小編精選 - 技術文章翻譯 · 06月12日

又一個神級 Codex Skill 誕生了。

基於 Codex + 紅狐數據 Skill 和 API 搭了一個 AI 熱點雷達，直接上網址，大家看一眼。

aihot.paicoding.com

每天凌晨自動跑一遍，把抖音、小紅書、微信公眾號三個平台上和 AI 相關的熱點數據全部抓下來，丟給 LLM 做一輪結構化分析，給每條內容都算個評分。

打開頁面，5 分鐘就能知道今天有哪些 AI 話題值得聊，非常方便。

這個項目用 Codex 前後也就是兩個小時的除錯，包括上線部署。

01、紅狐數據是什麼？

紅狐數據是一個面向開發者的新媒體數據平台，提供了抖音、小紅書、微信公眾號、視頻號、快手、微博、今日頭條等多個平台的內容數據 API，涵蓋帳號資訊、文章詳情、作品列表、搜尋查詢等多個維度。

redfox.hk

還有一個 Skills 廣場，提供了 40 多個開箱即用的資料分析技能。

幾個熱門的呼叫量很高，公眾號 10w+ 文章推薦 3.6 萬次，抖音熱門帳號推薦 2.5 萬次，全網熱點追蹤 2.1 萬次。

這些 Skill 可以下載到本地 Agent 工具裡執行，Codex、Claude Code 都能用。

除了 Skill，還有四個大類的 API：

微信公眾號：6 個介面，涵蓋帳號搜尋、文章搜尋、帳號資訊查詢、文章詳情查詢、作品列表查詢、URL 直查
小紅書：2 個介面，支援帳號詳情和作品詳情查詢
抖音：2 個介面，帳號和作品的基礎資訊查詢
工具類：AI 圖片生成（image2-GPT）、影片生成（Seendance 2.0）、圖片生成（Seedream 5.0 lite）

對開發者來說，紅狐數據的價值在於拿到 API 之後想怎麼用就怎麼用，搭看板、寫腳本、接 Agent、做自動化，都可以。

AI 熱點雷達就是這麼搭出來的。

02、AI 熱點雷達長什麼樣

打開 aihot.paicoding.com，整個頁面分成幾個核心區域。

每日摘要

頁面頂部是 Agent 生成的每日摘要，今天總共採集了多少條資料、哪些話題值得關注。

分別顯示抖音樣本數量、小紅書靈感數量、公眾號爆文數量，以及 Agent 推薦條數。

Agent 精選推薦

LLM 會從三個平台的資料裡挑出最值得關注的內容，按機會評分（opportunityScore）排序。

拿 6 月 8 號的資料來說，評分最高的是新智元那篇《ChatGPT 與 Codex》，88 分。Agent 給出的內容角度是「拆解事件背景與使用者爭議點」和「結合 AI 工具給出可重現實作」。

三平台資料面板

分三個區域展示各平台的原始資料。

抖音樣本：展示 5 條 AI 相關的熱門影片，每條都帶著按讚數、評論數、分享數、收藏數、評論熱詞。

小紅書靈感：5 條 AI 相關的爆款筆記。

微信公眾號爆文：5 篇 10w+ 閱讀的公眾號文章。每篇文章除了閱讀數，還有按讚、在看、評論、分享的完整互動數據。

線上查詢

頁面上還嵌入了 9 個 RedFox API 查詢卡片，可以直接在網頁上輸入關鍵字查詢三平台的資料。

03、資料從哪來的？

AI 熱點雷達的資料全部來自紅狐數據，整個採集流程如下所示。

透過 GitHub Actions 每天凌晨自動執行。

採集流程

腳本啟動後按固定順序執行：

第一步，載入 Skills。腳本會讀取 skills/ 目錄下的 SKILL.md 檔案，取得每個平台的採集策略、API 參數和關鍵字配置。

第二步，並行採集三個平台的資料。每個平台有獨立的採集邏輯：

平台	採集方式	關鍵字	資料量
抖音	關鍵字搜尋 + 作品詳情補全	AI	5 條（含完整互動數據）
小紅書	爆款筆記查詢	AI 工具、AI 編程、AI 智能體、Agent、大模型	5 條
微信公眾號	熱門文章查詢	AI 工具、AI 編程、AI 智能體、Agent、大模型	5 條

第三步，補全抖音作品詳情。搜尋介面回傳的資料比較簡略，腳本會對排名靠前的 5 條作品再調一次 queryWork 介面，拿到完整的按讚數、評論熱詞、封面圖、作者資訊。

第四步，交給 LLM 做結構化分析。

第五步，生成站點檔案。把所有資料和分析結果嵌入 HTML，輸出到 dist/ 目錄。

API 呼叫範例

以公眾號文章搜尋為例，實際的 API 呼叫長這樣：

bash 体验AI代码助手 代码解读复制代码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"}'

sortType 設為 _4 是按閱讀數倒序，_2 是按發布時間倒序。回應是標準的 JSON 結構：

json 体验AI代码助手 代码解读复制代码{
  "code": 2000,
  "msg": "成功",
  "data": {
    "total": 100,
    "hasMore": true,
    "list": [
      {
        "title": "文章標題",
        "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"
      }
    ]
  }
}

所有介面統一用 POST + JSON，認證用 X-API-KEY 請求標頭。Python 的 urllib、requests，Node.js 的 fetch，甚至直接 curl 都能呼叫。

容錯設計

採集過程做了多層容錯：單個平台失敗不影響其他平台；每個平台有備用 Skill，主 Skill 超時後會降級到備用方案；API 呼叫之間有 0.15 到 0.25 秒的延遲，避免觸發頻率限制；最終輸出的 JSON 裡有 errors 陣列，記錄了所有異常資訊，方便排查。

04、LLM 分析與機會評分

資料採集完之後，腳本會把三個平台的樣本資料打包發給 LLM，請求結構化分析。

預設用的是 DeepSeek v4-pro。Prompt 裡會帶上 Skill 的中繼資料和參考資料，讓 LLM 理解每個平台的資料結構和評判標準。

javascript 体验AI代码助手 代码解读复制代码DailyAihotAgentRunner
├── SkillLoader
│   └── 讀取 SKILL.md / references
├── RedFoxCollector
│   └── 執行 Skill scripts / 調 RedFox APIs
├── LlmAnalyzer
│   └── 調 LLM 生成結構化分析
├── Validator
│   └── 校驗 JSON 欄位和長度
└── SiteBuilder
    └── 生成 HTML / JSON

LLM 需要回傳一個嚴格的 JSON 結構，包含五個部分：

dailySummary：當天資料的整體概述
topPicks：跨平台精選推薦，每條帶機會評分（0-100）、內容角度建議、風險提示
platformInsights：各平台的策略洞察
contentAngles：整體內容切入角度
riskNotes：整體風險提醒

機會評分的計算不是 LLM 隨意打的。腳本在送給 LLM 之前，會先根據關鍵字匹配度和互動數據（按讚、評論、分享、收藏）算出一個 40-96 分的基礎分。LLM 在此基礎上做微調，確保評分有資料支撐。

如果 LLM 呼叫失敗（例如 API 超時或者額度不足），腳本會用樣板生成基礎的分析結果。

05、線上查詢 9 個 API

AI 熱點雷達不只展示每天的自動化報告，還嵌入了 9 個 RedFox API 的線上查詢卡片。

微信公眾號（6 個查詢）：

搜尋文章：輸入關鍵字搜尋公眾號文章
搜尋公眾號：按名稱搜尋公眾號帳號
查詢文章列表：輸入公眾號名稱抓取最近文章
查詢文章詳情：輸入文章 URL 查看完整資料
查詢公眾號資訊：輸入微信號查看帳號詳情
查詢作品詳情：按 UUID 查詢作品資料

抖音（2 個查詢）：查詢作品詳情、查詢帳號詳情

小紅書（2 個查詢）：查詢帳號詳情、查詢作品詳情

比如想查某個公眾號資料，在查詢文章列表卡片裡輸入公眾號名稱，可以拉到最近的文章列表，每篇文章都有閱讀量、按讚數、評論數、分享數的完整互動資料。

06、Codex 裡用 Skills

紅狐數據裡的 Skills 也可以直接裝進 Codex 或其他 Agent 用。

bash 体验AI代码助手 代码解读复制代码skills/
├── douyin-search/           # 抖音爆款作品搜尋
├── wechat-10w-hot/          # 微信公眾號 10w+ 文章推薦
├── xiaohongshu-weeklytop/   # 小紅書七日爆款筆記
└── trending-hub/            # 全網熱點追蹤（7 平台聚合）

每個 Skill 的結構都是標準的三件套：SKILL.md（決策手冊）+ scripts/（Python 腳本）+ references/（參考資料）。

安裝到 Codex

方法很簡單。

我想裝這幾個 Skills：redfox.hk/skills 包括全網熱點追蹤、小紅書爆款筆記、公眾號 10 萬+ 爆款文章推薦。

然後在紅狐數據申請一個 API Key：

實測效果

裝完之後，在 Agent 裡直接說「幫我看看最新的公眾號 10w+ 文章」，Agent 會自動載入 wechat-10w-hot Skill，呼叫 fetch_hot_articles.py 腳本去紅狐數據拉資料。

Codex、Claude Code 或者 PaiCLI 都可以。

小紅書和抖音的 Skill 類似。

xiaohongshu-weeklytop 可以查過去 7 天各領域的爆款筆記 TOP50，涵蓋 25 個垂直分類。douyin-search 支援關鍵字搜尋抖音熱門作品，還能對泛化詞自動擴展為 10 個細分關鍵字。

trending-hub 是全網熱點追蹤，聚合百度、知乎、微博、抖音、B 站、快手、今日頭條 7 個平台的熱搜數據，按小時更新。

07、技術架構與部署

聊聊整個 AI-Hot 的技術實作，給想自己搭一個的小夥伴做參考。

技術棧

組件	技術選型	說明
資料採集	Python 3.11+	標準庫 urllib，無重度依賴
LLM 分析	OpenAI-compatible API	預設 DeepSeek v4-pro，可切換
前端	純 HTML/CSS/JS	無框架，單頁應用
站點生成	Python	靜態輸出，資料嵌入 HTML，輸出到 dist/
自動化	GitHub Actions	每天 00:30 定時執行
部署	Nginx + systemd	靜態檔案 + API 代理服務

沒有資料庫。

每天的資料生成後寫入 dist/data/latest.json，同時歸檔到 dist/archive/YYYY-MM-DD.json。前端頁面直接讀取 JSON 渲染，架構非常簡單。

GitHub Actions 自動化

.github/workflows/daily-aihot.yml 定義了每日建置流程：

觸發：每天 00:30 自動觸發，也支援手動觸發（workflow_dispatch）
建置：安裝 Python 3.11，執行 run_daily_agent.py，驗證輸出（任何一個平台回傳 0 條資料就標記失敗）
部署：透過 SSH 把 dist/ 同步到伺服器，更新 systemd 服務

環境變數透過 GitHub Secrets 注入，API Key 不會出現在程式碼倉庫裡。

yaml 体验AI代码助手 代码解读复制代码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 設定

正式環境用 Nginx 做靜態檔案服務和 API 代理。靜態頁面直接從部署目錄讀取，API 請求轉發到本地的 Python 代理服務（埠 5173）：

nginx 体验AI代码助手 代码解读复制代码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;
}

微信公眾號的封面圖有防盜鏈，Nginx 裡還加了一層圖片代理，帶上正確的 Referer 標頭：

nginx 体验AI代码助手 代码解读复制代码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/";
}

成本控制

這個項目每天的運行成本很低：

紅狐數據 API：每天大約調 15-20 次（三平台搜尋 + 抖音詳情補全）
LLM：一次結構化分析，token 消耗在 2000-3000 左右
伺服器：和其他項目共用一台，不額外增加成本

08、如何寫到履歷上？

專案名稱：AI 熱點雷達

專案簡介：基於紅狐數據新媒體數據 API，設計並實作了 4 個 Agent Skills，驅動 AI 熱點聚合與分析平台自動採集抖音、小紅書、微信公眾號三大平台資料，結合 LLM 結構化分析生成每日熱點報告和機會評分。

技術棧：Python + Agent Skills + RESTful API + OpenAI-compatible LLM + 靜態站點生成 + GitHub Actions + Nginx

核心職責：

設計並實作了 4 個標準化 Agent Skills，涵蓋全網熱點追蹤、小紅書爆款筆記、微信公眾號 10 萬+ 文章推薦、抖音熱門作品搜尋四個方向
實作了 Skill 三層載入機制，支援同名 Skill 覆蓋和熱重載，Skills 可跨 Codex、Claude Code 等多個 Agent 平台復用
基於紅狐數據 REST API 封裝三個平台的資料採集，Skill 腳本內建了時間參數自動計算、分類關鍵字泛化映射、分頁展示策略等決策邏輯，日均處理有效資料超過 500 條
實作了 LLM 結構化分析引擎，輸出跨平台精選推薦、機會評分、內容角度建議；基於 GitHub Actions 實作每日全自動建置和部署流程

而且整個專案從開發到部署，滿打滿算只用了半天時間。資料源用紅狐數據的 API，不用自己寫爬蟲。LLM 分析用 DeepSeek 或其他國產模型都可以。部署用 GitHub Actions，不用自己搭 CI/CD。

【開發者最大的優勢是，別人用工具，我們造工具。】

我們下期見。

原文出處：https://juejin.cn/post/7649329229150650378