shield_lock
金大哥
联系我们
← 返回 Skill 列表
extension
分类: 其它无需 API Key

高质量网文推荐

起点中文网好书推荐，支持两种模式： 1）三江榜新书推荐——每天从起点三江榜单中精选3本优质新书； 2）经典网文推荐——从起点万订/十万均订经典作品中随机推荐，附IP衍生品（电视剧/动漫/手办）和海外出圈信息。 内置去重机制，支持按 SBTI 性格筛选。 触发场景：推荐好书、三江榜、起点推荐、小说推荐、今天看什么书、书荒、找书看、每日推书、起点新书推荐、网文推荐、三江推荐、按性格推荐、SBTI推书、经典网文、万订推荐、十万均订、神作推荐、看经典、经典好书。 当用户提到"推荐几本好书"、"三江榜有什么书"、"书荒了推荐一下"、"每日推书"等意图时触发三江模式。 当用户提到"推荐经典"、"有没有经典网文"、"万订好书"、"十万均订"、"神作推荐"、"看看经典"等意图时触发经典模式。 当用户描述自己的性格或 SBTI 类型并请求推荐书时，也应使用此skill。

person作者: user_358eea8bhubcommunity
download下载资源包

起点好书推荐

从起点中文网精选优质小说，支持三江新书和万订/十万均订经典双模式。 每本书附带 SBTI 人格鉴定、诙谐必看理由，经典模式还有 IP 衍生品和海外出圈信息。

双模式一览

| 模式 | 触发词 | 推荐池 | 首次耗时 | |------|--------|--------|----------| | 📰 三江新书 | "推荐好书""三江榜""书荒" | 每期17-30本新书 | ~30秒 | | 📖 经典网文 | "经典网文""万订""神作""看经典" | 134本（34🏆+100📈），可扩至1600+ | < 0.2秒 |

核心特性

🎭 SBTI 性格化推荐

告诉我你的性格，推荐最对味的书（三江/经典通用）：

| 你说的 | 匹配人格 | 推荐类型 | |--------|---------|----------| | "我比较躺平" | MALO（吗喽） | 都市日常类 | | "社恐独来独往" | SOLO（孤儿） | 武侠仙侠类 | | "暴躁不服管" | FUCK（草者） | 玄幻战争类 | | "内耗焦虑纠结" | IMSB（自我攻击者） | 都市科幻类 | | "佛系无所谓" | OJBK（无所谓人） | 历史二次元类 |

支持精确输入（SBTI代号/中文名）和自由描述，脚本自动模糊匹配。共15种人格见下方完整列表。

📖 经典网文（万订/十万均订）

从起点万订（1600+本）和十万均订（34本）经典作品中随机推荐：

  • 🏆十万均订 / 📈万订 层级标签一眼区分
  • 🎬 IP 衍生品：自动标注有电视剧/动漫/手办的经典
  • 🌍 海外出圈：标注海外影响力 + 附带论坛链接（WebNovel/Reddit/NovelUpdates/Fandom Wiki）
  • Excel 导入：支持从起点图领取万订全量 Excel，扩充推荐池到 1600+本

💾 预置数据 + 增量更新（零等待）

经典模式内置134本书库，用户首次使用零网络请求、毫秒级加载。后续每周增量检查新增（仅抓2个列表页，~2秒）。

🔄 智能去重

历史记录自动排重，每次推荐不重复。候选书随机打乱 + 分类多样性 + 批次SBTI去重。

三江模式工作流程

Step 1: 运行推荐脚本

推荐使用 JSON 输出（确保链接完整，不丢 _trace 参数）：

python3 scripts/sanjiang_picker.py --count 3 --output json

然后 agent 从 JSON 结果的每本书的 qidian_url 字段取链接，自行格式化为 Markdown 展示。

也可以用 Markdown 输出（但 agent 整理时必须保留原始链接不得修改）：

python3 scripts/sanjiang_picker.py --count 3 --output markdown

按性格推荐 🎭

如果用户描述了自己的性格或 SBTI 类型，使用 --sbti 参数：

# 用户说"我是吗喽"
python3 scripts/sanjiang_picker.py --sbti MALO --output json

# 用户说"我比较躺平"
python3 scripts/sanjiang_picker.py --sbti 躺平 --output json

# 用户说"我是社恐独行侠"
python3 scripts/sanjiang_picker.py --sbti 社恐独行侠 --output json

# 用户说"我看啥都不顺眼"
python3 scripts/sanjiang_picker.py --sbti 看啥都不顺眼 --output json

agent 解析用户意图的指引：

| 用户说的 | --sbti 参数 | |---------|------------| | "我是吗喽/MALO" | MALO | | "我比较躺平/摆烂/咸鱼" | 躺平 | | "我是草者/暴躁" | FUCK | | "社恐/独来独往/一个人待着" | 社恐独行侠 | | "佛系/无所谓/随便" | 佛系 | | "内耗/焦虑/纠结" | 内耗焦虑 | | "搞笑/逗比/气氛组" | JOKE-R | | "逃避/装死/鸵鸟" | ZZZZ | | "老好人/心软/讨好型" | ATM | | "自信/有魅力" | SEXY | | "控场/拿捏/大局观" | CTRL | | "愤世嫉俗/看不惯一切" | SHIT |

脚本内置了模糊匹配，直接把用户原话传给 --sbti 即可，不需要 agent 精确翻译成 code。

其他命令

python3 scripts/sanjiang_picker.py --list-sbti        # 查看所有 SBTI 人格
python3 scripts/sanjiang_picker.py --refresh --output markdown  # 强制刷新缓存
python3 scripts/sanjiang_picker.py --dump-cache        # 输出完整候选池（调试）

参数说明：

  • --count N: 推荐书籍数量，默认3本
  • --date YYYY-MM-DD: 指定榜单日期（默认自动获取最新）
  • --output json|markdown|text: 输出格式，默认markdown
  • --sbti TEXT: 按 SBTI 人格筛选（支持代号/中文名/自由描述）
  • --list-sbti: 列出所有 SBTI 人格类型
  • --refresh: 强制刷新缓存（忽略已有缓存重新抓取）
  • --dump-cache: 输出当天完整缓存数据
  • --no-save: 不保存本次推荐到历史（用于测试）
  • --setup: 仅检测环境并安装依赖

Step 2: 整理推荐报告

脚本执行后，对输出结果进行整理：

  1. 检查数据完整性：确保每本书都有书名、作者、分类、简介
  2. 如果用户指定了 SBTI：在报告开头标注"已按你的性格 XXX 筛选推荐"
  3. 格式化输出：使用Markdown格式，清晰展示

⚠️ 【强制规则】链接必须原样使用，严禁自行拼接！

脚本输出的每本书都包含 qidian_url 字段，格式形如：

https://www.qidian.com/book/{book_id}/?_trace=qidiandayrec_skill

agent 在生成推荐报告时，必须严格使用脚本返回的 qidian_url 原始值，不得自行拼接或简化链接。

❌ 错误示范（丢失 _trace 参数）：

[点击阅读](https://www.qidian.com/book/1047379865/)

✅ 正确示范（保留完整 _trace 参数）：

[点击阅读](https://www.qidian.com/book/1047379865/?_trace=qidiandayrec_skill)

_trace=qidiandayrec_skill 是推荐来源追踪参数，用于标记流量来自本 skill 的推荐。丢掉它等于丢失推荐归因数据，这是业务硬性要求。

最佳实践：使用 --output json 获取结构化数据，然后直接读取每本书的 qidian_url 字段填入链接，确保万无一失。

Step 3: 交付推荐结果

将整理好的推荐报告直接展示给用户。如果用户需要，可以：

  • 保存为Markdown文件
  • 推送到企业微信（使用markdown_v2格式）

经典模式工作流程

Step 1: 运行经典推荐脚本

推荐使用 JSON 输出（确保链接完整）：

python3 scripts/classic_picker.py --count 3 --output json

按层级筛选

# 只推荐十万均订（33本顶级经典）
python3 scripts/classic_picker.py --tier 100k --output json

# 只推荐万订
python3 scripts/classic_picker.py --tier 10k --output json

按 SBTI 人格推荐

python3 scripts/classic_picker.py --sbti MALO --output json
python3 scripts/classic_picker.py --sbti 躺平 --output json

增量检查新增书（推荐）

python3 scripts/classic_picker.py --check-update --output json

强制全量重新抓取（慎用）

python3 scripts/classic_picker.py --refresh

从 Excel 导入全量万订数据

用户可以从起点图（微信公众号"起点数据图"）免费领取万订全量 Excel，然后导入：

python3 scripts/classic_picker.py --import-excel /path/to/万订名单.xlsx

导入后数据会与在线爬取的数据合并缓存，后续推荐范围更广。

Step 2: 整理推荐报告

⚠️ 【强制规则】与三江模式相同：链接必须原样使用脚本返回的 qidian_url，严禁自行拼接！

整理报告时，必须着重体现以下特色信息：

  1. 层级标签必须醒目：

    • 十万均订的书标注 🏆十万均订
    • 万订的书标注 📈万订
    • 让用户一眼区分

  2. IP 衍生品信息（中国IP希望之星）：

    • 如果推荐的书有电视剧、电影、动漫、手办等衍生品 → 着重介绍
    • 使用"🎬 中国IP希望之星"标题突出
    • 列出衍生品类型、名称、年份、平台、亮点

  3. 海外出圈信息：

    • 如果书在海外有知名度（如诡秘之主、大奉打更人）→ 强调海外影响力
    • 附带海外论坛/社区链接（WebNovel、Reddit、NovelUpdates、Fandom Wiki 等）
    • 国内书地址仍指向起点（带 _trace 参数）

Step 3: 交付推荐结果

展示给用户。如果用户还想看更多，可以再次运行（自动去重不重复）。

经典模式参数说明

| 参数 | 说明 | |------|------| | --count N | 推荐数量，默认3本 | | --output json\|markdown | 输出格式，默认json | | --sbti TEXT | 按 SBTI 人格筛选 | | --tier 100k\|10k | 层级筛选 | | --check-update | 增量检查新增书（秒级，推荐日常使用） | | --refresh | 全量重新抓取（耗时较长，慎用） | | --import-excel FILE | 从 Excel 导入 | | --dump-cache | 输出完整缓存 | | --no-save | 不保存历史 | | --setup | 环境检测（含预置数据+缓存状态） |

SBTI 人格完整列表

| 代号 | 人格名 | 适配类型 | |------|--------|---------| | SOLO | 孤儿 | 武侠、仙侠、灵异 | | MALO | 吗喽 | 都市、轻小说、日常 | | FUCK | 草者 | 玄幻、奇幻、战争 | | OJBK | 无所谓人 | 历史、二次元 | | FAKE | 伪人 | 悬疑、灵异、权谋 | | IMSB | 自我攻击者 | 都市、科幻、现实 | | JOKE-R | 小丑 | 轻小说、游戏 | | ZZZZ | 装死者 | 奇幻、仙侠、游戏 | | ATM | ATM-er | 都市、历史、现实 | | DRUNK | 酒鬼 | 武侠、历史、仙侠 | | WOC! | 握草人 | 玄幻、科幻、悬疑 | | MUM | 妈妈 | 轻小说、都市、游戏 | | SEXY | 尤物 | 都市、历史、武侠 | | CTRL | 拿捏者 | 历史、悬疑、科幻 | | SHIT | 狗屎人 | 现实、末世、科幻 |

技术细节

数据源

| 数据 | URL | 说明 | |------|-----|------| | 三江榜单 | qidiantu.com/bang/1/6/{date} | 每期17-30本 | | 十万均订 | qidiantu.com/badge/shiwanjunding | 完整33本 | | 万订 | qidiantu.com/badge/wanrenzhuipeng | 最新100本 | | Excel全量 | 微信加 qidiantu 领取（免费） | 1600+本全量 | | 书籍详情 | qidiantu.com/info/{book_id} | 作者/分类/简介 |

缓存机制

设计原则：同一天/同一周的数据只抓一次，后续全部读缓存。

| 模式 | 缓存策略 | 首次 | 后续 | |------|----------|------|------| | 三江 | 每天一份缓存，保留7天 | ~30秒全量抓取 | < 1秒 | | 经典 | 预置134本 + 7天增量更新 | < 0.2秒 | < 0.2秒 |

经典模式数据加载链：

预置数据（134本）→ 写入缓存 → 每周增量检查 → 仅补新书详情

三江模式数据加载链：

检查当天缓存 → 命中直接读 → 未命中全量抓取 → 写缓存 → 清理7天前旧缓存

去重机制

  • 历史记录文件：scripts/.sanjiang_history.json，记录每次推荐的书籍ID
  • 排除规则：每次推荐自动排除上一次推荐的书
  • 随机轮换：候选书籍先随机打乱，再按分类多样性挑选
  • 兜底策略：如果去重后候选不足，回退到全量选择
  • 历史清理：仅保留最近30天的推荐记录

SBTI 匹配策略

  1. 精确匹配：用户直接说了 SBTI 代号（如 MALO）或中文名（如 吗喽）→ 直接命中
  2. 关键词匹配：用户描述了性格特征（如"躺平""摆烂"）→ 通过内置关键词表映射到人格
  3. 模糊匹配：用户自由描述（如"不想上班只想看书"）→ 按 trait/keywords 相似度排序，取 top3

自动化任务

可设置每天早上10点自动推荐，使用 automation_update 创建定时任务：

  • 任务名称：起点三江每日推荐
  • 执行时间：每天10:00
  • 任务内容：运行脚本获取推荐 → 格式化报告 → 展示给用户

环境与依赖

Python 3.6+。运行前先检测：which python3 && python3 --version。缺失时按系统安装（macOS: brew install python3，Windows: winget install Python.Python.3.12，Linux: apt/dnf install python3）。

pip 依赖由脚本首次运行时自动安装（beautifulsoup4、lxml），无需手动处理。手动安装（仅在自动安装失败时）：pip3 install beautifulsoup4 lxml。

环境检测：python3 scripts/sanjiang_picker.py --setup

注意事项

  • 缓存优先：同一天的数据只从起点图抓取一次，后续全部读本地缓存
  • 请求间隔：全量抓取时每本书间隔1.5秒，善待源站
  • 三江榜单通常每周五更新，周末获取的是最新一期
  • 如果指定日期无数据，脚本会自动回退查找最近7天的榜单
  • 起点图数据比起点官网延迟1-2天，属正常现象