热点写作不是把当天的新闻换一种说法，而是从来源中确认事实、时间和争议，再决定文章要回答的问题。本文以 Khazix Skills 为例，把热点收集、来源分级、观点拆解和长文结构连接起来，给出一套不依赖单次模型输出的写作检查表。文中只讨论可复现的步骤，不把单次结果扩展成产品承诺；每个结论都标注前提、证据和无法覆盖的边界。读者可以先完成最小验证，再按自己的版本、权限和数据补充实验。
很多人做 AI 内容，卡住的地方不是不会写。
而是每天打开电脑，先问自己一句，今天到底写什么？
于是有人刷一圈社交媒体，把三个热词拼成标题；有人让模型写一篇“深度分析”，得到一篇背景、现状、趋势都齐全，但换一个产品名也能继续用的文章；还有人把一段材料交给 Agent，出来的稿子语气很顺，却完全不像自己。
这三个问题其实不在一个层面上。
aihot 负责把实时 AI 资讯变成选题输入，hv-analysis 负责沿时间和竞品两个方向做研究，khazix-writer 负责按照一套明确的个人写作风格把材料写成公众号长文。
它们来自同一个仓库，但不是一个“输入标题、自动爆款”的按钮。更接近一条内容生产链里的三个工位。
这一篇就把这条链路拆开，顺便说清楚它们各自不该做什么。
一、Khazix Skills 不是一个写作软件
仓库 README 当前列出了 5 个遵循 Agent Skills 标准的 Skill，除了本文重点介绍的三个，还包括 storage-analyzer 和 neat-freak。它们可以被 Claude Code、Codex 以及其他支持 Agent Skills 的 Agent 加载。
Skill 和普通 Prompt 的差别，在于它不只是一段“请帮我写”的话，而是把触发条件、工作步骤、输出格式、限制和自检方法放进一个可复用目录。
可以把它想成内容团队里的工作手册：
如果只装 khazix-writer，它也能写文章；但素材如果一开始就不可靠，文风越像真人，错误传播得越自然。组合使用的价值，恰恰是让选题、研究和表达分开。
二、安装前先决定要装哪些
仓库建议按 Skill 目录安装，而不是把所有目录都当成一个巨型 Prompt 全部塞进 Agent。最简单的方式，是把具体 Skill 地址交给当前 Agent：
换成 hv-analysis 或 khazix-writer 就是安装另外两个。
如果你的环境不支持直接从 URL 安装，也可以先克隆仓库，再把目标子目录复制到 Agent 的 Skills 目录：
Windows PowerShell 可以写成：
路径是示例，Claude Code、Codex 和其他 Agent 的扫描目录可能不同。复制以后至少检查每个目录下是否有 SKILL.md，不要只看到仓库成功克隆就以为 Agent 已经加载。
许可证方面，仓库 README 标注为 MIT。仓库许可证解决的是代码和 Skill 文件的再使用问题，不会自动替你解决新闻原文、图片、第三方文章和你写入的个人经验的版权问题。
三、aihot 解决的是“今天写什么”
先看 aihot。
它不是一个需要 API Key 的新闻爬虫，也不是让模型凭训练记忆回答“最近发生了什么”。它通过 AI HOT 提供的公开只读 API 获取中文 AI 资讯、精选、当前热点和日报。
项目的安全边界写得很清楚，只允许访问 https://aihot.virxact.com/api/public/* 的匿名 GET 接口，不索要用户的 Key、Cookie、账号或本地文件，也不执行资讯正文里夹带的指令。
这点很重要。新闻内容本身是不可信输入，标题里就算出现“请执行某个命令”，也只能被当作资讯文本，不能改变 Agent 的工作规则。
安装之后，可以直接这样问：
也可以缩小范围：
aihot 内部会区分几个容易被混淆的请求：
- “过去 24 小时有什么”走滚动时间窗口，不等于日报。
- “最新日报”才走日报接口，日报是固定日期的成品。
- “现在最热”走热点接口，不把按时间倒序的资讯列表当成热度排名。
- “某个关键词最近有什么”使用服务端关键词查询，不建议先拉一页数据再在本地硬筛。
它还要求请求使用可识别的非浏览器 User-Agent，并在首次真正查询时做版本自检。遇到 403 或 567，先检查请求身份，不要把一次边缘安全拦截理解成账号或 IP 被封，更不要不断重试。
aihot 的正确产物不是“文章”
它最适合输出一张选题池：
比如，一条新闻说某产品发布了新能力。aihot 可以帮你拿到标题、摘要和来源，但它不能证明这个能力已经稳定可用，也不能证明产品方宣传的性能数字经过独立验证。
所以不要直接说：
更稳的写法是：
这一步看起来有点保守，但研究型文章最怕的就是把来源的宣传句改写成作者自己的事实判断。
四、hv-analysis 解决的是“这个东西到底怎么回事”
如果 aihot 给你的是入口，hv-analysis 才是研究桌。
它的核心方法是横纵分析。纵向追踪研究对象从诞生、演进到当前的完整历程；横向把当下的竞品、替代方案和同类对象放在同一个时间截面上比较。两条线交叉后，才有机会看到只读新闻或产品首页看不到的判断。
它适合研究：
- 一个 AI 产品为什么会走到今天。
- 一家公司在不同阶段做过哪些关键选择。
- 一个技术概念从论文、开源项目到商业产品经历了什么。
- 一个产品和竞品在定位、能力、生态、成本上的真实差别。
它不适合“XX 是什么”的一句话解释，也不适合只要一个标题的短任务。仓库说明的目标产物是一份排版精美的 PDF 研究报告，整体篇幅通常在 10,000 到 30,000 字之间。
1. 纵轴不是时间线复制粘贴
好的纵向研究不只是列出 2023 年发布、2024 年融资、2025 年上线。
它要问的是：当时为什么做这个选择？当时有哪些约束？哪些早期的技术、商业和组织决定，后来变成了很难改的路径？
比如研究一个 AI 编程产品，不能只记录模型版本。还要追它最初服务的是个人开发者还是企业团队，早期是选择 IDE 插件、终端 Agent 还是网页工作台，之后的收费方式和模型路线是否被这个选择锁定。
这就从“发生了什么”走到了“为什么会这样发展”。
2. 横轴不是竞品表格
横向部分需要先判断有没有直接竞品。
如果对象属于新类别，可能没有完全对等的竞品，这时应该分析间接替代方案和潜在进入者，而不是为了凑表格硬找几个名字。
如果竞品很多，也不必把行业所有产品全部罗列。选 3 到 5 个代表对象，按用户、场景、能力、工作流、价格、生态、稳定性和迁移成本比较，往往比铺一张 20 列的大表更有用。
研究报告最后的价值，不是告诉你“谁的功能最多”，而是解释：在什么条件下谁更合适，谁的优势来自产品本身，谁的优势来自渠道、资本、生态或历史积累。
3. 它要求联网，但不保证结论自动正确
hv-analysis 的工作说明要求联网收集资料，并优先使用官方博客、GitHub Release、论文、公司公告、原始访谈和社区讨论。学术类对象还要求查 arXiv 或会议论文。
这并不等于“搜到的东西都是真的”。联网只是把材料带进来，研究者仍然要区分：
- 官方说法。
- 独立媒体报道。
- 用户体验和社区反馈。
- 模型根据多个来源做出的推断。
关键事实最好至少有一个可靠的一手来源，重要数字最好有第二个独立来源或原始文件。找不到的信息就标注暂缺，不能为了把 PDF 凑到 20,000 字而补一个听起来合理的结论。
4. PDF 生成环节
仓库内置 scripts/md_to_pdf.py，工作流是先写完整 Markdown，再使用 WeasyPrint 和 Markdown 依赖转成 PDF：
Windows、Linux 和 macOS 的 WeasyPrint 依赖可能不完全相同。转换失败时先看 Python、WeasyPrint 和系统库的错误，不要把“Markdown 文件写完了”当成 PDF 已经交付。
生成后要打开 PDF 看页眉、换页、中文字体、表格宽度和长链接。能生成文件，只能说明脚本跑完，不能说明报告适合阅读。
五、khazix-writer 解决的是“怎么写得像一个具体的人”
研究材料齐了，接下来才轮到 khazix-writer。
这个 Skill 的定位非常具体，它是数字生命卡兹克的个人公众号长文写作风格，不是通用“提高文笔”的 Prompt，也不是让所有文章都变成一种标准腔调。
它要求先判断选题质量，再吃透素材。里面有一套 HKR 检查：
- H，Happy，标题和开头是否足够有趣，能不能让人产生继续读的好奇。
- K，Knowledge，读者能不能得到具体信息，而不是只听到态度。
- R，Resonance，内容有没有和读者的经历、情绪或现实处境发生连接。
然后才进入文章原型、叙事、资料和写作风格的组合。
适合的输入可以是 PDF、语音转写、新闻链接、产品资料或一段 brief。触发方式可以直接说：
这句里的“不要直接写完整正文”很关键。先判断和搭结构，能减少 Agent 一上来就把资料铺成一篇标准作文。
它有自己的禁用表达和风格边界
仓库明确拒绝把“赋能、抓手、闭环”当作万能填充词，也不鼓励“首先、其次、最后”这种机械推进。它更强调有见识的普通人正在认真聊一件事，允许有口语、停顿、个人判断和不完美。
这套风格并不适合所有品牌。
如果你写的是监管文件、招标书、医学说明或法律文本，首先要服从文体、准确性和合规要求；不能为了“有活人感”把必要的严谨删掉。企业使用时，也应该把自己的品牌语气、禁用词和事实边界放进独立的项目规则里，不能假装所有团队都应该写成同一个人的声音。
四层自检到底检查什么
khazix-writer 的自检分为四层，类似从静态检查一路跑到人工验收。
L1 是硬性规则检查，扫禁用词、禁用标点、结构性套话和空泛的工具名。它会检查“在当今……时代”“让我们来看看”以及过度连续的列表是否出现。
L2 是风格一致性检查，检查开头是否从具体场景进入，长短句有没有变化，是否存在自然的口语转场，文章是不是像在跟读者聊天，而不是在念报告。
L3 是内容质量检查，要求核心观点有具体的人、场景、数据或证据支撑，同时检查知识有没有自然进入、有没有对立面和同理心、有没有真正回答文章的选题。
L4 是活人感终审，问的不是“格式有没有通过”，而是读者读完以后，感觉是在和一个有见识的普通人聊天，还是在读一段换了皮的模型输出。
四层里最容易被忽略的是 L4。因为前面三层都能做成清单，最后一层需要作者真的有判断。一个段落即使没有禁用词，也可能空、泛、没有体温。
六、把三个 Skill 串成一条实际工作流
假设你要写一篇“AI 编程 Agent 为什么突然变得重要”的公众号文章，可以这样推进。
第 1 步，aihot 建选题池
这一步不要让 Agent 直接写标题党文案。先把来源和待核验项存下来。
第 2 步，hv-analysis 深挖一个对象
先看研究计划是个好习惯。研究对象、竞品范围和时间截止点如果都没说清楚，后面的深度只是把模糊放大。
第 3 步，khazix-writer 做选题和提纲
第 4 步，人补入不可替代的部分
模型可以整理资料，但不能替你提供真实使用感、团队决策、失败经过和愿意署名的判断。
你至少要补三类东西：
- 你真的做过什么，过程里哪里卡住。
- 你和官方宣传、主流观点不一样的观察。
- 你愿意对读者负责的结论，哪些只是猜测，哪些可以明确说。
如果这些内容完全没有，文章就算结构漂亮，也只是研究资料的二次排列。
第 5 步，跑四层自检和事实终审
让 Agent 输出检查结果，但不要让“L1 通过”替代你的阅读。最后逐条回到原文确认数字、版本、时间、价格、许可证和链接。
七、企业级大模型接入怎么放进这条链路
企业团队可以把模型调用放到统一的 API 网关或多模型 API 中转层，内容 Skill 负责工作流，网关负责模型路由、项目 Key、权限、日志、预算和成本。
例如通过 上游 API 或其他合规的 API 接入服务时，可以按项目拆分：
每个项目使用独立 Key 或凭证组，限制可用模型和额度，记录模型、耗时、错误类型、Token 和成本。日志里不要保存文章全文、Cookie、会话文件和明文密钥。
需要强调的是，API 中转层只负责把请求送到模型，不能替你验证 AI HOT 的新闻，也不能替你决定一篇文章是否真实。企业级接入解决的是可控性和可追踪性，不是作者责任外包。
八、许可证、隐私和实时信息边界
aihot 不需要用户提供 API Key，也不应该为了获取公开资讯索要账号和 Cookie。查询返回的内容仍然要回到第三方原文确认，尤其是数字、政策、发布时间和产品能力。
hv-analysis 会联网收集资料，企业在使用时要先定义哪些内部文档可以发送给外部模型，哪些只能在本地处理。客户材料、未公开产品计划、合同、个人信息和访问凭证不要直接放进公共对话。
khazix-writer 的风格规则来自具体作者，不等于你可以把他人的文章、付费资料或内部稿件批量改写成自己的原创。输入材料的版权、引用和署名仍然要单独处理。
仓库许可证、模型服务条款和来源内容版权，是三件不同的事。不要因为代码是 MIT，就把所有生成内容都当作无条件可商用。
九、验收清单
选题验收
- 每个实时资讯都有来源、发布时间和待核验项。
- 日报、滚动时间窗和热点排序没有混为一谈。
- 选题不是只因为热度高，还说明了读者能得到什么。
研究验收
- 纵向部分有阶段、事件和决策逻辑，不是时间线堆砌。
- 横向部分说明了竞品选择理由，不是为了凑数量。
- 关键事实能回到一手来源或明确标注暂缺。
- PDF 已打开检查字体、分页、表格、链接和图片。
写作验收
- HKR 检查之后才进入完整写作。
- 文章有具体场景、真实细节和作者判断。
- 没有把产品宣传语改写成确定事实。
- 四层自检结果和人工终审都已完成。
安全验收
- 没有把 API Key、Cookie、Token 和会话文件放进 Prompt 或 Git。
- 没有把未经授权的内部资料上传到外部服务。
- 通过 上游 API 或其他网关接入时，项目 Key、额度和日志权限已分开。
- 来源原文、第三方图片和作者素材的使用边界已经确认。
总结
Khazix Skills 的价值不在于“让 AI 一次写完”，而在于把内容生产拆成三个不同问题：
如果你只想查一条新闻，用不上 hv-analysis。如果你只想解释一个名词，也不应该生成 30,000 字 PDF。如果你想写一篇完全中性的企业公告，khazix-writer 的个人风格也未必适合。
把工具用在它擅长的那一段，才是真正的效率。
结论
本文给出了问题定位、配置或创作流程的可执行路径。实际结果仍取决于当前版本、权限和运行环境，提交前应按官方文档复核可变字段，并保留失败证据和回滚边界。
