曾几何时，每天早上查看科技公司动态、产品更新、论文和行业媒体，再判断哪些信息值得写，是科技媒体工作中最耗时的一部分。

这个事情的困难不在于「找到新闻」，而在于同时保证时效、信源和选题价值：不能把旧闻当成今日动态，产品能力要回到官方材料核验，同一事件还要合并多篇重复报道。最后交付的也不应是链接清单，而是一份回答「今天什么值得关注，为什么」的选题简报。

这一次，我想尝试一下 TRAE Work。

TRAE Work 最近发布官方知识库后，宣布已涵盖 7 大真实工作场景、30 多个实战指南，超过 40 万字的完整知识库，一次读完并不现实，也没有必要。更有效的方法，是先选择一个与日常工作高度相关的问题，把知识库中的方法真正运行起来。

那么，请听题：把 TRAE Work 变成一名懂编辑标准的科技媒体研究助理，需要几步？

我的答案是三步：先写规则，再封装技能，最后设置自动化任务。这一套既定流程，持续优化之后，用起来很舒适。

我实践的目标不是让 AI 代替编辑写稿（这可能是很多人的误区），而是先完成重复、规则明确且便于检查的准备工作。

换言之，从大量噪音中有效提取信号。

一、用规则与记忆保存编辑标准

官方知识库把规则定义为提前写给 AI 的长期行为指引。媒体工作的关注范围、信源偏好和核验标准相对稳定，很适合写成规则：

角色：科技媒体研究助理。 选题范围：1. 关注 AI 模型、AI 应用、开发者工具、云计算和芯片；2. 覆盖产品发布、重要更新、融资并购、论文和行业政策；3. 默认检索最近 24 小时内发布或发生的事件。 信源与输出：1. 优先引用官网、官方博客、开发者文档和论文原文；2. 合并同一事件的重复报道；3. 区分事件发生时间与内容发布时间；4. 每条内容提供摘要、推荐理由和来源链接；5. 无法确认的数字、日期和产品能力必须标为「待核验」；6. 按行业影响排序，不按社交平台热度排序。

规则解决的是「每次都要遵守什么」。记忆则保存长期关注的公司、栏目受众、已经覆盖的选题和术语习惯，减少重复说明。

但注意，记忆不能代替事实核验。记忆可以帮助 TRAE Work 理解背景，但新闻事实仍要在每次任务中重新确认。

二、用技能固定选题流程

知识库把技能（Skill）定义为可以交给 AI 重复使用的经验与流程。我的「科技媒体每日选题」仅能大致包含五步：

1. 搜索最近 24 小时的重要产品动态、论文、融资和政策动态；2. 排除软文、无新增事实的转述和无法定位出处的内容；3. 合并同一事件，保留官方来源和必要的补充来源；4. 按行业影响、信息确定性和读者相关性排序；5. 生成「今日重点」「值得关注」「待核验」「趋势判断」四部分。

核心指令如下：

执行「科技媒体每日选题」流程。 检索最近 24 小时内关于 AI、大模型、芯片领域的重要动态。优先查找官方公告、开发者文档和论文原文。 合并重复报道，核对版本号、金额和日期。无法确认的内容放入「待核验」，不得写成确定事实。 按行业影响和来源可靠性排序。每条内容提供标题、发生时间、一句话摘要、推荐理由和来源链接。最后给出趋势判断，并区分已确认事实与分析。

把流程拆开后，结果出现问题时，可以直接判断应该调整信源、去重、核验还是排序标准，而不必不断加长临时提示词。

三、让自动化任务每天执行

TRAE Work 的自动化任务可以在对话中直接创建。我设置的任务是：

创建「科技媒体每日选题」自动化任务。 每个工作日早上 8:45，调用「科技媒体每日选题」Skill，检索最近 24 小时的重要科技动态，生成 Markdown 选题简报并保留来源链接。 如果没有达到「重点」标准的事件，明确写「今日暂无重点选题」，不要为了凑数降低标准。

允许结果为空很重要。自动化内容生产最容易出现的问题，是为了满足固定数量，把普通更新包装成重要新闻。

每天生成的结果保持统一结构：

# 科技媒体每日选题｜日期 ## 今日重点- 标题与发生时间- 一句话事实- 推荐理由- 官方来源- 风险或待确认项 ## 值得关注## 待核验## 趋势判断

四、AI 完成整理，编辑保留判断

工作起点从一堆未读链接，变成一份已经初步分类、去重并保留来源的选题简报。

简报生成后，仍然有必要保留三次人工检查的环节：

• 打开关键来源，确认摘要没有超出原文；
• 重新判断选题重要性，不把热度等同于价值；
• 补充行业背景，完成标题、观点和最终表达。
  
  

五、知识库内容如何进入实际工作

这次实践中，每项能力都有明确用途：

• 实时资讯与信息收集：定义行业日报的搜索范围、覆盖维度和输出结构 

• 规则：固定信源、核验、排序和写作要求

• 记忆：保存长期关注方向、栏目背景和已覆盖选题

• 技能：封装搜索、筛选、去重、核验、排序和成表流程

• 自动化任务：在每个工作日固定时间执行并生成简报。

  
  

这只是我的一次日常 TRAE Work 实践：把知识库中的规则、记忆、Skill 和自动化任务进入同一项真实工作。创作者的时间重新留给核验、判断和写作。

值得说明的是，这个从噪音中提取信号的思路，现在已经变得异常简单，但是，在很多领域都是有用的。