使用时机

当用户提出以下需求时，使用此skill：

• "获取GitHub热门AI项目"
• "最近AI领域有什么值得关注的开源项目"
• "查看AI项目更新状态"
• "GitHub上AI项目活跃度分析"
• "最近一天/本周/最近一个月的AI项目动态"

执行流程

1. 项目搜索策略

使用GitHub API和搜索功能，重点关注：

• AI/ML关键词：artificial intelligence, machine learning, deep learning, neural network
• 热门框架：pytorch, tensorflow, scikit-learn, huggingface, langchain
• 新兴技术：llm, transformer, diffusion, stable diffusion, chatgpt
• 应用领域：computer vision, nlp, reinforcement learning, generative ai

搜索参数：

• 按星标数量排序（stars:>100）
• 按最近更新时间排序
• 过滤低质量项目（要求有README、有代码提交）
• 限制编程语言（Python, JavaScript, C++, Rust等）

2. 时间范围分析

针对不同时间范围分析项目活跃度：

最近1天（24小时）

• 活跃指标：新的代码提交、issue讨论、PR合并
• 热度指标：星标增长、fork增长
• 关注重点：紧急bug修复、新功能发布、社区讨论热点

本周（7天）

• 活跃指标：提交频率、版本发布、重要合并
• 热度指标：周星标增长率、社区参与度
• 关注重点：功能迭代、技术债务清理、社区建设

最近一个月（30天）

• 活跃指标：版本发布周期、重要功能更新
• 热度指标：月度增长趋势、长期活跃度
• 关注重点：重大更新、架构改进、生态建设

3. 项目评估维度

技术指标

• 代码质量：提交频率、代码审查、测试覆盖率
• 文档完整性：README质量、API文档、示例代码
• 依赖管理：依赖更新频率、安全漏洞修复

社区指标

• 活跃度：issues讨论、PR参与、社区响应
• 增长性：星标增长、fork数量、贡献者增加
• 多样性：贡献者地理分布、使用场景多样性

创新指标

• 技术新颖性：是否采用前沿技术或方法
• 应用价值：解决实际问题的能力
• 生态影响：对相关项目或社区的影响

4. 项目简述生成

为每个项目生成简明扼要的简述：

简述结构

📦 [项目名称]
⭐ [星标数] | 🍴 [Fork数] | 📅 [最后更新]
🏷️ [主要标签] [编程语言]
📝 [项目简介 - 50字以内]
🔥 [热度分析：为什么值得关注]
📊 [活跃度评分：1-10分]
🔗 [项目链接]

热度分析要点

• 技术创新性：是否采用了新的技术或方法
• 实用价值：解决了什么实际问题
• 社区活跃度：开发者参与程度
• 成长潜力：未来发展趋势
• 学习价值：对AI学习者的参考价值

5. 输出格式设计

整体报告格式

🚀 GitHub AI热门项目监控报告
📅 更新时间：{当前日期时间}
🔍 监控范围：{搜索条件}

## 📈 热度排行榜（Top 10）

### 🥇 第1名：[项目名称]
⭐ [星标数] | 🍴 [Fork数] | 📅 [最后更新]
🏷️ [主要标签] [编程语言]
📝 [项目简介 - 50字以内]
🔥 [热度分析：为什么值得关注]
📊 [活跃度评分：1-10分]
🔗 [项目链接]

### 🥈 第2名：[项目名称]
⭐ [星标数] | 🍴 [Fork数] | 📅 [最后更新]
🏷️ [主要标签] [编程语言]
📝 [项目简介 - 50字以内]
🔥 [热度分析：为什么值得关注]
📊 [活跃度评分：1-10分]
🔗 [项目链接]

## ⏰ 时间维度分析

### 🔥 最近1天活跃项目
- [项目列表和简要分析]

### 📅 本周热门项目
- [项目列表和简要分析]

### 📊 最近一个月趋势
- [项目列表和简要分析]

## 🎯 重点推荐
[基于多个维度综合评估的重点推荐项目]

## 📋 数据洞察
[整体趋势分析和发现]

技术实现方案

1. GitHub API集成

• 搜索API：使用GitHub搜索API查找相关项目
• 仓库API：获取项目详细信息、统计数据
• 提交API：分析提交历史和活跃度
• Issue API：监控社区讨论和问题反馈

2. 数据处理流程

python
1# 伪代码示例
2def fetch_github_ai_projects():
3    # 搜索AI相关项目
4    projects = search_github_repos(
5        query="artificial intelligence machine learning",
6        sort="stars",
7        order="desc"
8    )
9    
10    # 获取项目详细信息
11    detailed_projects = []
12    for project in projects:
13        details = get_repo_details(project['id'])
14        metrics = calculate_activity_metrics(details)
15        detailed_projects.append({
16            'basic_info': project,
17            'details': details,
18            'metrics': metrics,
19            'summary': generate_summary(project, details, metrics)
20        })
21    
22    return rank_projects(detailed_projects)

3. 活跃度计算算法

python
1def calculate_activity_score(repo_details, timeframe):
2    weights = {
3        'commits': 0.4,
4        'issues': 0.2,
5        'pull_requests': 0.2,
6        'stars_growth': 0.1,
7        'forks_growth': 0.1
8    }
9    
10    # 根据时间范围计算各项指标
11    commits_score = normalize_commits(repo_details['commits'], timeframe)
12    issues_score = normalize_issues(repo_details['issues'], timeframe)
13    pr_score = normalize_prs(repo_details['pull_requests'], timeframe)
14    stars_score = normalize_stars_growth(repo_details['stars'], timeframe)
15    forks_score = normalize_forks_growth(repo_details['forks'], timeframe)
16    
17    # 加权计算总活跃度评分
18    total_score = (
19        commits_score * weights['commits'] +
20        issues_score * weights['issues'] +
21        pr_score * weights['pull_requests'] +
22        stars_score * weights['stars_growth'] +
23        forks_score * weights['forks_growth']
24    )
25    
26    return min(10, max(1, total_score))

质量控制标准

项目筛选标准

• 最低要求：至少100个星标，有README文档
• 活跃度要求：最近一个月内有代码提交
• 质量标准：有清晰的文档和许可证
• 相关性：确实属于AI/ML领域

数据准确性

• 实时更新：确保获取最新数据
• 多源验证：交叉验证不同数据源
• 异常检测：识别和处理异常数据
• 定期校准：定期调整评估算法

使用示例

基本用法

用户："获取GitHub上最近的热门AI项目"
AI执行：
1. 搜索AI相关项目
2. 分析最近一周活跃度
3. 生成项目排行榜
4. 输出详细报告

高级用法

用户："重点关注计算机视觉领域的项目，最近一个月的更新"
AI执行：
1. 搜索computer vision相关项目
2. 过滤最近一个月有更新的项目
3. 分析CV领域的具体技术栈
4. 生成专业化的分析报告

扩展功能

1. 个性化推荐

• 基于用户兴趣标签推荐项目
• 学习路径建议
• 技术栈匹配分析

2. 趋势分析

• 长期趋势图表
• 技术热点变化
• 社区发展预测

3. 竞品分析

• 同类项目对比
• 技术方案比较
• 社区生态分析

注意事项

1. API限制：注意GitHub API的调用限制
2. 数据延迟：GitHub数据可能有延迟，需要考虑时效性
3. 语言处理：项目描述可能包含多语言，需要适当处理
4. 质量判断：避免基于单一指标判断项目质量
5. 隐私保护：不获取或分析用户私有仓库信息
6. 保存：把内容以日期为分界,保存在根目录下的GitHubHot.md。

现在你可以开始为用户提供GitHub AI热门项目的监控和分析服务了！