AI 圈搞 vibe coding 或前一阵养小龙虾的人，多少都干过同一件事：自己写一个 AI 信源扫描工具，把全网的 AI 资讯抓回来，每天早上像批阅奏折一样看一遍。

但是大多数人——包括我自己——这种工具用不过三五天，就彻底打入冷宫了。继续跑着，继续烧 token，再也不打开看。

这两天我看到”数字生命卡兹克“开源了 AI HOT——一个面向 AI 从业者的资讯精选系统。他做了三年自媒体，内部用的信源工具直接免费开放了。除了网站本身，还提供 RSS、REST API 和 Agent Skill 三种接入方式，配套的 GitHub Skill 仓库已经接近万星。

用了几天，我有一个明确的判断：至少在“中文 AI 资讯筛选”这个场景里，它是我目前用过最接近人类编辑判断的系统。

一、 我自己做过的两版工具，分别死在哪里

我用 Claude Code 和 OpenClaw 各做过一版 AI 信源收集工具，都没坚持下来。

复盘下来，DIY 信源工具最后用不下去，往往卡在两个地方：

• 信源管理混乱。 一百多个 RSS 全部塞进同一个池子里，OpenAI 官方博客和某个公众号搬运号在系统里地位完全一样。前者一年发不了几篇，每篇都重要；后者一天发八篇，几乎全是噪声。这种结构下，过滤器必然失灵。

• 信息过载下的筛选极难。 官方博客、论文、Twitter、公众号、媒体站全算上，AI 圈每天的新动态很快堆到看不完。怎么从里面挑出今天值得花十分钟读的那五条？这是个判断问题，不是抓取问题。但大多数 DIY 工具——包括我做的两版——都把工程精力 90% 花在了抓取上，判断这件事几乎没认真做。

二、 卡兹克的 aihot 做对了什么

我打开 aihot 后，最先注意到的不是界面，而是它和我之前那些 DIY 工具的关键差别：它没有把重点放在"抓更多"，而是放在"筛得更准"。 我观察到三件事，分别对应解决了上面两个痛点。

2.1 第一件事：信源被分了三层。

按卡兹克本人的复盘，aihot 目前持续监控 168 个信源，每个都是他亲手挑的。抓取手段包括 RSS 订阅、HTML 爬取、调用对方公开 API、自费买的三方数据接口等。

这 168 个信源被分成了 T1 / T1.5 / T2 三层：

- T1 是一手官方源——OpenAI 官方博客、Anthropic 工程博客、CMU 博客- T1.5 是官方社交账号——比如 OpenAI 的官方 Twitter，内容比官网杂一些，权重低一档- T2 是大佬个人号、KOL、媒体、综合资讯站

这个分级不是装饰。同一件事，T1 源发的就是比 T2 源的分高，官方源就是比二手转述的分高。在精选页上，你能很清楚地感觉到不同来源的权重不一样——这不是一个把所有 RSS 一锅炖的系统。

2.2 第二件事：每条信息都有「精选分」和「推荐理由」。

这是我看到最关键的设计。打开 aihot 精选页，每条内容除了标题、来源、摘要、原文链接之外，还有两个关键字段：

精选 XX 分——我观察了这两天的精选页，绝大多数条目分数集中在 60-80 分之间，看得出有一套打分标准在背后把关。

推荐理由——一句话告诉你为什么这条值得看。

下面几条是我在 5 月 9-10 日 aihot 精选页上直接看到的原始推荐理由，保留它的表达方式：

"Garry Tan 这套个人 AI 系统不是 PPT 产品，是他每天用到凌晨 2 点的大脑外挂，开源且逻辑清晰，做 AI 工作流的值得立刻 fork。""Antirez 用几千行 C 代码把 DeepSeek V4 Flash 塞进 128G Mac，本地跑 1M 上下文 coding agent，这才是真正的 AI 民主化时刻。""Lee Robinson 总结的 11 条建议没有废话，尤其是「别用 AI 写简历」和「简历要提 AI」反直觉但很真实。"

注意看这些推荐理由——几乎没有 AI 味，给的是”为什么值得你点进去“的判断，而不是再给一遍摘要。这一点上，aihot 比我自己用 Claude 跑出来的东西好太多。我做的工具会说“这是一篇关于 X 的文章，介绍了 Y”，aihot 会说“这条值得看，因为 Z”。

2.3 第三件事：日报把碎片化条目折成了五大板块

精选时间线是按时间倒序刷，刷起来像 Twitter。但真正可读性高的是日报。每天北京时间早上 8 点，过去 24 小时的精选会被自动归整成五块：

- 模型发布/更新- 产品发布/更新- 行业动态- 论文/研究- 技巧/观点

板块化的好处是阅读节奏可以自己控：今天没空就只挑「模型发布」一块看，周末有时间就把「论文/研究」翻一遍。比纯按时间排列的时间线友好得多。

三、 这个产品最值得学的一课：能用代码就别用模型

到这里，对纯使用者来说信息已经够了。但接下来这一节，我想专门写给做 AI 产品的人看——因为 aihot 真正值得学的不是”它好用“，而是它怎么从”好用“走过来的。

卡兹克在复盘文章里讲了一个很坦率的故事。从今年 2 月开始做评分策略，到现在前后迭代了 11 版。最开始的版本是大多数人都会想到的做法：写一个 Prompt，让大模型给每条新闻打分，过阈值的就进精选。

跑出来一塌糊涂。硬核论文动不动 90 分但他自己看不下去；Sam Altman 转发实习生鸡汤推文模型给 87 分；同一件事被七家媒体报道，七条全进精选。

然后他往 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 600 行。3 月份还配了人类反馈标注、500 条历史新闻的回归测试。"模型 + 人类反馈 + 自动评估 + 持续迭代"，听起来非常教科书。

但是规则加得越多，模型反而越笨。V7 到 V8 那次直接是负向优化。最后他全面回滚，推倒重来。

转折点是他想起自己写过的一篇文章，标题叫《能用脚本就别用 Agent》。

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。

重构之后的架构变得非常干净：

- 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，模型职责被压到最纯粹- 打分之后所有逻辑都用代码写：信源权重、类型加权、是否过精选阈值，全部是明确的公式- 是否精选不由模型判断，而是用代码根据最终质量分判断有没有过该类别的精选阈值- 事件聚类用 embedding 实现——昨天 GPT-5.5 Instant 发布，OpenAI 官方加各路媒体可以刷出十几条；aihot 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（官网 > 官方推特 > KOL），其他折叠

还有一个我特别佩服的细节：每天早上 8 点的 AI 日报，完全不需要大模型实时生成。因为精选、分类、翻译在信息入库时就已经做完了，日报的工作只是把处理好的条目分桶排序——每天 1 秒钟搞定。

这才是这个产品最值得学的地方。把能提前算好的全提前算好，把能用代码做的全用代码做，模型只在它真正擅长的那一步出现。这套思路我准备直接搬过来用在我自己的几个工具上。

四、 怎么用：三种接入方式

aihot 提供三种接入方式（目前都是测试版）：

- Skill： 装进 Claude Code、Cursor、Codex CLI 等支持 SKILL.md 标准的 Agent（SKILL.md 可以理解成 Agent 的"使用说明书"，告诉它什么时候调用这个工具、怎么调用）- RSS： 丢进 Feedly、Inoreader 这类 RSS 阅读器- REST API： 自己集成进工作流的开发者用

我自己用的是 Skill。在 Claude Code 里发一句话就装好了：

帮我安装这个 skill：https://aihot.virxact.com/aihot-skill/

不需要配 MCP server、不需要 API Key、匿名免费。装好之后每天早上一句中文自然语言就能拿到当天的 AI 日报：

• "今天 AI 圈有什么新东西" —— 默认走精选
• "看一下今天的 AI 日报" —— 走日报端点
• "最近 OpenAI 有什么发布" —— 走关键词搜索

GitHub 仓库地址是 KKKKhazix/khazix-skills，里面除了 aihot，还有 khazix-writer（卡兹克的公众号写作 skill）和 hv-analysis（横纵分析法深度研究 skill）。

关于安全： 不要因为它是开源项目，或者因为仓库 star 很高，就跳过最基本的安全检查。Skill 本质上是给 Agent 的一份操作说明，它会告诉 Agent 什么时候访问接口、怎么组织请求、如何返回内容。安装第三方 Skill 之前，最好先打开 SKILL.md 看一眼，确认它访问了哪些外部 API、是否要求写入本地目录、是否涉及命令执行。

aihot 这个 skill 的好处是 SKILL.md 公开可审，接入方式也比较轻——不需要 API Key，也不需要 MCP server。对普通用户来说风险不高，但安全习惯还是要养成。读源码本身也有附加价值：卡兹克的"意图驱动的端点路由"设计是个值得抄的写法，读 SKILL.md 顺便就学了。

五、 一个小遗憾：评分系统没开源

到目前为止这篇文章基本都是正面评价，老实说一条局限性。

aihot 把信源、Skill、RSS 都开源了，但精选评分系统的具体公式没公开。卡兹克在复盘文章里讲了架构思路（5 维打分 + 代码计算权重和阈值），但具体的 5 个维度是什么、每个维度怎么算、阈值是多少，这些外部不可见。

你只能感知到"它筛得不错"，没法自己复核它是不是漏掉了你关心的方向，也没法把这套方法迁移到你自己的领域（比如做财经资讯精选、做学术论文精选）。对纯使用者影响不大，但对想把这套思路用到自己产品上的人来说，是个明显的缺口。

能理解为什么不开源——这套打分系统是卡兹克 11 版迭代换来的核心 know-how，开源等于送给所有竞品。但作为读者还是有点遗憾。

这也意味着，aihot 更适合作为一个高质量的资讯入口，而不是一个可完全复现的方法论模板。它能给你启发，但不能让你直接复制出另一个垂直领域（财经、医疗、学术）的 aihot——你只能看到它最终做对了什么，看不到它具体怎么算。 写在最后 aihot 真正提醒我们的是一件事：AI 产品最难的地方，往往不是调用模型，而是把人的判断拆成系统。

信源怎么分层、噪声怎么过滤、重复事件怎么折叠——这些问题想清楚了，模型只是其中一步。这套思路对企业 AI 落地、对自己做工具的人，都同样适用。

我会把 aihot 当成一个工具每天用，也会把它当成一个 AI 产品案例讲。如果你也在做 AI 产品，卡兹克这次的复盘文章值得认真读——它讲的不只是一个资讯工具怎么做，而是一个更普遍的问题：在 AI 产品里，哪些事该交给模型，哪些事必须回到工程、规则和产品判断。

参考资料

• AI HOT 网站：https://aihot.virxact.com/
• Agent 接入页：https://aihot.virxact.com/agent
• GitHub 仓库：https://github.com/KKKKhazix/khazix-skills
• aihot SKILL.md：https://aihot.virxact.com/aihot-skill/SKILL.md
• 数字生命卡兹克 公众号：「数字生命卡兹克」