1.背景
花了整整两天时间，本qiang~开发了一个关于AI新闻资讯的自动聚合及报告生成工具。
本篇记录一下整体的框架和实现原理，并且本着它山之石可以攻玉，本qiang~开放了所有的源码，源码可见如下第5章节，感谢各位看官的大力支持。如有问题，可私信或留言沟通。
成品可以参考链接：《AI资讯每日速递(2024.11.05)》
2.为什么要做这件事？
深处AI时代，想要追赶前沿的一手技术与资讯，有一个工具能够实时获取每天的重点内容，包括咨询和技术相关内容，并且能够按照公司及内容的优先级进行筛选，然后午后捧着一杯奶茶，点开自动生成的报告，岂不美哉美哉？
3.相关技术
- Crawl4ai: 一块集成LLM的开源爬虫工具
- Swarm: OpenAI发布的Multi-Agent编排框架，可以参考本人先前的辛苦整理：《LLM应用实战: OpenAI多代理框架-Swarm》
- Python-docx: word的操作工具
- Textdistance: 用于报告模块中资讯排序结果与原始资讯结果的对齐
- Gpt-4o-mini: 采用的大模型是gpt-4o-mini，每日免费调用200次，不够用...
4.整体框架
整体框架分为三个模块：
4.1下载模块
下载模块的数据源包括各大AI新闻网站及知名博客，然后通过开源爬虫工具crawl4ai进行爬取，爬取的维度包括标题、内容、图片等。
4.2解析模块
解析模块是针对爬取的结果进行解析，采用OpenAi Swarm框架，包含4个Agent，其中Analysis Agent是主体Agent，遍历下载的每一个资讯，将每条资讯分别同步给其他Agent完成具体的解析任务。其中Translator Agent主要功能是翻译，将英文翻译为中文；Classifier Agent主要功能是针对资讯进行分类，如涉及技术还是产品之类的；Modifier Agent主要功能是将资讯的标题和内容进行改写，标题可以改写更醒目一些，内容主要是提取摘要信息。
Analysis Agent负责串联其他3个Agent，每个Agent结束后均会返回到Analysis Agent，以便让Analysis Agent决定下一步的操作。
4.3报告模块
报告模块包含Sorter Agent，主要功能是将解析后的资讯按照公司、内容等维度进行排序，然后筛选出其中相对排名较高的资讯。
经过排序Agent后，最终将结果保存为word。
5.全部源码
5.1下载模块
采用crawl4ai工具进行网站爬取，示例的网站是https://www.aibase.com，网站存在中文及英文，但增加翻译Agent是为了兼容其他网站。
1. 文件处理file_util.py
import json import hashlib def get_datas(file_path, json_flag=True, all_flag=False, mode='r'): """读取文本文件""" results = [] with open(file_path, mode, encoding='utf-8') as f: for line in f.readlines(): if json_flag: results.append(json.loads(line)) else: results.append(line.strip()) if all_flag: if json_flag: return json.loads(''.join(results)) else: return 'n'.join(results) return results def save_datas(file_path, datas, json_flag=True, all_flag=False, with_indent=False, mode='w'): """保存文本文件""" with open(file_path, mode, encoding='utf-8') as f: if all_flag: if json_flag: f.write(json.dumps(datas, ensure_ascii=False, indent= 4 if with_indent else None)) else: f.write(''.join(datas)) else: for data in datas: if json_flag: f.write(json.dumps(data, ensure_ascii=False) + 'n') else: f.write(data + 'n')
2. 网站爬取web_crawler.py
from crawl4ai import AsyncWebCrawler from crawl4ai.extraction_strategy import JsonCssExtractionStrategy import json from typing import Dict, Any, Union, List from bs4 import BeautifulSoup from file_util import * import os import datetime import re import requests class AbstractAICrawler(): def __init__(self) -> None: pass def crawl(): raise NotImplementedError() class AINewsCrawler(AbstractAICrawler): def __init__(self, domain) -> None: super().__init__() self.domain = domain self.file_path = f'data/{self.domain}.json' self.history = self.init() def init(self): if not os.path.exists(self.file_path): return {} return {ele['id']: ele for ele in get_datas(self.file_path)} def save(self, datas: Union[List, Dict]): if isinstance(datas, dict): datas = [datas] self.history.update({ele['id']: ele for ele in datas}) save_datas(self.file_path, datas=list(self.history.values())) async def crawl(self, url:str, schema: Dict[str, Any]=None): extraction_strategy = JsonCssExtractionStrategy(schema, verbose=True) if schema else None async with AsyncWebCrawler(verbose=True) as crawler: result = await crawler.arun( url=url, extraction_strategy=extraction_strategy, bypass_cache=True, ) assert result.success, "Failed to crawl the page" if schema: return json.loads(result.extracted_content) return result.cleaned_html class AIBasesCrawler(AINewsCrawler): def __init__(self) -> None: self.domain = 'aibase' super().__init__(self.domain) self.url = 'https://www.aibase.com' async def crawl_home(self, url='https://www.aibase.com/news'): schema = { 'name': 'ai base home page crawler', 'baseSelector': '.flex', 'fields': [ { 'name': 'link', 'selector': 'a[rel="noopener noreferrer"]', 'type': 'nested_list', 'fields': [ {'name': 'href', 'type': 'attribute', 'attribute':'href'} ] } ] } links = await super().crawl(url, schema) links = [link['href'] for ele in links for link in ele['link']] links = list(set([f'{self.url}{ele}' for ele in links if ele.startswith('/news')])) links = sorted(links, key=lambda x: x, reverse=True) return links async def crawl_newsletter_cn(self, url): html = await super().crawl(url) body = BeautifulSoup(html, 'html.parser') title = body.select_one('h1').get_text().replace('u200b', '').strip() date = [ele.get_text().strip() for ele in body.find_all('span') if re.match(r'(d{4}年d{1,2}月d{1,2}号)', ele.get_text().strip())][0] date = datetime.datetime.strptime(date, '%Y年%m月%d号 %H:%M').strftime("%Y-%m-%d") content = 'n'.join([ele.get_text().strip().replace('n', '').replace(' ', '') for ele in body.find_all('p')]) content = content[:content.index('划重点:')].strip() if '划重点:' in content else content return { 'title': title, 'link': url, 'content': content, 'date': date } async def crawl_home_cn(self, url='https://www.aibase.com/zh/news'): schema = { 'name': 'ai base home page crawler', 'baseSelector': '.flex', 'fields': [ { 'name': 'link', 'selector': 'a[rel="noopener noreferrer"]', 'type': 'nested_list', 'fields': [ {'name': 'href', 'type': 'attribute', 'attribute':'href'} ] } ] } links = await super().crawl(url, schema) links = [link['href'] for ele in links for link in ele['link']] links = list(set([f'{self.url}{ele}' for ele in links if ele.startswith('/zh/news')])) links = sorted(links, key=lambda x: x, reverse=True) return links async def crawl_newsletter(self, url): html = await super().crawl(url) body = BeautifulSoup(html, 'html.parser') title = body.select_one('h1').get_text().replace('u200b', '').strip() date = ';'.join([ele.get_text().strip() for ele in body.find_all('span')]) date = re.findall(r'(bw{3}s+d{1,2},s+d{4}b)', date)[0] date = datetime.datetime.strptime(date, '%b %d, %Y').strftime("%Y-%m-%d") content = 'n'.join([ele.get_text().strip().replace('n', '') for ele in body.find_all('p')]) content = content[:content.index('Key Points:')].strip() if 'Key Points:' in content else content pic_urls = [ele.get('src').strip() for ele in body.select('img') if ele.get('title')] pic_url = pic_urls[0] if pic_urls else '' pic_url = pic_url.replace('\"', '') pic_path = '' if pic_url: pic_path = f'data/images/{md5(url)}.jpg' response = requests.get(pic_url) if response.status_code == 200: with open(pic_path, 'wb') as f: f.write(response.content) return { 'title': title, 'link': url, 'content': content, 'date': date, 'pic': pic_path, 'id': md5(url) } async def crawl(self): links = await self.crawl_home() results = [] for link in links: _id = md5(link) if _id in self.history: continue results.append({ 'id': _id, 'link': link, 'contents': await self.crawl_newsletter(link), 'time': datetime.datetime.now().strftime('%Y-%m-%d') }) self.save(results) return await self.get_last_day_data() async def get_last_day_data(self): last_day = (datetime.date.today() - datetime.timedelta(days=1)).strftime('%Y-%m-%d') datas = self.init() for v in datas.values(): v['contents']['id'] = v['id'] return [v['contents'] for v in datas.values() if v['contents']['date'] == last_day]
View Code
5.2解析模块
1. 解析提示语prompt.py
ANALYST = """你是一个AI领域的分析师，主要工作步骤如下： 1. 首先执行transform_to_translate_agent方法，切换到translate agent，执行翻译任务; 2. 然后再执行transform_to_classifier_agent，调用classifier agent，针对内容进行分类; 3. 接着再执行transform_to_modifier_agent，调用modifier agent，针对内容进行改写; 4. 前三步执行完毕后，意味着整个分析工作已经完成，最后调用finish方法，退出该整个工作流程。 需要注意的是：每个步骤必须执行完成后，才能执行后续的步骤，且同时只能有1个步骤在执行；如果modifier agent已经执行完毕，一定要调用finish退出整体工作流程。 """ TRANSLATE = """你现在是一个AI领域的翻译专家，请将如下英文的标题和内容分别翻译为中文。步骤及要求如下: 1. 首先调用translate方法进行翻译，要求如下： a. 需要注意的标题和内容中如果包含公司名称、产品名称、技术名称等专业词汇，针对这些专业词汇需要保留英文形式，其他非专业词汇需要翻译为中文，注意标题也必须翻译; b. 输出格式为 "标题: xxxxxn内容: xxxxx"，且需要保留换行符; c. 注意该translate方法没有输入参数，返回的结果只是需要翻译的原始文本，需要你执行翻译操作，然后返回翻译结果; d. 该translate方法执行完成后，需要你执行具体的翻译，等待翻译完成后，才能开展下一个步骤，不能直接将原文作为参数传给下一个步骤; 2. 抽取完成后，执行extract_translate_result方法，要求如下： a. 该extract_translate_result方法存在1个输入参数，即执行1后得到的翻译结果 3. 待步骤2执行完成后，执行transform_to_analysis_agent方法，切换至analysis agent，执行其他工作。 4. 步骤1,2,3必须按照顺序执行，且同时只能有1个步骤在执行 5. 如果历史记录中已经执行了任何步骤，注意严格禁止再次重复执行，而要直接执行未执行的步骤， """ CLASSIFIER = """你是一个AI领域的分类器，请判断输入是否与AI的技术相关。步骤及要求如下: 1. 首先调用classify方法进行分类，要求如下： a. 输入的内容包括标题和内容两部分，重点基于内容进行判断这条信息是否与AI技术相关; b. 如果是相关技术细节、技术原理、代码说明、架构说明，则输出"是"，如果是与公司的最新资讯相关，如发行新产品、成立新部门、公司合作等非技术相关的，则输出"否" c. 输出的结果只能是"是"、"否"两个选项中的一个，不要输出其他内容，包括解释信息等。 d. 注意该classify方法没有输入参数，返回的结果只是需要分类的原始文本，需要你执行分类任务，然后返回分类结果; 2. 获取到分类结果后，执行extract_classify_result方法，要求如下： a. 该extract_classify_result方法存在1个输入参数，即执行1后得到的分类结果 3. 待步骤2执行完成后，执行transform_to_analysis_agent方法，切换至analysis agent，执行其他工作 4. 步骤1,2,3必须按照顺序执行，且同时只能有1个步骤在执行 5. 如果历史记录中已经执行了任何步骤，注意严格禁止再次重复执行，而要直接执行未执行的步骤， """ MODIFIER = """你是一个AI新闻的改写器，请基于输入中的标题和内容进行改写。步骤及要求如下: 1. 首先调用modify方法进行改写，要求如下： a. 输入的内容包括"标题"和"内容"两部分，需要分别针对"标题"和"内容"进行改写; b. "标题"的改写目标是需要醒目且具有吸引力，能够吸引读者进一步阅读，要求字数不能超过30字; c. "内容"需要摘要总结，需要准确提取主要内容，要求字数不超过200字; d. 输出格式为 "标题: xxxxn内容: xxxxx"，且需要保留换行符，"标题"和"内容"需要以输入的中文为准; e. 注意该modify方法没有输入参数，返回的结果是需要改写的原始文本，需要你执行改写任务，然后返回改写结果; 2. 获取到改写结果后，执行extract_modify_result方法，要求如下： a. 该extract_modify_result方法存在1个输入参数，即执行1后得到的改写结果 3. 待步骤2执行完成后，执行transform_to_analysis_agent方法，切换至analysis agent，执行其他工作 4. 步骤1,2,3必须按照顺序执行，且同时只能有1个步骤在执行 5. 如果历史记录中已经执行了任何步骤，注意严格禁止再次重复执行，而要直接执行未执行的步骤 """
View Code
2. 解析Agent整体流程agent.py
agent copy 2from swarm import Swarm, Agent from web_crawler import AIBasesCrawler import asyncio from prompt import * from file_util import * from tqdm import tqdm import datetime client = Swarm() def download(): return asyncio.run(AIBasesCrawler().crawl()) def transform_to_analysis_agent(): return analysis_agent def transform_to_translate_agent(): return translate_agent def transform_to_classifier_agent(): return classifier_agent def transform_to_modifier_agent(): return modifier_agent def translate(context_variables): return f'现在请按要求翻译如下内容:n标题: {context_variables["title"]}n内容: {context_variables["content"]}' def extract_translate_result(result: str, context_variables: dict): """翻译的结果进行抽取 Args: result (str): 翻译结果 Returns: str: 翻译结果提取结束标志 """ context_variables['title_zh'] = result[result.index('标题:')+len('标题:'):result.index('内容:')] context_variables['content_zh'] = result[result.index('内容:')+len('内容:'):] return '翻译结果提取任务已经完成，请继续下一步操作。' def classify(context_variables): return f'现在请按要求针对以下内容进行分类，n输入:n标题: {context_variables["title_zh"]}n内容: {context_variables["content_zh"]},n输出:' def extract_classify_result(result: str, context_variables: dict): """分类的结果进行抽取 Args: result (str): 翻译结果 Returns: str: 分类结果提取结束标志 """ context_variables['classify'] = result return '分类结果提取任务已经完成，请继续下一步操作。' def modify(context_variables): return f'现在请按要求针对以下内容进行改写，n输入:n标题: {context_variables["title_zh"]}n内容: {context_variables["content_zh"]},n输出:' def extract_modify_result(result: str, context_variables: dict): """改写的结果进行抽取 Args: result (str): 改写结果 Returns: str: 改写结果提取结束标志 """ context_variables['title_modify'] = result[result.index('标题:')+len('标题:'):result.index('内容:')] context_variables['content_modify'] = result[result.index('内容:')+len('内容:'):] return '改写结果提取任务已经完成，请继续下一步操作。' def finish(): return '分析任务已经完成，请直接退出整个工作流程，直接输出"退出"。' analysis_agent = Agent(name='analysis_agent', instructions=ANALYST, functions=[transform_to_translate_agent, transform_to_classifier_agent, transform_to_modifier_agent, finish]) translate_agent = Agent(name='translate_agent', instructions=TRANSLATE, functions=[translate, extract_translate_result, transform_to_analysis_agent]) classifier_agent = Agent(name='classifier_agent', instructions=CLASSIFIER, functions=[classify, extract_classify_result, transform_to_analysis_agent]) modifier_agent = Agent(name='modifier_agent', instructions=MODIFIER, functions=[modify, extract_modify_result, transform_to_analysis_agent]) output_file_pre = (datetime.date.today() - datetime.timedelta(days=1)).strftime('%Y.%m.%d') output_path = f'data/{output_file_pre}_final_results.json' results = get_datas(output_path) process_ids = [data['id'] for data in results] for data in tqdm(download()): if data['id'] in process_ids: continue context_variables = {'title': data['title'], 'content': data['content']} try: result = client.run(analysis_agent, messages=[{"role": "user", "content": "现在，请开始分析!"}], context_variables=context_variables, debug=True) context_variables = result.context_variables data['title_zh'] = context_variables['title_zh'] data['content_zh'] = context_variables['content_zh'] data['classify'] = context_variables['classify'] data['title_modify'] = context_variables['title_modify'] data['content_modify'] = context_variables['content_modify'] save_datas(output_path, [data], mode='a') except Exception as e: print(e) continue
View Code
5.3报告模块
1. 排序提示语prompt.py
SORTER = """你是一个AI新闻的排序助手，请给予输入的新闻标题进行排序。要求如下: 1. 排序的规则是基于标题中所提及公司、组织机构的名气和重要性进行排序，名气和重要性是基于你所学的知识进行排序，名气和重要性越高，排名越靠前; 2. 排序的结果只返回名气最高的top10即可，输出的格式为"1xxxxxn2xxxxxn3xxxxx...n10xxxxx"，注意一定要以"n"进行换行; 3. 输出的每个标题，需要和输入中对应的标题保持完全一致，禁止更改; """
View Code
2. 排序流程agent.py
from swarm import Swarm, Agent from prompt import * from file_util import * from collections import defaultdict import re import textdistance from word_util import save_2_word import datetime import random client = Swarm() output_file_pre = (datetime.date.today() - datetime.timedelta(days=1)).strftime('%Y.%m.%d') output_path = f'data/{output_file_pre}_final_results.json' sort_agent = Agent(name='sort_agent', instructions=SORTER) datas = get_datas(output_path) for ele in datas: ele['title_modify'] = ele['title_modify'].strip() ele['content_modify'] = ele['content_modify'].strip() def get_most_similar(t1, texts): most_similarity = 0.0 most_similar_text = '' for ele in texts: similarity = textdistance.levenshtein.similarity(t1, ele) if similarity > most_similarity: most_similarity = similarity most_similar_text = ele return most_similar_text type_2_title = defaultdict(list) {type_2_title[ele['classify']].append(ele['title_modify']) for ele in datas} title_2_data = {ele['title_modify']: ele for ele in datas} final_results = defaultdict(list) for k, v in type_2_title.items(): content = "n".join([ele for ele in v]) message = f'现在请根据你所学习的知识，按照要求对以下输入进行排序，并且按照输出格式进行输出，n输入:n{content},n输出:' result = client.run(sort_agent, messages=[{"role": "user", "content": message}], debug=True) sort_results = [ele['content'] for ele in result.messages[::-1] if 'content' in ele and ele['content'] and ele['content']] sort_results = sort_results[0].split('n') if sort_results else random.sample(v, 10) sort_results = [re.sub(r'^d+[.,、s]*', '', ele).strip() for ele in sort_results] final_results[k].extend([title_2_data[get_most_similar(ele, list(title_2_data.keys()))] for ele in sort_results]) sort_output = f'data/{output_file_pre}_sort_results.json' save_datas(sort_output, [final_results]) # 生成word save_2_word(final_results, output_file_pre)
View Code
3. 报告生成word_util.py
from docx import Document from docx.shared import Inches, Pt, RGBColor from docx.enum.text import WD_PARAGRAPH_ALIGNMENT import os def save_2_word(info_dict, file_pre): doc = Document() categories = ['否', '是'] category_color = 'FF5733' for category in categories: news = info_dict[category] category_paragraph = doc.add_paragraph() category = '技术' if category == '是' else '资讯' category_run = category_paragraph.add_run(category) category_run.bold = True category_run.font.size = Pt(25) category_run.font.color.rgb = RGBColor.from_string(category_color) category_paragraph.alignment = WD_PARAGRAPH_ALIGNMENT.CENTER for i, item in enumerate(news): title = item['title_modify'] doc.add_heading(f'{i+1}. {title}', level=1) pic = item['pic'] if 'pic' in item else '' if pic and os.path.exists(pic): pic_paragraph = doc.add_paragraph() pic_paragraph.alignment = WD_PARAGRAPH_ALIGNMENT.CENTER doc.add_picture(pic, width=Inches(5)) content = item['content_modify'] doc.add_paragraph(content) doc.save(f'data/AI资讯每日速递({file_pre}).docx')
View Code
6.优化思考
1. 爬取模块目前是串行下载，且未增加反爬机制，后续可以增加多线程，且增加代理池机制。
2. 免费的gpt-4o-mini每日调用次数仅有200次，执行本任务远远不够，因此后期尝试切换为私有部署的Qwen2.5。
其实已经尝试了Qwen2.5，以vllm部署，但与Swarm框架中的OpenAi接口存在少许不兼容，例如不支持特定的参数，只能运行一轮。不过可以进一步优化Swarm框架来进行适配。
本次实验本qiang~花费了30大洋，买了一个gpt-4o-mini，生成最终结果，直接耗费了其中的8个大洋，烧钱....
3. 信息推送机制不支持，如一键同步到公众号、CSDN、知乎，这块如果有精力可以基于网站的开发接口，实现一键自动发布文章。
7.总结
一句话足矣~
开发了一块AI资讯的自动聚合及报告生成工具，包括具体的框架、实现原理以及完整源码，满满诚意，提供给各位看官。欢迎转发、订阅~
有问题可以私信或留言沟通！
8.参考
(1) Swarm: https://github.com/openai/swarm
(2) Crawl4ai: https://github.com/unclecode/crawl4ai
(3) 资讯网站: https://www.aibase.com/news
