手搓Claude Code Skill：让AI自动生成每日新闻日报

从对话到日报：一个自定义Skill的诞生

在AI工具日益普及的今天，越来越多的开发者开始探索如何将大模型的能力封装成可复用的"技能"（Skill），实现工作流的自动化。B站UP主"Dolphin Beat"分享了一个颇具实用价值的案例：通过自定义一个名为 Dolphin Beat AI News 的 Claude Code Skill，让 Claude Code 自动读取、筛选并生成每日AI新闻日报。

Claude Code 技术背景：Claude Code 是 Anthropic 推出的面向开发者的命令行AI编程助手，其 Skill 系统允许用户通过 CLAUDE.md 配置文件或自定义指令集，将复杂的多步骤任务封装成可复用的模块。值得注意的是，CLAUDE.md 本质上是一份持久化的"系统提示词"文件——它在每次会话启动时自动注入上下文，使 Claude Code 能够"记住"用户的工作偏好、项目结构和自定义工具链。这一机制类似于函数编程中的"高阶抽象"——将底层的提示词工程、工具调用链路和输出模板预先定义好，用户只需一句自然语言即可触发完整的执行流程，极大降低了重复性工作的操作成本。与市面上其他 AI 编程工具（如 GitHub Copilot、Cursor）相比，Claude Code 的 Skill 系统更强调"任务级别的可编程性"，而非仅仅提供代码补全，这使其更适合构建端到端的自动化工作流。

整个流程的入口非常简洁。在 VS Code 中点击右上角的 Claude Code，由于已预先配置好 API，工具会自动完成登录。随后只需在对话框中输入"AI每日新闻"这样的自然语言指令，就能触发这个自定义 Skill 的完整执行链路。这种"一句话调用"的交互方式，正是 Skill 封装带来的最大便利——将复杂的多步骤任务收敛为一次简单的对话。

Skill 背后的执行逻辑

预设资讯源与任务清单

这个 Claude Code Skill 的核心设计思路值得借鉴。作者在 Skill 内部配置了 5个AI资讯前沿网站，工具会逐个网站进行遍历和读取。更关键的是，作者为 AI 设定了一份明确的任务清单（To-Do List），执行顺序为：先搜索、后筛选、再生成HTML。

这种结构化的任务拆解是让 AI 稳定输出的关键，其理论基础来源于"思维链"（Chain-of-Thought，CoT）和"任务规划"（Task Planning）研究。CoT 最初由 Google Research 在2022年的论文《Chain-of-Thought Prompting Elicits Reasoning in Large Language Models》中系统提出，核心发现是：当模型被要求"一步步思考"而非直接给出答案时，在数学推理、逻辑判断等复杂任务上的准确率可提升数倍。研究者发现，这种逐步拆解的方式迫使模型在"思考空间"中分配更多注意力资源，从而减少跳步带来的错误积累。

而"任务规划"（Task Planning）则是在 CoT 基础上的进一步工程化延伸——将单一问题分解为有序的子任务序列，每个子任务的输出作为下一个子任务的输入，形成可验证的执行链路。这一思路催生了 ReAct、HuggingGPT、AutoGPT 等一系列 Agent 框架的诞生。相比于让模型"一步到位"地完成模糊指令，将任务分解为可验证的子步骤，本质上是将单一大模型调用转化为多步骤的 Agent 工作流——每一步都有明确的输入输出边界，能够显著提升执行的可靠性，并大幅降低模型产生幻觉或偏离目标的概率。

在本案例中，搜索阶段负责数据采集，筛选阶段负责从海量资讯中提取前10条重要新闻，生成阶段则负责最终的呈现形式，三个阶段职责清晰、互不耦合。这种"流水线式"的任务设计，不仅提升了执行稳定性，也使得每个阶段的输出都可以被单独检验和调试，极大降低了排错成本。

从筛选到可视化输出

执行完成后，Skill 生成了一份完整的"Dolphin Beat AI日报"，标注了具体日期，并列出当日前10条最重要的AI新闻。作者进一步指定 AI 输出为一个 HTML 页面，只需复制生成的地址在浏览器中打开，便能看到排版精美的日报页面。

值得一提的是，工具还自动为日报生成了一个海豚主题的 Logo，与作者"Dolphin Beat"的品牌形象呼应。这体现了当下 AI 在内容生成上的多模态能力——不仅能处理文本，还能自动完成视觉元素的设计。这类由纯文本提示词驱动、最终输出包含视觉与结构化内容的生成流程，在业界通常被归类为"生成式UI"（Generative UI）的早期实践形态。生成式UI的概念核心在于：界面不再是预先设计好的静态模板，而是由模型根据用户意图和数据内容动态生成——Vercel 的 AI SDK、Anthropic 的 Artifacts 功能都是这一方向的代表性探索，预示着未来人机交互界面的动态化与个性化趋势。

细节体验：汉化与溯源

这份日报在体验上有两个贴心的设计。首先，抓取的英文资讯被自动汉化处理，大幅降低了中文用户的阅读门槛。其次，每条新闻都保留了原文出处——用户选中一条新闻后，点击右下角的"查看原文"，就能直接跳转到该新闻的原始来源页面。

保留原文出处的设计，与当前主流的 RAG（检索增强生成，Retrieval-Augmented Generation） 架构理念高度契合。RAG 最早由 Meta AI Research 在2020年发表的论文《Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks》中提出，旨在解决纯参数化大模型的两大痼疾：知识截止日期的静态性，以及生成内容无法追溯来源的"黑盒"问题。

RAG 的核心思路是将"检索"与"生成"两个模块解耦：检索模块负责从外部知识库（如网页、数据库、文档库）中实时拉取与查询最相关的内容片段，生成模块则以这些检索结果作为"锚点"，在有事实依据的前提下组织语言输出。检索结果相当于给模型提供了一个"开卷考试"的参考材料，使其不必依赖训练时固化的参数记忆，而是基于实时数据进行"有据可查"的生成。这一架构既解决了大模型知识截止日期的局限——因为检索的是实时数据——也为每一条生成内容提供了可追溯的原始依据，使得"哪句话来自哪个来源"变得清晰可查。

在AI生成内容日益泛滥、"幻觉"和错误信息频发的当下，强制标注信息来源不仅是对抗AI幻觉的有效手段，也是合规与版权意识的体现。对于新闻聚合类应用而言，溯源链接还具有法律层面的重要意义——它明确了内容的原始著作权归属，避免了大模型生成内容可能带来的版权侵权风险。

此外，页面底部还专门罗列了所有数据来源网站。这种对信息溯源的重视显得尤为可贵。让用户能够一键核验原文，既保证了信息可信度，也体现了负责任的AI应用设计理念。

自定义 Claude Code Skill 的价值与启示

个人自动化工作流的新范式

这个案例虽然由作者戏称为"菜鸟邪修"，但其中的思路颇具代表性。它本质上是将 信息采集 + 内容筛选 + 格式化输出 这一常见的信息工作流，通过 Claude Code Skill 实现了端到端自动化。对于需要每天关注行业动态的从业者而言，这样一个自动生成日报的工具能够节省大量信息搜集时间。

更重要的是，这种模式具备高度可迁移性。将资讯源替换为其他领域的网站，就能生成对应领域的日报；调整筛选标准和输出格式，就能适配不同的使用场景——例如，法律从业者可以将数据源替换为裁判文书网和法律法规更新页面，生成每日司法动态简报；投资者可以接入财经网站和上市公司公告，生成定制化的市场情报日报。Skill 的可配置性让个人化的自动化工具变得触手可及。

从AI使用者到工具创造者

作者提到后续会教大家如何制作这个 Skill，这一点尤其值得关注。当前 AI 工具的发展趋势，正在从"使用现成产品"向"人人皆可定制"演进。

这一趋势与 No-Code/Low-Code 平台的兴起一脉相承：过去需要掌握爬虫开发（如 Scrapy、Playwright）、数据处理（Pandas）和前端渲染（HTML/CSS）等多项技能才能完成的信息聚合工具，如今通过合理的 Prompt 工程和任务拆解，普通用户即可借助大模型实现端到端自动化。

这一范式转变的技术底层支撑，是大模型在**工具调用（Function Calling / Tool Use）**能力上的成熟。2023年 OpenAI 率先在 GPT-4 API 中正式推出 Function Calling 功能，随后 Anthropic、Google 等主流模型厂商相继跟进。这一能力的本质是：模型不再只是"对话者"，而是能够主动调用外部 API、读写文件系统、执行代码的"执行者"。通过结构化的函数签名描述，模型可以理解何时应当调用工具、传入什么参数，从而将"思考"与"行动"统一在同一个智能体框架内。正是 Tool Use 能力的成熟，使得本文案例中"读取网页→提取内容→生成HTML"这一跨系统的操作链路成为可能。

借助 Claude Code 这类支持自定义 Skill 的开发环境，普通开发者甚至非专业人士，都能根据自身需求动手搭建专属的自动化助手。这种"手搓"的能力，大幅降低了自动化工具的开发门槛，技术的民主化让每个人都能成为自己工作流的架构师。

结语

从一句"AI每日新闻"的指令，到一份排版精美、支持溯源的AI日报，这个案例生动展示了自定义 Claude Code Skill 在个人自动化领域的巨大潜力。技术实现或许并不复杂，但其中蕴含的"结构化任务拆解""RAG溯源意识""从使用到创造"等思路，对于每一位希望驾驭AI工具的用户来说，都是极具参考价值的实践样本。期待作者后续的 Skill 制作教程，也期待更多人加入"手搓"自动化工具的行列。

核心要点

核心要点

核心要点