GitHub Trending Daily Report — 深度分析报告生成指南

生成高质量的 GitHub Trending 深度分析报告，包括每个项目的技术架构分析、核心特性、潜在应用方向，以及整体技术趋势总结和投资建议。

质量目标: 最终报告应达到 1000-1500 行，每个项目 80-100 行深度分析。参考 github-trending-report-2026-02-08.md 作为输出质量标准。

工作流程概览

本报告生成分为5个步骤：

Step 1: 抓取并富化 Trending 数据

运行数据抓取脚本：

cd /Users/bytedance/github-trending-report
python3 fetch_trending.py

如果有 GitHub Token（推荐，提高 API 限额）：

python3 fetch_trending.py --github-token "$GITHUB_TOKEN"

验证: 检查生成的 trending-data-YYYY-MM-DD.json 文件：

• 确认包含 10-20 个仓库数据
• 确认大部分仓库有 readme_content 字段（富化成功）
• 确认有 metadata 字段（包含 topics、license、forks 等）

如果富化失败: 某些仓库可能没有 readme_content，在 Step 3 中需要通过 WebFetch 手动补充。

输出: trending-data-YYYY-MM-DD.json

Step 2: 生成骨架报告

python3 generate_report.py

验证: 检查生成的 github-trending-report-YYYY-MM-DD.md：

• 包含动态生成的概览表（所有仓库，含许可证列）
• 包含基于 topics 自动分类的技术领域分布
• 每个项目有 <!-- DEEP_ANALYSIS: ... --> 占位标记
• 趋势总结部分有占位标记

输出: github-trending-report-YYYY-MM-DD.md（骨架版本）

Step 3: 深度技术分析（核心步骤）

这是最关键的步骤。需要读取骨架报告和 JSON 数据，为每个项目生成深度分析内容。

3.1 数据准备

1. 读取 trending-data-YYYY-MM-DD.json 获取每个项目的完整数据
2. 读取 github-trending-report-YYYY-MM-DD.md 获取骨架报告
3. 对于 JSON 中缺少 readme_content 的项目，使用 WebFetch 访问：
   • https://github.com/{owner}/{repo} — 仓库主页
   • https://raw.githubusercontent.com/{owner}/{repo}/main/README.md — README 原文
   • 项目 homepage（如果 metadata 中有）

3.2 执行摘要补充

替换 <!-- DEEP_ANALYSIS: executive_summary_intro --> 占位符，补充1-2句概括性描述：

格式要求：

这些项目涵盖了{领域1}、{领域2}、{领域3}等多个技术领域，反映了当前{特征描述}的技术发展热点趋势。

3.3 技术领域分布分析

替换每个领域的 <!-- DEEP_ANALYSIS: domain_analysis --> 占位符。

格式模板：

该领域项目总星标数超过{total_stars}，{一句话总结该领域特征}：
- **{子分类1}：** {具体描述，引用项目名}
- **{子分类2}：** {具体描述，引用项目名}
- **{子分类3}：** {具体描述，引用项目名}

3.4 单个项目深度分析

这是报告的核心。对每个项目，替换三个占位符区域。

3.4.1 技术原理与实现

替换 <!-- DEEP_ANALYSIS: technical_principles -->

输出格式：

{项目名}是{一句话定位描述，说明它是什么、解决什么问题}。

**核心技术架构：**

1. **{架构组件/技术要点1}**
   - {从 README 中提取的具体技术细节}
   - {使用的框架、库或设计模式}
   - {实现方式或工作原理}

2. **{架构组件/技术要点2}**
   - {具体细节}
   - {具体细节}
   - {具体细节}

3. **{架构组件/技术要点3}**
   - ...

4. **{架构组件/技术要点4}**
   - ...

5. **{架构组件/技术要点5}**（如有足够信息）
   - ...

质量要求：

• 4-5 个编号要点，每个要点有粗体标题
• 每个要点下 2-3 个具体子项（用 - 列表）
• 技术细节必须来自 README 实际内容，如具体的 SDK 名称、API 设计、架构模式
• 如果 README 提到了具体的技术栈（如 "基于 Anthropic Claude Agent SDK"），必须引用
• 如果有工作流程（如 "四阶段工作流"），需要详细描述每个阶段

3.4.2 核心特性

替换 <!-- DEEP_ANALYSIS: core_features -->

输出格式：

**1. {特性名称}**
   - {特性的具体描述}
   - {实现方式或用户价值}
   - {相关的技术指标或性能数据}

**2. {特性名称}**
   - ...

**3. {特性名称}**
   - ...

**4. {特性名称}**
   - ...

**5. {特性名称}**
   - ...

**6. {特性名称}**（如有足够信息）
   - ...

质量要求：

• 5-6 个编号特性，每个有粗体标题
• 特性名称必须来自项目 README 中实际描述的功能
• 每个特性下 2-3 个子项
• 如有性能数据或 benchmark（如 "2x faster"、"70% less VRAM"），必须引用
• 不可使用通用的泛泛描述如"高性能"、"易用性"，必须具体化

3.4.3 潜在应用方向

替换 <!-- DEEP_ANALYSIS: potential_applications -->

输出格式：

**1. {应用领域}**
   - {具体应用场景1}：{详细描述}
   - {具体应用场景2}：{详细描述}
   - {商业机会或市场前景}

**2. {应用领域}**
   - ...

**3. {应用领域}**
   - ...

**4. {应用领域}**
   - ...

**5. {应用领域}**
   - ...

质量要求：

• 5 个编号应用方向，每个有粗体标题
• 每个方向下 3 个具体子项
• 应用场景必须与项目实际能力匹配（如 AI 安全工具不应推荐用于金融分析）
• 包含行业应用、技术集成场景、商业化方向
• 子项格式："场景名：详细描述"

Step 4: 趋势总结与洞察

在所有单个项目分析完成后，生成报告末尾的趋势总结部分。

4.1 技术趋势

替换 <!-- DEEP_ANALYSIS: technology_trends -->

输出格式：

1. **{趋势标题}**
   - {解释性描述，引用具体项目名如 "以{项目A}和{项目B}为代表"}
   - {趋势的深层原因或影响}

2. **{趋势标题}**
   - ...

3. **{趋势标题}**
   - ...

4. **{趋势标题}**
   - ...

5. **{趋势标题}**
   - ...

质量要求：

• 5 个编号趋势
• 每个趋势必须引用至少 2 个当天实际项目名称作为佐证
• 趋势必须从当天实际项目中归纳总结，不可使用预设固定内容
• 每个趋势 2 个解释性子项

4.2 投资建议

替换 <!-- DEEP_ANALYSIS: high_priority_investment --> 和 <!-- DEEP_ANALYSIS: medium_priority_investment -->

输出格式（高优先级示例）：

**1. {方向名称}**
- **投资逻辑**：{为什么这个方向值得关注，数据支撑}
- **重点关注**：{具体项目名称}（{今日星标数} stars today）
- **投资建议**：{具体的行动建议}

**2. {方向名称}**
- ...

质量要求：

• 高优先级 2-3 个方向，中优先级 2-3 个方向
• 每个方向引用具体项目和数据
• 投资逻辑必须有数据支撑（stars 增长、社区活跃度等）

4.3 风险分析

替换 <!-- DEEP_ANALYSIS: risk_analysis -->

输出格式：

#### 技术风险
- {具体风险点1，引用相关项目}
- {具体风险点2}

#### 市场风险
- {具体风险点1}
- {具体风险点2}

#### 安全合规风险
- {具体风险点1，如许可证问题}
- {具体风险点2}

#### 社区维护风险
- {具体风险点1，如维护者数量、活跃度}
- {具体风险点2}

质量要求：

• 4 个维度，每个维度 2-3 个具体要点
• 风险点必须针对当天实际项目，不可泛泛而谈
• 引用具体数据（如 forks 数、issue 数、许可证类型）

Step 5: 质量检查

最终输出前，执行以下检查：

检查清单

• 无占位标记残留：报告中不应有 <!-- DEEP_ANALYSIS: 标记
• 无方括号指令残留：报告中不应有 [请基于... 等指令文本
• 所有项目完整：每个项目都有"技术原理与实现"、"核心特性"、"潜在应用方向"三个完整部分
• 趋势引用真实项目：趋势总结中引用的项目名称都是当天数据中实际存在的
• 中文一致性：全文使用中文，技术术语可保留英文原文
• 格式正确：Markdown 格式正确，表格对齐，列表缩进一致
• 报告行数：目标 1000-1500 行（12 个项目的情况下）
• README 摘要折叠：每个项目的 <details> 标签中包含 README 摘要供参考

保存最终报告

将最终完成的报告内容覆盖保存到 github-trending-report-YYYY-MM-DD.md。

快速执行命令

完整的自动化流程（Step 1 + Step 2）：

cd /Users/bytedance/github-trending-report
./run_report.sh

之后手动执行 Step 3-5（Claude 深度分析）完成报告。

Scheduling for Daily Execution

Use cron to schedule daily 9 AM execution:

# Edit crontab
crontab -e

# Add daily 9 AM cron job
0 9 * * * cd /Users/bytedance/github-trending-report && ./run_report.sh >> logs/report.log 2>&1

The run_report.sh script executes Steps 1 and 2. Use the skill afterwards for Steps 3-5.

Resources

scripts/

• fetch_trending.py: Fetches GitHub trending HTML + enriches with GitHub API metadata, README, and manifest
• generate_report.py: Generates dynamic skeleton report with placeholder markers for Claude
• run_report.sh: Shell script to execute the data pipeline (Steps 1+2)

输出文件

• trending-data-YYYY-MM-DD.json: 富化的趋势数据（含 README、metadata、manifest）
• github-trending-report-YYYY-MM-DD.md: 最终深度分析报告