AI 超级个体第 4 课：给自己搭一个信息雷达，每天该看的料让机器替你筛出来
哈喽，我是飞飞。
前两天我算了一笔账。早上睁眼第一件事是摸手机，微信几十个未读，公众号小红点一片，RSS 阅读器攒了一百多条没看，邮箱里混着三封正经事和一堆推送。我光是把这些划拉一遍、判断「这条要不要点开」，就过去了快四十分钟，啥正事没干。最要命的是，划完我也没记住几条，那种「我好像知道了很多，又好像啥也没抓住」的空落落，你应该也有过。
这一课，我想跟你聊的不是怎么少看，是怎么搭一个信息雷达：让机器替你把料抓回来、去掉重复、按你真正关心的标准排个序，每天只把最该看的几条推到你面前。你的脑子从「逐条筛选」里解放出来，只做最后那一下判断。
信息过载这事，真不全是你自制力的锅
先把这事说清楚，免得你又把锅扣自己头上。
微软 2025 年那份 Work Trend Index 调了 31 个国家三万多名知识工作者，结论挺扎心：上班时间里平均每两分钟就有一次打扰，一封邮件、一条消息、一个会议邀请，一天加起来约 275 次。OpenText 的调研说，现在 80% 的人觉得自己信息过载，2020 年这个数字才 60%。
人脑工作记忆一次也就装四个组块。一边是四个组块的硬上限，一边是每两分钟一次的打扰，你扛不住太正常了。整套信息环境压根没按人脑的承受力来设计，它是按软件的能力设计的，存储无限、推送无限、并行无限。
所以对抗信息过载，靠意志力硬扛是死路。你得在它冲进你脑子之前，先架一道会替你筛的闸。这道闸，就是信息雷达。
一个能用的信息雷达，其实就干三件事
别被「雷达」这个词唬住，说白了它就是一条小流水线，三个工位。
第一个工位是抓料。 把你认的信源全塞进一个口子里统一抓回来，别让它们散在十几个 App 各自闪红点。RSS 是这里最趁手的协议，公众号、博客、新闻站大多能转成 RSS。GitHub 上有个开源项目叫 Horizon，定位就是「你专属的 AI 新闻雷达」，它一口气能盯 Hacker News、Reddit、Telegram、RSS、GitHub release 这些源，全抓进同一条管道。这就是抓料工位该有的样子，源头收拢成一个。
第二个工位是去重。 同一条消息，公众号转一遍、RSS 推一遍、群里又有人贴一遍，你能被同一件事打扰三回。雷达得先把这些重复的合并掉。Horizon 的流程里写得很直白：fetch、deduplicate、score、filter，抓回来第一步就是去重，再打分、再过滤。这一步省下来的注意力，比你想的多。
第三个工位是筛和排。 这是雷达的命根子，也是过去做不到、现在靠 AI 才补上的一环。前面抓回来一百条，你不可能条条看。得有个东西替你判断「哪些值得看、按什么顺序看」。以前的 RSS 阅读器只会按时间倒序堆给你，等于没筛。现在你可以让大模型来读、来打分、来排序。
抓料和去重都是老技术，真正让雷达从「又一个收件箱」变成「会替你挑」的，是第三个工位。下面我拿自己天天在用的那套讲。
我自己的雷达：一个拉精选的接口，加一个打分的 skill
讲点实在的。我写公众号要选题，每天得从一大堆 AI 资讯里挑出值得写的，这本身就是个重度的信息筛选场景。我给自己搭的这套，刚好就是一个信息雷达加 AI 筛选。
抓料这头，我自己做了个拉 AI 圈精选动态的资讯接口，代号叫 aihot。它不是把全网新闻一股脑倒给我，而是只拉那些被人工精选过、带类别和时效标记的条目，源头先收一道窄。这一步等于我的雷达天线只对准 AI 这一个频段，别的频段的噪声进不来。
光抓回来还是几十上百条，真正干活的是筛排这头。我写了一个打分的 skill，叫 content-scout。它做的事，是把抓回来的每一条资讯，按六个维度让大模型挨个打分：跟我账号的契合度、好不好写、热度、有没有爆款相、时效性，再减去跟我最近写过的内容的重复度。打完分排个序，推荐 Top 5 给我。
这里有个我自己交学费才想明白的点，得跟你交底：这六个维度里，热度、爆款、契合、可写这几个，全是模型的估计，不是真实数字。 说白了，aihot 那边给不出真实的阅读量或者热度值，所以 content-scout 打的「热度 90 分」其实是模型猜的，我在结果里专门把这几项标成「估计」。真正硬的信号只有四个：是不是精选、时效性、信源、类别。我一开始没分清，差点拿模型猜的热度当真去定选题。现在我看那份打分表，真实信号当锚、模型估计只当参考，两边分开看，心里才有数。
跑下来什么效果？我每天面对的从「上百条扫一遍」变成「五条认真看」。关键是这五条都按我真正在乎的标准排过序，不是随机抽来凑数的。最后拍板写哪条，还是我自己定。雷达只负责把噪声滤掉、把可能值得看的端到我面前，那一下判断它不替我做，也不该替我做。
让 AI 替你筛，关键是先把「你在乎什么」写下来
你可能会问，那这套我也想搭，最难的是哪步？
不是抓料，也不是接大模型。最难的是想清楚你到底按什么标准筛。AI 打分打得再准，前提是你得告诉它「什么样的信息对你是有价值的」。这件事没人能替你做，因为每个人的信源、目标、口味都不一样。
我的 content-scout 那六个维度，是冲着「能不能写成一篇好文章」设计的。你要是做投资，维度可能是「跟我持仓的相关度、是不是一手信源、有没有时间敏感性」；做产品的，可能是「竞品动作、用户声音、技术趋势」。把这几条用大白话写进给 AI 的指令里，它就能照着你的标准去读、去排。这一步就是 arxiv 上那篇研究说的 LLM-as-curator，让大模型当你的策展人，按你给的明确标准去判断哪条值得看。那篇案例里，研究者用 n8n 加 RSS 加 OpenAI 接口，让模型按记者认的新闻价值去筛线索，人只做最后复核。
n8n 这类工具能让你不写代码就把这条链路搭起来：定时触发、抓 RSS、丢给大模型按你的 prompt 打分、把高分的推到你微信或者邮箱。社区里现成模板一抓一大把，有人用它每天把 AI 新闻筛一遍推到 Telegram，有人接本地的 Llama 模型在树莓派上离线跑，连云服务的钱都省了。门槛比你想的低。
说真的，雷达聪不聪明，全看你写给它的筛选标准清不清楚。标准含糊，它就回给你一堆「看着都还行」的东西，等于白筛。
别让雷达自己变成新的信息过载源
最后泼盆冷水，这也是我踩过的坑。
搭雷达很容易上头。你会忍不住把信源加到几十个，把推送频率调成实时。结果呢？这个会自己抓、自己推的雷达，转头就变成一个更勤快的红点制造机。我自己就干过这事，源加太多，每天推过来的「精选」又攒成一堆没空看的，等于把过载从上游搬到了下游。
雷达的目的是让你少看、看得准。所以搭的时候得反着来克制：信源宁缺毋滥，宁可漏几条也别让噪声混进来；推送压成一天一份日报，别实时戳你；最重要的，最后那道拍板永远留给自己，机器只筛不替你决定。
它替你跑完的是抓和筛这两道苦力活，到底看不看、写不写、信不信，是你的判断，这个躲不掉，也别想交出去。
今天就能动手的第一步
这套东西听着像个工程，其实第一步特别小。
你不用上来就搭 aihot 那种自定义接口。先打开一个 RSS 阅读器，把你每天追的那几个号、那几个站转成 RSS 收进去，让信源先收拢到一个口子。这一步十分钟就能做完，光是不用在十几个 App 之间来回切，你就能感觉到清爽。等你习惯了从一个口子看，再往上接 AI 打分、接日报推送，一步步长出完整的雷达。
绕回开头那笔账。我现在早上不再花四十分钟划拉全网了，雷达替我筛好的五条摆在那，我花十分钟看完，剩下的时间是我自己的。从被信息追着跑，到让信息排着队等我挑，这个转身，对每天泡在信息流里的人，太值了。
你每天被哪个口子的信息淹得最狠？是微信群、RSS，还是没完没了的邮件推送？这三个里你最想先给哪个架一道筛选的闸，评论区告诉我，我帮你想想这道闸该怎么搭。