GitHub Radar

一个面向 AI 产品经理的开源情报引擎。四种模式，一套层级分析框架。

语言选择

该技能提供英文和中文两个版本。代理应自动匹配用户的语言：

• 若用户使用 英文 → 使用 skill.md、agents/analyzer.md、references/layer_model.md、templates/*.html，并生成英文报告
• 若用户使用 中文 → 使用 skill_cn.md、agents/analyzer_cn.md、references/layer_model_cn.md、templates/*_cn.html，并生成中文报告
• 脚本文件夹（scripts/）和配置文件夹（config/）为语言无关，两个版本共享

使用场景

• “今天值得关注什么？” / --pulse → 模式 1
• “帮我找与 [主题] 相关的 GitHub 项目” → 模式 2
• “监控异常信号” / --watch → 模式 3
• “分析 [仓库] 周边生态” → 模式 4
• 任何涉及 GitHub 项目发现、趋势分析或范式评估的需求

文件结构

github-trend-observer/
├── skill.md                     # 代理执行指令（英文）
├── skill_cn.md                  # 代理执行指令（中文）
├── ONBOARD.md                   # 代理冷启动指引（英文）
├── ONBOARD_CN.md                # 代理冷启动指引（中文）
├── requirements.txt             # 依赖声明
├── agents/
│   ├── analyzer.md              # 产品经理洞察分析代理（英文）
│   └── analyzer_cn.md           # 产品经理洞察分析代理（中文）
├── scripts/
│   ├── gh_utils.py              # 统一的 gh CLI 工具函数
│   ├── check_rate_limit.py      # API 请求速率限制检查器
│   ├── fetch_star_history.py    # 星标增长数据获取器
│   ├── radar_pulse.py           # 模式 1 趋势数据采集器
│   ├── search_repos.py          # 模式 2 搜索功能
│   ├── watch_signals.py         # 模式 3 异常信号检测
│   ├── deep_link.py             # 模式 4 关系分析
│   ├── generate_report.py       # HTML/MD 报告生成器
│   └── test_oss.py              # 自动化测试（6 层级，共 41 项测试）
├── config/
│   ├── seed_list.json           # 核心开发者列表
│   └── domain_keywords.json     # 领域关键词映射表
├── templates/
│   ├── radar-pulse.html         # 模式 1 报告模板（含 en/cn 版本）
│   ├── direction-search.html    # 模式 2 报告模板
│   ├── signal-watch.html        # 模式 3 报告模板
│   └── deep-link.html           # 模式 4 报告模板
├── evals/
│   ├── evals.json               # 测试用例（英文）
│   └── evals_cn.json            # 测试用例（中文）
└── references/
    ├── layer_model.md           # 层级分类标准（英文）
    └── layer_model_cn.md        # 层级分类标准（中文）

依赖项

常见前置条件

在运行任一模式前必须完成：

# 1. 检查 API 配额
python scripts/check_rate_limit.py

根据返回的 mode 字段决定执行策略：

• full → 正常执行，包含星标历史数据获取
• degraded → 跳过 fetch_star_history.py，仅使用基础数据
• minimal → 仅运行搜索脚本，跳过详细 API 调用

模式 1：主动探索（雷达脉冲）

触发方式：--pulse 或 “今天值得关注什么？”

执行步骤

# 步骤 1：检查配额
python scripts/check_rate_limit.py

# 步骤 2：获取候选项目
python scripts/radar_pulse.py --days 7

# 步骤 3：阅读 agents/analyzer.md + references/layer_model.md
#         进行层级分类 → 排除 L1/L5 → 选取 1-2 个 PM 价值最高的项目

# 步骤 4：对选定项目获取星标历史数据（仅在 full 模式下执行）
python scripts/fetch_star_history.py owner/repo

过滤规则

1. 为每个候选项目标注其所属层级
2. 移除 L1（模型层，过于底层）和 L5（封装/演示类，噪声较多）
3. PM 价值加权：L2 × 1.5，L3 × 1.3，L4 × 1.0
4. 取 Top 3-5 个项目，深入分析其中 1-2 个

输出格式

# 雷达脉冲 — {date}
> L2/L3/L4 项目筛选 | 从 {n} 个候选中过滤出 {m} 个 | API 剩余：{remaining}/{limit}

## 今日推荐
### {repo} [L?]
> {描述}
| 星标数 | 30 天增长 | 语言 | 创建时间 |
|--------|------------|------|----------|
**为何推荐**：{理由}
**范式信号**：{当前技术栈的演变方向}
**建议行动**：通过模式 4 深入分析 / 持续关注

## 其他值得关注
| 仓库 | 层级 | 星标数 | 一句话简介 |
|------|------|------|------------|

## 已过滤项目
- L1：{n} 个项目（{示例}）
- L5：{n} 个项目（{示例}）

报告保存路径：output/radar-pulse_{date}.md

模式 2：方向搜索

触发方式：用户输入技术方向或关键词

执行步骤

步骤 1：检查配额

python scripts/check_rate_limit.py

步骤 2：关键词扩展 + 层级 1 相关性审查

技能：GitHub 趋势观察者

版本：0.1.1

分块：2/3

步骤 1：理解主题

用一句话概括用户搜索的核心概念。

步骤 2：关键词扩展

围绕主题生成 8–15 个搜索关键词，涵盖以下维度：

• 同义表达（如 swarm → fleet、colony）
• 场景相关术语（如 swarm 可观测性、编码代理 swarm）
• 相邻概念（如 协调、监控 —— 与 swarm 相关的领域）

步骤 3：第一层自检

对每个关键词进行审查，判断标准为：“大多数返回结果是否属于同一类事物？” 不要求完全匹配所有词语：

• 保留：结果是从不同角度探讨同一主题
• 移除：多数结果属于更广泛类别，而该主题仅是其中一小部分

- 示例 — 主题 “agent swarm”：swarm orchestration 保留（同主题）；multi-agent framework 移除（swarm 是 multi-agent 的子集，多数结果不聚焦 swarm）

- 示例 — 主题 “Agent-human collaboration”：human-in-the-loop agent 保留（同主题）；AI assistant 移除（assistant ≠ 人机协作）

步骤 4：提交用户确认

列出保留与移除的关键词及其理由；在用户确认后才继续执行搜索。

步骤 3：执行搜索

python scripts/search_repos.py "{主关键词}" \
  --also "{关键词2}" "{关键词3}" ... \
  --expand "{备用词1}" "{备用词2}" ... \
  --min-stars 20 --min-recall 50

步骤 3.5：召回率过低时的动态策略

若去重后的结果数量 < 50，不得静默扩展。应向用户展示当前情况，并提供三个选项：

已搜索 {n} 个关键词，去重后仅获得 {m} 个唯一结果。可能原因及应对建议如下：

A. 该方向尚未形成独立类别 —— 相关能力可能作为功能嵌入大型框架中，而非独立项目存在。建议放弃搜索；这一发现本身具有价值。

B. 关键词覆盖不足 —— 当前关键词可能遗漏社区常用表达。建议补充以下关键词：{列表}。确认后将继续。

C. 使用现有结果继续 —— 尽管 {m} 个结果较少，但若质量足够高，可直接进入分析阶段。适用于快速概览技术格局。

推荐选项的启发式规则：

• 多数关键词返回 0 结果 → 倾向于 A（类别尚未形成）
• 仅主关键词有结果，扩展词无结果 → 倾向于 B（缺少社区术语）
• 结果少但高度相关 → 倾向于 C（小类别中有明确信号）

步骤 4：第二层结果相关性分类

在获取原始搜索结果后、进入分析前，对每个仓库进行相关性分类：

判断依据：仓库名称 + 描述。自问：“该项目作者是否会认为自己在从事 {用户主题}？”

步骤 5：星标历史 + 项目成熟度分析

# 仅在完整模式下获取关键高/中相关项目的星标增长数据
python scripts/fetch_star_history.py owner/repo

# 读取 agents/analyzer.md 和 references/layer_model.md
# 对数据执行层级分类 + 项目成熟度洞察分析

输出结构

标题（一个范式级判断）
-> 值得关注（3–5 张深度分析卡片）
-> 竞争格局（按子类别分组的表格；数量取决于实际相关项目）
-> 范式评估（蓝色边框区域）
-> 推荐深入探索（3–5 项，指向其他模式）
-> 已过滤（折叠状态，按原因分组）

报告同时生成 HTML 与 Markdown 格式：output/search_{关键词}_{日期}.html/.md

模式 3：异常信号监测（信号监控）

触发条件：--watch 或 “监控异常信号”

已知盲点：目前仅能检测 新项目（创建时间 ≤ 90 天）中的增长异常。对已有项目的突发增长检测需依赖持久化存储以实现差异比对 —— 该功能将在后续版本中实现。

执行步骤

步骤 1：检查配额

python scripts/check_rate_limit.py

步骤 2：候选发现

python scripts/watch_signals.py
# 全局扫描（默认），三种时间窗口：7d / 30d / 90d
# 领域扫描：python scripts/watch_signals.py --domain ai-agent
# 可选领域：ai-agent、llm-tools、ai-infra、mcp、all（默认）

脚本返回候选列表（按粗略速度降序排列），每项包含：

• stars、forks、created、age_days
• rough_velocity = stars / age_days（粗略速度）
• fork_ratio = forks / stars（采纳深度信号）

步骤 3：初步筛选 + 增长曲线获取

1. 排除明显无关项：检查描述，剔除游戏、教程、awesome-list 等非技术类项目
2. 对剩余候选获取星标历史数据（仅完整模式）：

python scripts/fetch_star_history.py owner/repo

返回的增长指标：

步骤 4：增长模式分类

通过分析 recent_7_days[] 的形状，判断增长类型：

技能：GitHub 趋势观察者

版本：0.1.1

分块：3/3

第五步：三层评估 + 产品管理分析

参考 agents/analyzer.md，对每个候选项目进行整体评估：

• 值得深入挖掘：具备持续或加速模式 + 属于 L2/L3 层级
• 关注中：有增长信号但模式不明确，或阶梯型项目等待后续验证
• 忽略：爆发后衰减模式 + 位于 L5 层级（如封装、教程、fork 比例 < 0.02）

输出结构

标题（一句话总结本周期最重要的信号）
-> 信号概览（表格：仓库 / 星标数 / 粗略增速 / 模式 / 评估结果）
-> 值得深入挖掘（3-5 张深度卡片，包含增长曲线数据与产品管理洞察）
-> 关注列表（表格，附简要理由）
-> 本周期忽略项（折叠状态，注明原因）

报告保存路径：output/signal-watch_{date}.html

模式 4：深度链接分析

触发条件：用户输入仓库 URL 或 owner/repo 名称

执行步骤

# 步骤 1：检查调用配额
python scripts/check_rate_limit.py

# 步骤 2：获取完整数据
python scripts/deep_link.py langchain-ai/langgraph
# 支持输入 URL：python scripts/deep_link.py https://github.com/langchain-ai/langgraph

# 步骤 3：获取星标增长曲线（仅全模式可用）
python scripts/fetch_star_history.py langchain-ai/langgraph

# 步骤 4：读取 agents/analyzer.md 与 references/layer_model.md
#         生成生态图谱 + 层级定位 + 范式评估

输出结构

标题（加粗、带有张力的判断，突出核心矛盾或最重要信号）
-> 基础信息（表格 + 折线趋势图 + 提交分布）
-> 层级定位（徽章 + 推理说明 + “为何不是 X”）
-> 采用深度（fork 率 / 观看者率 / 问题活跃度 —— 区分“围观”与“实际使用”）
-> 贡献者结构（表格 + 产品管理解读：巴士因子 / 团队 vs 个人 / 企业 vs 社区）
-> 发布节奏（时间轴组件 + 产品策略解读，不只统计发布次数）
-> 问题构成（表格 + 产品管理解读。若分类失败（>50% 未分类），必须手动抽样近期标题进行定性分析作为后备；严禁留空）
-> 核心创新（ASCII 对比图：传统方法 vs 该项目的方法。这是 PM 快速理解项目价值的最快路径，每份报告必须包含）
-> 生态图谱（ASCII 图 + 产品管理解读）
-> 竞品候选（折叠详情，标注“是否为直接竞品”以过滤噪音）
-> 范式评估（蓝色区块，结构如下）：
   1. 一句话范式论点
   2. 核心差异：旧方式 vs 新方式
   3. 可能受威胁的对象
   4. 不受影响的对象
   注：不要包含“对你是否相关”——保护隐私
-> 产品管理总结（总结表：成熟度 / 信心水平 / 增长性质 / 产品管理价值 / 风险 / 建议）

输出样式

• CSS 使用 --bg/--surface/--border/--accent/--muted 变量系统，各模式间保持一致
• 产品管理洞察使用 .pm-box 卡片组件（白色背景 + 边框），不使用内联 <p>
• 层级定位使用 .layer-box 组件，包含徽章 + 推理列表 + “为何不是 X”
• 范式评估使用 .paradigm 组件（蓝色背景 + 边框）
• 竞品候选放入 <details> 折叠区域
• 所有技术指标均附带白话解释（白话原则）

报告保存路径：output/deep-link_{owner}_{repo}_{date}.html

种子列表自定义

编辑 config/seed_list.json 来添加或移除你关注的开发者：

{
  "builders": [
    {"github": "username", "note": "他们为何重要"}
  ],
  "last_updated": "2026-02-18"
}

默认列表目前包含 76 位重要的 AI 领域构建者/组织，覆盖 17 个类别，包括实验室、智能体框架、编码智能体、推理、平台等。