基于 Codex+红狐数据 Skill 和 API 搭了一个 AI 热点雷达，直接上网址和录屏，大家看一眼。

aihot.paicoding.com

【视频】

每天凌晨自动跑一遍，把抖音、小红书、公众号三个平台上和AI相关的热点数据全部抓下来，扔给 LLM 做一轮结构化分析，给每条内容的算个评分。

打开页面，5分钟就能知道今天有哪些 AI 话题值得聊，非常方便。

这个项目用 Codex 前后也就是俩小时的调试，包括上线部署。

01、红狐数据 是什么？

红狐数据 是一个面向开发者的新媒体数据平台，提供了抖音、小红书、公众号、视频号、快手、微博、今日头条等多个平台的内容数据 API，覆盖账号信息、文章详情、作品列表、搜索查询等多个维度。

redfox.hk

还有一个 Skills 广场，提供了 40 多个开箱即用的数据分析技能。

几个热门的调用量很高，公众号10w+文章推荐 3.6 万次，抖音热门账号推荐 2.5 万次，全网热点追踪 2.1 万次。

这些 Skill 可以下载到本地 Agent 工具里运行，Codex、Claude Code 都能用。

除了 Skill，还有四个大类的 API：

  • 公众号：6个接口，覆盖账号搜索、文章搜索、账号信息查询、文章详情查询、作品列表查询、URL直查
  • 小红书：2个接口，支持账号详情和作品详情查询
  • 抖音：2个接口，账号和作品的基础信息查询
  • 工具类：AI 图片生成（image2-GPT）、视频生成（Seendance 2.0）、图片生成（Seedream 5.0 lite）

对于开发者来说，红狐数据 的价值在于拿到 API 之后想怎么用就怎么用，搭看板、写脚本、接Agent、做自动化，都行。

AI 热点雷达就是这么搭出来的。

02、AI 热点雷达长什么样

打开 aihot.paicoding.com，整个页面分成几个核心区域。

每日摘要

页面顶部是 Agent 生成的每日摘要，今天总共采集了多少条数据、哪些话题值得关注。

分别显示抖音样本数量、小红书灵感数量、公众号爆文数量、以及 Agent 推荐条数。

Agent 精选推荐

LLM 会从三个平台的数据里挑出最值得关注的内容，按机会评分（opportunityScore）排序。

拿 6 月 8 号的数据来说，评分最高的是新智元那篇《ChatGPT与Codex》，88分。Agent 给出的内容角度是“拆解事件背景与用户争议点”和“结合AI工具给出可复现实操”。

三平台数据面板

分三个区域展示各平台的原始数据。

抖音样本：展示5条AI相关的热门视频，每条都带着点赞数、评论数、分享数、收藏数、评论热词。

小红书灵感：5条AI相关的爆款笔记。

公众号爆文：5篇10w+阅读的公众号文章。每篇文章除了阅读数，还有点赞、在看、评论、分享的完整互动数据。

在这里插入图片描述

在线查询

页面上还嵌入了9个 RedFox API 查询卡片，可以直接在网页上输入关键词查询三平台的数据。

03、数据从哪来的？

AI 热点雷达的数据全部来自红狐数据，整个采集流程如下所示。

通过 GitHub Actions 每天凌晨自动执行。

采集流程

脚本启动后按固定顺序执行：

第一步，加载 Skills。脚本会读取 skills/ 目录下的 SKILL.md 文件，获取每个平台的采集策略、API 参数和关键词配置。

第二步，并行采集三个平台的数据。每个平台有独立的采集逻辑：

平台 采集方式 关键词 数据量
抖音 关键词搜索 + 作品详情补全 AI 5条（含完整互动数据）
小红书 爆款笔记查询 AI工具、AI编程、AI智能体、Agent、大模型 5条
公众号 热门文章查询 AI工具、AI编程、AI智能体、Agent、大模型 5条

第三步，补全抖音作品详情。搜索接口返回的数据比较简略，脚本会对排名靠前的5条作品再调一次 queryWork 接口，拿到完整的点赞数、评论热词、封面图、作者信息。

第四步，交给 LLM 做结构化分析。

第五步，生成站点文件。把所有数据和分析结果嵌入 HTML，输出到 dist/ 目录。

API 调用示例

以公众号文章搜索为例，实际的 API 调用长这样：

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 设为 _4 是按阅读数倒序，_2 是按发布时间倒序。响应是标准的 JSON 结构：

{
  "code": 2000,
  "msg": "成功",
  "data": {
    "total": 100,
    "hasMore": true,
    "list": [
      {
        "title": "文章标题",
        "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"
      }
    ]
  }
}

所有接口统一用 POST + JSON，认证用 X-API-KEY 请求头。Python 的 urllib、requests，Node.js 的 fetch，甚至直接 curl 都能调。

容错设计

采集过程做了多层容错：单个平台失败不影响其他平台；每个平台有备用 Skill，主 Skill 超时后会降级到备用方案；API 调用之间有 0.15 到 0.25 秒的延迟，避免触发频率限制；最终输出的 JSON 里有 errors 数组，记录了所有异常信息，方便排查。

04、LLM 分析与机会评分

数据采集完之后，脚本会把三个平台的样本数据打包发给 LLM，请求结构化分析。

默认用的是 DeepSeek v4-pro。Prompt 里会带上 Skill 的元数据和参考资料，让 LLM 理解每个平台的数据结构和评判标准。

DailyAihotAgentRunner
├── SkillLoader
│   └── 读取 SKILL.md / references
├── RedFoxCollector
│   └── 执行 Skill scripts / 调 RedFox APIs
├── LlmAnalyzer
│   └── 调 LLM 生成结构化分析
├── Validator
│   └── 校验 JSON 字段和长度
└── SiteBuilder
    └── 生成 HTML / JSON

LLM 需要返回一个严格的 JSON 结构，包含五个部分：

  • dailySummary：当天数据的整体概述
  • topPicks：跨平台精选推荐，每条带机会评分（0-100）、内容角度建议、风险提示
  • platformInsights：各平台的策略洞察
  • contentAngles：整体内容切入角度
  • riskNotes：整体风险提醒

机会评分的计算不是 LLM 随意打的。脚本在发给 LLM 之前，会先根据关键词匹配度和互动数据（点赞、评论、分享、收藏）算出一个 40-96 分的基础分。LLM 在此基础上做微调，确保评分有数据支撑。

如果 LLM 调用失败（比如 API 超时或者额度不足），脚本会用模板生成基础的分析结果。

05、在线查询9个 API

AI 热点雷达不光展示每天的自动化报告，还嵌入了 9 个 RedFox API 的在线查询卡片。

公众号（6个查询）：

  • 搜索文章：输入关键词搜索公众号文章
  • 搜索公众号：按名称搜索公众号账号
  • 查询文章列表：输入公众号名称拉取最近文章
  • 查询文章详情：输入文章URL查看完整数据
  • 查询公众号信息：输入微信号查看账号详情
  • 查询作品详情：按UUID查询作品数据

抖音（2个查询）：查询作品详情、查询账号详情

小红书（2个查询）：查询账号详情、查询作品详情

比如想查某个公众号数据，在查询文章列表卡片里输入公众号名称，可以拉到最近的文章列表，每篇文章都有阅读量、点赞数、评论数、分享数的完整互动数据。

06、Codex 里用 Skills

红狐数据 里的 Skills 也可以直接装进 Codex 或者其他Agent用。

skills/
├── douyin-search/           # 抖音爆款作品搜索
├── wechat-10w-hot/          # 公众号10w+文章推荐
├── xiaohongshu-weeklytop/   # 小红书七日爆款笔记
└── trending-hub/            # 全网热点追踪（7平台聚合）

每个 Skill 的结构都是标准的三件套：SKILL.md（决策手册）+ scripts/（Python 脚本）+ references/（参考资料）。

安装到 Codex

方法很简单。

我想装这几个Skills：https://redfox.hk/skills 包括全网热点追踪 小红书爆款笔记 公众号10万+爆款文章推荐。

然后在红狐数据 申请一个 API Key：

实测效果

装完之后，在 Agent 里直接说“帮我看看最新的公众号10w+文章”，Agent 会自动加载 wechat-10w-hot Skill，调用 fetch_hot_articles.py 脚本去红狐数据拉数据。

Codex、Claude Code或者PaiCLI都可以。

小红书和抖音的 Skill 类似。

xiaohongshu-weeklytop 可以查过去7天各领域的爆款笔记 TOP50，覆盖 25 个垂直分类。douyin-search 支持关键词搜索抖音热门作品，还能对泛化词自动扩展为 10 个细分关键词。

trending-hub 是全网热点追踪，聚合百度、知乎、微博、抖音、B站、快手、今日头条 7 个平台的热搜数据，按小时更新。

07、技术架构与部署

聊聊整个 AI-Hot 的技术实现，给想自己搭一个的小伙伴做参考。

技术栈

组件 技术选型 说明
数据采集 Python 3.11+ 标准库 urllib，无重度依赖
LLM 分析 OpenAI-compatible API 默认 DeepSeek v4-pro，可切换
前端 纯 HTML/CSS/JS 无框架，单页面应用
站点生成 Python 静态输出 数据嵌入 HTML，输出到 dist/
自动化 GitHub Actions 每天 00:30 定时执行
部署 Nginx + systemd 静态文件 + API 代理服务

没有数据库。

每天的数据生成后写入 dist/data/latest.json，同时归档到 dist/archive/YYYY-MM-DD.json。前端页面直接读取 JSON 渲染，架构非常简单。

GitHub Actions 自动化

.github/workflows/daily-aihot.yml 定义了每日构建流程：

  1. 触发：每天 00:30 自动触发，也支持手动触发（workflow_dispatch）
  2. 构建：安装 Python 3.11，执行 run_daily_agent.py，验证输出（任何一个平台返回 0 条数据就标记失败）
  3. 部署：通过 SSH 把 dist/ 同步到服务器，更新 systemd 服务

环境变量通过 GitHub Secrets 注入，API Key 不会出现在代码仓库里。

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 配置

生产环境用 Nginx 做静态文件服务和 API 代理。静态页面直接从部署目录读取，API 请求转发到本地的 Python 代理服务（端口 5173）：

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;
}

微信公众号的封面图有防盗链，Nginx 里还加了一层图片代理，带上正确的 Referer 头：

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

这个项目每天的运行成本很低：

  • 红狐数据 API：每天大约调 15-20 次（三平台搜索 + 抖音详情补全）
  • LLM：一次结构化分析，token 消耗在 2000-3000 左右
  • 服务器：和其他项目共用一台，不额外增加成本

08、如何写到简历上？

项目名称：AI 热点雷达

项目简介：基于红狐数据 新媒体数据 API，设计并实现了 4 个 Agent Skills，驱动 AI 热点聚合与分析平台自动采集抖音、小红书、公众号三大平台数据，结合 LLM 结构化分析生成每日热点报告和机会评分。

技术栈：Python + Agent Skills + RESTful API + OpenAI-compatible LLM + 静态站点生成 + GitHub Actions + Nginx

核心职责：

  • 设计并实现了 4 个标准化 Agent Skills，覆盖全网热点追踪、小红书爆款笔记、公众号10w+文章推荐、抖音热门作品搜索四个方向
  • 实现了 Skill 三层加载机制，支持同名 Skill 覆盖和热重载，Skills 可跨 Codex、Claude Code 等多个 Agent 平台复用
  • 基于红狐数据 REST API 封装三个平台的数据采集，Skill 脚本内置了时间参数自动计算、分类关键词泛化映射、分页展示策略等决策逻辑，日均处理有效数据超过 500 条
  • 实现了 LLM 结构化分析引擎，输出跨平台精选推荐、机会评分、内容角度建议；基于 GitHub Actions 实现每日全自动构建和部署流水线

而且整个项目从开发到部署，满打满算用了半天时间。数据源用红狐数据的API，不用自己写爬虫。LLM分析用DeepSeek或者其他国产模型都可以。部署用GitHub Actions，不用自己搭CI/CD。

【开发者最大的优势是，别人用工具，我们造工具。】

我们下期见。
Skill 三层加载机制，支持同名 Skill 覆盖和热重载，Skills 可跨 Codex、Claude Code 等多个 Agent 平台复用

  • 基于红狐数据 REST API 封装三个平台的数据采集，Skill 脚本内置了时间参数自动计算、分类关键词泛化映射、分页展示策略等决策逻辑，日均处理有效数据超过 500 条
  • 实现了 LLM 结构化分析引擎，输出跨平台精选推荐、机会评分、内容角度建议；基于 GitHub Actions 实现每日全自动构建和部署流水线

而且整个项目从开发到部署，满打满算用了半天时间。数据源用红狐数据的API，不用自己写爬虫。LLM分析用DeepSeek或者其他国产模型都可以。部署用GitHub Actions，不用自己搭CI/CD。

【开发者最大的优势是，别人用工具，我们造工具。】

我们下期见。

# 人工智能
Logo
https://edu.csdn.net/learn/39067/627173?utm_source=2019755004

汇聚全球AI编程工具，助力开发者即刻编程。

更多推荐

cover

开源 Codex Sticky：在终端 Codex CLI 长对话中始终固定底部输入框

avatar AI编程社区
cover

新手接入 Claude API，最容易忽略的五个配置项

avatar AI编程社区

前端实现大模型流式对话渲染（Markdown + 代码高亮 + 表格防爆 + 公式避坑）

在解析前补齐结构、在解析时注入 UI 元素、在渲染时拦截帧节流。把这几招落实，不管是代码块、普通文本还是复杂的表格，在流式输出时都能做到如同官方 ChatGPT 般的极致体验。

avatar AI编程社区