我用 RSS + LLM 搭建了一个 AI 热点追踪系统

人类很少像今天这样面对一个如此信息膨胀的阶段。每天都有新的模型，新的工具，新的产品，乃至新的概念侵袭我们的日常。每个人都在担心晚一步就落后了时代。

很多人在装上Openclaw之后的第一件事就是让它定时推送AI信息，但是龙虾在黑盒子里自己搜集的信息似乎总有些不够及时，不够全面，或者不是我们期望关注的方向。

所以我花了几天时间搭建了一套高度可定制化的AI信息推送系统——AI Daily。

• 不想错过重要信息？ 它可以及时推送，比如重大模型发布
• 想要定时汇总？它可以设定定时任务
• 信息渠道太少了？可以随意按照自己的喜好增加信息源
• 想要手机端通知？它支持webhook推送（目前已加入飞书和Discord的支持）

不仅仅是AI消息，如果是其它领域，只需要更换订阅源，修该一下提示词的信息关注倾向，即可完成对任意领域信息的及时监控。

灵活，轻量，方便 是 AI Daily的设计理念。

AI Daily能实现什么样的效果

(以下内容的时间参考点基于2026-03-03)

昨天晚上21:18，也就是3月2号，Qwen官推在X上发布了Qwen3.5小模型系列的贴文。 大概一个小时候后22:27分，AI Daily监测到这一消息，并且认为比较重要，判断需要及时推送，所以就发到了我的飞书里面。

截止到当前时刻(2026-03-03 14:38)，如果在微信公众号里面搜索 qwen 3.5 小模型,可以看到 APPSO 在1个小时之前才更新关于该模型的信息，大部分都是在今天才更新的相关信息。只有官方公众号 千问大模型 在16小时前，也就是跟X上推文同步发布了 Qwen3.5小模型 的信息。

其实我在收到飞书消息之后，也在公众号发了一篇图文。需要继续往下滑才能看到(😂)，时间大概是15h之前。

当然肯定也有其他人在千问公众号刚发出的时候就获知了消息，不过我想说的是不仅仅是千问模型，AI Daily通过实时监测着其它各个科技公司的社交媒体账号，博客，热门公众号，ai领域的KOL的发帖等等，主动地提前推送ai领域重大新闻咨询，让我们对AI信息的把控始终能快人一步。

除了及时推送之外，AI Daily 还支持通过cron表达式定时推送过去一段时间的消息。

比如我配置了早八点和晚上5点，config里面这样配置的

"push_cron": ["0 8 * * *", "0 17 * * *"],

飞书里面早上八点和晚上五点就会给我准时推送日报，我截图如下。 排版，措辞可能欠佳，不过整个雏形还是很不错的。

细心的朋友会发现，以上截图中有些新闻前面带"持续跟踪"的标记，比如claude，openai和美国政府之间的矛盾， Qwen3.5小模型发布之后生态链的集成等，这是因为系统判断这一类消息虽然已经推送过，但是又有新的进展，它也会持续跟踪报道。所以 AI Daily 的定位不是一个AI新闻的总结者，而是 AI 行业的观察者。

(3.3 没写完，3.4接着写) 再贴几张3.4夜里发生的事情(即时推送)：

3.4晨报：

可以看出今天早上你们能看到的ai领域的热点信息都在，Gemini 3.1 Flash-Lite和Gpt-5.3 Instant的发布，Gpt-5.4的上线信息以及Qwen 3.5 团队的离职。

以上就是AI Daily所要实现的效果：

即时推送 + 定时汇总

其实在写这样一个推送系统之前，我有尝试让Openclaw给我每天定时推送消息。但是我觉得不够及时。于是我用python简单写了一个每半个小时推送一次的脚本，这时候信息量又太多了。经过对比总结之后，我把及时和汇总结合到一起，设计了这样一个系统。

• 即时推送 —— 立即通知重要信息，比如重大发布、突破性技术进展、行业重磅新闻
• 定时汇总 —— 把握 AI 全局近况, 碎片化时间回顾, 帮助用户快速了解 AI 领域整体动态

AI Daily 是怎么实现的

AI Daily的数据基于rss订阅源。 RSS (Really Simple Syndication)是一种很古老的阅读互联网内容的方式了，他是一种内容协议。网站发布内容时，会生成一个 XML 文件（RSS 种子），包含文章标题、链接、摘要、发布时间等信息。

AI 热点追踪使用 RSS有很多好处：

1. 开放性 - 无需注册、无需 API Key，不受平台限制。
2. 结构化 - 内容已高度格式化（标题、链接、摘要），易于程序批量解析。
3. 可扩展 - 可轻松添加/移除订阅源

比如你要爬一个新闻网站的数据，直接的方式是要请求首页内容，解析新闻列表，然后分别请求每篇文章的内容，再去解析文章标题，发布时间，文本内容等等。遇到反爬严重的还会遇到验证码拦截。

而RSS的开放性允许程序不需要做复杂的鉴权验证，只需要简单请求网络数据就可以。结构化则填平了各个平台间的内容格式差异，任何平台的媒体内容都会按照RSS统一的内容协议展现出来，所以方便程序大批量解析。每一个rss订阅源卡其实就是一个链接，所以可以很方便地添加/移除订阅源。

这也是 AI Daily 选择RSS源的原因。

这里我要特别致谢 ginobefun/BestBlogs ，本项目中的RSS 订阅源即从这里整理来的。原始数据包含约 420 个 AI 领域优质信息源，经过配置过滤之后真正使用的有371个。

用户也可自行配置 RSS 源文件 可参考后文内容。

当然RSS数据源也不是一劳永逸的。首先得有源. 如果网站本身不提供这个协议，那么就不能抓取到了。不过不用担心，一方面大厂得技术博客比如OpenAI，Google一般都会提供RSS订阅(但是deepseek官网居然没有，甚至没有博客页面)。即便不提供的，比如微信公众号和X，也有其它二手的办法可以得到。

确定好数据源格式之后，接下来就是程序结构。如下图。

为了实现即时推送+定时汇总,我设计了两个循环:

• Fetch 循环：每30min循环一次，获取碎片化信息
  • 抓取RSS
  • 转为markdown
  • LLM 评分
  • 根据评分判断重要性，决定是否需要即时推送
  • 存入数据库
• Push 循环: 根据cron定时，比如设定早八和晚五运行
  • 从数据库读取碎片化信息和历史推送
  • LLM 整理生成文案
  • 推送至手机接口(飞书 / Discord)

这里面LLM评分相当于是个人对新闻关注度的一个反映，我们希望看到哪一类新闻，就告诉AI让哪一类加分. 所以这个系统可以应用在任何的热点追踪上面。

请根据以下标准为每条信息打分（0-100）：
- 【90-100分】首发重大新闻、里程碑级发布。
*例子：Google官方宣布Nano Banana 2发布；OpenAI官方宣布新模型；Anthropic拒绝美国防部合同（首发报道）。*
- 【80-89分】重要技术进展、知名大佬的核心观点、深度长文。
*例子：某知名开发者开源了一个能让性能提升50%的框架；Jeff Dean对某项新技术的深度解析长推文。*
- 【70-79分】实用工具更新、有价值的教程、行业数据报告。
*例子：Cursor新增了某个小功能；某博主分享的Claude Code 45个实用技巧。*
- 【60-69分】二手信息、一般性新闻、小道消息。
*例子：某媒体转发了Google发布的推文（非首发）；未经验证的传言。*
- 【<60分】低价值/局部内容：纯情绪宣泄、无营养的评价、广告、日常闲聊、KOL个人生活动态、硬广软文、无营养的二手评价。
*例子：“Nano Banana 2太牛了！”（无具体测试数据）；“Anthropic真硬气”（纯情绪）；“快来买我的课”。*

数据库，记忆系统和连结

开始coding的那一天，我花了大半天跟Claude code对齐技术方案。让它动工，它几分钟就写完了初版。当天晚上修修补补整个流程就能跑起来了。

但是我看着手机里的内容，有一丝苦恼。因为这个AI系统有点呆：

1. 同一个信息可能反复推送。比如Nano Banana 2 发布，有很多个信息源都在说这件事，那么它可能认为每个信息都重要，所以隔一段时间就会推送一次。
2. 同类型的事件抓不住相关联系。比如还是Nano Banana 2，有的在单纯的发布这个消息，有的是评测信息，有的是分享提示词，这其实说的都是同一件事。
3. 同系列事件在不同时间有新的发展阶段。比如一开始Anthropic拒绝国防部合同，被列为供应链风险并禁Claude，接着OpenAI与五角大楼达成新协议。这就是同系列事件的新的进展。

如果要让AI Daily 好用，就必须解决上面的问题，让它有记忆，懂得连结，能从极度碎片化、充满个人情绪与主观评价的信息里面把握其中的行业动态，形成主次分明、结构清晰、有洞察力的专业内容。

但是我又不想让整个系统太过笨重，不要专业的庞大的数据库，不要复杂的向量搜索，要轻量，简单。

所以我设计了一个简易存储的上下文系统：3大类型文件，7天数据缓存，选择性上下文注入

3大类型文件

1. fetch-yyyy-mm-dd.json： fetch文件，json格式，保存每天的碎片化信息条目。每条信息包括以下内容：

字段	说明
title	内容标题
link	原始链接
published	发布时间
source	来源（Twitter 账号或博客名）
content	Markdown 格式的正文内容
tags	LLM 识别的标签
score	LLM 评分（0-100）
summary	LLM 生成的中文摘要
fetched_at	抓取时间

2. notify-yyyy-mm-dd.json: 即时推送文件，markdown格式，保存每天不同时间段的及时推送信息。
3. push-yyyy-mm-dd-hh-mm-ss: 定时推送文件，markdown格式，每次推送单独保存。

7天数据缓存

所有数据最多保留7天。每天过零点后半小时内自动清理。

上下文注入

大模型其实没有记忆。硬要说有，那也就在训练完成的那一刻定格了。我们现在所谈论的Agent记忆系统其实是注入哪些上下文的问题。所以为了让大模型对最近发生的新闻事件有所了解，我们就需要把之前的数据喂给它。

如果单纯地把近七天地数据都给它，似乎有些鲁莽了。一方面担心上下文窗口会超，另一方面token是需要花钱的。我钱不多，我要花小钱办大事。

下述表格展示了每一次推送的上下文参考周期。针对即时推送，会参考过去两天内的notify文件和push文件，这里只关注高分重磅消息和每日的汇总消息，并且事件跨度不需要太大。 而定时汇总，会参考两天内的fetch文件和5天内的push文件，这里不关注即时推送是推送过，只专注于对过去一段时间内的信息熔炼、重组成一篇结构极度清晰、主次分明、洞察深刻的每日精选。

	fetch文件	notify文件	push文件
即时推送	-	2天	2天
定时汇总	2天	-	5天

这里面还有很多小细节。比如fetch文件信息零碎，条目众多，可以先过滤以下。比如最小得分不小于60分。文章属性只保留部分属性。fetch文件还会按照过去已经参考过和未参考过进行划分。

以上修改完再优化一下提示词，推送的消息就好看多了。比如3.4最新的上午定时推送，有Gemini 3.1 Flash的发布， Qwen 核心团队离职(持续跟踪，跟之前的Qwen3.5模型发布有联系)，OpenAI GPT-5.3 Instant发布. 看着还不错吧。

AI Daily 如何配置部署

AI Daily采用python开发，依赖很轻量，配置非常简单，代码加起来只有一千多行。

除了python环境，还需要Openai接口兼容的大模型api，配置好baseurl，apikey，modelid等。

另外就是手机端的通知接口，目前支持飞书和Discord。

你还可以直接把AI Daily Github 仓库 直接发给你的Claude Code或者openclaw让ai自动帮你配置,省事！

环境要求

• Python 3.10+

拉取代码：

git clone git@github.com:YeeKal/ai-daily.git

1. 创建python虚拟环境

python -m venv .venv  # 见仁见智
source .venv/bin/activate  # Linux/Mac
# 或 .venv\Scripts\activate  # Windows

2. 安装依赖

pip install -r requirements.txt

3. 配置环境变量

在项目根目录创建 .env 文件，添加以下配置：

# LLM API（ OpenAI API 兼容接口，变量名随便起，后续在config里面配置变量名）
OPENROUTER_API_KEY=your_api_key_here

# 飞书 Webhook（飞书群机器人的发送消息接口，下文有获取教程）
FEISHU_WEBHOOK_URL=your_feishu_webhook_url_here

# Or Discord Webhook
# DISCORD_WEBHOOK_URL=your_webhook_url_here

在 config.json 中修改 llm 和 push

{
    "llm": {
        "provider": "<whatever>",  # 随便七个名字，只是作为标识用
        "model": "<model id>",     # 模型id
        "baseUrl": "<base url>",  
        "apiKeyName": "OPENROUTER_API_KEY", # 刚才在env里面配置的llm api 变量名
    },
    "push": {
        "feishu": {
            "enabled": true,                # 开启飞书通知
            "apiKeyName": "FEISHU_WEBHOOK_URL" 
        }
    },

}

4. 运行程序

python -m src.main

Done! 你的ai推送系统就开始运行了，运行成功会出现类似以下打印

首次运行会自动创建 news-data/ 目录并开始抓取数据。

若未配置推送渠道，则可以在 news-data 目录查看生成的fetch文件push文件。

5. webhook获取

获取飞书群机器人 Webhook

1. 群组右上角设置 → 群机器人 → 添加机器人
2. 选择 自定义机器人 → 点击 添加 → 复制 Webhook URL

获取 Discord Webhook：

1. 进入 Discord 服务器设置 →
2. 整合 → Webhooks
3. 创建新 Webhook，复制 URL

AI Daily 进阶配置和扩展

AI Daily 支持高度定制化，参数，模型乃至信息源。详细可参考项目地址： github.com/YeeKal/ai-d…

配置详解（config.json）

完整的配置文件结构如下，每个字段都有详细说明：

{


    // 内容过滤
    "filter": {
        "min_score": 60,  // 最低评分阈值，低于此分不推送
        "hot_threshold": 90,  // 热点阈值，达到立即即时推送
        "context_days": 3,  // 汇总时参考的历史天数
        "keep_days": 7,  // 数据保留天数
        "push_context_days": 5,  // 汇总推送去重的上下文有效天数
        "no_content_marker": "[NO_NEW_CONTENT]"  // LLM返回的无内容标记，用于判断是否跳过推送
    },

    // 调度配置
    "schedule": {
        "fetch_interval_minutes": 30,  // RSS抓取间隔（分钟）
        "fetch_lookback_minutes": 120,  // RSS冗余缓存时间（分钟），必须大于fetch_interval_minutes，用于防止RSS延迟导致漏读
        "push_cron": ["0 8 * * *", "0 17 * * *"],  // 定时推送cron表达式
        "timezone_hours": 8  // 时区偏移（8=北京时间）
    },

    // 抓取配置
    "fetch": {
        "max_workers": 10,  // 最大并发数
        "timeout": 10  // 单请求超时（秒）
    },

    // LLM配置
    "llm": {
        "provider": "openai",  // 提供商类型
        "model": "x-ai/grok-4.1-fast",  // 模型名称
        "baseUrl": "https://openrouter.ai/api/v1",  // API端点
        "apiKeyName": "OPENROUTER_API_KEY",  // 环境变量名
        "max_prompt_chars": 128000,  // 单次prompt最大字符数
        "max_concurrent_batches": 3,  // 最大并发批次数
        "prompts": {  // prompt文件路径
            "score": "prompts/score.txt",
            "score_batch": "prompts/score_batch.txt",
            "immediate_push": "prompts/immediate_push.txt",
            "digest": "prompts/digest.txt"
        }
    },

    // 推送配置
    "push": {
        "discord": {
            "enabled": true,  // 是否启用
            "apiKeyName": "DISCORD_WEBHOOK_URL"  // Webhook环境变量名
        },
        "feishu": {
            "enabled": false,
            "apiKeyName": "FEISHU_WEBHOOK_URL"
        }
    },
        // 订阅源管理
    "sources": {
        "base_opml": "resources/rss.opml",  // 基础OPML文件，包含400+预设源
        "add": [  // 自定义添加的RSS源
            {
                "title": "OpenAI News",
                "xmlUrl": "https://openai.com/news/rss.xml",
                "category": "AI"
            }
        ],
        "block": [  // 手动屏蔽的源，精确匹配xmlUrl
            {
                "title": "Google Developers Blog",
                "xmlUrl": "https://developers.googleblog.com/feeds/posts/default"
            }
        ],
        "block_domains": ["*.substack.com", "*.youtube.com"]  // 域名屏蔽，支持通配符
    },
}

RSS源

RSS 订阅源文件位于 resources/rss.opml，目前包含约 420 个订阅源。初始整理自 ginobefun/BestBlogs。

用户可自行配置 RSS 源文件，只需遵循 OPML 格，在 config.json 的 sources.base_opml 修改文件路径即可。 同时用户可修改 sources.add或者 sources.block以在不破换OMPL文件的前提下对rss源进行增加或者删除。格式示例：

"sources": {
    "base_opml": "resources/rss.opml",
    "add": [            //  添加新的源
        {
            "title": "OpenAI News",
            "xmlUrl": "https://openai.com/news/rss.xml",
            "category": "AI"
        },
        {
            "title": "Chrome for Developers",
            "xmlUrl": "https://developer.chrome.com/static/blog/feed.xml",
            "category": "Chrome"
        }
    ],
    "block": [
        {
            "title": "Google Developers Blog",
            "xmlUrl": "https://developers.googleblog.com/feeds/posts/default"
        },
        {
            "title": "Microsoft for Developers",
            "xmlUrl": "https://devblogs.microsoft.com/landing"
        },
        {
            "title": "ElevenLabs Blog",
            "xmlUrl": "https://api.bestblogs.dev/feed/elevenLabsBlog"
        }
    ],
    "block_domains": ["*.substack.com", "*.youtube.com"]
}

添加新的推送平台

1. 在 src/push/ 目录下创建新文件，继承 PushPlatform 基类
2. 实现 validate_config() 和 send() 方法
3. 在 src/push/__init__.py 中注册

计划和Bug

这个系统还不完美，我能在每次的推送里面感受到措辞还有待进步，但是我现在已经再用了。整个系统框架已经跑起来了，后面可能有很多细节可以完善，或者特性可以增加。

比如这些：

• 日志系统，保存到文件，push和fetch分开，
• 早报内容格式优化：参考appso / xiaohu / ai gap
  • 优先级顺序
  • 美化排版
• 添加更多信息源，如 TechCrunch、GitHub Trending
• x 新增加用户rss源创建
• fetch链接中的内容对信息进行扩展

另外我分享一个有意思的bug，不然大家可能无法理解配置里面下面这两个参数的区别

// 调度配置
    "schedule": {
        "fetch_interval_minutes": 30,  // RSS抓取间隔（分钟）
        "fetch_lookback_minutes": 120,  // RSS冗余缓存时间（分钟），必须大于fetch_interval_minutes，用于防止RSS延迟导致漏读
    }

这个系统一开始只有 fetch_interval_minutes=30 这一个参数，意思是每30min抓取一次，抓取过去30min内更新的内容。这逻辑听上去毫无破绽。

但是我还是察觉到一丝异样。抓取的数据量太少了！每天只有八十条。

我提到我在写这个之前已经写过一个简单的脚本，当时抓取过去一天的数据大概有3-4百条。

我有想过是不是每天事件的正常波动导致的差异。不过我还是用正常的思维考虑了一下:这应该是个bug.

我突然想到一个可能： RSS源更新延迟。

想想这样一种情况：假设某条消息12:00 发布，而RSS源12:45才收录。当我的程序在12:25访问源的时候，检测不到这条消息。过了半个小时，当我的程序在12:55访问源的时候，能检测到这条消息，但是认为发布时间超过30min就把它过滤了。所以罪魁祸首就是：

RSS 源更新延迟时间如果大于30min就会导致消息漏读

后面验证了一下，所以又加了一个参数 fetch_lookback_minutes=120，这个参数的含义是假设RSS源的更新延迟最大不超过两个小时。

最后的逻辑变成了：每30min抓取一次，抓取过去（30min+120min）内更新的内容。然后抓取的信息条数就正常了。

结语

AI 热点跟踪的工具已经很多了，不过多我一个也不算多。

搭建这个系统的初衷很简单：。我想主动获取信息，而不是被信息流被动投喂。我要及时被通知到信息，而不是等待我去刷手机。

RSS + LLM 的组合让这成为可能：前者保证了信息来源的开放和结构化，后者让机器理解内容成为可能。整个系统没有复杂的数据库，没有向量检索，只有一千多行 Python 代码和几个 JSON 配置文件。

最后分享一下这几天的 token 消耗：

我用的是 openrouter 里的 Grok 4.1 Fast，就是便宜，输入每百万 0.2$，输出 0.5$。在这个任务里每天的 api 费用不到 0.2$，四舍五入差不多一天一块钱。

如果你对这个项目感兴趣，欢迎 Star。