#!/usr/bin/env python3
"""
AI快手信息源 — 每日热门内容聚类
====================================
每天扫描快手平台 AI 相关热门视频，自动聚类后生成 HTML 日报。

Usage:
    python3 daily_report.py
    python3 daily_report.py --keywords "AI教程,AI绘画,ChatGPT"
    python3 daily_report.py --subscribe
"""

import argparse
import io
import json
import os
import re
import subprocess
import sys
import time

# Windows GBK 终端兼容：强制 stdout/stderr 使用 UTF-8
if sys.stdout.encoding and sys.stdout.encoding.lower() not in ('utf-8', 'utf8'):
    sys.stdout = io.TextIOWrapper(sys.stdout.buffer, encoding='utf-8', errors='replace')
if sys.stderr.encoding and sys.stderr.encoding.lower() not in ('utf-8', 'utf8'):
    sys.stderr = io.TextIOWrapper(sys.stderr.buffer, encoding='utf-8', errors='replace')
from collections import Counter, defaultdict
from datetime import datetime, timedelta
from http.server import HTTPServer, SimpleHTTPRequestHandler
from pathlib import Path
from urllib.parse import urlparse, parse_qs, quote

try:
    from urllib.request import Request, urlopen
    HAS_URLLIB = True
except ImportError:
    HAS_URLLIB = False

try:
    import requests
    HAS_REQUESTS = True
except ImportError:
    HAS_REQUESTS = False

# ─── 配置 ─────────────────────────────────────────────────────────────────────────
API_URL = "https://redfox.hk/story/api/parseWork/queryKsAiMsgs/batch"
CONFIG_DIR = Path.home() / ".qoder" / "apis"
CONFIG_FILE = CONFIG_DIR / "redfox.json"
ENV_KEY = "REDFOX_API_KEY"
SOURCE = "AI快手信息源-GitHub"

DEFAULT_KEYWORDS = ["AI", "人工智能", "大模型", "GPT", "Agent", "AI绘画", "AI教程"]
DEFAULT_OUTPUT_DIR = Path.home() / "Downloads" / "QoderReports"
PAGE_SIZE = 200         # 每页获取200条

# 数据更新规则：每日15:00更新前一天的数据
DATA_UPDATE_HOUR = 15   # 数据更新时间（小时）
DATA_UPDATE_MINUTE = 0 # 数据更新时间（分钟）

PLIST_LABEL = "com.qoder.ks-ai-feed"
PLIST_DIR = Path.home() / "Library" / "LaunchAgents"

# ─── 终端颜色 ──────────────────────────────────────────────────────────────────────
GREEN = "\033[92m"
YELLOW = "\033[93m"
RED = "\033[91m"
CYAN = "\033[96m"
BOLD = "\033[1m"
RESET = "\033[0m"


def info(msg):
    print(f"{GREEN}[✓]{RESET} {msg}")


def warn(msg):
    print(f"{YELLOW}[!]{RESET} {msg}")


def error(msg):
    print(f"{RED}[✗]{RESET} {msg}")


def step(msg):
    print(f"{CYAN}[→]{RESET} {msg}")


# ─── 数据可用性检查 ──────────────────────────────────────────────────────────────
def get_latest_available_date():
    """根据数据更新规则计算当前可查询的最新日期。
    
    规则：每日15:00更新前一天的数据。
    - 如果当前时间 >= 15:00，则昨天及之前的数据可用，最新可查日期为昨天
    - 如果当前时间 < 15:00，则前天及之前的数据可用，最新可查日期为前天
    """
    now = datetime.now()
    if now.hour >= DATA_UPDATE_HOUR:
        # 今日15:00后，昨天的数据已更新
        latest = now.replace(hour=0, minute=0, second=0, microsecond=0) - timedelta(days=1)
    else:
        # 今日15:00前，昨天的数据尚未更新，最新是前天
        latest = now.replace(hour=0, minute=0, second=0, microsecond=0) - timedelta(days=2)
    return latest.strftime("%Y-%m-%d")


def check_date_available(target_date_str):
    """检查目标日期是否已有数据可用。
    
    Returns:
        (is_available, latest_date_str) - 是否可用，最新可查日期
    """
    latest_date_str = get_latest_available_date()
    try:
        target_date = datetime.strptime(target_date_str, "%Y-%m-%d")
        latest_date = datetime.strptime(latest_date_str, "%Y-%m-%d")
    except ValueError:
        return False, latest_date_str
    
    return target_date <= latest_date, latest_date_str


def print_data_unavailable_notice(query_date, latest_date):
    """输出数据不可用提示文案（不自动获取数据，需用户确认）"""
    print(f"\n⚠️ **{query_date} 数据尚未更新**\n")
    print(f"数据更新规则：每日15:00更新前一天的数据")
    print(f"当前可查询的最新日期：{latest_date}\n")
    print(f"是否需要查询 {latest_date} 的数据？")


# ─── API Key 管理 ──────────────────────────────────────────────────────────────────
def get_api_key(cli_key=None):
    """Get API key: CLI arg > env var > config file."""
    if cli_key:
        return cli_key
    env_key = os.environ.get(ENV_KEY)
    if env_key:
        return env_key
    if CONFIG_FILE.exists():
        try:
            data = json.loads(CONFIG_FILE.read_text())
            key = data.get("api_key")
            if key:
                return key
        except (json.JSONDecodeError, OSError):
            pass
    return ""


# ─── 数据获取 ──────────────────────────────────────────────────────────────────────
def fetch_batch(session, keywords, page_num, start_time=None, end_time=None):
    """批量获取多个关键词的单页视频数据"""
    payload = {
        "keywords": keywords,  # 传入关键词列表
        "pageNum": page_num,
        "pageSize": PAGE_SIZE,
        "source": SOURCE,
    }
    if start_time:
        payload["startTime"] = start_time
    if end_time:
        payload["endTime"] = end_time
    
    try:
        resp = session.post(API_URL, json=payload, timeout=30)  # 批量查询增加超时时间
        result = resp.json()
    except Exception as e:
        warn(f"批量请求失败 (page={page_num}): {e}")
        return []

    code = result.get("code")
    if code == 3108:
        warn("限频，等待 5s...")
        time.sleep(5)
        try:
            resp = session.post(API_URL, json=payload, timeout=30)
            result = resp.json()
            code = result.get("code")
        except Exception:
            return []

    if code not in (200, 2000):
        if code in (3106, 3107):
            error(f"API Key 错误 (code {code}): {result.get('msg', '')}")
        return []

    data = result.get("data", {})
    return data.get("list", [])


def fetch_articles(session, keywords, target_count, start_time=None, end_time=None):
    """批量分页获取所有关键词的数据,一次请求传入所有关键词"""
    articles = []
    seen_ids = set()

    # 一次性传入所有关键词进行批量查询
    page_num = 1
    total_fetched = 0
    
    while True:
        # 批量请求所有关键词
        page_articles = fetch_batch(session, keywords, page_num, start_time=start_time, end_time=end_time)
        
        if not page_articles:
            if page_num == 1:
                warn(f"所有关键词均暂无内容(当前仅搜索 AI 相关快手视频,更多内容请访问 redfox.hk)")
            break

        # 统计本次新增数量
        new_count = 0
        for article in page_articles:
            pid = article.get("photoId", "")
            if pid and pid not in seen_ids:
                seen_ids.add(pid)
                articles.append(article)
                new_count += 1
        
        total_fetched += new_count
        
        # 输出进度
        if new_count > 0:
            print(f"  {CYAN}[→]{RESET} 第{page_num}页: 新增{new_count}条, 累计{len(articles)}条")

        # 本页无新数据或返回不足一页,说明已到底
        if new_count == 0 or len(page_articles) < PAGE_SIZE:
            break

        # 达到目标数量
        if len(articles) >= target_count:
            break

        page_num += 1

        # 安全上限:最多10页(2000条)
        if page_num > 10:
            break

    return articles


# ─── 自动聚类 ──────────────────────────────────────────────────────────────────────
STOP_WORDS = set("的了是在和与及或但对于从到被将把让给用有这那个也都还又不没"
                 "就才能会要可以怎么什么为什么怎样如何哪些多少一个一些这些那些"
                 "已经正在可能应该必须需要通过进行使用利用根据关于对于由于因为所以"
                 "虽然但是然而因此所以如果那么只要只有无论不管即使不仅而且")

# 过于宽泛的标签，聚类时跳过
GENERIC_TAGS = {"#AI", "#人工智能", "#ai", "AI", "人工智能", "#科技", "#技术",
                "#人工智能应用", "#智能", "科技", "技术"}


def extract_keywords(title):
    """从标题中提取中文关键词片段"""
    if not title:
        return []
    # 移除标点和特殊字符
    cleaned = re.sub(r'[^\u4e00-\u9fff\w]', ' ', title)
    # 提取 2-4 字中文片段
    segments = re.findall(r'[\u4e00-\u9fff]{2,4}', cleaned)
    # 过滤停用词
    keywords = [s for s in segments if not all(c in STOP_WORDS for c in s)]
    return keywords[:5]


def get_article_tags(article):
    """提取视频的所有有效标签（去除泛标签），优先 type 再 topic"""
    tags = []

    # type 字段通常更细致（如 #AI热点、#AI教程、#AI大模型）
    atype = (article.get("type") or "").strip()
    if atype:
        for t in re.split(r'[,，]+', atype):
            t = t.strip()
            if t and t not in GENERIC_TAGS:
                tags.append(t)

    # topic 字段作为补充（跳过泛标签）
    topic = (article.get("topic") or "").strip()
    if topic:
        for t in re.split(r'[,，\s]+', topic):
            t = t.strip()
            if t and t not in GENERIC_TAGS and t not in tags:
                tags.append(t)

    return tags


def cluster_articles(articles):
    """基于 type + topic 标签自动聚类，确保分类细致且至少 5 个"""
    # 第一步：为每个视频提取标签，按首个有效标签分组
    topic_groups = defaultdict(list)

    for article in articles:
        tags = get_article_tags(article)
        if tags:
            # 使用第一个非泛标签作为主分类
            topic_groups[tags[0]].append(article)
        else:
            topic_groups["其他"].append(article)

    # 第二步：如果大组过大（>20%文章），尝试拆分
    total = len(articles)
    split_threshold = max(total * 0.2, 25)
    groups_to_split = {}
    for topic, arts in list(topic_groups.items()):
        if len(arts) > split_threshold and topic != "其他":
            groups_to_split[topic] = arts

    for topic, arts in groups_to_split.items():
        del topic_groups[topic]
        # 用视频的第二标签进行二次拆分
        for article in arts:
            tags = get_article_tags(article)
            if len(tags) >= 2:
                topic_groups[tags[1]].append(article)
            else:
                topic_groups[topic].append(article)

    # 第三步：合并小组（< 3 篇）
    final_groups = {}
    small_articles = []

    for topic, arts in topic_groups.items():
        if len(arts) >= 3:
            final_groups[topic] = arts
        else:
            small_articles.extend(arts)

    # 小组视频尝试用标签匹配到已有大组
    still_orphan = []
    for article in small_articles:
        tags = get_article_tags(article)
        placed = False
        for tag in tags:
            if tag in final_groups:
                final_groups[tag].append(article)
                placed = True
                break
        if not placed:
            still_orphan.append(article)

    if still_orphan:
        if "其他" in final_groups:
            final_groups["其他"].extend(still_orphan)
        else:
            final_groups["其他"] = still_orphan

    # 第四步：对过大的组用标题关键词进一步拆分
    MAX_GROUP_SIZE = max(total * 0.3, 40)
    for _ in range(3):  # 最多拆 3 轮
        oversized = [(t, a) for t, a in final_groups.items() if len(a) > MAX_GROUP_SIZE]
        if not oversized:
            break
        for topic, arts in oversized:
            # 用标题中的高频关键词拆分
            kw_counter = Counter()
            article_kw_map = {}
            for article in arts:
                title = article.get("title", "")
                kws = extract_keywords(title)
                article_kw_map[id(article)] = kws
                for kw in kws:
                    kw_counter[kw] += 1
            # 找出频次够高的关键词作为子分类
            common_kws = [kw for kw, cnt in kw_counter.most_common(5)
                          if cnt >= 5 and kw not in topic
                          and f"#{kw}" not in GENERIC_TAGS
                          and kw not in ("人工智能", "智能", "模型", "技术", "应用")]
            if not common_kws:
                continue
            # 用第一个高频词拆出子组
            split_kw = common_kws[0]
            new_group = []
            remaining = []
            for article in arts:
                kws = article_kw_map.get(id(article), [])
                if split_kw in kws:
                    new_group.append(article)
                else:
                    remaining.append(article)
            if len(new_group) >= 5:
                final_groups[f"#{split_kw}"] = new_group
                final_groups[topic] = remaining

    # 第五步：确保至少 5 个分类（如果不够，对最大组继续拆分）
    _split_attempts = 0
    while len(final_groups) < 5 and final_groups and _split_attempts < 10:
        _split_attempts += 1
        largest_topic = max(final_groups, key=lambda k: len(final_groups[k]))
        largest_arts = final_groups[largest_topic]
        if len(largest_arts) < 6:
            break  # 最大组也太小了，无法再拆

        # 从最大组中按第二标签拆出子组
        sub_groups = defaultdict(list)
        remain = []
        for article in largest_arts:
            tags = get_article_tags(article)
            second_tag = None
            for t in tags:
                if t != largest_topic:
                    second_tag = t
                    break
            if second_tag:
                sub_groups[second_tag].append(article)
            else:
                remain.append(article)

        # 找出最大的子组拆出来
        if sub_groups:
            best_sub = max(sub_groups, key=lambda k: len(sub_groups[k]))
            # best_sub 不能与 largest_topic 同名，否则死循环
            if len(sub_groups[best_sub]) >= 3 and best_sub != largest_topic:
                final_groups[best_sub] = sub_groups[best_sub]
                # 更新原组
                new_arts = remain
                for k, v in sub_groups.items():
                    if k != best_sub:
                        new_arts.extend(v)
                final_groups[largest_topic] = new_arts
                continue
        break  # 无法继续拆分

    # 第六步：构建输出，按条数降序（过滤空分类）
    clusters = []
    for category, arts in sorted(final_groups.items(), key=lambda x: -len(x[1])):
        if not arts:  # 跳过空分类
            continue
        # 按阅读量排序取 top 5
        sorted_arts = sorted(arts, key=lambda a: (a.get("readCount") or 0), reverse=True)
        clusters.append({
            "category": category,
            "count": len(arts),
            "articles": sorted_arts[:5],
        })

    return clusters


# ─── AI 情报洞察分析 ────────────────────────────────────────────────────────────────
# 情报调查引擎配置（来自智能情报调查员 skill）
INVESTIGATION_ENGINES = {
    "Baidu": {"url": "https://www.baidu.com/s?wd={keyword}", "region": "cn", "strength": "中文生态覆盖最广"},
    "WeChat": {"url": "https://wx.sogou.com/weixin?type=2&query={keyword}", "region": "cn", "strength": "微信公众号文章"},
    "Toutiao": {"url": "https://so.toutiao.com/search?keyword={keyword}", "region": "cn", "strength": "自媒体/热点追踪"},
    "Google": {"url": "https://www.google.com/search?q={keyword}", "region": "global", "strength": "全球索引最全+高级操作符"},
    "DuckDuckGo": {"url": "https://duckduckgo.com/html/?q={keyword}", "region": "global", "strength": "无追踪+Bangs直达"},
    "Brave": {"url": "https://search.brave.com/search?q={keyword}", "region": "global", "strength": "独立索引+无偏见"},
    "Sogou": {"url": "https://sogou.com/web?query={keyword}", "region": "cn", "strength": "微信+知乎内容"},
    "Bing INT": {"url": "https://cn.bing.com/search?q={keyword}&ensearch=1", "region": "cn", "strength": "中文界面+国际结果"},
}

# 按调查场景推荐引擎组合
SCENARIO_ENGINES = {
    "产品竞品分析": ["Baidu", "Google", "WeChat", "DuckDuckGo"],
    "热点事件追踪": ["Baidu", "Toutiao", "Google", "WeChat"],
    "人物背景验证": ["Baidu", "Google", "DuckDuckGo"],
    "用户口碑收集": ["WeChat", "Toutiao", "DuckDuckGo", "Brave"],
    "技术趋势调查": ["DuckDuckGo", "Google", "Brave"],
    "市场数据验证": ["Google", "Baidu", "Bing INT"],
}

# 信源可信度分级
CREDIBILITY_LEVELS = {
    "A": "官方/政府/权威媒体",
    "B": "行业媒体/专业平台",
    "C": "社交媒体/自媒体",
    "D": "匿名/未验证来源",
}


def generate_intelligence_briefing(clusters, articles):
    """基于当日聚类结果生成AI情报洞察报告"""
    if not clusters:
        return None

    total = len(articles)

    # 1. 提取热度TOP话题
    top_topics = []
    for cluster in clusters[:5]:
        top_topics.append({
            "topic": cluster["category"],
            "count": cluster["count"],
            "ratio": round(cluster["count"] / total * 100, 1) if total > 0 else 0,
            "top_article": cluster["articles"][0] if cluster["articles"] else None,
        })

    # 2. 识别新兴起量话题（占比小但互动高）
    emerging_topics = []
    for cluster in clusters:
        if cluster["count"] < total * 0.1 and cluster["articles"]:
            avg_engagement = sum(
                (a.get("likeCount") or 0) + (a.get("commentCount") or 0)
                for a in cluster["articles"]
            ) / max(len(cluster["articles"]), 1)
            if avg_engagement > 1000:
                emerging_topics.append({
                    "topic": cluster["category"],
                    "count": cluster["count"],
                    "avg_engagement": int(avg_engagement),
                })

    # 3. 核心达人分析
    author_counter = Counter()
    author_articles = defaultdict(list)
    for article in articles:
        author = article.get("userName", "未知")
        author_counter[author] += 1
        author_articles[author].append(article)

    top_authors = []
    for author, count in author_counter.most_common(5):
        arts = author_articles[author]
        total_likes = sum(a.get("likeCount") or 0 for a in arts)
        reads_with_data = [a["readCount"] for a in arts if a.get("readCount") is not None]
        total_reads = sum(reads_with_data) if reads_with_data else None
        top_authors.append({
            "name": author,
            "article_count": count,
            "total_likes": total_likes,
            "total_reads": total_reads,
        })

    # 4. 为每个TOP话题生成推荐调查方向
    investigation_hints = []
    for topic_info in top_topics[:3]:
        topic_name = topic_info["topic"].lstrip("#")
        hints = []

        # 根据话题内容推荐调查场景
        if any(kw in topic_name for kw in ["大模型", "GPT", "ChatGPT", "大模型"]):
            hints.append({
                "scenario": "技术趋势调查",
                "engines": SCENARIO_ENGINES["技术趋势调查"],
                "keywords": [f"{topic_name} 最新进展", f"{topic_name} 技术对比", f"{topic_name} 开源项目"],
            })
            hints.append({
                "scenario": "产品竞品分析",
                "engines": SCENARIO_ENGINES["产品竞品分析"],
                "keywords": [f"{topic_name} 产品对比", f"{topic_name} 用户评价"],
            })
        elif any(kw in topic_name for kw in ["绘画", "创作", "动画"]):
            hints.append({
                "scenario": "用户口碑收集",
                "engines": SCENARIO_ENGINES["用户口碑收集"],
                "keywords": [f"{topic_name} 工具测评", f"{topic_name} 教程推荐", f"AI{topic_name} 最新工具"],
            })
        elif any(kw in topic_name for kw in ["教程", "教学"]):
            hints.append({
                "scenario": "技术趋势调查",
                "engines": SCENARIO_ENGINES["技术趋势调查"],
                "keywords": [f"AI{topic_name} 学习路线", f"{topic_name} 变现方法"],
            })
        else:
            hints.append({
                "scenario": "热点事件追踪",
                "engines": SCENARIO_ENGINES["热点事件追踪"],
                "keywords": [f"{topic_name} 最新动态", f"{topic_name} 行业趋势"],
            })

        investigation_hints.append({
            "topic": topic_info["topic"],
            "hints": hints,
        })

    # 5. 跨平台对比建议
    cross_platform_tips = []
    for topic_info in top_topics[:3]:
        topic_name = topic_info["topic"].lstrip("#")
        cross_platform_tips.append(
            f"「{topic_name}」— 建议同步关注抖音、B站、小红书同话题热度，"
            f"用 Baidu+WeChat+Toutiao 三引擎追踪国内全平台动态"
        )

    briefing = {
        "top_topics": top_topics,
        "emerging_topics": emerging_topics,
        "top_authors": top_authors,
        "investigation_hints": investigation_hints,
        "cross_platform_tips": cross_platform_tips,
    }

    return briefing


def print_intelligence_briefing(briefing):
    """在终端输出情报洞察"""
    if not briefing:
        return

    print(f"\n{BOLD}{'='*78}{RESET}")
    print(f"{BOLD}  AI情报洞察 · 深度调查指引{RESET}")
    print(f"{BOLD}{'='*78}{RESET}\n")

    # 新兴起量话题
    if briefing["emerging_topics"]:
        print(f"  {CYAN}{BOLD}【新兴起量信号】{RESET}")
        for topic in briefing["emerging_topics"]:
            print(f"    🔥 {topic['topic']} — 虽仅{topic['count']}条但均互动{topic['avg_engagement']}+，"
                  f"值得深挖")
        print()

    # 核心达人
    if briefing["top_authors"]:
        print(f"  {CYAN}{BOLD}【核心达人】{RESET}")
        for author in briefing["top_authors"]:
            reads_part = f", 总播{format_number(author['total_reads'])}" if author.get('total_reads') else ''
            print(f"    @{author['name']} — {author['article_count']}条作品, "
                  f"总赞{format_number(author['total_likes'])}{reads_part}")
        print()

    # 推荐调查方向
    print(f"  {CYAN}{BOLD}【推荐调查方向】{RESET}")
    for hint_group in briefing["investigation_hints"]:
        print(f"    ▸ {hint_group['topic']}")
        for hint in hint_group["hints"]:
            engines_str = " + ".join(hint["engines"])
            print(f"      {hint['scenario']}: {engines_str}")
            for kw in hint["keywords"][:2]:
                print(f"        → 搜索: {kw}")
    print()

    # 跨平台对比
    if briefing["cross_platform_tips"]:
        print(f"  {CYAN}{BOLD}【跨平台对比建议】{RESET}")
        for tip in briefing["cross_platform_tips"]:
            print(f"    • {tip}")
    print()



# ─── HTML 报告生成 ──────────────────────────────────────────────────────────────────
def compute_stats(articles):
    """计算统计数据"""
    total = len(articles)
    if total == 0:
        return {"total": 0, "avg_reads": None, "top_author": "-", "total_likes": 0}

    reads_with_data = [a["readCount"] for a in articles if a.get("readCount") is not None]
    avg_reads = sum(reads_with_data) // len(reads_with_data) if reads_with_data else None

    author_counter = Counter(a.get("userName", "未知") for a in articles)
    top_author = author_counter.most_common(1)[0][0] if author_counter else "-"

    total_likes = sum(a.get("likeCount") or 0 for a in articles)

    return {
        "total": total,
        "avg_reads": avg_reads,
        "top_author": top_author,
        "total_likes": total_likes,
    }


def format_number(n):
    """格式化数字: 1234 -> 1.2k"""
    if n is None:
        return "0"
    if n >= 10000:
        return f"{n/10000:.1f}w"
    if n >= 1000:
        return f"{n/1000:.1f}k"
    return str(n)


def print_article_table(clusters):
    """在终端打印分类视频表格"""
    print(f"\n{BOLD}{'='*78}{RESET}")
    print(f"{BOLD}  AI快手信息源 · 分类视频一览{RESET}")
    print(f"{BOLD}{'='*78}{RESET}\n")

    for i, cluster in enumerate(clusters, 1):
        category = cluster["category"]
        arts = cluster["articles"]

        # 分类标题
        print(f"  {CYAN}{BOLD}【{category}】{RESET} "
              f"共 {len(arts)} 条展示 / {cluster['count']} 条总计")

        # 表头
        header = (f"  {'序号':<4}{'标题':<36}{'作者':<14}"
                  f"{'播放':>8}{'点赞':>8}{'评论':>8}")
        print(f"  {YELLOW}{'─'*76}{RESET}")
        print(f"  {YELLOW}{header}{RESET}")
        print(f"  {YELLOW}{'─'*76}{RESET}")

        for j, article in enumerate(arts, 1):
            title = article.get("title", "无标题")
            author = article.get("userName", "-")
            reads = format_number(article.get("readCount")) if article.get("readCount") else "-"
            likes = format_number(article.get("likeCount"))
            comments = format_number(article.get("commentCount"))

            # 截断过长的标题和作者
            display_title = title[:34] + ".." if len(title) > 36 else title
            display_author = author[:12] + ".." if len(author) > 14 else author

            print(f"  {j:<4}{display_title:<36}{display_author:<14}"
                  f"{reads:>8}{likes:>8}{comments:>8}")

        print()  # 分类之间空行


def generate_category_cards(clusters):
    """生成分类卡片 HTML"""
    cards_html = ""
    for i, cluster in enumerate(clusters, 1):
        articles_html = ""
        for article in cluster["articles"]:
            title = article.get("title", "无标题")
            url = article.get("url") or ""
            if not url or url == "#":
                photo_id = article.get("photoId", "")
                if photo_id:
                    url = f"https://www.kuaishou.com/short-video/{photo_id}"
                else:
                    url = "#"
            author = article.get("userName", "")
            cover = article.get("coverUrl") or ""
            # 不兼容格式转换为 JPG：HEIF/HEIC、快手私有格式 kvif/kpg
            # URL 可能带 ?tag=... 查询参数，需要在 ? 前匹配后缀，而不是在字符串末尾
            cover = re.sub(r'\.(heif|heic|kvif|kpg)(?=[?#]|$)', '.jpg', cover, flags=re.IGNORECASE)
            cover = re.sub(r'/(heif|heic)/', '/jpg/', cover, flags=re.IGNORECASE)
            likes = format_number(article.get("likeCount"))
            reads_raw = article.get("readCount")
            comments = format_number(article.get("commentCount"))

            reads_metric = f'<span class="metric">&#x1f441; {format_number(reads_raw)}</span>' if reads_raw else ''
            articles_html += f'''
                <a href="{url}" target="_blank" class="article-item">
                    <div class="article-info">
                        <span class="article-title">{title}</span>
                        <div class="article-meta">
                            <span class="author">{author}</span>
                            <span class="metrics">
                                {reads_metric}
                                <span class="metric">&#x1f44d; {likes}</span>
                                <span class="metric">&#x1f4ac; {comments}</span>
                            </span>
                        </div>
                    </div>
                </a>'''

        cards_html += f'''
        <div class="category-card reveal">
            <div class="card-header">
                <span class="card-number">{i:02d}</span>
                <h3 class="card-category">{cluster["category"]}</h3>
                <span class="card-count">{cluster["count"]} 条</span>
            </div>
            <div class="card-body">{articles_html}
            </div>
        </div>'''

    return cards_html


def generate_intelligence_html(briefing):
    """生成情报洞察板块 HTML"""
    if not briefing:
        return ""

    # 热度TOP话题
    topics_html = ""
    for i, topic in enumerate(briefing["top_topics"], 1):
        top_art = topic.get("top_article")
        top_title = (top_art.get("title", "-")[:50] if top_art else "-")
        top_reads_raw = top_art.get("readCount") if top_art else None
        top_reads_metric = f'{format_number(top_reads_raw)} 播放' if top_reads_raw else ''
        topics_html += f'''
                <div class="intel-rank-item">
                    <span class="intel-rank-num">{i}</span>
                    <div class="intel-rank-info">
                        <span class="intel-rank-topic">{topic['topic']}</span>
                        <span class="intel-rank-detail">占比 {topic['ratio']}% · {topic['count']}条 · 头部: {top_title}</span>
                    </div>
                    <span class="intel-rank-metric">{top_reads_metric}</span>
                </div>'''

    # 新兴起量话题
    emerging_html = ""
    for topic in briefing.get("emerging_topics", []):
        emerging_html += f'''
                <div class="intel-emerging-item">
                    <span class="intel-emerging-badge">起量信号</span>
                    <span class="intel-emerging-topic">{topic['topic']}</span>
                    <span class="intel-emerging-detail">{topic['count']}条 · 均互动{topic['avg_engagement']}+</span>
                </div>'''

    emerging_section = ""
    if emerging_html:
        emerging_section = f'''
        <div class="intel-subsection">
            <h4 class="intel-subtitle">新兴起量信号</h4>
            <div class="intel-emerging-list">{emerging_html}
            </div>
        </div>'''

    # 核心达人
    authors_html = ""
    for author in briefing.get("top_authors", []):
        reads_part = f' · 总播{format_number(author["total_reads"])}' if author.get("total_reads") else ''
        authors_html += f'''
                <div class="intel-author-item">
                    <span class="intel-author-name">@{author['name']}</span>
                    <span class="intel-author-stats">{author['article_count']}条 · 总赞{format_number(author['total_likes'])}{reads_part}</span>
                </div>'''

    authors_section = ""
    if authors_html:
        authors_section = f'''
        <div class="intel-subsection">
            <h4 class="intel-subtitle">核心达人</h4>
            <div class="intel-author-list">{authors_html}
            </div>
        </div>'''

    # 推荐调查方向
    hints_html = ""
    for hint_group in briefing.get("investigation_hints", []):
        hint_items = ""
        for hint in hint_group["hints"]:
            engines_str = " + ".join(hint["engines"])
            kw_list = " | ".join(hint["keywords"][:2])
            hint_items += f'''
                    <div class="intel-hint-item">
                        <span class="intel-hint-scenario">{hint['scenario']}</span>
                        <span class="intel-hint-engines">{engines_str}</span>
                        <span class="intel-hint-kw">{kw_list}</span>
                    </div>'''

        hints_html += f'''
                <div class="intel-hint-group">
                    <span class="intel-hint-topic">{hint_group['topic']}</span>
                    <div class="intel-hint-items">{hint_items}
                    </div>
                </div>'''

    # 跨平台对比
    cross_html = ""
    for tip in briefing.get("cross_platform_tips", []):
        cross_html += f'<div class="intel-cross-tip">{tip}</div>'

    cross_section = ""
    if cross_html:
        cross_section = f'''
        <div class="intel-subsection">
            <h4 class="intel-subtitle">跨平台对比建议</h4>
            <div class="intel-cross-list">{cross_html}
            </div>
        </div>'''

    # 情报调查引擎表
    engine_rows = ""
    for name, info in INVESTIGATION_ENGINES.items():
        engine_rows += f'''
                    <tr>
                        <td class="intel-engine-name">{name}</td>
                        <td class="intel-engine-region">{info['region'].upper()}</td>
                        <td class="intel-engine-strength">{info['strength']}</td>
                    </tr>'''

    credibility_rows = ""
    for level, desc in CREDIBILITY_LEVELS.items():
        credibility_rows += f'''
                    <tr>
                        <td class="intel-cred-level">{level}级</td>
                        <td>{desc}</td>
                    </tr>'''

    html = f'''
    <div class="intelligence-section reveal">
        <div class="intel-header">
            <h2 class="intel-title">AI情报洞察</h2>
            <span class="intel-subtitle-badge">基于智能情报调查员 · 多源交叉验证</span>
        </div>

        <div class="intel-body">
            <div class="intel-subsection">
                <h4 class="intel-subtitle">热度TOP话题</h4>
                <div class="intel-rank-list">{topics_html}
                </div>
            </div>

            {emerging_section}

            {authors_section}

            <div class="intel-subsection">
                <h4 class="intel-subtitle">推荐调查方向</h4>
                <div class="intel-hints">{hints_html}
                </div>
            </div>

            {cross_section}

            <div class="intel-subsection">
                <h4 class="intel-subtitle">调查引擎一览</h4>
                <div class="intel-engine-table-wrap">
                    <table class="intel-engine-table">
                        <thead><tr><th>引擎</th><th>区域</th><th>优势</th></tr></thead>
                        <tbody>{engine_rows}
                        </tbody>
                    </table>
                </div>
                <div class="intel-cred-table-wrap">
                    <table class="intel-cred-table">
                        <thead><tr><th>信源级别</th><th>类型</th></tr></thead>
                        <tbody>{credibility_rows}
                        </tbody>
                    </table>
                </div>
            </div>
        </div>
    </div>'''

    return html


def generate_report(clusters, articles, date_str, api_key=None, briefing=None):
    """生成完整 HTML 报告"""
    stats = compute_stats(articles)
    topic_count = len(clusters)

    # 尝试从模板文件读取
    template_path = Path(__file__).parent / "report_template.html"
    if template_path.exists():
        template = template_path.read_text(encoding="utf-8")
    else:
        warn("模板文件未找到，使用内置模板")
        template = get_fallback_template()

    # 生成日期显示
    try:
        dt = datetime.strptime(date_str, "%Y-%m-%d")
        weekdays = ["一", "二", "三", "四", "五", "六", "日"]
        date_cn = f"{dt.year}年{dt.month}月{dt.day}日 星期{weekdays[dt.weekday()]}"
    except ValueError:
        date_cn = date_str

    category_cards = generate_category_cards(clusters)
    timestamp = datetime.now().strftime("%Y-%m-%d %H:%M:%S")

    # 生成情报洞察 HTML
    intelligence_html = generate_intelligence_html(briefing) if briefing else ""

    html = template
    html = html.replace("{{DATE}}", date_str)
    html = html.replace("{{DATE_CN}}", date_cn)
    html = html.replace("{{TOTAL_COUNT}}", str(stats["total"]))
    html = html.replace("{{TOPIC_COUNT}}", str(topic_count))
    html = html.replace("{{TOP_AUTHOR}}", stats["top_author"])
    html = html.replace("{{AVG_READS}}", format_number(stats["avg_reads"]) if stats["avg_reads"] is not None else "-")
    html = html.replace("{{TOTAL_LIKES}}", format_number(stats["total_likes"]))
    html = html.replace("{{CATEGORY_CARDS}}", category_cards)
    html = html.replace("{{INTELLIGENCE_SECTION}}", intelligence_html)
    html = html.replace("{{TIMESTAMP}}", timestamp)
    html = html.replace("{{API_KEY}}", api_key or "")
    html = html.replace("{{SOURCE}}", SOURCE)

    return html


def get_fallback_template():
    """内置最小 HTML 模板（当模板文件缺失时使用）"""
    return '''<!DOCTYPE html>
<html lang="zh-CN">
<head>
<meta charset="UTF-8">
<meta name="viewport" content="width=device-width, initial-scale=1.0">
<title>AI快手信息源 - {{DATE}}</title>
<style>
* { margin: 0; padding: 0; box-sizing: border-box; }
body { font-family: -apple-system, sans-serif; background: #1a1a1a; color: #e8e4df; padding: 2rem; }
.header { text-align: center; padding: 2rem 0; }
.header h1 { font-size: 2rem; color: #FF4906; }
.header p { color: #9a9590; margin-top: 0.5rem; }
.stats { display: flex; justify-content: center; gap: 2rem; padding: 1rem; margin: 1rem 0; }
.stat-item { text-align: center; }
.stat-value { font-size: 1.5rem; font-weight: bold; color: #FF4906; }
.stat-label { font-size: 0.8rem; color: #9a9590; }
.cards { display: grid; grid-template-columns: repeat(auto-fill, minmax(360px, 1fr)); gap: 1.5rem; max-width: 1200px; margin: 2rem auto; }
.category-card { background: #2d2d2d; border-radius: 12px; padding: 1.5rem; }
.card-header { display: flex; align-items: center; gap: 0.8rem; margin-bottom: 1rem; padding-bottom: 0.8rem; border-bottom: 1px solid #3d3d3d; }
.card-number { font-size: 1.5rem; font-weight: bold; color: #FF4906; }
.card-category { flex: 1; font-size: 1.1rem; }
.card-count { color: #9a9590; font-size: 0.9rem; }
.article-item { padding: 0.6rem 0; border-bottom: 1px solid #3d3d3d; display: block; text-decoration: none; color: inherit; cursor: pointer; }
.article-item:hover { background: #333; }
.article-item:hover .article-title { color: #FF4906; }
.article-item:last-child { border-bottom: none; }
.article-info { flex: 1; min-width: 0; }
.article-title { color: #e8e4df; font-size: 0.9rem; line-height: 1.4; display: block; transition: color 0.2s; }
.article-meta { display: flex; justify-content: space-between; margin-top: 0.3rem; font-size: 0.75rem; color: #9a9590; }
.metrics { display: flex; gap: 0.8rem; }
.footer { text-align: center; padding: 2rem; color: #666; font-size: 0.8rem; }
</style>
</head>
<body>
<div class="header">
    <h1>AI快手信息源</h1>
    <p>{{DATE_CN}} | 共 {{TOTAL_COUNT}} 条热门视频</p>
</div>
<div class="stats">
    <div class="stat-item"><div class="stat-value">{{TOPIC_COUNT}}</div><div class="stat-label">分类</div></div>
    <div class="stat-item"><div class="stat-value">{{TOTAL_COUNT}}</div><div class="stat-label">视频</div></div>
    <div class="stat-item"><div class="stat-value">{{AVG_READS}}</div><div class="stat-label">平均播放</div></div>
    <div class="stat-item"><div class="stat-value">{{TOTAL_LIKES}}</div><div class="stat-label">总点赞</div></div>
</div>
<div class="cards">{{CATEGORY_CARDS}}</div>
<div class="footer">Generated at {{TIMESTAMP}} by AI快手信息源 Skill</div>
</body>
</html>'''


# ─── 订阅机制 ──────────────────────────────────────────────────────────────────────
def install_subscription():
    """安装定时任务，每天自动生成日报"""
    if sys.platform == "darwin":
        PLIST_DIR.mkdir(parents=True, exist_ok=True)
        plist_path = PLIST_DIR / f"{PLIST_LABEL}.plist"

        script_path = os.path.abspath(__file__)
        log_path = str(Path.home() / "Library" / "Logs" / "qoder-ks-ai-hot-articles.log")

        # 传递 API Key 环境变量
        env_section = ""
        api_key = os.environ.get(ENV_KEY)
        if api_key:
            env_section = f"""
        <key>EnvironmentVariables</key>
        <dict>
            <key>{ENV_KEY}</key>
            <string>{api_key}</string>
        </dict>"""

        plist_content = f'''<?xml version="1.0" encoding="UTF-8"?>
<!DOCTYPE plist PUBLIC "-//Apple//DTD PLIST 1.0//EN" "http://www.apple.com/DTDs/PropertyList-1.0.dtd">
<plist version="1.0">
<dict>
    <key>Label</key>
    <string>{PLIST_LABEL}</string>
    <key>ProgramArguments</key>
    <array>
        <string>/usr/bin/python3</string>
        <string>{script_path}</string>
        <string>--no-open</string>
    </array>
    <key>StartCalendarInterval</key>
    <dict>
        <key>Hour</key>
        <integer>9</integer>
        <key>Minute</key>
        <integer>0</integer>
    </dict>
    <key>StandardOutPath</key>
    <string>{log_path}</string>
    <key>StandardErrorPath</key>
    <string>{log_path}</string>
    <key>RunAtLoad</key>
    <false/>{env_section}
</dict>
</plist>'''

        plist_path.write_text(plist_content, encoding="utf-8")

        try:
            subprocess.run(["launchctl", "load", str(plist_path)], check=True, capture_output=True)
            info("订阅成功! 每天 09:00 自动生成快手爆款日报")
            info(f"日报目录: ~/Downloads/QoderReports/")
            info(f"日志: {log_path}")
            return True
        except subprocess.CalledProcessError as e:
            error(f"订阅安装失败: {e.stderr.decode()}")
            return False
    else:
        # Linux / Windows: 使用 crontab
        script_path = os.path.abspath(__file__)
        cron_line = f"0 9 * * * /usr/bin/python3 {script_path} --no-open"
        try:
            subprocess.run(
                f'(crontab -l 2>/dev/null; echo "{cron_line}") | crontab -',
                shell=True, check=True, capture_output=True
            )
            info("订阅成功! 每天 09:00 自动生成快手爆款日报 (crontab)")
            info(f"日报目录: ~/Downloads/QoderReports/")
            return True
        except subprocess.CalledProcessError:
            warn("自动配置 crontab 失败，请手动添加:")
            print(f"  {cron_line}")
            return False


def remove_subscription():
    """卸载定时任务"""
    if sys.platform == "darwin":
        plist_path = PLIST_DIR / f"{PLIST_LABEL}.plist"
        if not plist_path.exists():
            warn("未找到订阅配置，无需取消")
            return False
        try:
            subprocess.run(["launchctl", "unload", str(plist_path)], check=True, capture_output=True)
        except subprocess.CalledProcessError:
            pass
        plist_path.unlink(missing_ok=True)
        info("已取消订阅，定时任务已移除")
        return True
    else:
        script_path = os.path.abspath(__file__)
        try:
            subprocess.run(
                f'crontab -l 2>/dev/null | grep -v "{script_path}" | crontab -',
                shell=True, check=True, capture_output=True
            )
            info("已取消订阅，crontab 任务已移除")
            return True
        except subprocess.CalledProcessError:
            warn("自动移除 crontab 失败，请手动执行: crontab -e")
            return False


# ─── API 代理 HTTP 服务 ─────────────────────────────────────────────────────────────
class ProxyHTTPHandler(SimpleHTTPRequestHandler):
    """静态文件服务 + /api/search 代理到 redfox.hk"""
    api_key = ""  # 将由 start_server 调用旹覆盖
    search_url = API_URL

    def do_GET(self):
        parsed = urlparse(self.path)
        if parsed.path == "/api/search":
            self._handle_search(parsed)
        elif parsed.path == "/api/img":
            self._handle_img_proxy(parsed)
        else:
            super().do_GET()

    def _handle_img_proxy(self, parsed):
        """代理图片请求，绕过防盗链"""
        params = parse_qs(parsed.query)
        url = params.get("url", [""])[0]

        if not url:
            self.send_error(400, "missing url")
            return

        try:
            req = Request(url, headers={
                "User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36",
                "Referer": "https://www.kuaishou.com/",
            })
            resp = urlopen(req, timeout=10)
            content_type = resp.headers.get("Content-Type", "image/jpeg")
            data = resp.read()

            self.send_response(200)
            self.send_header("Content-Type", content_type)
            self.send_header("Access-Control-Allow-Origin", "*")
            self.send_header("Cache-Control", "public, max-age=86400")
            self.send_header("Content-Length", str(len(data)))
            self.end_headers()
            self.wfile.write(data)
        except Exception as e:
            self.send_error(502, f"proxy error: {e}")

    def _handle_search(self, parsed):
        params = parse_qs(parsed.query)
        keyword = params.get("keyword", [""])[0]

        if not keyword:
            self._send_json({"code": -1, "msg": "missing keyword"})
            return

        payload = {
            "keyword": keyword,
            "pageNum": 1,
            "pageSize": 20,
            "source": SOURCE,
        }
        try:
            resp = requests.post(
                self.search_url,
                json=payload,
                headers={
                    "Content-Type": "application/json",
                    "X-API-KEY": self.api_key,
                },
                timeout=10,
            )
            self._send_json(resp.json())
        except Exception as e:
            self._send_json({"code": -1, "msg": str(e)})

    def _send_json(self, data):
        body = json.dumps(data, ensure_ascii=False).encode("utf-8")
        self.send_response(200)
        self.send_header("Content-Type", "application/json; charset=utf-8")
        self.send_header("Access-Control-Allow-Origin", "*")
        self.send_header("Content-Length", str(len(body)))
        self.end_headers()
        self.wfile.write(body)

    def log_message(self, format, *args):
        pass  # 静默日志


def start_server(output_dir, api_key, port=8766, latest_filename=None):
    """启动内置 HTTP 服务（静态文件 + API 代理），根路径自动重定向到最新日报"""
    import threading

    class _RedirectHandler(ProxyHTTPHandler):
        _latest = latest_filename

        def do_GET(self):
            parsed = urlparse(self.path)
            if parsed.path in ("/", "") and self._latest:
                self.send_response(302)
                self.send_header("Location", f"/{self._latest}")
                self.end_headers()
            else:
                super().do_GET()

    _RedirectHandler.api_key = api_key or ""
    os.chdir(str(output_dir))
    server = HTTPServer(("127.0.0.1", port), _RedirectHandler)
    t = threading.Thread(target=server.serve_forever, daemon=False)
    t.start()
    info(f"本地服务已启动: http://127.0.0.1:{port}")
    return server


# ─── 主流程 ────────────────────────────────────────────────────────────────────────
def main():
    parser = argparse.ArgumentParser(
        description="AI快手信息源 — 每日热门内容聚类日报",
        formatter_class=argparse.RawDescriptionHelpFormatter,
        epilog="""
Examples:
  python3 daily_report.py
  python3 daily_report.py --keywords "AI教程,AI绘画,ChatGPT"
  python3 daily_report.py --subscribe
  python3 daily_report.py --unsubscribe
        """,
    )
    parser.add_argument("--keywords", default=",".join(DEFAULT_KEYWORDS),
                        help="搜索关键词，逗号分隔 (默认: AI,人工智能,大模型,GPT,Agent,AI绘画,AI教程)")
    parser.add_argument("--count", type=int, default=50, help="目标视频数 (默认: 50)")
    parser.add_argument("--date", default=datetime.now().strftime("%Y-%m-%d"),
                        help="指定日期 YYYY-MM-DD 或日期范围 YYYY-MM-DD~YYYY-MM-DD (默认: 今天)")
    parser.add_argument("--output-dir", help=f"输出目录 (默认: ~/Downloads/QoderReports)")
    parser.add_argument("--api-key", help="API Key (不传则读取环境变量或配置文件)")
    parser.add_argument("--subscribe", action="store_true", help="安装每日定时任务 (09:00)")
    parser.add_argument("--unsubscribe", action="store_true", help="卸载定时任务")
    parser.add_argument("--no-open", action="store_true", help="不自动打开浏览器")

    args = parser.parse_args()

    # ── Banner ──
    banner = f"""{CYAN}{BOLD}
  ╔══════════════════════════════════════╗
  ║     AI快手信息源 · 日报生成          ║
  ║     每日热门内容聚类 · 爆款一网打尽   ║
  ╚══════════════════════════════════════╝{RESET}
"""
    print(banner)

    # ── 订阅/取消 ──
    if args.subscribe:
        install_subscription()
        return

    if args.unsubscribe:
        remove_subscription()
        return

    # ── 检查依赖 ──
    if not HAS_REQUESTS:
        error("缺少 requests 库，请安装: pip3 install requests")
        sys.exit(1)

    # ── API Key ──
    api_key = get_api_key(cli_key=args.api_key)
    if not api_key:
        error("未配置 API Key，请通过以下方式之一提供：")
        print(f"  1. 环境变量: export {ENV_KEY}=ak_你的密鑰")
        print(f"  2. 命令行参数: --api-key ak_你的密鑰")
        print(f"  3. 配置文件: echo '{{\"api_key\":\"ak_你的密鑰\"}}' > ~/.qoder/apis/redfox.json")
        sys.exit(1)
    # ── Session ──
    session = requests.Session()
    session.verify = True
    session.headers.update({
        "Content-Type": "application/json",
        "X-API-KEY": api_key,
    })

    # ── 日期范围推算 ──
    date_val = args.date
    if "~" in date_val:
        # 日期范围：2026-06-01~2026-06-11
        parts = date_val.split("~", 1)
        start_date = parts[0].strip()
        end_date = parts[1].strip()
    else:
        # 单日
        start_date = end_date = date_val.strip()

    try:
        dt_start = datetime.strptime(start_date, "%Y-%m-%d")
        dt_end = datetime.strptime(end_date, "%Y-%m-%d")
    except ValueError:
        error(f"日期格式错误，请使用 YYYY-MM-DD 或 YYYY-MM-DD~YYYY-MM-DD：{date_val}")
        sys.exit(1)

    # 开始时间：start_date 的0点（本地时间，字符串格式）
    start_time_str = dt_start.strftime("%Y-%m-%d 00:00:00")
    # 结束时间：end_date 当天23:59:59
    end_time_str = dt_end.strftime("%Y-%m-%d 23:59:59")

    # 日报展示日期（单日用单日，范围用范围）
    display_date = date_val if "~" in date_val else start_date

    # ── 数据可用性检查 ──
    # 检查结束日期是否已有数据（日期范围时检查结束日期，单日时检查该日期）
    is_available, latest_date = check_date_available(end_date)
    if not is_available:
        print_data_unavailable_notice(end_date, latest_date)
        sys.exit(0)

    # ── 获取视频 ──
    keywords = [k.strip() for k in args.keywords.split(",") if k.strip()]
    step(f"扫描热门内容，关键词: {keywords}")
    step(f"目标: {args.count} 条, 日期: {display_date}")
    step(f"时间范围: {start_time_str} ~ {end_time_str} (本地时间)")
    print()

    articles = fetch_articles(session, keywords, args.count, start_time=start_time_str, end_time=end_time_str)

    if not articles:
        error("未获取到任何视频")
        sys.exit(1)

    info(f"扫描完成: {len(articles)} 条热门视频")

    # ── 自动聚类 ──
    step("正在自动聚类...")
    clusters = cluster_articles(articles)
    info(f"聚类完成: 发现 {len(clusters)} 个分类")
    for c in clusters[:10]:
        print(f"    {c['category']}: {c['count']} 条")

    # ── 终端表格展示 ──
    print_article_table(clusters)

    # ── AI情报洞察 ──
    step("正在生成AI情报洞察...")
    briefing = generate_intelligence_briefing(clusters, articles)
    if briefing:
        info(f"情报洞察完成: {len(briefing['investigation_hints'])}个推荐调查方向")
        print_intelligence_briefing(briefing)


    # ── 生成报告 ──
    step("生成 HTML 日报...")
    html_content = generate_report(clusters, articles, display_date, api_key=api_key, briefing=briefing)

    # ── 保存文件 ──
    output_dir = Path(args.output_dir) if args.output_dir else DEFAULT_OUTPUT_DIR
    output_dir.mkdir(parents=True, exist_ok=True)
    ts = datetime.now().strftime("%H%M%S")
    filename = f"AI快手日报_{display_date.replace('~', '_')}_{ts}.html"
    output_path = output_dir / filename

    output_path.write_text(html_content, encoding="utf-8")
    info(f"日报已生成: {output_path}")

    # ── 始终启动内置预览服务 ──
    server = start_server(output_dir, api_key, latest_filename=filename)
    preview_url = f"http://127.0.0.1:8766/{filename}"
    info(f"预览地址: {preview_url}")

    # ── 打开系统浏览器（--no-open 时跳过）──
    if not args.no_open:
        if sys.platform == "darwin":
            subprocess.run(["open", preview_url], check=False)
        elif sys.platform == "win32":
            os.startfile(preview_url)
        elif sys.platform == "linux":
            subprocess.run(["xdg-open", preview_url], check=False)
        info(f"浏览器已打开: {preview_url}")

    # ── 结构化摘要(严格对齐SKILL.md固定输出模式) ──
    print(f"\n{GREEN}{BOLD}✓ 完成!{RESET}")
    
    # 标题
    print(f"\n{BOLD}## AI快手信息源 · {display_date} 日报{RESET}")
    print(f"\n**扫描 {len(articles)} 条热门视频,聚类 {len(clusters)} 个分类**")
    print(f"\n---")
    
    # 分类概览表
    total = len(articles)
    print(f"\n{BOLD}### 分类概览{RESET}")
    print(f"\n| 分类 | 数量 | 占比 | 亮点 |")
    print(f"|------|------|------|------|")
    for c in clusters:
        ratio = f"{c['count']/total*100:.1f}%" if total > 0 else "0%"
        # 亮点:头部视频标题截断 + 点赞
        highlight = "暂无"
        if c["articles"]:
            top = c["articles"][0]
            title = (top.get("title") or "无标题")[:20]
            likes = format_number(top.get("likeCount") or 0)
            highlight = f"{title} {likes}赞"
        print(f"| {c['category']} | {c['count']}条 | {ratio} | {highlight} |")
    
    print(f"\n---")
    
    # AI情报洞察报告
    if briefing:
        print(f"\n{BOLD}### AI情报洞察报告{RESET}")
    
        # 一、新兴起量信号
        print(f"\n**一、新兴起量信号**")
        if briefing["emerging_topics"]:
            for topic in briefing["emerging_topics"]:
                print(f"\n- 🔥 **{topic['topic']}** — 仅{topic['count']}条但均互动{topic['avg_engagement']}+,")
        else:
            print(f"\n暂无")
    
        # 二、核心达人
        print(f"\n**二、核心达人**")
        if briefing["top_authors"]:
            print(f"\n| 达人 | 作品数 | 总赞 | 亮点 |")
            print(f"|------|--------|------|------|")
            for author in briefing["top_authors"][:5]:
                name = f"@{author['name']}"
                count = f"{author['article_count']}条"
                total_likes = format_number(author['total_likes'])
                highlight = f"总播{format_number(author['total_reads'])}" if author.get('total_reads') else '-'
                print(f"| {name} | {count} | {total_likes} | {highlight} |")
        else:
            print(f"\n暂无")
    
        # 三、推荐调查方向
        print(f"\n**三、推荐调查方向**")
        if briefing["investigation_hints"]:
            print(f"\n| 话题 | 调查场景 | 推荐引擎 | 搜索关键词 |")
            print(f"|------|---------|---------|-----------|")
            for hint_group in briefing["investigation_hints"]:
                topic_name = hint_group['topic']
                for hint in hint_group["hints"][:2]:  # 每个话题最多展示2个场景
                    engines_str = " + ".join(hint["engines"])
                    keywords_str = " / ".join(hint["keywords"][:2])
                    print(f"| {topic_name} | {hint['scenario']} | {engines_str} | {keywords_str} |")
        else:
            print(f"\n暂无")
    
        # 四、跨平台对比建议
        print(f"\n**四、跨平台对比建议**")
        if briefing["cross_platform_tips"]:
            for tip in briefing["cross_platform_tips"]:
                print(f"\n- {tip}")
        else:
            print(f"\n暂无")
    
        print(f"\n---")
    
    # 日报地址
    print(f"\n**日报地址**:{output_path}")
    if not args.no_open:
        print(f"  搜索功能: 已就绪（通过内置 API 代理）")
        print(f"  {YELLOW}提示：关闭终端后服务自动停止，HTML 文件可随时离线查阅{RESET}")


if __name__ == "__main__":
    main()

#!/usr/bin/env python3
"""启动带图片代理的本地预览服务，根路径自动重定向到最新快手日报"""
import sys
import os

# 将 daily_report 的目录加入路径
sys.path.insert(0, os.path.dirname(os.path.abspath(__file__)))

from daily_report import ProxyHTTPHandler, info
from pathlib import Path
from http.server import HTTPServer

output_dir = Path.home() / "Downloads" / "QoderReports"

# 动态找最新生成的快手日报文件
html_files = sorted(output_dir.glob("AI快手日报_*.html"), key=lambda f: f.stat().st_mtime, reverse=True)
latest = html_files[0].name if html_files else None


class RedirectHandler(ProxyHTTPHandler):
    """在 ProxyHTTPHandler 基础上，根路径自动重定向到最新快手日报"""
    latest_file = latest

    def do_GET(self):
        from urllib.parse import urlparse
        parsed = urlparse(self.path)
        if parsed.path in ("/", "") and self.latest_file:
            self.send_response(302)
            self.send_header("Location", f"/{self.latest_file}")
            self.end_headers()
        else:
            super().do_GET()


os.chdir(str(output_dir))
server = HTTPServer(("127.0.0.1", 8766), RedirectHandler)

import threading
t = threading.Thread(target=server.serve_forever, daemon=False)
t.start()

info(f"本地服务已启动: http://127.0.0.1:8766")
if latest:
    print(f"\n预览地址: http://127.0.0.1:8766/{latest}")
else:
    print("\n未找到快手日报文件")
print("按 Ctrl+C 退出\n")

try:
    import time
    while True:
        time.sleep(1)
except KeyboardInterrupt:
    print("\n服务已停止")

# 引擎选择策略详解

## 一、决策树：如何选择引擎组合

```
用户输入调查需求
│
├── 包含中文关键词？
│   ├── 是 → 必选: Baidu + WeChat + Toutiao
│   └── 否 → 跳过国内引擎
│
├── 需要国际视角？
│   ├── 是 → 必选: Google + DuckDuckGo/Brave
│   └── 否 → 聚焦国内引擎
│
├── 信息敏感/需隐私？
│   ├── 是 → 优先: DuckDuckGo + Startpage + Qwant
│   └── 否 → 无特殊要求
│
├── 需要时间线/实时性？
│   ├── 小时级 → Google(tbs=qdr:h) + Brave
│   ├── 天级 → Google(tbs=qdr:d) + Baidu
│   └── 周级 → 全引擎均可
│
├── 需要数据验证？
│   ├── 是 → WolframAlpha + Google Scholar
│   └── 否 → 通用引擎
│
└── 需要技术深度？
    ├── 是 → DuckDuckGo(!gh !so !npm)
    └── 否 → 通用引擎
```

---

## 二、四类调查模式的引擎编排

### 竞品情报调查

| 轮次 | 目的 | 引擎 | 搜索策略 |
|------|------|------|---------|
| 第1轮 | 广域扫描 | Baidu, Google, Bing INT | 广泛关键词，建立全景 |
| 第2轮 | 深度挖掘 | WeChat, Toutiao, DuckDuckGo | 细分关键词，挖掘真实反馈 |
| 第3轮 | 交叉验证 | Baidu, Google, Brave | 关键数据多源验证 |

**关键词构建模板：**
- 第1轮：`{竞品名} 产品 功能 定价`
- 第2轮：`{竞品名} 使用体验 测评 评价` / `site:reddit.com {竞品名} review`
- 第3轮：`{竞品名} 融资 营收 市场份额`

### 舆情事件调查

| 轮次 | 目的 | 引擎 | 搜索策略 |
|------|------|------|---------|
| 第1轮 | 事件还原 | Baidu, Google(tbs=qdr:d), Toutiao | 时间过滤+热点词 |
| 第2轮 | 多视角 | WeChat, Sogou, DuckDuckGo | 评论区+论坛+自媒体 |
| 第3轮 | 时间线 | Google(tbs=qdr:w), Bing INT | 追溯事件发展脉络 |

**关键词构建模板：**
- 第1轮：`{事件关键词}` (加时间过滤)
- 第2轮：`{事件关键词} 评论 分析 观点` / `site:reddit.com {事件}`
- 第3轮：`{事件关键词} 时间线 经过 回顾`

### 人物背景调查

| 轮次 | 目的 | 引擎 | 搜索策略 |
|------|------|------|---------|
| 第1轮 | 基本信息 | Baidu, Google, Bing INT | 姓名+职务+公司 |
| 第2轮 | 专业验证 | DuckDuckGo(!gh), Google Scholar | 学术/技术成果 |
| 第3轮 | 信誉排查 | Baidu, Google, WeChat | 争议+诉讼+负面 |

**关键词构建模板：**
- 第1轮：`{人物名} 简介 背景 职务` / `{人物名} biography`
- 第2轮：`!gh {人物名}` / `author:"{人物名}"`
- 第3轮：`{人物名} 争议 诉讼 负面` / `{人物名} controversy`

### 信息交叉验证

| 轮次 | 目的 | 引擎 | 搜索策略 |
|------|------|------|---------|
| 第1轮 | 溯源 | Google(精确匹配), Baidu | 引号包裹+精确搜索 |
| 第2轮 | 比对 | DuckDuckGo, Brave, Startpage | 同一关键词不同引擎 |
| 第3轮 | 权威 | WolframAlpha, Google(site:权威站) | 官方信源确认 |

**关键词构建模板：**
- 第1轮：`"{待验证信息}"`
- 第2轮：`{待验证信息核心关键词}` (不同引擎)
- 第3轮：`site:gov.cn {关键词}` / WolframAlpha计算

---

## 三、引擎独有能力与场景匹配

| 引擎 | 独有能力 | 最佳调查场景 |
|------|---------|------------|
| **Google** | 最全索引+高级操作符+时间过滤+语言筛选 | 所有调查的基础引擎 |
| **Baidu** | 中文内容最全+知道/贴吧/百科 | 国内舆情+竞品口碑 |
| **DuckDuckGo** | Bangs直达(!gh !so !w !a)+无追踪 | 技术调查+隐私调查 |
| **WeChat搜狗** | 微信公众号文章搜索 | 深度分析文章+行业观察 |
| **Toutiao** | 自媒体+热点追踪+实时性 | 热点事件+舆论走向 |
| **Brave** | 独立索引+无偏见+Discussions | 无过滤信息+论坛观点 |
| **Startpage** | Google结果+隐私保护 | 需Google结果但保护隐私 |
| **WolframAlpha** | 结构化数据+知识计算 | 数据验证+数值型信息 |
| **Bing INT** | 中文界面+国际搜索结果 | 跨国调查+国际对比 |
| **Sogou** | 微信+知乎内容 | 中文社区深度内容 |

---

## 四、高级搜索策略

### 4.1 反向搜索法

目的：通过已知信息反推更多细节

```
已知：公司名 → 反向搜索
├── Google: "site:linkedin.com {公司名}"
├── DuckDuckGo: "!gh {公司名}"
├── Baidu: "{公司名} 团队 创始人"
└── Google: "{公司名} filetype:pdf" (查找公开文档)
```

### 4.2 时间轴搜索法

目的：追踪事件/信息随时间的变化

```
├── Google: "{关键词}&tbs=qdr:h" (1小时内)
├── Google: "{关键词}&tbs=qdr:d" (24小时内)
├── Google: "{关键词}&tbs=qdr:w" (1周内)
├── Google: "{关键词}&tbs=qdr:m" (1月内)
└── 对比不同时间段结果变化
```

### 4.3 地域对比法

目的：对比不同地区的信息差异

```
├── Baidu: "{关键词}" (中国视角)
├── Google: "{关键词}&gl=us" (美国视角)
├── Google HK: "{关键词}" (香港视角)
├── Ecosia: "{关键词}" (欧洲视角)
└── 对比结果差异，识别信息偏差
```

### 4.4 垂直深耕法

目的：在特定平台深入挖掘

```
├── Google: "site:reddit.com {关键词}" (Reddit社区)
├── Google: "site:zhihu.com {关键词}" (知乎)
├── Google: "site:github.com {关键词}" (开源项目)
├── Google: "site:crunchbase.com {关键词}" (融资数据)
├── WeChat: "{关键词}" (公众号深度文章)
└── Google: "site:bloomberg.com {关键词}" (财经数据)
```

### 4.5 证据链构建法

目的：构建完整证据链确认信息

```
信息A（待验证）
├── 寻找首发源 → 源头是官方还是转载？
├── 确认传播路径 → 哪些媒体引用了？
├── 检查是否有反驳 → 搜索"辟谣"+"信息关键词"
├── 权威信源验证 → site:gov.cn / site:reuters.com
└── 数据验证 → WolframAlpha（如适用）
```

---

## 五、常见调查场景引擎组合速查

| 调查场景 | 推荐引擎组合 | 时间过滤 | 关键操作符 |
|---------|------------|---------|-----------|
| 产品竞品分析 | Baidu+Google+WeChat+DuckDuckGo | 近1月 | `site:` `""` |
| 公司背景调查 | Baidu+Google+Bing INT+WeChat | 无限制 | `site:linkedin.com` |
| 热点事件追踪 | Baidu+Toutiao+Google+WeChat | 近1天/1周 | `tbs=qdr:d` |
| 人物背景验证 | Baidu+Google+DuckDuckGo(!gh) | 无限制 | `""` `site:` |
| 融资数据验证 | Google+Baidu+WolframAlpha+Jisilu | 近1年 | `site:crunchbase.com` |
| 用户口碑收集 | WeChat+Toutiao+DuckDuckGo+Brave | 近1月 | `site:reddit.com` |
| 技术栈调查 | DuckDuckGo(!gh !so)+Google | 无限制 | `!gh` `!so` `site:` |
| 价格/销量调查 | Baidu+Google+DuckDuckGo(!a) | 近1月 | `filetype:pdf` |
| 学术论文验证 | Google Scholar+Google+DuckDuckGo | 近2年 | `site:arxiv.org` |
| 法律诉讼排查 | Baidu+Google+Bing INT | 无限制 | `site:court.gov.cn` |

# 调查模式详解

## 竞品情报调查

分析竞争对手产品、市场策略、用户口碑。

### 搜索策略编排

**第1轮：广域扫描**

| 引擎 | 搜索词 | 目的 |
|------|--------|------|
| Baidu | {竞品名} 产品 功能 | 建立全景认知 |
| Google | {竞品名} product review | 国际化视角 |
| Bing INT | {竞品名} vs alternatives | 竞品对比 |

**第2轮：深度挖掘**

| 引擎 | 搜索词 | 目的 |
|------|--------|------|
| WeChat | {竞品名} 分析 测评 | 深度分析文章 |
| Toutiao | {竞品名} 用户 评价 | 自媒体评价 |
| DuckDuckGo | {竞品名} site:reddit.com OR site:producthunt.com | 社区真实反馈 |

**第3轮：交叉验证**

| 引擎 | 搜索词 | 目的 |
|------|--------|------|
| Baidu | {竞品名} 融资 营收 | 国内商业数据 |
| Google | {竞品名} funding revenue | 国际商业数据 |
| Brave | {竞品名} market share | 市场份额验证 |

### 输出模板

| 维度 | 发现 | 来源 | 可信度 |
|------|------|------|--------|
| 产品定位 | ... | 多源交叉 | 高/中/低 |
| 核心功能 | ... | 官方+评测 | 高 |
| 用户口碑 | ... | 社交+论坛 | 中 |
| 市场表现 | ... | 公开数据 | 高 |
| 竞争优势 | ... | 对比分析 | 中 |
| 潜在风险 | ... | 舆情监测 | 低 |

---

## 舆情事件调查

热点事件追踪、舆论走向分析、危机监测。

### 搜索策略编排

**第1轮：事件还原**

| 引擎 | 搜索词 | 目的 |
|------|--------|------|
| Baidu | {事件关键词} (tbs=qdr:d) | 国内最新报道 |
| Google | {事件关键词} (tbs=qdr:d) | 国际最新报道 |
| Toutiao | {事件关键词} | 热点实时追踪 |

**第2轮：多视角收集**

| 引擎 | 搜索词 | 目的 |
|------|--------|------|
| WeChat | {事件关键词} 评论 分析 | 公众号深度解读 |
| Sogou | {事件关键词} 观点 | 知乎等中文社区 |
| DuckDuckGo | {事件关键词} site:reddit.com | 国际社区讨论 |

**第3轮：时间线重建**

| 引擎 | 搜索词 | 目的 |
|------|--------|------|
| Google | {事件关键词} (tbs=qdr:w) | 一周内演变 |
| Bing INT | {事件关键词} timeline | 国际时间线 |
| Baidu | {事件关键词} 时间线 | 国内时间线 |

### 输出模板

```
📋 舆情调查报告

🕐 时间线
├── [时间1] 事件起因 — 来源: xxx
├── [时间2] 关键转折 — 来源: xxx
└── [时间3] 当前状态 — 来源: xxx

📊 舆论分布
├── 支持方观点: ... (来源数: N)
├── 反对方观点: ... (来源数: N)
└── 中立/观望: ... (来源数: N)

⚠️ 待验证信息
├── [信息A] — 验证状态: ⚠️ 单一来源
└── [信息B] — 验证状态: ✅ 多源确认

🔑 关键结论
├── 已确认: ...
├── 高概率: ...
└── 待观察: ...
```

---

## 人物背景调查

商务合作前的背景调查、行业人物了解。

### 搜索策略编排

**第1轮：基本信息**

| 引擎 | 搜索词 | 目的 |
|------|--------|------|
| Baidu | {人物名} 简介 背景 | 建立人物画像 |
| Google | {人物名} biography profile | 国际化视角 |
| Bing INT | {人物名} company role | 职业信息 |

**第2轮：专业验证**

| 引擎 | 搜索词 | 目的 |
|------|--------|------|
| Google Scholar | {人物名} | 学术成果验证 |
| DuckDuckGo | !gh {人物名} | 开源项目/技术能力 |
| DuckDuckGo | !so {人物名} | 技术社区活跃度 |

**第3轮：信誉排查**

| 引擎 | 搜索词 | 目的 |
|------|--------|------|
| Baidu | {人物名} 争议 诉讼 | 国内风险信号 |
| Google | {人物名} controversy lawsuit | 国际风险信号 |
| WeChat | {人物名} 评价 口碑 | 行业口碑 |

### 输出模板

| 维度 | 信息 | 来源 | 可信度 |
|------|------|------|--------|
| 身份核实 | ... | 官方/社交 | 高 |
| 职业履历 | ... | LinkedIn/官网 | 高 |
| 专业成就 | ... | 学术/社区 | 中 |
| 行业口碑 | ... | 社交媒体 | 中 |
| 风险信号 | ... | 新闻/法律 | 需验证 |

---

## 信息交叉验证

验证某条信息的真实性、对比不同来源的说法。

### 搜索策略编排

**第1轮：信息溯源**

| 引擎 | 搜索词 | 目的 |
|------|--------|------|
| Google | "{待验证信息}" (精确匹配) | 找到信息首发源 |
| Baidu | "{待验证信息}" | 国内信息溯源 |

**第2轮：多源比对**

| 引擎 | 搜索词 | 目的 |
|------|--------|------|
| DuckDuckGo | {待验证信息} | 无追踪比对 |
| Brave | {待验证信息} | 独立索引比对 |
| Startpage | {待验证信息} | Google结果+隐私比对 |

**第3轮：权威验证**

| 引擎 | 搜索词 | 目的 |
|------|--------|------|
| Google | site:gov.cn {相关关键词} | 政府权威信源 |
| Bing INT | site:reuters.com OR site:apnews.com {关键词} | 国际权威信源 |
| WolframAlpha | {可计算的数据} | 结构化数据验证 |

### 输出模板

```
🔍 信息验证报告

📝 待验证信息："{原始信息}"

📊 验证结果
├── 支持来源数: N个
│   ├── 来源1: xxx (可信度: 高)
│   └── 来源2: xxx (可信度: 中)
├── 反对来源数: N个
│   └── 来源3: xxx
└── 无法确认来源数: N个

⚖️ 综合判定
├── ✅ 已确认: ... (多源一致)
├── ⚠️ 待确认: ... (来源矛盾)
└── ❌ 已否定: ... (权威信源反驳)
```

# 调查报告模板集

## 一、竞品情报调查报告

```markdown
# 🔍 竞品情报调查报告

## 基本信息
- **调查目标**：{竞品名称}
- **调查日期**：{日期}
- **调查模式**：竞品情报调查

---

## 1. 产品定位与概述

| 维度 | 内容 | 来源 |
|------|------|------|
| 公司名称 | ... | ... |
| 产品定位 | ... | ... |
| 目标用户 | ... | ... |
| 核心价值主张 | ... | ... |
| 定价策略 | ... | ... |

## 2. 功能与特性

| 功能 | 描述 | 我们是否有 | 差异分析 |
|------|------|-----------|---------|
| 功能A | ... | ✅/❌ | ... |
| 功能B | ... | ✅/❌ | ... |
| 功能C | ... | ✅/❌ | ... |

## 3. 用户口碑分析

### 正面评价
- 评价1: "..." — 来源: {平台}
- 评价2: "..." — 来源: {平台}

### 负面评价
- 评价1: "..." — 来源: {平台}
- 评价2: "..." — 来源: {平台}

### 口碑总结
- 正面关键词: {关键词1, 关键词2, 关键词3}
- 负面关键词: {关键词1, 关键词2, 关键词3}

## 4. 市场表现

| 指标 | 数据 | 来源 | 可信度 |
|------|------|------|--------|
| 融资轮次/金额 | ... | ... | ... |
| 用户规模 | ... | ... | ... |
| 市场份额 | ... | ... | ... |
| 增长趋势 | ... | ... | ... |

## 5. SWOT分析

| | 正面 | 负面 |
|---|------|------|
| **内部** | **优势(S)**: ... | **劣势(W)**: ... |
| **外部** | **机会(O)**: ... | **威胁(T)**: ... |

## 6. 关键发现与建议

### 🔑 关键发现
1. ...
2. ...
3. ...

### 💡 行动建议
1. ...
2. ...
3. ...

---
*数据来源：多搜索引擎交叉调查 | 可信度标注遵循ABCD分级*
```

---

## 二、舆情事件调查报告

```markdown
# 📋 舆情事件调查报告

## 基本信息
- **事件主题**：{事件名称}
- **调查日期**：{日期}
- **调查模式**：舆情事件调查

---

## 1. 事件概况

| 维度 | 内容 |
|------|------|
| 事件概述 | ... |
| 涉及方 | ... |
| 当前状态 | ... |
| 舆论热度 | 🔥🔥🔥 (1-5级) |

## 2. 事件时间线

| 时间 | 事件 | 来源 | 可信度 |
|------|------|------|--------|
| {时间1} | {事件1} | {来源1} | {A/B/C/D} |
| {时间2} | {事件2} | {来源2} | {A/B/C/D} |
| {时间3} | {事件3} | {来源3} | {A/B/C/D} |

## 3. 舆论分布

### 支持方观点
- 观点1: "..." (来源数: N, 代表平台: ...)
- 观点2: "..." (来源数: N, 代表平台: ...)

### 反对方观点
- 观点1: "..." (来源数: N, 代表平台: ...)
- 观点2: "..." (来源数: N, 代表平台: ...)

### 中立/观望
- 观点1: "..." (来源数: N)

## 4. 关键信息验证

| 待验证信息 | 验证结果 | 支持来源 | 反对来源 |
|-----------|---------|---------|---------|
| {信息1} | ✅已确认/⚠️待确认/❌已否定 | ... | ... |
| {信息2} | ✅已确认/⚠️待确认/❌已否定 | ... | ... |

## 5. 舆论走向预判

| 方向 | 概率 | 依据 |
|------|------|------|
| 走向A | 高/中/低 | ... |
| 走向B | 高/中/低 | ... |

## 6. 风险评估

| 风险项 | 影响级别 | 说明 |
|--------|---------|------|
| {风险1} | 🔴高/🟡中/🟢低 | ... |
| {风险2} | 🔴高/🟡中/🟢低 | ... |

---
*数据来源：多搜索引擎交叉调查 | 可信度标注遵循ABCD分级*
```

---

## 三、人物背景调查报告

```markdown
# 👤 人物背景调查报告

## 基本信息
- **调查对象**：{人物姓名}
- **调查日期**：{日期}
- **调查模式**：人物背景调查

---

## 1. 身份信息

| 维度 | 信息 | 来源 | 可信度 |
|------|------|------|--------|
| 姓名 | ... | ... | ... |
| 当前职务 | ... | ... | ... |
| 所在公司 | ... | ... | ... |
| 所在地 | ... | ... | ... |
| 教育背景 | ... | ... | ... |

## 2. 职业履历

| 时间 | 职位/经历 | 机构 | 来源 |
|------|---------|------|------|
| ... | ... | ... | ... |
| ... | ... | ... | ... |

## 3. 专业成就

| 成就 | 详情 | 来源 | 可信度 |
|------|------|------|--------|
| ... | ... | ... | ... |
| ... | ... | ... | ... |

## 4. 行业口碑

| 维度 | 评价 | 来源 |
|------|------|------|
| 技术能力 | ... | ... |
| 管理风格 | ... | ... |
| 行业影响力 | ... | ... |

## 5. 风险信号

| 风险项 | 详情 | 来源 | 可信度 |
|--------|------|------|--------|
| 争议事件 | ... | ... | ... |
| 法律诉讼 | ... | ... | ... |
| 负面报道 | ... | ... | ... |

⚠️ 注：风险信号需多源确认，单一来源信息标注为"待验证"

## 6. 综合评估

| 维度 | 评级 | 说明 |
|------|------|------|
| 专业能力 | ⭐⭐⭐⭐⭐ | ... |
| 行业口碑 | ⭐⭐⭐⭐⭐ | ... |
| 合作风险 | 🟢低/🟡中/🔴高 | ... |

## 7. 调查结论

...

---
*数据来源：多搜索引擎交叉调查 | 可信度标注遵循ABCD分级*
```

---

## 四、信息验证报告

```markdown
# 🔍 信息验证报告

## 验证请求
- **待验证信息**："{原始信息}"
- **验证日期**：{日期}
- **验证模式**：信息交叉验证

---

## 验证过程

### 第1轮：信息溯源
| 引擎 | 搜索词 | 找到相关结果 | 首发/最早来源 |
|------|--------|------------|-------------|
| ... | ... | ✅/❌ | ... |
| ... | ... | ✅/❌ | ... |

### 第2轮：多源比对
| 引擎 | 结果倾向 | 关键发现 |
|------|---------|---------|
| Google | 支持/反对/中立 | ... |
| Baidu | 支持/反对/中立 | ... |
| DuckDuckGo | 支持/反对/中立 | ... |
| Brave | 支持/反对/中立 | ... |

### 第3轮：权威验证
| 权威来源 | 确认/否定 | 说明 |
|---------|---------|------|
| ... | ... | ... |

---

## 验证结论

| 项目 | 结果 |
|------|------|
| **综合判定** | ✅ 已确认 / ⚠️ 待确认 / ❌ 已否定 |
| **支持来源数** | N个 |
| **反对来源数** | N个 |
| **最高可信度来源** | {来源} (A级) |
| **信息偏差风险** | 高/中/低 |

## 偏差分析
- 不同引擎结果差异：...
- 可能原因分析：...

## 建议
- ...

---
*数据来源：多搜索引擎交叉验证 | 可信度标注遵循ABCD分级*
```

{
  "name": "智能情报调查员",
  "version": "1.1.0",
  "description": "基于多搜索引擎的深度情报调查工具，支持竞品分析、舆情监测、人物背景调查、信息交叉验证",
  "record_save": {
    "url": "https://redfox.hk/story/api/skill/record/save",
    "method": "POST",
    "auth_header": "X-API-Key",
    "auth_note": "apikey必须通过X-API-Key请求头传入，放在Body中会返回code:3106错误",
    "source": "智能情报调查员",
    "source_note": "动态传入当前skill名称，不同skill使用不同source值",
    "credit_note": "需配置用户自有 REDFOX_API_KEY（格式 ak_xxxxxxxx）"
  },
  "modes": [
    {
      "id": "competitive",
      "name": "竞品情报调查",
      "description": "分析竞争对手产品、市场策略、用户口碑",
      "engines": ["Baidu", "Google", "Bing INT", "WeChat", "Toutiao", "DuckDuckGo", "Brave"]
    },
    {
      "id": "sentiment",
      "name": "舆情事件调查",
      "description": "热点事件追踪、舆论走向分析、危机监测",
      "engines": ["Baidu", "Google", "Toutiao", "WeChat", "Sogou", "DuckDuckGo", "Bing INT"]
    },
    {
      "id": "person",
      "name": "人物背景调查",
      "description": "商务合作前的背景调查、行业人物了解",
      "engines": ["Baidu", "Google", "Bing INT", "DuckDuckGo", "WeChat"]
    },
    {
      "id": "verify",
      "name": "信息交叉验证",
      "description": "验证信息真实性、对比不同来源说法",
      "engines": ["Google", "Baidu", "DuckDuckGo", "Brave", "Startpage", "WolframAlpha"]
    }
  ],
  "engines": [
    {"name": "Baidu", "url": "https://www.baidu.com/s?wd={keyword}", "region": "cn", "strength": "中文生态覆盖最广"},
    {"name": "Bing CN", "url": "https://cn.bing.com/search?q={keyword}&ensearch=0", "region": "cn", "strength": "中文+微软生态"},
    {"name": "Bing INT", "url": "https://cn.bing.com/search?q={keyword}&ensearch=1", "region": "cn", "strength": "中文界面+国际结果"},
    {"name": "360", "url": "https://www.so.com/s?q={keyword}", "region": "cn", "strength": "安全类信息"},
    {"name": "Sogou", "url": "https://sogou.com/web?query={keyword}", "region": "cn", "strength": "微信公众号收录"},
    {"name": "WeChat", "url": "https://wx.sogou.com/weixin?type=2&query={keyword}", "region": "cn", "strength": "微信公众号文章"},
    {"name": "Toutiao", "url": "https://so.toutiao.com/search?keyword={keyword}", "region": "cn", "strength": "自媒体/热点追踪"},
    {"name": "Jisilu", "url": "https://www.jisilu.cn/explore/?keyword={keyword}", "region": "cn", "strength": "金融投资数据"},
    {"name": "Google", "url": "https://www.google.com/search?q={keyword}", "region": "global", "strength": "全球索引最全+高级操作符"},
    {"name": "Google HK", "url": "https://www.google.com.hk/search?q={keyword}", "region": "global", "strength": "中文+国际双优化"},
    {"name": "DuckDuckGo", "url": "https://duckduckgo.com/html/?q={keyword}", "region": "global", "strength": "无追踪+Bangs直达"},
    {"name": "Yahoo", "url": "https://search.yahoo.com/search?p={keyword}", "region": "global", "strength": "老牌引擎+财经信息"},
    {"name": "Startpage", "url": "https://www.startpage.com/sp/search?query={keyword}", "region": "global", "strength": "Google结果+隐私保护"},
    {"name": "Brave", "url": "https://search.brave.com/search?q={keyword}", "region": "global", "strength": "独立索引+无偏见"},
    {"name": "Ecosia", "url": "https://www.ecosia.org/search?q={keyword}", "region": "global", "strength": "环保+欧洲视角"},
    {"name": "Qwant", "url": "https://www.qwant.com/?q={keyword}", "region": "global", "strength": "欧盟GDPR合规"},
    {"name": "WolframAlpha", "url": "https://www.wolframalpha.com/input?i={keyword}", "region": "global", "strength": "结构化数据+知识计算"}
  ],
  "time_filters": {
    "google": {
      "past_hour": "tbs=qdr:h",
      "past_day": "tbs=qdr:d",
      "past_week": "tbs=qdr:w",
      "past_month": "tbs=qdr:m",
      "past_year": "tbs=qdr:y",
      "custom": "tbs=cdr:1,cd_min:{start},cd_max:{end}"
    },
    "brave": {
      "past_day": "tf=pd",
      "past_week": "tf=pw",
      "past_month": "tf=pm",
      "past_year": "tf=py"
    },
    "startpage": {
      "past_day": "time=day",
      "past_week": "time=week",
      "past_month": "time=month",
      "past_year": "time=year"
    }
  },
  "credibility_levels": {
    "A": "官方/政府/权威媒体",
    "B": "行业媒体/专业平台",
    "C": "社交媒体/自媒体",
    "D": "匿名/未验证来源"
  }
}