Linglong Scout
xinovate/linglong-scout
Coleta paralela de notícias IA → relatório estruturado 5D com LLM
Ver no GitHubAgent MCP para coleta estruturada de informações sobre IA a partir de RSS, GitHub Trending e buscas. Consolida dados de múltiplas fontes em paralelo, remove duplicatas e sintetiza relatórios diários em 5 dimensões (pessoas-chave, notícias, financiamento, políticas, tendências open-source) via LLM.
Instalação
npx convez-ai xinovate/linglong-scout1 comando no terminal: detecta o formato do repositório (marketplace ou plugin avulso) e instala via Claude Code. Requer Node 18+ e o Claude Code instalado.
Métricas
Casos de uso
- Gerar briefings diários automatizados sobre movimentações no setor de IA
- Monitorar tendências GitHub e RSS feeds com deduplicação semântica
- Integrar coleta de inteligência em workflows de agentes Claude/OpenClaw
- Personalizar relatórios por preferências de usuário com feedback loop
Veredito

Ferramenta sólida para monitoramento automatizado de IA news com arquitetura bem pensada (deduplicação dupla, cache por usuário, scheduling assíncrono). Requer setup Redis + LLM API, mas deployment Docker simplifica operação. Caso de uso legítimo para conhecimento contínuo em workflows de agentes.
README
A tradução para o português deste README ainda está na fila.
Linglong Scout
AI 行业信息采集 Agent —— 搜索、RSS、GitHub Trending 多源并发采集,LLM 合成 5 维度结构化早报。
graph LR
RSS["RSS Feeds<br/>18 个订阅源"] --> Collect
GH["GitHub Trending<br/>日/周/月"] --> Collect
Collect["Collect<br/>两路并发"] --> Raw["RawStore<br/>Redis + JSON"]
Raw --> Agent["IngestAgent<br/>单次 LLM prompt"]
Agent --> Brief["5 维度<br/>Markdown 早报"]
采集 → 去重 → LLM 摘要 → 早报,Scout 到输出结束。推送和调度由调用方处理,采集结果不自动写入知识库。
graph LR
Sources["数据源"] --> Scout["Scout"]
Scout --> Brief["定制化早报"]
Brief --> User["用户阅读思考"]
User --> KB["知识库"]
style Scout fill:#4a9,color:#fff
style Brief fill:#4a9,color:#fff
示例输出
# AI 早报 2026-05-29
## 关键人物
- **Karpathy** 发布了新教程 ...
- **Sam Altman** 宣布 ...
## 行业要闻
| 公司/产品 | 动态 |
|-----------|------|
| OpenAI | 发布 GPT-5 ... |
| Tesla | 工厂部署人形机器人 ... |
## 融资动态
- **xAI** 完成 $100 亿融资 ...
## 政策动态
- EU AI Act 执法指南 ...
## 开源趋势
| 项目 | Stars 增长 | 简介 |
|------|-----------|------|
| ai-toolkit | +1.2k/周 | ... |
快速开始
本地开发
git clone https://github.com/xinovate/linglong-scout.git
cd linglong-scout
pip install -e .
# 配置(复制模板,填入 LLM API Key 等必填项)
cp .scout.example.yml .scout.yml
linglong-scout brief # 生成早报
linglong-scout collect # 仅采集,不调 LLM
linglong-scout serve # 启动 MCP 服务(HTTP 模式需先 init)
stdio 模式无需认证。HTTP 模式首次使用需生成 token:
linglong-scout init # 生成 token 写入 .env,serve (HTTP) 必需
Docker 部署
所有服务(Scout + Redis + RSSHub)一个 docker compose up 启动:
git clone https://github.com/xinovate/linglong-scout.git
cd linglong-scout
# 配置
cp .scout.example.yml .scout.yml # 编辑填入 LLM API Key 等必填项
cp .env.example .env # 填入 REDIS_PASSWORD(必填)
# 启动
docker compose up -d
docker compose logs -f scout
.scout.yml 必填项:
llm.llm_api_key— LLM API Keyllm.llm_base_url— LLM API 端点llm.llm_model— 模型名称
.env(可选,Docker 部署时自动使用默认密码,参考 .env.example):
Docker 内部网络 scout-net 互联,仅 Scout 暴露 127.0.0.1:9900 到主机,Redis/RSSHub 仅容器内可达。.scout.example.yml 中的网络地址字段使用 ${ENV_VAR:-default} 语法,本地开发走默认值,Docker 环境由 docker-compose.yml 自动注入容器内地址,无需手动修改。
特性
- 6 个 MCP 工具 — RSS、趋势、早报生成、用户偏好
- 两路并发采集 — GitHub / RSS 并行(~8s vs 串行 ~57s)
- 双层去重 — URL 级 + BriefHistory 跨天语义去重
- 按用户隔离 — 缓存、偏好、早报按 user_id 分区
- 内置调度器 — asyncio 后台任务,每天自动采集 + 预生成早报
- 双模式部署 — 本地 stdio + 远程 HTTP(Token 认证)
MCP 工具
| 工具 | 说明 |
|---|---|
generate_brief | 生成 AI 早报(按用户缓存,预生成 fallback) |
fetch_rss | 采集 RSS/Atom feed |
fetch_github_trending | GitHub 趋势项目(三级 fallback) |
fetch_raw | 获取结构化原始采集数据(Redis → JSON fallback) |
execute_package | 自定义主题采集 + 生成 |
record_feedback | 记录用户偏好(影响后续早报权重) |
参数、返回格式和请求示例 → MCP 工具参考
接入 Agent
Scout 暴露 MCP Server,Claude Code、OpenClaw 等客户端均可接入:
本地 stdio:
{
"mcpServers": {
"linglong-scout": {
"command": "bash",
"args": ["-c", "cd /path/to/linglong-scout && .venv/bin/python -m linglong.mcp"]
}
}
}
远程 HTTP:
{
"mcpServers": {
"linglong-scout": {
"type": "http",
"url": "https://your-domain/mcp/scout",
"headers": { "Authorization": "Bearer ll-scout:username:your-token" }
}
}
}
部署架构、OpenClaw 配置、认证流程 → MCP 接入
配置
所有配置通过 .scout.yml 管理。敏感值用 ${ENV_VAR} 引用环境变量,Docker 相关字段用 ${ENV_VAR:-default} 支持环境覆盖(本地走默认值,Docker 由 docker-compose.yml 注入容器内地址)。HTTP 模式强制 Token 认证(linglong-scout init 生成),stdio 模式无需认证。
llm:
llm_api_key: ""
llm_base_url: "https://api.example.com/v1"
llm_model: "" # 必填
ingest:
rsshub_url: ${LL_INGEST_RSSHUB_URL:-http://localhost:1200}
collect_schedule: "06:55" # 每天自动采集,留空禁用
rss_sources:
- name: AIHOT
url: https://aihot.virxact.com/feed # 直连 RSS
- name: 36氪快讯
route: /36kr/newsflashes # RSSHub 路由
mcp:
transport: "stdio" # stdio | streamable-http
redis_url: ${REDIS_URL}
auth_token: ${LL_MCP_AUTH_TOKEN}
完整配置模板 → .scout.example.yml | 配置字段说明 → 设计总览
开发
pip install -e ".[dev]" # 安装(含开发依赖)
.venv/bin/pytest # 测试
.venv/bin/ruff check src/ tests/ # 代码检查
.venv/bin/mypy src/ # 类型检查
文档
| 文档 | 说明 |
|---|---|
| 模块说明 + MCP 接入 | 架构、组件、部署详解 |
| 设计总览 | 全局决策、组件表、架构演进 |
| MCP 工具参考 | 6 个工具的参数和示例 |
| 工作日志 | 按天记录开发过程 |
License
MIT