Auto News Podcast

根据用户输入的关键词/领域，自动完成：多源搜索 → 去重清洗 → 三级摘要 → 风格化播报文案 → 搜索配图 → 生成播报音频。

⛔ 执行纪律（必须遵守，不可跳过）

本技能的 Step 1 是强制交互环节，AI 不得自行替用户做决定。

例外情况：完整配置一次性输入

如果用户一次性提供了完整的配置信息（包含所有必要参数），则可以跳过交互环节直接执行。

支持的一次性格式（用【】或[]包裹）

【搜索关键词信息，风格是科技快评腔，形式是双人对话，主播用沉稳中年男性音色，评论员用温柔女生音色，需要深度解读，深度解读音色是活力年轻女生】

完整配置示例：

配置解析规则：

1. ✅ 搜索关键词信息必须要有 — 位于【】内的第一个逗号前内容
2. ✅ 如果包含"使用默认配置" — 除关键词外，其他全部使用默认值
3. ✅ 如果包含"其他用默认配置" — 未指定的配置项使用默认值
4. ❌ 如果未使用默认配置模式 — 所有配置项必须齐全，否则仍需交互确认

检测到完整配置后的流程

用户：【华为Mate80发布，风格是科技快评腔，形式是双人对话，主播用沉稳中年男性音色，评论员用温柔女生音色，需要深度解读】
AI：[OK] 检测到完整配置，直接开始执行...
    Step 2: 搜索新闻...
    Step 3: 生成摘要...
    ...

🌐 英文输入支持（新增）

系统现在支持全英文输入，自动检测语言并生成英文播报内容。

英文配置格式

使用方括号 [] 包裹英文配置：

[Keyword, style is ..., format is ..., voice is ...]

英文配置示例

英文配置映射

英文批量生成

[Apple earnings report, style is formal news, format is single broadcast, voice is young female, no deep analysis]
[Tesla new model, style is tech commentary, format is dual dialogue, host voice is mature male, commentator voice is gentle female, need deep analysis]

🚀 批量生成模式（新增）

支持一次性输入多条新闻播报配置，系统将按顺序逐条生成。

批量配置格式

每条配置用【】包裹，多条配置连续输入：

【华为Mate80发布，风格是科技快评腔，形式是双人对话，主播用沉稳中年男性音色，评论员用温柔女生音色，需要深度解读，深度解读音色是活力年轻女生】
【宝马X5最新信息，风格是科技快评腔，形式是单人口播，用温柔女生音色，需要深度解读，深度解读音色是活力年轻女生】
【奔驰S级最新信息，风格是正式新闻，其他用默认值】

批量生成规则

1. 逐条解析：系统会按顺序解析每一条配置
2. 关键词必填：如果某条配置不包含搜索关键词信息，直接舍弃
3. 默认值填充：如果配置信息不全，缺失部分使用默认值
4. 配置清单：解析完成后生成配置清单表格展示给用户
5. 逐条执行：按配置清单顺序逐条生成新闻播报
6. 结果汇总：全部生成完成后，生成结果汇总报告

默认值说明

批量生成流程

用户：【配置1】【配置2】【配置3】...
AI：解析配置 → 生成配置清单 → 展示给用户
AI：开始逐条生成...
    [1/3] 生成配置1...
    [2/3] 生成配置2...
    [3/3] 生成配置3...
AI：生成完成！输出结果汇总

批量生成输出

批量生成的文件结构：

workspace/news/batch_YYYYMMDD_HHMMSS/
├── 配置清单.md              # 配置清单表格
├── 生成结果汇总.md          # 结果汇总报告
├── YYYYMMDD_HHMMSS_关键词1/  # 第1条新闻播报
│   ├── 新闻摘要_*.md
│   ├── 播报文案_*.txt
│   ├── titleAndLabels.txt
│   ├── cover.jpg
│   └── 播报.mp3
├── YYYYMMDD_HHMMSS_关键词2/  # 第2条新闻播报
│   └── ...
└── ...

不可偷懒规则（非完整配置时）

1. 未确认 ≠ 默认：用户未明确选择风格/形式/音色时，禁止自行假设"默认最优"并直接执行
2. 不可合并步骤：不能把"询问 + 执行"合并成一个回复，必须先问，等用户回复后再执行
3. 不可预判跳过：即使用户给的关键词已经很明确，也必须走完 Step 1 的全部确认项
4. 违规后果：跳过确认直接生成的结果视为无效，用户有权要求重新生成

Step 1 确认清单（缺一不可，除非使用完整配置格式）

* 深度解读选项：当关键词为具体新闻事件（非宽泛领域）时必须询问，不可默认选择「否」跳过。

正确的交互流程

用户：帮我生成美军拦截霍尔木兹船只的新闻播报
AI：展示 Step 1 全部选项 → 等待用户选择
用户：风格选2，形式选1，音色选4
AI：确认后开始执行 Step 2-6

错误的交互流程（禁止出现）

用户：帮我生成美军拦截霍尔木兹船只的新闻播报
AI：直接开始搜索、生成、输出结果（❌ 跳过了确认）

记住：多问一句比自作主张好。用户觉得烦会告诉你，但你替他做决定他一定会不满意。

工作流程

Step 1：收集用户输入

向用户确认以下信息（可一次性输入，也可逐步询问）：

1.1 新闻关键词 / 领域

📰 请输入你感兴趣的新闻关键词或领域：

示例：

• 领域类：财经、科技、教育、医疗、体育、娱乐、房产、汽车
• 主题类：AI 芯片、新能源汽车、中东局势、北京房价
• 具体词：华为 Mate80、宝马 X5、伊朗声明

💡 可以输入多个，用空格分隔，如"科技 AI 芯片"

1.2 播报文案风格（可选）

🎨 请选择播报文案风格，回复序号或直接输入自定义描述：

1. 📻 正式新闻腔 — 标准播音风格，适合时政、财经、官方消息
2. ☀️ 轻松早报腔 — 亲切自然，适合日常热点、生活资讯
3. 💹 财经严肃腔 — 专业理性，适合股市、产业、数据
4. 🚀 科技快评腔 — 简洁有力带点评，适合 AI、互联网、新产品

💡 也可以直接输入你想要的风格，如：

• 幽默风趣 — 轻松诙谐的语调
• 严肃深度 — 沉稳专业的分析风格
• 故事化叙述 — 像讲故事一样播报新闻
• 快节奏快讯 — 简洁明快的短句风格

⚡ 未选择时，系统会根据新闻内容自动匹配最适合的风格。

1.3 播报形式（可选）

🎙️ 请选择播报形式，回复序号：

1. 🎤 单人口播（默认）— 一位主播完整播报
2. 🗣️ 双人对话式播报 — 主播 + 评论员对话形式，更生动有趣

💡 双人对话示例：

主播：欢迎收听今日新闻，首先关注……
评论员：这件事核心看点是……
主播：对普通用户/投资者有什么影响？
评论员：主要有这几点……
主播：以上就是本次播报的内容

⚠️ 选择双人对话后，必须进一步询问主播和评论员的音色选择（见 1.4.1）

1.4 音色选择（可选）

🎵 请选择播报音色，回复序号或直接输入自定义描述：

1. 🌸 年轻活力的女生 — 清脆明亮，适合科技、娱乐、生活类新闻
2. 💼 沉稳的中年男性 — 深沉有力，适合财经、时政、深度报道
3. 🎀 温柔的女生 — 柔和舒缓，适合文化、情感、社会类新闻
4. 📻 专业新闻主播 — 标准播音腔，适合严肃新闻、国际时事
5. 🎭 情感丰富的声音 — 表现力强，适合故事性、戏剧性内容

💡 也可以直接输入你想要的音色，如：

• 成熟男声 — 稳重低沉的男性声音
• 甜美女生 — 温柔甜美的女性声音
• 磁性嗓音 — 有磁性的声音
• 知性女声 — 知性优雅的女性声音

1.4.1 双人对话音色选择（当选择形式2时必须询问）

🎭 您选择了双人对话式播报，请分别为主播和评论员选择音色：

主播音色（引导话题、提出问题、总结要点）：

1. 🌸 年轻活力的女生
2. 💼 沉稳的中年男性（默认）
3. 🎀 温柔的女生
4. 📻 专业新闻主播
5. 🎭 情感丰富的声音

评论员音色（解读新闻、分析细节、提供观点）：

1. 🌸 年轻活力的女生（默认）
2. 💼 沉稳的中年男性
3. 🎀 温柔的女生
4. 📻 专业新闻主播
5. 🎭 情感丰富的声音

💡 建议选择不同音色以形成对话感，如：主播用沉稳男声，评论员用活力女声

1.5 事件深度解读（条件触发，必须询问）

📊 检测到您输入的是具体新闻事件关键词，必须询问是否生成深度解读播报

您输入的关键词属于具体新闻事件（如"华为 Mate80 发布"、"伊朗袭击以色列"），而非宽泛领域（如"科技"、"财经"）。

是否需要生成【事件深度解读播报】？

1. ✅ 是 — 生成深度解读文章 + 单人播报音频
2. ❌ 否 — 仅生成常规新闻播报

⚠️ 此问题必须询问，不可默认选择「否」跳过

如果选择「是」，还会询问：

• 深度解读风格：可选预设风格（1-4）或直接输入自定义描述
• 深度解读音色：可选预设音色（1-6）或直接输入自定义描述

💡 深度解读包含：事件核心梳理、背景与前因、多维影响分析、利益博弈、趋势判断 💡 默认风格：正式新闻腔，默认音色：沉稳的中年男性

判断标准：

1.6 输出目录（可选）

未指定时默认使用 workspace/news/，并在此目录下自动创建以时间戳命名的子目录。

命名规则： workspace/news/{YYYYMMDD_HHMMSS}_{关键词}/

示例：

workspace/news/20260414_103500_科技AI芯片/
├── 新闻摘要_科技AI芯片_2026-04-14.md
├── 播报文案_科技AI芯片_2026-04-14.txt
├── titleAndLabels.txt
├── cover.jpg
├── 播报_科技AI芯片.mp3
├── 深度解读文案.txt          # 可选（具体事件时生成）
└── 事件深度解读.mp3          # 可选（具体事件时生成）

这样可以确保每次生成的新闻播报文件都有独立的目录，不会互相覆盖。

Step 2：搜索新闻

2.1 搜索策略（优先级排序）

搜索工具优先级（自动降级）：

使用建议：

• ✅ 优先使用 Tavily：配置 TAVILY_API_KEY 后，搜索质量最高，国际新闻覆盖全面
• ✅ Baidu Search 备选：当 Tavily 不可用时，自动使用 Baidu Search，国内网络稳定，中文新闻质量高
• ⚠️ SearXNG/Felo：国内访问受限，不推荐

搜索降级流程：

Tavily Search → Baidu Search → Tavily API (重试) → news-aggregator → web_fetch
     ↓ 超时/失败      ↓ 无结果        ↓ 失败            ↓ 失败
   自动降级          自动降级        自动降级          自动降级

2.2 多新闻源 + 去重 + 可信度判断

联网搜索至少 3 类来源：

搜索要求：

• 搜索相关新闻 ≥ 5 条
• 来源优先：权威媒体 > 官方 > 垂直媒体 > 社交媒体

新闻清洗处理：

1. 去重：对标题和正文做相似度去重（相同事件只保留一条）
2. 排序：按时间倒序（最新在前）
3. 打标：给每条新闻打标签和可信度

标签体系：

可信度评估：

• 高：权威媒体或官方来源，且有多个来源交叉验证
• 中：垂直媒体报道，或单一权威来源
• 低：社交媒体来源，或未验证的传言

输出格式：

【新闻来源】新华社
【可信度】高
【事件标签】【权威】【数据】
【时间】2026-04-13
【正文】……

2.2 搜索策略选择

根据关键词类型自动选择搜索源：

2.3 三级摘要（必做）

对每条筛选后的新闻生成 3 种摘要：

提示词模板：

请对下面新闻生成三级摘要：
1. 20秒速报：60字以内，适合口播
2. 60秒解读：300字以内，完整通顺
3. 要点清单：3-5条，每条短句

新闻内容：
{news_content}

Step 3：生成播报文案

3.1 调用大模型生成文案

所有播报文案均通过动态读取 OpenClaw 配置后，调用大模型 API 生成，不再使用简单模板替换。

配置读取流程（优先使用当前 Agent 配置）：

# 1. 读取 OpenClaw 配置
config = _load_openclaw_config()  # ~/.openclaw/openclaw.json

# 2. 获取当前会话 Agent 的模型配置（优先）
agent_list = config.get('agents', {}).get('list', [])
current_agent_model = None
for agent in agent_list:
    if agent.get('id') == 'main':  # 当前会话通常是 main agent
        current_agent_model = agent.get('model')
        break

# 回退到全局默认配置
default_model = current_agent_model or config.get('agents', {}).get('defaults', {}).get('model', {}).get('primary')

# 3. 解析 provider 和 model
if default_model and '/' in default_model:
    provider_name, model_id = default_model.split('/', 1)
else:
    provider_name = 'qwen'
    model_id = default_model or 'qwen3.5-plus'

# 4. 查找对应的 provider 配置
providers = config.get('models', {}).get('providers', {})
provider_config = providers.get(provider_name)

# 如果当前 provider 没有 apiKey，尝试查找其他有 apiKey 的 provider
fallback_to_manual = False
if not provider_config or not provider_config.get('apiKey'):
    for pname, pconfig in providers.items():
        if pconfig.get('apiKey') and pconfig.get('baseUrl'):
            provider_config = pconfig
            provider_name = pname
            print(f'当前 provider 无 apiKey，自动切换到: {pname}')
            break
    else:
        # 没有找到有 apiKey 的 provider，使用手动编写兜底
        fallback_to_manual = True
        print('警告：找不到配置有 apiKey 的模型提供商，将使用手动编写文案')

# 5. 提取 API 配置（如果未回退到手动编写）
if not fallback_to_manual:
    api_key = provider_config.get('apiKey')
    base_url = provider_config.get('baseUrl')

配置来源（零硬编码）：

API 调用（仅在未回退到手动编写时）：

• 端点：{baseUrl}/chat/completions
• 格式：OpenAI-compatible
• 超时：120秒
• 温度：0.7
• 最大 tokens：3000

特点：

• ✅ 零硬编码：所有配置从 openclaw.json 动态读取
• ✅ 多提供商支持：自动识别 DashScope、Kimi、Ollama 等
• ✅ 配置即代码：OpenClaw 配置更新后自动生效
• ✅ 安全：API Key 不写在代码里

失败回退（按优先级）：

1. 当前 Agent 的 provider 无 apiKey → 自动查找其他有 apiKey 的 provider（如 dashscope 系列）
2. 所有 provider 都失败 → 使用手动编写文案作为兜底方案

⚠️ 优先使用大模型 API 生成文案，API 不可用时允许手动编写。

提示词设计：

单人口播提示词：

请基于以下新闻内容，撰写一篇单人口播新闻播报文案。
要求：
1. 风格：{风格}
2. 开头要有问候语和栏目介绍
3. 每条新闻之间要有自然过渡
4. 要包含新闻来源和可信度说明
5. 结尾要有结束语
6. 语言口语化，适合朗读，避免长句
7. 控制总时长在 3-5 分钟

双人对话提示词：

请基于以下新闻内容，撰写一篇双人对话式新闻播报文案。
角色设定：
- 主播（晓晓）：引导话题，提出问题，总结要点
- 评论员（云深）：解读新闻，分析细节，提供观点
要求：
1. 风格：{风格}
2. 开头要有问候语和自我介绍
3. 采用对话形式，主播和评论员交替发言
4. 每条新闻的结构：主播引入 → 评论员速报 → 主播追问 → 评论员解读 → 要点总结
5. 要包含新闻来源和可信度说明
6. 结尾要有结束语
7. 语言口语化，自然流畅，像真实对话
8. 控制总时长在 4-6 分钟
输出格式：
主播：...
评论员：...
（以此类推）

3.2 风格化重写

根据用户选择的风格重写新闻文案。用户未选择时，根据新闻内容自动匹配：

自动匹配规则：

• 关键词含"政策/政府/国务院/部委" → 正式新闻腔
• 关键词含"股票/基金/经济/房价/GDP" → 财经严肃腔
• 关键词含"AI/芯片/互联网/产品/发布" → 科技快评腔
• 其他 → 轻松早报腔

3.2 播报形式

单人口播文案结构：

各位听众朋友大家好，欢迎收听{栏目名称}。

{新闻1 - 60秒解读}

{新闻2 - 60秒解读}

...

以上就是本次播报的内容，感谢您的收听。

双人对话播报文案结构：

主播：欢迎收听{栏目名称}，我是{主播名}。
评论员：大家好，我是{评论员名}。

主播：首先关注今天的一条重要新闻……
评论员：这件事核心看点是……主要有三个方面。第一……
主播：这对普通用户/投资者有什么影响呢？
评论员：主要有这几点影响……

主播：接下来我们来看……
评论员：这个事件背后其实……

主播：以上就是本次播报的全部内容。
评论员：我们下次再见！

双人对话音色分配（默认）：

• 主播：🌸 年轻活力的女生（zh-CN-XiaoxiaoNeural）
• 评论员：💼 沉稳的中年男性（zh-CN-YunxiNeural）

用户可自定义双方音色，如"主播用温柔女声，评论员用专业男声"。

⚠️ 双人对话音频生成规则（必须遵守）

错误做法（禁止）：

# ❌ 把所有主播台词合并成一段音频
# ❌ 把所有评论员台词合并成一段音频
# ❌ 把两段音频首尾相连
host_all = "主播第一句。主播第二句。主播第三句。"
commentator_all = "评论员第一句。评论员第二句。评论员第三句。"
# 结果：主播说完所有话，评论员再说所有话 → 不是对话！

正确做法（必须按此流程）：

# ✅ 第一步：逐句解析播报文案，按对话顺序提取每一句
# 文案格式：
#   主播：第一句
#   评论员：第一句
#   主播：第二句
#   评论员：第二句
# ...

lines = []
for line in script.split('\n'):
    if line.startswith('主播：'):
        lines.append(('host', line.split('：', 1)[1]))
    elif line.startswith('评论员：'):
        lines.append(('commentator', line.split('：', 1)[1]))

# ✅ 第二步：按对话顺序，逐句生成音频（交替使用不同音色）
#   第1句 主播 → audio_001.mp3
#   第2句 评论员 → audio_002.mp3
#   第3句 主播 → audio_003.mp3
#   第4句 评论员 → audio_004.mp3
# ...

# ✅ 第三步：按对话顺序拼接所有音频片段
#   audio_001 + audio_002 + audio_003 + audio_004 + ...
# 使用 ffmpeg concat 或 pydub 按顺序拼接

# ✅ 最终效果：主播说一句，评论员接一句，真实对话感

关键原则：

1. 逐句拆分：每行独立作为一段音频生成，不可合并
2. 交替音色：主播和评论员使用不同的 voice_id
3. 顺序拼接：严格按文案中的对话顺序拼接，先出现的先拼接
4. 临时文件：每句生成独立 mp3 到临时目录，拼接完成后清理

拼接工具：

• 首选：ffmpeg -f concat（需安装 ffmpeg）
• 备选：pydub.AudioSegment（需 ffmpeg 支持）
• 兜底：生成独立 mp3 文件，告知用户手动拼接

3.3 文案生成规则

• 口语化：避免书面语，使用"百分之"替代"%"，"二零二六年"替代"2026年"
• 流畅性：句子简短，避免长句和复杂从句
• 转场自然：新闻之间用"接下来"、"再来看"、"另一方面"等过渡
• 时长控制：单条新闻播报控制在 30-90 秒

Step 4：搜索配图

封面图搜索采用组合策略，按优先级执行：

4.1 新闻源原图抓取（推荐）

抓取策略优先级：

1. og:image - Open Graph 标准，社交媒体分享图（最可靠）
2. twitter:image - Twitter 卡片图
3. <article> 标签内的首图
4. 内容区域的大图（>300px）

智能关键词优化：

• 从关键词去除动词/时间词（如"首次"、"亮相"、"今天"）
• 从新闻标题提取高频实体词
• 添加类别词作为兜底（如"机车"→"摩托车"）

示例优化：

• 输入："张雪机车首次亮相广交会"
• 提取实体：["张雪机车", "广交会", "摩托车"]
• 搜索词："张雪机车" → "摩托车 展会"

4.2 AI 生成配图

当新闻源无图或图库搜索不匹配时，使用 AI 生成：

# 自动生成提示词示例
"张雪机车 新闻配图，专业摄影风格，高清，适合新闻播报封面，16:9 横版构图"

优势：

• 完全匹配新闻主题
• 风格统一可控
• 无版权风险

4.3 图库搜索（兜底）

使用 Unsplash API 进行图库搜索。

API Key 配置方式（优先级排序）：

1. OpenClaw 配置文件（推荐） 编辑 ~/.openclaw/openclaw.json：

   {
     "custom": {
       "unsplash": {
         "accessKey": "你的_Unsplash_Access_Key"
       }
     }
   }
   

2. 环境变量

   export UNSPLASH_ACCESS_KEY="你的_Unsplash_Access_Key"
   

⚠️ 注意：如果未配置 Unsplash Key，图库搜索功能将被跳过，但新闻源原图抓取和 AI 生成功能仍然可用。

获取 Unsplash Access Key：

1. 访问 https://unsplash.com/developers
2. 注册/登录账号
3. 创建 New Application
4. 复制 Access Key

使用示例：

import requests
access_key = '你的_Unsplash_Access_Key'
r = requests.get('https://api.unsplash.com/search/photos',
    params={'query': '{优化后的关键词}', 'per_page': 3, 'orientation': 'landscape'},
    headers={'Authorization': f'Client-ID {access_key}'}, timeout=10)

改进点：

• 使用实体提取优化搜索词
• 多候选图片选择（避免返回图标/小图）
• 图片大小过滤（≥10KB）

将封面图引用嵌入摘要文档开头：![封面图](cover.jpg)

Step 5：生成播报音频

音频生成优先级（按用户环境自动选择）：

5.1 使用 CellCog / audio-cog（推荐）

检测方式：

• 检查 ~/.agents/skills/audio-cog/SKILL.md 是否存在
• 检查环境变量 CELLCOG_API_KEY 是否已配置

CellCog 使用方式：

from cellcog import CellCogClient

client = CellCogClient()
result = client.create_chat(
    prompt=f'Generate TTS audio using MiniMax provider with {voice_name} voice. Read this news script:\n\n{script}',
    task_label='news-podcast',
    chat_mode='agent',
    timeout=120
)

audio-cog 技能使用方式：

import subprocess
# 调用 audio-cog 技能目录下的脚本
skill_dir = os.path.expanduser('~/.agents/skills/audio-cog')
subprocess.run([sys.executable, f'{skill_dir}/scripts/generate.py',
    '--text', script, '--voice', voice_id, '--output', output_path])

⚠️ CellCog Agent 模式需要账户余额 ≥ 100 credits。如余额不足，自动回退到 edge-tts。

5.2 使用 edge-tts（免费兜底）

import edge_tts, asyncio

async def generate():
    communicate = edge_tts.Communicate(script, voice_id)
    await communicate.save(output_path)

asyncio.run(generate())

edge-tts 可用中文声音：

双人对话音频生成：

1. 将文案按角色拆分为多段
2. 分别为每段生成音频
3. 使用 pydub 拼接为完整音频（可选加转场音效）

Step 6：事件深度解读播报（可选）

当用户输入具体新闻事件关键词（而非宽泛领域）时，系统会询问是否生成事件深度解读播报。

关键词类型判断：

深度解读结构（5部分）：

1. 事件核心梳理：概括新闻关键信息
2. 事件背景与前因：政策、行业环境、历史脉络
3. 多维度影响分析：行业、市场、企业、用户影响
4. 利益博弈与各方态度：不同主体立场与冲突
5. 趋势判断与启示：短期/长期趋势、风险、机会

默认配置：

• 风格：正式新闻腔
• 音色：沉稳的中年男性
• 字数：800-1200字

实现方式：

使用 OpenClaw 当前会话 Agent 的模型配置，自动识别模型提供商

# 1. 读取 OpenClaw 配置
config = _load_openclaw_config()  # ~/.openclaw/openclaw.json

# 2. 获取当前会话 Agent 的模型配置（优先使用 agent 特定配置，而非全局默认）
# 首先尝试获取当前 agent 的配置
agent_list = config.get('agents', {}).get('list', [])
current_agent_model = None
for agent in agent_list:
    if agent.get('id') == 'main':  # 当前会话通常是 main agent
        current_agent_model = agent.get('model')
        break

# 如果找不到 agent 特定配置，才回退到全局默认
default_model = current_agent_model or config.get('agents', {}).get('defaults', {}).get('model', {}).get('primary')
# 示例：qwen/kimi-k2.5 → provider=qwen, model=kimi-k2.5

# 3. 解析 provider 和 model
if default_model and '/' in default_model:
    provider_name, model_id = default_model.split('/', 1)
else:
    provider_name = 'qwen'
    model_id = default_model or 'qwen3.5-plus'

# 4. 查找对应的 provider 配置
providers = config.get('models', {}).get('providers', {})
provider_config = providers.get(provider_name)

# 如果当前 provider 没有 apiKey，尝试查找其他有 apiKey 的 provider
fallback_to_manual = False
if not provider_config or not provider_config.get('apiKey'):
    for pname, pconfig in providers.items():
        if pconfig.get('apiKey') and pconfig.get('baseUrl'):
            provider_config = pconfig
            provider_name = pname
            print(f'当前 provider 无 apiKey，自动切换到: {pname}')
            break
    else:
        # 没有找到有 apiKey 的 provider，使用手动编写兜底
        fallback_to_manual = True
        print('警告：找不到配置有 apiKey 的模型提供商，将使用手动编写文案')

# 5. 提取 API 配置（如果未回退到手动编写）
if not fallback_to_manual:
    api_key = provider_config.get('apiKey')
    base_url = provider_config.get('baseUrl')

配置来源（零硬编码）：

注意：优先读取 agents.list 中当前 Agent 的 model 字段，而非全局 agents.defaults.model.primary。如果当前 provider 无 apiKey，自动查找其他有 apiKey 的 provider；如果都不可用，使用手动编写文案作为兜底。

支持的模型提供商：

• DashScope（通义千问）
• Kimi
• Ollama（本地模型）
• 任意 OpenAI-compatible API

API 调用：

• 端点：{baseUrl}/chat/completions
• 格式：OpenAI-compatible
• 超时：120秒
• 温度：0.7
• 最大 tokens：3000

特点：

• ✅ 零硬编码：所有配置从 openclaw.json 动态读取
• ✅ 自动识别：根据默认模型自动匹配 provider
• ✅ 多提供商支持：支持任意配置好的模型提供商
• ✅ 配置即代码：OpenClaw 配置更新后自动生效
• ✅ 安全：API Key 不写在代码里

失败回退（按优先级）：

1. 当前 Agent 的 provider 无 apiKey → 自动查找其他有 apiKey 的 provider（如 dashscope 系列）
2. 所有 provider 都失败 → 使用手动编写文案作为兜底方案

⚠️ 优先使用大模型 API 生成文案，API 不可用时允许手动编写。

提示词模板：

请基于以下新闻内容，撰写一篇专业、客观、深度解读文章，要求逻辑严谨、结构清晰，适合公众号 / 行业分析使用。
请精简冗余语句，强化逻辑链条，使全文更像专业深度评论。
...
（详见代码中的 DEEP_ANALYSIS_PROMPT）

Step 7：输出结果

7.1 向用户展示生成的文件列表和概要信息

7.2 文件完整性检查（必须执行）

在向用户展示结果之前，必须执行以下检查：

import os

def check_output_files(output_dir, keyword, has_deep_analysis=False):
    """
    检查输出文件是否齐全
    
    Args:
        output_dir: 输出目录路径
        keyword: 新闻关键词（用于文件名匹配）
        has_deep_analysis: 是否包含深度解读
    
    Returns:
        (is_complete: bool, missing_files: list, file_status: dict)
    """
    required_files = [
        ('新闻摘要', f'新闻摘要_{keyword}_*.md'),
        ('播报文案', f'播报文案_{keyword}.txt'),
        ('titleAndLabels', 'titleAndLabels.txt'),
        ('封面图', 'cover.jpg'),
        ('播报音频', f'播报_{keyword}.mp3'),
    ]
    
    optional_files = []
    if has_deep_analysis:
        optional_files = [
            ('深度解读文案', '深度解读文案.txt'),
            ('深度解读音频', '事件深度解读.mp3'),
        ]
    
    file_status = {}
    missing_files = []
    
    # 检查必需文件
    for name, pattern in required_files:
        if '*' in pattern:
            # 通配符匹配
            import glob
            matches = glob.glob(os.path.join(output_dir, pattern))
            if matches:
                file_status[name] = os.path.basename(matches[0])
            else:
                file_status[name] = '❌ 缺失'
                missing_files.append(name)
        else:
            # 精确匹配
            filepath = os.path.join(output_dir, pattern)
            if os.path.exists(filepath):
                file_status[name] = pattern
            else:
                file_status[name] = '❌ 缺失'
                missing_files.append(name)
    
    # 检查可选文件
    for name, pattern in optional_files:
        filepath = os.path.join(output_dir, pattern)
        if os.path.exists(filepath):
            file_status[name] = pattern
        else:
            file_status[name] = '⚪ 未生成'
    
    is_complete = len(missing_files) == 0
    return is_complete, missing_files, file_status


# 使用示例（带重试机制，最多3次）
def generate_with_retry(output_dir, keyword, has_deep_analysis=False, max_retries=3):
    """
    生成文件并检查完整性，最多重试3次
    """
    retry_count = 0
    last_missing = []
    last_status = {}
    
    while retry_count < max_retries:
        is_complete, missing, status = check_output_files(
            output_dir=output_dir,
            keyword=keyword,
            has_deep_analysis=has_deep_analysis
        )
        
        if is_complete:
            print('✅ 所有文件已齐全')
            return True, status
        
        retry_count += 1
        last_missing = missing
        last_status = status
        
        if retry_count < max_retries:
            print(f'第 {retry_count} 次检查：以下文件缺失，正在补充生成：{missing}')
            # 根据缺失的文件类型，调用相应的生成函数补充
            for missing_file in missing:
                try:
                    if missing_file == '封面图':
                        generate_cover_image()
                    elif missing_file == '播报音频':
                        generate_broadcast_audio()
                    elif missing_file == '新闻摘要':
                        generate_news_summary()
                    elif missing_file == '播报文案':
                        generate_broadcast_script()
                    elif missing_file == 'titleAndLabels':
                        generate_title_and_labels()
                    # ... 其他补充逻辑
                except Exception as e:
                    print(f'生成 {missing_file} 失败：{str(e)}')
        else:
            print(f'第 {retry_count} 次检查：以下文件仍然缺失：{missing}')
    
    # 超过最大重试次数，向用户说明原因
    print(f'\n⚠️ 文件完整性检查完成，但以下文件未能生成（已尝试 {max_retries} 次）：')
    for missing_file in last_missing:
        print(f'  - {missing_file}')
    
    print('\n可能的原因：')
    print('  1. 网络连接问题（如 Unsplash API、新闻源网站无法访问）')
    print('  2. API Key 配置问题（如大模型 API 未配置或已过期）')
    print('  3. 依赖工具缺失（如 ffmpeg、edge-tts 未安装）')
    print('  4. 新闻源内容问题（如网页结构变化导致抓取失败）')
    print('\n建议：')
    print('  - 检查网络连接和 API 配置')
    print('  - 查看具体错误日志定位问题')
    print('  - 如需完整结果，可重新执行技能')
    
    return False, last_status


# 执行生成和检查
success, final_status = generate_with_retry(
    output_dir='/path/to/output',
    keyword='北京国际电影节',
    has_deep_analysis=True,
    max_retries=3
)

检查规则：

1. 必需文件（5个）：新闻摘要、播报文案、titleAndLabels.txt、封面图、播报音频
2. 可选文件（2个）：深度解读文案、深度解读音频（仅当用户选择深度解读时检查）
3. 发现缺失：调用对应生成函数补充，最多重试 3 次
4. 重试机制：每次补充后再次检查，记录失败原因
5. 最终处理：3次后仍有缺失，向用户说明原因并展示已生成文件

完整性检查流程图（最多3次）：

生成所有文件 → 执行完整性检查 → 发现缺失？
    ↓ 是                    ↓ 否（3次内齐全）
重试次数 < 3？          向用户展示完整结果
    ↓ 是                    ↓
调用生成函数补充 → 再次检查    
    ↓ 否（已达3次）
向用户说明缺失原因 → 展示已生成文件

缺失原因说明模板：

⚠️ 文件完整性检查完成，但以下文件未能生成（已尝试 3 次）：
  - {文件1}
  - {文件2}

可能的原因：
  1. 网络连接问题（如 Unsplash API、新闻源网站无法访问）
  2. API Key 配置问题（如大模型 API 未配置或已过期）
  3. 依赖工具缺失（如 ffmpeg、edge-tts 未安装）
  4. 新闻源内容问题（如网页结构变化导致抓取失败）

建议：
  - 检查网络连接和 API 配置
  - 查看具体错误日志定位问题
  - 如需完整结果，可重新执行技能

titleAndLabels.txt 格式规范

文件名固定为 titleAndLabels.txt，编码为 UTF-8 with BOM。

内容格式：

【新闻标题】{标题1}
【事件标签】{标签1}
【可信度】{可信度}
【时间】{时间}

【新闻标题】{标题2}
【事件标签】{标签2}
【可信度】{可信度}
【时间】{时间}

...

如果播报包含多条新闻，分段落分别展示，每条新闻之间用空行分隔。

示例：

【新闻标题】央行宣布降准 0.5 个百分点，释放长期资金约 1 万亿元
【事件标签】【权威】【数据】
【可信度】高
【时间】2026-04-14

【新闻标题】AI 芯片巨头英伟达发布新一代 Blackwell Ultra GPU
【事件标签】【预告】
【可信度】高
【时间】2026-04-14

【新闻标题】北京二手房成交量连续三个月环比上涨
【事件标签】【数据】
【可信度】中
【时间】2026-04-13

注意事项

1. 编码：所有含中文的文件必须使用 UTF-8 with BOM（utf-8-sig）编码
2. 音色提示：用户未提供音色信息时，必须主动展示示例并询问
3. 风格自适应：用户未选择风格时，根据新闻内容自动匹配
4. 去重处理：同一事件多篇报道只保留最权威的一条
5. 可信度标注：每条新闻必须标注来源和可信度
6. 输出目录：如目录不存在则自动创建
7. 搜索失败：如某个源搜索失败，尝试其他可用源
8. 双人音频：如果 pydub 未安装，退化为生成两个独立 mp3 文件

批量生成使用示例

Python API 调用方式

from fetch_and_generate_v2 import run_batch_broadcast

# 批量配置文本
batch_config = """
【华为Mate80发布，风格是科技快评腔，形式是双人对话，主播用沉稳中年男性音色，评论员用温柔女生音色，需要深度解读，深度解读音色是活力年轻女生】
【宝马X5最新信息，风格是科技快评腔，形式是单人口播，用温柔女生音色，需要深度解读，深度解读音色是活力年轻女生】
【奔驰S级最新信息，风格是正式新闻，其他用默认值】
"""

# 执行批量生成
result = run_batch_broadcast(batch_config)

# 检查结果
if result['success']:
    print(f"成功生成 {result['success_count']} 条")
    print(f"输出目录: {result['output_dir']}")
else:
    print(f"批量生成失败: {result['error']}")

命令行调用方式

# 单条生成
python fetch_and_generate_v2.py "【华为Mate80发布，风格是科技快评腔，形式是双人对话，主播用沉稳中年男性音色，评论员用温柔女生音色，需要深度解读】"

# 批量生成（在Python脚本中调用）
python -c "from fetch_and_generate_v2 import run_batch_broadcast; run_batch_broadcast('【配置1】【配置2】...')"

批量生成结果示例

============================================================
📰 Auto News Podcast - 批量生成模式
============================================================

[Step 1] 解析批量配置...
[OK] 解析到 3 条配置

[Step 2] 填充默认配置...
[OK] 已填充默认值

[Step 3] 生成配置清单...
# 📋 新闻播报配置清单

| 序号 | 关键词 | 风格 | 形式 | 音色 | 深度解读 | 状态 |
|------|--------|------|------|------|----------|------|
| 1 | 华为Mate80发布 | 科技快评腔 | 双人对话式播报 | 双人对话 | ✅ | ⏳ 待生成 |
| 2 | 宝马X5最新信息 | 科技快评腔 | 单人口播 | 温柔的女生... | ✅ | ⏳ 待生成 |
| 3 | 奔驰S级最新信息 | 正式新闻腔 | 单人口播 | 年轻活力的... | ❌ | ⏳ 待生成 |

**总计：3 条新闻播报**

[OK] 配置清单已保存: .../batch_20260423_114500/配置清单.md

============================================================
[Step 4] 开始逐条生成新闻播报...
============================================================

------------------------------------------------------------
📰 [1/3] 开始生成第 1 条
------------------------------------------------------------
...
✅ 第 1 条生成成功: 华为Mate80发布

------------------------------------------------------------
📰 [2/3] 开始生成第 2 条
------------------------------------------------------------
...
✅ 第 2 条生成成功: 宝马X5最新信息

------------------------------------------------------------
📰 [3/3] 开始生成第 3 条
------------------------------------------------------------
...
✅ 第 3 条生成成功: 奔驰S级最新信息

============================================================
📊 批量生成完成 - 结果汇总
============================================================
总计: 3 条
成功: 3 条 ✅
失败: 0 条 ❌
输出目录: .../batch_20260423_114500

[OK] 结果汇总已保存: .../batch_20260423_114500/生成结果汇总.md

============================================================
✅ 批量生成任务全部完成!
============================================================