我让 AI 每天自动出一条 90 秒视频：AI 早报流水线拆解，成本和翻车都写上

billychen826@gmail.com (Billy) — Sat, 10 Oct 2026 16:35:00 +0800

这周我搭了一条流水线：每天早上 10:02 自动跑一次，产出一份 AI 早报文字简报和一条 88 秒左右的中文讲解视频，然后投到 B 站。今天这期在这里：AI 早报 10.10。

起因是歸藏（@op7418）10 月 8 日公开了他做「AI 早报 + 讲解视频」的整套提示词（原帖），第二天又把「newsletter 转 2 分钟视频」做成了可以直接装的 bot 模板（原帖）。我照着搭了一套，样片跑通了。但跑一期 demo 和每天稳定出片是两回事，后者要回答这几个问题：

采集、写稿、渲染、发布，各自交给谁？
怎么保证视频里的数字没编？
一期花多少钱、多长时间？
出错了是悄悄发一条烂片，还是停下来？

下面按这几个问题拆。文中的耗时、轮数、成本和退出码都来自流水线自己落盘的日志，出处列在文末。

整体架构

图里是三层，真正干活的是前两层。拆成两层，是因为两边能拿到的东西不一样。

Claude Code 跑在一台云端 Linux 机器上，那里没有 X 的连接器，读不到我的收藏和推文。编排层是一个常驻的 Grok Bot 助手，手上有 X 连接器、能联网核对官方页，也有定时任务。所以采集、核对、写简报都归它，Claude Code 只拿 brief.md 干活，而且被要求把它当成唯一事实来源。

这样分还有个好处：渲染那一层不联网找资料，也就没有机会自己「补」新闻进来。prompt 第一句写的就是：

你在 box 上非交互运行，没人能回答问题；不要发任何消息/帖子，不要访问社交账号。

目录和入口

/workspace/ai-daily/
├── RUNBOOK.md 全流程手册
├── run_daily.sh 每日入口
├── prompts/video.md 首次搭建用的完整 prompt（engine 不存在时）
├── prompts/daily.md 日常复用 prompt（engine 已存在时）
├── engine/ 可复用的视频工程
│ ├── make_video.sh 一键 8 步
│ ├── DIRECTION.md 影片方向（镜头表每天自动重写）
│ ├── tools/ build_content.py / tts.py / qa_layout.mjs ...
│ └── src/shots/news.jsx 所有版式
└── out/<Y>/ 每期的 brief、sources、items、narration、mp4、keyframes、qa-report

run_daily.sh 不长，核心就几段。先检查编排层有没有把简报写好，没有就直接退出，不让 Claude Code 凭空发挥：

RAG 技术深度解析：从基础到 GraphRAG，以及大 Context 时代的思考

billychen826@gmail.com (Billy) — Wed, 05 Nov 2025 10:00:00 +0800

RAG 基础原理

什么是 RAG

RAG (Retrieval-Augmented Generation) 检索增强生成，是一种结合了信息检索和大语言模型生成能力的技术范式。其核心思想是：

用户查询 → 检索相关文档 → 将文档作为上下文 → LLM 生成答案

为什么需要 RAG

在 RAG 出现之前，LLM 面临几个核心问题：

知识截止日期：模型训练数据有时效性，无法获取最新信息
幻觉问题：模型可能生成看似合理但实际错误的内容
领域知识局限：对特定领域的深度知识覆盖不足
无法访问私有数据：企业内部文档、数据库无法被预训练模型学习
Context Window 大小受限：Context Window 不足以塞下全部文档内容，用户提问时 window 就塞满了

RAG 的基本架构

┌─────────────┐
│ 文档语料库 │
└──────┬──────┘
 │ 离线处理
 ▼
┌─────────────┐
│ 文档切块 │ (Chunking)
└──────┬──────┘
 │
 ▼
┌─────────────┐
│ 向量化 │ (Embedding)
└──────┬──────┘
 │
 ▼
┌─────────────┐
│ 向量数据库 │ (Vector DB)
└──────┬──────┘
 │
 │ 在线查询
 │
┌──────┴──────┐
│ 用户查询 │
└──────┬──────┘
 │
 ▼
┌─────────────┐
│ 查询向量化 │
└──────┬──────┘
 │
 ▼
┌─────────────┐
│ 相似度检索 │ (Top-K)
└──────┬──────┘
 │
 ▼
┌─────────────┐
│ 重排序 │ (可选)
└──────┬──────┘
 │
 ▼
┌─────────────┐
│ 构建 Prompt │
└──────┬──────┘
 │
 ▼
┌─────────────┐
│ LLM 生成 │
└──────┬──────┘
 │
 ▼
┌─────────────┐
│ 返回答案 │
└─────────────┘

关键技术组件

1. 文档切块 (Chunking)

切块策略直接影响检索质量。

AI on Billy's Blog