← 返回全部文章
方法与工具 · 2026-10-28

ai-briefing 的来路:把 AI 外部摄入变成每天的固定动作

3 min read

每天都能刷到很多 AI 新闻,但同一发布被反复转述,营销热度又容易盖过真正的变化。持续了解外部进展,需要固定的筛选方法,不只是每天多读几条消息。

所以做了 ai-briefing:把采集、核验、筛选和交付连成日常流程,目标是五分钟读完,留下与读者有关的变化。

筛选流程

先把来源整理成事件,再决定哪些事件值得放进早报。相同发布的官网、媒体报道和转帖可以互相核验,但只算一件事。

环节怎么做解决什么问题
定时间窗工作日取过去 24 小时,周一覆盖周末约 72 小时不把旧闻当成当天变化
多渠道采集读取 GitHub Trending、公开媒体及可用的 X 来源不被单一信息源牵着走
核验与合并核对来源、时间与数字,同一事件合成一条减少误传和重复摄入
按读者筛选说明变化的相关度、接入方式和实际增量把新闻热度与行动价值分开
固定版式交付候选整理成结构化输入,再渲染为卡片让每天的阅读成本稳定

重要事实要交叉确认,多家转同一通稿不能自动算独立证据。只有单源或传闻时须明确标识;拿不准就不收。通常八到十四条只是密度参考,没有可靠材料的组可以写“今日无值得报的”。

下图把采集、核验、判断、渲染和交付串起来,侧边是渠道失败与文档写入失败时的降级方式。

早报流程:方法保持稳定,渠道与交付按环境适配

新闻卡片

卡片分成三层。事实必须可核对,判断和机会分则与具体读者有关。

层放什么回答什么
事实发布内容、来源数字、链接与时间发生了什么
判断变化对读者工作或决策的影响为什么与我有关
机会分结合相关度和实际条件给行动建议本周要不要试,先验什么

以原稿的虚构模型发布卡片为例:上下文和价格属于发布信息;“任务综合成本可能变化”是判断;“纳入模型对照实验”才是行动建议。厂商自报价格不能证明自己的任务更便宜,还要看缓存命中和任务成功率。

换成没有模型路由需求的读者,同一事件可以降低机会分,甚至不收。分数服务读者,不给新闻热度排名。

配置与交付

稳定的筛选方法放在技能里,读者画像、关注账号、X 取数方式和文档位置放在 config.json。迁移时调整配置和适配方式,不把公司信息、个人信息与密钥写进技能本体。

  • 渠道失败:按可用能力降级,改用可核对的公开来源,并标明缺了哪些渠道。
  • 文档写不进去:仍交付完整正文,降级为 Markdown 文件与本次输出。
  • 周复盘:由配置指定日期,默认周五,补整周 GitHub Trending。

渲染脚本负责固定版式,不替代核验和判断。当前方法只做同一期事件合并,不读历史早报做跨日去重。

使用与边界

直接说“出今天的 AI 早报”即可;没有配置时,使用匿名技术读者、公开渠道和 Markdown 交付。需要定时出报,再由宿主的计划任务唤起,技能本身不负责调度。

五分钟是阅读成本目标,解析和渲染测试不能证明读者效果。某条消息需要深入调研时,另开研究任务,不能把简报卡片直接拉长成结论未经补证的长文。

已有早报文档可查看具体内容。日常带走的是这套顺序:事实先核对,价值按读者判断,最后再决定是否行动。

100%