---
title: newspaper
canonical_url: "https://www.modelscope.cn/models/ms-agent/newspaper"
md_url: "https://www.modelscope.cn/models/ms-agent/newspaper.md"
repository: ms-agent/newspaper
chinese_name: newspaper
last_updated: 2025-10-08
library_name:
  - pytorch
frameworks:
  - Pytorch
downloads: 963
stars: 1
---

# newspaper

> newspaper - ms-agent 在 ModelScope 开源的模型。一个好玩的资讯收集agent，欢迎二次开发！

- **Repository**: ms-agent/newspaper
- **Downloads**: 963
- **Stars**: 1
- **Last updated**: 2025-10-08

Source: https://www.modelscope.cn/models/ms-agent/newspaper

---

# Newspaper

这是一个用大模型来收集资讯的agent。基本使用方式如下：

```shell
pip install ms-agent -U
TAVILY_API_KEY=xxx ms-agent run --config "ms-agent/newspaper" --modelscope_api_key your-sdk-key-here --query "搜索列举今天AI技术的热点新闻，以及出色的算法和框架工作" --trust_remote_code true --load_cache true
```

结果可以参见[AI技术热点-2025-08-06.md](./AI技术热点-2025-08-06.md)。

本方案流程是：

- 一个规划者会指定当前主题需要搜索哪些信息流站点
- 若干个worker会开始并行（目前是串行执行）工作，负责各自站点的信息收集
- 每个worker都会将自己的采集结果放入output文件夹中，并以md尾缀命名
- 一个Summarizer会根据所有的结果，整合重复消息，去掉过时消息，并给出一个完整的简报
- 后面会有一个发送钉钉群的机器人流程

一些重要技术点：
1. 为了减少tokens，search和fetch会根据`\n\n`切分，并使用rag进行召回前N个，并且对于github trending进行了特殊处理
    * 在这一步仅做了中文支持，代码在summary_callback.py中
2. RAG使用了Qwen/Qwen3-Embedding-0.6B做retrieve
3. 搜索和fetch使用了[tavily](https://www.modelscope.cn/mcp/servers/@tavily-ai/tavily-mcp)
4. 任务拆分使用了ms-agent默认的任务分发工具
3. 每个worker限定20轮

建议使用魔搭API来进行实验，并欢迎二次开发并将你的工作写入我们的[awesome works](https://github.com/modelscope/ms-agent)中，希望你玩得开心！