一个自媒体人做了三年的AI信息筛选工具。

AI圈果然是只要你学得慢，就不用学。

琢磨各种抓取信息的工作流，今天卡神直接开源了

卡神把自己做了三年的一个AI信息筛选工具免费开放了。

AIHOT

他能帮你盯着全世界跟AI有关的信息，然后把值得看的挑出来，其他的帮你过滤掉。并且直接给你来一个干净整洁日报

卡神从2月份做到现在，评分策略迭代了整整11版，踩了一堆坑，才走到今天这个效果。这里面的故事，比工具本身有意思多了。

说说背景。做AI自媒体最耗精力的不是写文章，是找选题。找选题之前你得先知道世界上发生了什么，这一步听起来简单，实际做起来要命。

AI领域每天的信息量太大了。OpenAI发个东西，官网写一遍，官方推特发一遍，奥特曼转一遍，各路KOL评一遍，IT之家译一遍，同一件事能刷出七八条。你要是全看，一天光刷信息就得两三个小时，而且大部分都是重复的或者跟你没关系的。

卡兹克做这个工具的初衷就是解决这个问题，他自己每天要从信息海里捞选题，这个过程太痛苦了，所以自己动手做了一个来自动化。

他的逻辑其实很简单：先把信源筛好，再从筛好的信源里把值得看的挑出来。控制输入质量，控制输出密度，就这两步。

信源这块他目前持续监控168个，每一个都是自己亲手挑的。RSS订阅、爬HTML、调API、买三方数据接口，什么好使用什么。

关键是给信源分了三个等级：T1、T1.5、T2。

T1是最值得看的一手官方信息源，比如OpenAI官方博客、Anthropic工程博客、CMU博客这些。T1.5是官方社交媒体账号，比如OpenAI的推特，内容比官网杂一些，权重低一点。T2是大佬个人号、KOL、媒体、综合资讯站。

这个分级不是摆设，后面打分的时候直接影响权重——同一件事，T1源发的就是比T2源发的分高，官方的就是比二手转述的分高。

然后就是最折磨人的部分了：怎么打分。

卡兹克最初的想法特别朴素，写个Prompt让大模型给每条新闻打个分不就完了吗？打个分，设个阈值，过了的就精选出来，多简单。

结果跑了第一版，一塌糊涂。

究极硬核的论文动不动90分，他自己点开三秒就看不下去。Sam Altman转发了一个实习生的鸡汤推文，模型给了87分。同一件事被七家媒体报道，七条全进了精选。

然后他开始往Prompt里加规则：大佬转发降分、重复事件降分、营销软文降到50以下。加着加着Prompt涨到300多行。

到了3月份，他还搞了一套人类反馈标注机制，每天跟同事一起标记"这条精选对不对"，系统把反馈喂回去持续迭代。同时配了一个内部评估机制，每次规则升级都拿过去500条新闻重新跑一遍，看新版比旧版准不准。

听着是不是挺标准的？模型+人类反馈+自动评估+持续迭代，教科书做法。

跑了一周，他差点崩溃。

规则加得越多，模型反而越笨。V7到V8那次迭代直接是负向优化。他又加了双维度评分、实体热度感知，结果全废了。

最后全面回滚，推倒重来。

转折点来了。

他说那一刻他想起来自己写过的一篇文章《能用脚本就别用Agent》。

这句话我觉得是整个项目最核心的东西。你不能把所有事情都交给模型，打分是它、权重计算是它、打标是它、判断精选不精选还是它。什么都交给模型，模型就什么都干不好。

所以他重构了。重构之后的设计是这样的：

大模型只做一件事，根据Prompt对每条信息打5个维度的分。不打最终分，不判断精选，不做任何其他事。Prompt从600行砍到200行，模型的任务被压到最纯粹的状态。

打完分之后的所有事情，信源权重计算、类型加权、是否过精选阈值，全部用代码写成明确的公式，拿着模型给的五维分直接套公式算。

是否精选也不由模型判断，而是根据最终质量分，用代码判断有没有过每个类别的精选阈值。比如OpenAI官网发的东西，60分已经值得看了，但一个博主的转发评测属于二手消息，60分可能就是普通水平，不一定需要展示。

这之后数值设计是他用量化方式跑了上百个回测调出来的，后续要调也很简单，改一下公式里的权重或者阈值，几秒搞定。

还有一个设计我觉得挺聪明：事件聚类。

昨天比如GPT-5.5 Instant发布了，除了OpenAI官方报道，还有一堆媒体和个人号同时发。不做聚类的话，精选页上同一件事能刷出十几条。

他用embedding把语义相近的条目聚到一个事件簇里，簇里选一条最权威的当主条，其他的折叠进去。官方源永远优先——官网比官方推特优先，官方推特比KOL优先。精选页上同一件事只展示一条，点开看所有相关报道。

还有一个小功能叫AI日报，每天早上北京时间8点自动把过去24小时的精选内容按版块整理好。版块分五块：模型发布/更新、产品发布/更新、行业动态、论文研究、技巧与观点。

这个日报不需要任何大模型来生成——因为精选、分类、翻译在信息入库的时候就已经全部做完了，日报只需要把处理好的条目分个桶排个序。每天1秒钟搞定。

思路和前面一样：能提前算好的就提前算好，别等展示的时候再让模型现算。

说几点我自己的感受吧。

“能用代码就别用模型"这句话我觉得值得每个做AI产品的人刻在脑门上。卡兹克踩的最大坑就是什么都交给模型，后来把能用代码做的全用代码做，模型只做它最擅长的那一步，效果反而大幅提升。

评分策略的迭代不是做加法，是做减法。从V1到V11，真正让他走出困境的不是往Prompt里加更多规则，而是把Prompt从600行砍到200行，把模型职责从“什么都干"压缩到“只干一件事"。

信源比信息重要。与其设计复杂的过滤算法去处理劣质信源，不如一开始就只接入优质信源。168个精选信源比10000个杂乱信源有用得多。

做给自己用的东西往往比做给别人用的更靠谱。AIHOT最初就是做给自己用的，解决的是自己的真实痛点，每一步迭代都有明确反馈，他自己就是用户，好不好用他最清楚。

网址：https://aihot.virxact.com/

直接打开就能用，不需要登录。

💬 交流群

扫码加群，加入 AI +测试编程实践交流群，和一群志同道合的朋友讨论。

📮获取：

• 最新技术推广文章• 核心技能速查表 • 测试人转型 AI 训练师路线图

👍 觉得有用？

如果这篇文章对你有帮助：

点赞→ 让我知道你喜欢这类内容关注→ 你的关注就是我的最大动力在看→ 推荐给更多技术同行分享→ 分享到朋友圈或技术群

你的每一次互动，都是我持续输出干货的动力！

我是Jesse，专注 AI 工具实战与测试自动化，帮测试同行少走弯路。

我们下次见~