词元星图TokenAtlas
返回案例库

精选案例 · Agent 自动化 / 工程接入与部署

Cron 2：前沿趋势追踪（每天 18:00）

作者： CaiJunYu

一个基于Cron的自动化工作流，每天下午6点抓取arXiv上cs.RO、cs.AI、cs.LG三类的论文标题，通过关键词粗筛、AI分批分析、7天历史异常检测后，生成两份简报：一份详细版推送至飞书（含摘要与链接），一份统计版推送至QQ。项目包含完整9步流程、15个重点关注方向配置以及OpenClaw部署脚本。

案例速读

README详细描述了9步工作流、脚本功能、方向配置示例及部署方式，技术方案明确，适合需要自动追踪学术前沿的团队复用。异常检测与双渠道简报设计兼顾深度与效率，实用价值高。 建议从 「Cron 2：前沿趋势追踪（每天 18:00）」、「目标」、「工作流程（共 9 步）」、「脚本说明」 进入正文，先确认真实任务和模型辅助过程。

  • 重点看 arXiv API抓取与摘要补全脚本可适配其他分类或关键词、focus_directions.json可扩展为任意技术方向配置、7天滑动窗口异常检测逻辑可复用于其他监控场景。结合 Agent 自动化 / 工程接入与部署 / 数据采集 / AI分析 和「AI/机器人领域研究者、团队内部技术成员、对前沿论文有追踪需求的个人」，它更适合作为任务检索后的精读材料。
  • 正文目录和原始材料仍然是判断依据；导读只帮助你更快定位阅读重点。
首读入口
目标
读者
AI/机器人领域研究者、团队内部技术成员、对前沿论文有追踪需求的个人
复用
arXiv API抓取与摘要补全脚本可适配其他分类或关键词
结构
6 个目录入口

原文内容

Cron 2：前沿趋势追踪（每天 18:00）

目标

大规模抓取当日 arXiv 论文（不限关键词），通过"粗筛 → AI 分析 → 异常检测"流水线，感知领域整体动态和新兴趋势信号。

工作流程（共 9 步）

Step 1: 抓取 arXiv 标题
   ↓  step1_fetch_titles.py → 获取当日 arXiv 论文标题
Step 2: 关键词粗筛
   ↓  step3_keyword_filter.py → 方向关键词快速过滤
Step 3: 补摘要
   ↓  step2_fetch_abstracts.py → 为过滤后论文补摘要
Step 4: 读缓存 + 配置
   ↓  读取 trend_cache.json + focus_directions.json
Step 5: AI 分批分析
   ↓  分 4 批送入 LLM：判断相关性、分类、检测新关键词
Step 6: 异常检测
   ↓  对比 7 天历史均值 → 突增 2 倍+ 触发深读
Step 7: 简报 A（飞书详细版，200-300 字 + 论文链接）
Step 8: 更新缓存
Step 9: 简报 B（QQ 推送，仅统计数据，无论文细节）

脚本说明

脚本 功能
scripts/step1_fetch_titles.py 从 arXiv 抓取当日论文标题（cs.RO, cs.AI, cs.LG）
scripts/step2_fetch_abstracts.py 通过 arXiv API 批量补全摘要
scripts/step3_keyword_filter.py 用方向关键词粗筛标题
context/focus_directions.json 15 个重点关注方向配置

方向配置示例（focus_directions.json）

{
  "directions": [
    "世界模型与预测模型",
    "操作/操控",
    "灵巧操作/双手操作",
    "移动与导航",
    "模仿学习与行为克隆",
    "强化学习与策略优化",
    "Sim-to-Real & Domain Randomization",
    "VLA/端到端架构",
    "物理仿真",
    "OOD鲁棒性与泛化",
    "少样本/高效率学习"
  ],
  "focus_directions": {
    "物理仿真": { "keywords": ["physics simulator", "digital twin", ...] },
    "OOD鲁棒性与泛化": { "keywords": ["out-of-distribution", ...] },
    "少样本/高效率学习": { "keywords": ["few-shot", "data-efficient", ...] }
  }
}

部署方式

OpenClaw cron job 配置：

{
  "schedule": { "kind": "cron", "expr": "0 18 * * *", "tz": "Asia/Shanghai" },
  "payload": {
    "kind": "agentTurn",
    "message": "执行前沿趋势追踪任务。",
    "model": "ustc/deepseek-v4-flash"
  },
  "delivery": { "mode": "announce", "channel": "qqbot" }
}

返回顶部