Skip to content

minlewis/ai-news-radar

 
 

Repository files navigation

AI News Radar

24 小时 AI 更新雷达|伯乐Skill

伯乐Skill(Scout Skill)帮你从一堆信源里选出千里马。

GitHub Pages Actions License

在线页面 · English · 伯乐Skill · 信息源策略


这是什么

AI News Radar 是一个自动更新的 24 小时 AI 更新雷达。

普通用户直接打开网页,看最近 24 小时 AI、模型、开发者工具和技术生态更新。维护者可以 fork 这个仓库,接入自己的 OPML/RSS、公开 feed、静态页面或 AgentMail 邮箱情报。Codex / Claude Code 这类 Agent 可以使用项目内置的 伯乐Skill,继续帮你判断信息源、维护抓取逻辑、部署 GitHub Pages。

这个项目不是“又一个新闻网页”。

它的核心是伯乐Skill,帮你从一堆信源里选出千里马。哪些源值得长期追踪,哪些源适合做成RSS/OPML,哪些源只能接付费的API,哪些源看起来更新很多但实际上跟你长期关注的方面比方AI只占了里面的5%不到。

先判断清楚,再接入。

为什么需要伯乐Skill

好新闻分散在各处,

官方博客发一点,更新日志发一点,X 上有人提前爆料,聚合站又把同一个新闻转来转去。

我以为的自己在追前沿,实际每天都在重复三件事,

打开几十个页面,肉眼+人脑过滤重复内容,猜哪条值得看。

伯乐Skill先替你完成第一轮判断,哪些信源是千里马,哪些是噪音

你可以随意增加信息源,还可以把一个信息源纳入输入范围,先让它在单独的展示区域运行一个月,再判断要不要录入。

AI News Radar从来都不是单纯把信息抓回来,

它更像是一条轻量的新闻pipeline,把来源判断、抓取、去重、AI强相关过滤、信息源健康状态和静态网页发布串起来,上线后不消耗模型额度。

现在能做什么

  • 追踪官方 AI 节点,OpenAI News、OpenAI Codex Changelog、OpenAI Skills、Anthropic、Google DeepMind、Google AI、Hugging Face、GitHub AI 等
  • 读取高信号日报和Newsletter公开来源,例如 AI Breakfast
  • 读取网页自带的feed,例如 Follow Builders 的 X builders、Anthropic Engineering、Claude Blog、AI podcasts
  • 同时接入多个公开聚合源,例如 AI HOT,补足普通官方源看不到的盲区
  • 支持OPML/RSS批量导入
  • 支持AgentMail邮箱订阅高质量AI日报
  • 输出24小时双视图,AI强相关全量
  • 中英双语标题和站点分组
  • 兼容飞书文档,追加了WaytoAGI开源社区最近更新日和近7日变化

工作原理

flowchart LR
    source["信息源清单"] --> classify["伯乐Skill判断信源类型"]

    classify --> official["官方 RSS / changelog"]
    classify --> opml["私人 OPML / RSS"]
    classify --> publicFeed["公开 GitHub feed / JSON"]
    classify --> staticPage["公开页面 / Jina 兜底"]
    classify --> privateMail["AgentMail 邮箱订阅"]
    classify --> skip["跳过高风险来源"]

    official --> fetch["抓取与结构化"]
    opml --> fetch
    publicFeed --> fetch
    staticPage --> fetch
    privateMail --> fetch

    fetch --> dedup["去重与归一化"]
    dedup --> filter["AI 强相关过滤"]
    filter --> status["源健康与覆盖统计"]
    filter --> data["data/*.json"]
    status --> data
    data --> pages["GitHub Pages 网页"]
    data --> agent["Codex / Claude Code 继续维护"]
Loading

AI News Radar学习了现代新闻学的技术,不是简单堆信息源,一次性放几万条信息出来等于没用,所以我选择把新闻处理拆成稳定pipeline,抓取,去重,过滤,补充状态,生成静态站点。

在保证稳定性的同时追求轻量化,公开版不要求用户配置LLM API Key,不依赖登录态,cookies,X API和邮箱。需要这些进阶能力时,可以通过伯乐Skill用GitHub Secrets或本地环境变量接入。

快速开始

普通用户不用安装,直接打开在线页面即可。

想fork改造新版本,可以本地运行:

git clone https://github.com/LearnPrompt/ai-news-radar.git
cd ai-news-radar
python3 -m venv .venv
source .venv/bin/activate
pip install -r requirements.txt
python scripts/update_news.py --output-dir data --window-hours 24
python -m http.server 8080

打开:

http://localhost:8080

如果你有自己的 OPML:

cp feeds/follow.example.opml feeds/follow.opml
# 把自己的订阅源写进 feeds/follow.opml,不提交这个文件
python scripts/update_news.py --output-dir data --window-hours 24 --rss-opml feeds/follow.opml

给Agent看的教程

如果你想让Codex / Claude Code / OpenClaw / Hermes帮你搭自己的版本,可以直接说:

请使用伯乐Skill,先问我要信息源清单,然后帮我判断每个信源该用RSS、公开feed、静态页面、Jina兜底、AgentMail邮箱还是跳过。目标是部署一个不需要服务器、能用GitHub Actions自动更新的 AI 日报网站。不要把任何API Key、cookies、token、私有邮件内容写入仓库。

项目内置 Skill 在:

  • skills/ai-news-radar/README.md
  • skills/ai-news-radar/SKILL.md

新Agent接手验收时,推荐先读:

  • README.md
  • README.en.md
  • docs/GPT_HANDOFF.md
  • docs/SOURCE_COVERAGE.md
  • docs/V2_PRODUCT_BRIEF.md

GitHub 自动更新

.github/workflows/update-news.yml 已经配置好定时任务。

  • 默认每 30 分钟运行一次
  • 自动生成并提交 data/*.json
  • 如果没有设置 FOLLOW_OPML_B64,线上工作流会自动使用公开示例 feeds/follow.example.opml,让页面展示 RSS/OPML 能力
  • 如果设置 FOLLOW_OPML_B64,会优先自动解码为私有 feeds/follow.opml
  • 如果设置 EMAIL_DIGEST_ENABLED=1AGENTMAIL_API_KEYAGENTMAIL_INBOX_ID,会生成脱敏邮箱摘要
  • 只有额外设置 EMAIL_DIGEST_PUBLISH=1,才会提交 data/email-digest.json
  • 如果设置 X_API_ENABLED=1X_BEARER_TOKEN 和预算变量,会在每日指定UTC窗口用官方X API抓取少量公开Post;默认关闭,且当前X API按返回资源计费

默认情况下,本项目不需要任何API Key就能跑核心流程。高级源配置模板见 examples/advanced-sources.env.example,预算说明见 docs/research/advanced-source-free-tier-budget-2026-05-10.md,X API演示配置见 docs/guides/x-api-demo-config.md;单账号/单newsletter演示见 docs/guides/rileybrown-alphasignal-demo.md

License

MIT

About

24h AI/tech news radar with GitHub Actions, live web UI, and Scout Skill for AI sources.

Resources

Stars

Watchers

Forks

Releases

No releases published

Packages

 
 
 

Contributors

Languages

  • Python 74.1%
  • JavaScript 15.4%
  • CSS 8.1%
  • HTML 2.4%