘录

每天凌晨自动跑一遍，把抖音、小红书、公众号三个平台上和AI相关的热点数据全部抓下来，扔给 LLM 做一轮结构化分析，给每条内容的算个评分。打开页面，5分钟就能知道今天有哪些 AI 话题值得聊，非常方便。这个项目用 Codex 前后也就是俩小时的调试，包括上线部署。

机会评分的计算不是 LLM 随意打的。脚本在发给 LLM 之前，会先根据关键词匹配度和互动数据（点赞、评论、分享、收藏）算出一个 40-96 分的基础分。LLM 在此基础上做微调，确保评分有数据支撑。

拿 6 月 8 号的数据来说，评分最高的是新智元那篇《ChatGPT与Codex》，88分。Agent 给出的内容角度是”拆解事件背景与用户争议点”和”结合AI工具给出可复现实操”。

采集过程做了多层容错：单个平台失败不影响其他平台；每个平台有备用 Skill，主 Skill 超时后会降级到备用方案；API 调用之间有 0.15 到 0.25 秒的延迟，避免触发频率限制；最终输出的 JSON 里有 errors 数组，记录了所有异常信息，方便排查。

【开发者最大的优势是，别人用工具，我们造工具。】

个人知识库

探索

2026-06-10-用-codex-skills-红狐数据-api-搭一个-ai-热点雷达