Curador de Tendências Culturais

O que Curador de Tendências Culturais faz?

Propósito

Curar recomendações baseadas em tendências públicas para livros, filmes e séries de TV. Priorizar calor cultural recente, listas de melhores reputadas, classificações de longo prazo, confiança na contagem de avaliações e diversidade de categorias, em vez de correspondência de perfil pessoal.

Quando Usar

Use esta habilidade para solicitações como:

• Recomendar livros ou filmes com base em popularidade recente e listas públicas.
• Produzir resumos semanais/mensais/anuais de livros e filmes.
• Comparar itens populares recentes com clássicos de longo prazo.
• Criar relatórios de recomendação programados ou conteúdo de notificação.
• Evitar depender do histórico pessoal de leitura/visualização do usuário.

Modo de Operação Padrão

Assuma que o resumo padrão é semanal, a menos que o usuário especifique o contrário:

• Janela de tempo: últimos 30 dias mais listas do ano atual.
• Saída: 5 livros e 5 itens de filmes/TV.
• Livros: priorizar livros legíveis em chinês, especialmente edições chinesas, edições traduzidas, sinais de publicação/discussão chineses, ou livros facilmente legíveis por um público de língua chinesa. Evitar transformar a seção de livros em uma tradução direta de listas em inglês.
• Os livros não devem se tornar uma lista de novos livros: tratar páginas de novos livros apenas como fontes de descoberta. Em um resumo semanal normal, misturar livros populares recentes com catálogo estável, clássicos modernos, obras de alta pontuação de longo prazo e escolhas da mídia/comunidade.
• Filmes/TV: priorizar obras que sejam assistíveis ou ativamente discutíveis em contextos de língua chinesa. Manter um espaço de atualização de clássico da história do cinema global por padrão; não precisa ser uma obra em língua chinesa, mas deve ter valor clássico amplamente reconhecido e sinais convenientes de visualização/discussão em chinês.
• Estilo: curadoria editorial concisa.
• Dados pessoais: padrão para fontes públicas; usar registros pessoais apenas quando explicitamente solicitado.
• Fontes: preferir rankings públicos, listas da mídia respeitáveis, gráficos de plataformas e consenso entre fontes.
• Links: preservar links de origem clicáveis no Markdown final sempre que uma URL estiver disponível.
• Artefatos: quando o usuário pedir uma saída publicável, relatório, artigo ou resultado reutilizável, criar um artefato .md em vez de apenas responder inline.

Fluxo de Trabalho

1. Definir o briefing de curadoria.

   • Identificar tipos de conteúdo: livros, filmes, TV ou todos.
   • Identificar janela de tempo: 7 dias, 30 dias, ano atual, ano passado ou clássicos de todos os tempos.
   • Usar a regra de localidade padrão, a menos que substituída: livros devem ser legíveis em chinês primeiro; filmes/TV devem ser assistíveis ou discutíveis em chinês primeiro, com um espaço de atualização de clássico global.

2. Coletar itens candidatos.

   • Ler references/source_strategy.md.
   • Pesquisar múltiplas fontes independentes em vez de depender de uma plataforma.
   • Capturar título, criador, tipo, fonte, URL, classificação, contagem de classificações, lista/ranking, ano, tags e por que apareceu.
   • Desduplicar títulos traduzidos e edições repetidas.

3. Classificar e filtrar.

   • Ler references/scoring_rules.md.
   • Filtrar itens obviamente de baixa qualidade: classificação muito baixa, amostra muito pequena, listas puramente de marketing sem evidências.
   • Equilibrar calor recente com qualidade de longo prazo.
   • Garantir diversidade: evitar recomendar apenas um gênero, país, tipo de conteúdo ou família de fontes.
   • Para livros, limitar candidatos a novos livros e incluir explicitamente escolhas estáveis/de catálogo/clássicas para que o resultado não seja apenas um resumo dos últimos livros do Douban.

4. Renderizar o resumo.

   • Ler references/output_format.md.
   • Se o usuário pedir para publicar, postar, enviar para uma plataforma ou adaptar para Conta Oficial WeChat/newsletter/redes sociais, ler references/publishing_formats.md.
   • Usar scripts/rank_items.py quando os candidatos forem salvos como JSON.
   • Usar scripts/render_digest.py para gerar Markdown a partir do JSON classificado.
   • Incluir para cada item: motivo da recomendação, por que agora, sinal da fonte e nota de risco.
   • Usar links Markdown clicáveis para títulos de itens, notas de fonte e referências finais quando URLs estiverem disponíveis.
   • Salvar o rascunho publicável final como um arquivo .md quando o usuário pedir um artefato concreto ou artigo pronto para plataforma.
   • Para entrega WeCom configurada, usar scripts/send_wecom_notification.sh somente depois que o artigo e a capa existirem. Manter o Webhook na configuração local ignorada; nunca colocá-lo nas instruções da habilidade, artefatos ou Git.

Entrega Opcional

Quando o usuário pedir para enviar um resumo concluído para um grupo WeCom configurado, ler as instruções de entrega em references/publishing_formats.md. A entrega padrão é uma notificação de título, imagem de capa e anexo Markdown. Enviar o corpo completo do artigo apenas quando explicitamente solicitado, pois pode abranger várias mensagens de grupo.

5. Salvar histórico de recomendações quando apropriado.
   • Se executado repetidamente, armazenar títulos emitidos em um arquivo JSON de histórico local no diretório do projeto do chamador ou diretório de saída escolhido.
   • Gravar histórico por padrão, mas não usá-lo para excluir ou rebaixar recomendações, a menos que o usuário peça explicitamente para evitar repetições.
   • Usar chaves canônicas e aliases para que títulos traduzidos e títulos originais possam ser desduplicados juntos quando a desduplicação estiver ativada.
   • Janelas de duplicação opcionais: diário = 30 dias, semanal = 8 semanas, mensal = 6 meses, clássico = 90 dias.

Esquema JSON do Candidato

Ao usar scripts, preparar um arquivo JSON como uma lista ou um objeto com items:

{
  "items": [
    {
      "title": "Título do livro ou filme",
      "creator": "Autor, diretor ou 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": ["Apareceu em uma lista mensal", "Alta contagem de avaliações"],
      "reason": "Por que vale a pena recomendar",
      "risk": "Possível ressalva"
    }
  ]
}

Uso dos Scripts

Classificar candidatos:

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

O padrão --duplicate-policy none registra histórico posteriormente, mas não usa o histórico para excluir ou rebaixar itens.

Modo diário com uma janela de duplicação forte de 30 dias, apenas quando explicitamente solicitado:

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

Renderizar resumo Markdown e anexar itens emitidos ao histórico:

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

Nível de Qualidade

Recomendar menos itens em vez de preencher slots fracos. Se um candidato tiver apenas tráfego de curto prazo e nenhuma evidência de qualidade, excluí-lo ou rotulá-lo como um hype watch. Se as fontes entrarem em conflito, explicar a incerteza brevemente.