cody1991/curator-de-tendencias-culturales

Curator de Tendencias Culturales

Propósito

Curar recomendaciones de libros, películas y series basadas en tendencias públicas. Priorizar el calor cultural reciente, las listas principales de buena reputación, las calificaciones a largo plazo, la confianza en el número de calificaciones y la diversidad de categorías por encima del emparejamiento con el perfil personal.

Cuándo Usar

Usa esta habilidad para solicitudes como:

• Recomendar libros o películas basados en popularidad reciente y listas públicas.
• Producir resúmenes semanales/mensuales/anuales de libros y películas.
• Comparar artículos recientemente populares con clásicos de larga duración.
• Crear informes de recomendación programados o contenido para notificaciones.
• Evitar depender del historial de lectura/visualización personal del usuario.

Modo de Operación Predeterminado

Asume que el resumen predeterminado es semanal a menos que el usuario especifique lo contrario:

• Ventana de tiempo: últimos 30 días más listas del año en curso.
• Salida: 5 libros y 5 películas/series.
• Libros: priorizar libros legibles en chino, especialmente ediciones en chino, ediciones traducidas, señales de publicación/discusión en chino, o libros fácilmente legibles por una audiencia de habla china. Evitar convertir la sección de libros en una traducción directa de listas en inglés.
• Los libros no deben convertirse en una lista de novedades: tratar las páginas de novedades solo como fuentes de descubrimiento. En un resumen semanal normal, mezclar libros recientemente populares con fondo de catálogo estable, clásicos modernos, obras de alta puntuación a largo plazo y selecciones de medios/comunidad.
• Películas/Series: priorizar obras que sean consumibles o activamente discutibles en contextos de habla china. Mantener por defecto un espacio fijo para un clásico de la historia del cine global; no necesita ser una obra en chino, pero debe tener un valor clásico ampliamente reconocido y señales convenientes de visualización/discusión en chino.
• Estilo: curación editorial concisa.
• Datos personales: por defecto, usar fuentes públicas; solo usar registros personales cuando se solicite explícitamente.
• Fuentes: preferir rankings públicos, listas de medios reputados, gráficos de plataformas y consenso entre fuentes.
• Enlaces: conservar enlaces cliqueables a las fuentes en el Markdown final siempre que haya una URL disponible.
• Artefactos: cuando el usuario solicite una salida publicable, informe, artículo o resultado reutilizable, crear un artefacto .md en lugar de solo responder en línea.

Flujo de Trabajo

1. Definir el brief de curación.

   • Identificar tipos de contenido: libros, películas, series, o todos.
   • Identificar ventana de tiempo: 7 días, 30 días, año en curso, año pasado, o clásicos de todos los tiempos.
   • Usar la regla de locale predeterminada a menos que se anule: los libros deben ser legibles en chino primero; las películas/series deben ser consumibles o discutibles en chino primero, con un espacio para un clásico global.

2. Recopilar ítems candidatos.

   • Leer references/source_strategy.md.
   • Buscar en múltiples fuentes independientes en lugar de depender de una sola plataforma.
   • Capturar título, creador, tipo, fuente, URL, calificación, número de calificaciones, lista/rango, año, etiquetas y por qué apareció.
   • Desduplicar títulos traducidos y ediciones repetidas.

3. Clasificar y filtrar.

   • Leer references/scoring_rules.md.
   • Filtrar ítems obviamente de baja calidad: calificación muy baja, muestra muy pequeña, listas puramente de marketing sin evidencia.
   • Equilibrar el calor reciente con la calidad a largo plazo.
   • Aplicar diversidad: evitar recomendar solo un género, país, tipo de contenido o familia de fuentes.
   • Para libros, limitar los candidatos a novedades e incluir explícitamente opciones estables/de fondo/clásicas para que el resultado no sea solo un resumen de últimos libros de Douban.

4. Renderizar el resumen.

   • Leer references/output_format.md.
   • Si el usuario solicita publicar, postear, enviar a una plataforma, o adaptar para Cuenta Oficial de WeChat/newsletter/red social, leer references/publishing_formats.md.
   • Usar scripts/rank_items.py cuando los candidatos se guarden como JSON.
   • Usar scripts/render_digest.py para generar Markdown a partir del JSON clasificado.
   • Incluir para cada ítem: razón de recomendación, por qué ahora, señal de fuente y nota de riesgo.
   • Usar enlaces Markdown cliqueables para los títulos de los ítems, notas de fuente y referencias finales cuando haya URLs disponibles.
   • Guardar el borrador final publicable como un archivo .md cuando el usuario solicite un artefacto concreto o un artículo listo para plataforma.
   • Para la entrega configurada mediante WeCom, usar scripts/send_wecom_notification.sh solo después de que existan el artículo y la portada. Mantener el Webhook en la configuración local ignorada; nunca ponerlo en las instrucciones de la habilidad, artefactos o Git.

Entrega Opcional

Cuando el usuario solicite enviar un resumen completo a un grupo de WeCom configurado, leer las instrucciones de entrega en references/publishing_formats.md. La entrega predeterminada es una notificación de título, imagen de portada y un archivo adjunto Markdown. Enviar el cuerpo completo del artículo solo cuando se solicite explícitamente, ya que podría abarcar varios mensajes de grupo.

5. Guardar el historial de recomendaciones cuando sea apropiado.
   • Si se ejecuta repetidamente, almacenar los títulos emitidos en un archivo JSON de historial local en el proyecto del llamante o en el directorio de salida elegido.
   • Registrar el historial por defecto, pero no usarlo para excluir o reducir la clasificación de recomendaciones a menos que el usuario solicite explícitamente evitar repeticiones.
   • Usar claves canónicas y alias para que los títulos traducidos y los títulos originales puedan desduplicarse juntos cuando la desduplicación esté habilitada.
   • Ventanas de duplicación opcionales: diario = 30 días, semanal = 8 semanas, mensual = 6 meses, clásico = 90 días.

Esquema JSON de Candidatos

Al usar scripts, preparar un archivo JSON como una lista o un objeto con items:

{
  "items": [
    {
      "title": "Título del libro o película",
      "creator": "Autor, director o showrunner",
      "type": "book",
      "url": "https://example.com/item",
      "year": 2026,
      "rating": 8.7,
      "rating_scale": 10,
      "rating_count": 12000,
      "source_count": 3,
      "trend_window": "30d",
      "trend_score": 0.8,
      "rank": 4,
      "tags": ["history", "nonfiction"],
      "sources": ["Douban", "WeRead", "media list"],
      "evidence": ["Apareció en una lista mensual", "Alto número de calificaciones"],
      "reason": "Por qué vale la pena recomendarlo",
      "risk": "Posible advertencia"
    }
  ]
}

Uso de Scripts

Clasificar candidatos:

python3 scripts/rank_items.py candidates.json --out ranked.json --history recommendation_history.json --mode weekly

La política predeterminada --duplicate-policy none registra el historial después pero no usa el historial para excluir o reducir la clasificación de ítems.

Modo diario con una ventana de duplicación fuerte de 30 días, solo cuando se solicite explícitamente:

python3 scripts/rank_items.py candidates.json --out ranked.json --history recommendation_history.json --mode daily --duplicate-policy exclude

Renderizar el resumen Markdown y añadir los ítems emitidos al historial:

python3 scripts/render_digest.py ranked.json --out digest.md --books 5 --films 5 --history-out recommendation_history.json --mode weekly

Estándar de Calidad

Recomendar menos ítems antes que llenar espacios débiles. Si un candidato solo tiene tráfico a corto plazo y ninguna evidencia de calidad, excluirlo o etiquetarlo como seguimiento de hype. Si las fuentes entran en conflicto, explicar brevemente la incertidumbre.