0 到 10 分的那把尺子:拆解新闻雷达的打分内核

原创2026-11-05 17:49:231,928 阅读
文章标签:人工智能AI 应用大模型AI 技能MCP 服务网页爬虫CLI

0 到 10 分的那把尺子:拆解新闻雷达的打分内核

每天早上打开手机,推送里躺着几十条新闻:AI 大模型更新、芯片发布会、某公司裁员、某工具爆火……你的大脑只够细读三到五条,剩下的,刷到就是扫一眼标题。

信息从来没像今天这么便宜,注意力却从来没这么贵。

最近 GitHub 上一个叫 Horizon 的开源项目特别火,已经攒下 1.2 万多颗星。它自称"AI 新闻雷达":把你关注的所有信息源接进来,每天自动抓取几百条内容,AI 逐条读完之后,只把真正值得读的那二十条,整理成中英双语日报,推送到你的邮箱、飞书或微信。

国内技术社区里它的热度也不低——CSDN 上一堆部署教程,头条上更是清一色"NAS 装个 Horizon,每天躺着收简报"的晒单帖。

但我想聊的,是它最核心的那个机关:每条新闻进日报之前,都要先过一把 0 到 10 分的"尺子"。今天就把这把尺子拆开看看。

Horizon 生成的中文日报效果

一、先说人话:它是你请的一个"AI 主编"

Horizon 的定位一句话就能说清:帮你筛新闻的 AI 总编。

它干的活分三步:先采集——把你订阅的 RSS 博客、Hacker News、Reddit、GitHub 动态、财经新闻等几十路信息源汇总到一起;再打分——大模型逐条读完标题、正文甚至评论区,给每条新闻打 0 到 10 分;最后出刊——分数够格、去重之后,生成一份按重要度从高到低排好的双语日报,推给你。

打个比方:这就像一个凌晨加班的主编,面对五百条电报,他只放行二十条,每条前面还要加一句"为什么这条重要"。

你只需要做一件事:告诉它你的品味。

二、这把尺子怎么打分:五个档位,全是人话

有意思的是,Horizon 的打分不是数关键词、也不是算热度,而是直接把大模型当评委。

AI 读完一条新闻后,要交出四样东西:分数(0-10)、打分理由、一句话摘要、几个话题标签。分数落点大致分五档,项目自带的技术新闻标准长这样:

分数段 档位 大白话翻译
9-10 颠覆级 重大突破、范式转移、改变行业格局的大新闻
7-8 高价值 值得马上关注的进展、硬核深度文、好用的新工具
5-6 有趣 有价值但不用急,教程、小更新、社区有点讨论
3-4 低优先 例行更新、常识重复、通篇营销
0-2 噪音 垃圾、标题党、纯广告,直接扔

真正见功力的,是写在评分规则里的那几条"评委守则":

不迷信热度。 评论区吵翻天不等于这事重要,"热度高"只是加分的旁证,不能当成正主;

不给夸张标题加分。 标题越耸动,越要警惕,分数看的是内容本身;

不许瞎编。 证据不足时,AI 必须保留"不确定",不能脑补出数据和来源。

这些细节说明,它的作者把"AI 打分最容易犯的病"都提前堵上了。

还有个很妙的设计:不同内容用不同的尺子。 技术新闻的 9-10 分是"技术突破",而财经新闻的 9-10 分是"系统性大事"——利率政策转向、市场剧烈动荡、 landmark 级监管。同样是 8 分,一个是新工具发布,一个可能是影响整个行业的大动作。

就像体育裁判和厨艺裁判,不可能共用一张评分表。你甚至可以让 AI 自己判断一条新闻该送进哪把尺子。

单条新闻的详情与讨论

三、分数决定生死:先过硬线,再过海选

很多人会问:分数高了,是不是就一定能进日报?

答案是:分数是硬门槛,不是软加权。

每条信息线都可以设一条分数线,默认配置里技术新闻卡在 7.0 分——不够 7 分的,无论标题多诱人,直接出局,不存在"6.5 分也能挤进来"的侥幸。而技术博客类的内容标准松一些,卡在 4.0 分。线定多高,完全由你说了算。

过了分数线,后面还有三道"海选"关卡:

第一道是去重。 同一件事被五个来源报道,AI 会把它们归成一堆,只留分数最高的那一份。别担心"某模型发布"和"某模型被封禁"被误杀成同一件——规则写得明明白白:必须是同一件事才算重复。

第二道是配额。 比如你可以规定 AI 类新闻最多进 5 条,其他类别最多 3 条。这是为了防止某天下 AI 大事,日报满屏全是一家之言,把你真正关心的其他话题挤没了。

第三道是总量封顶。 再多的好新闻,日报也就那么多页,超了照样裁。

所以一份日报的诞生,其实是一场两级淘汰赛:分数决定能不能进门,去重和配额决定谁是冠军。 最后到你手里的,就是按重要度从高到低排好队的那二十条。

飞书推送效果

四、最容易被忽略的坑:换了模型,分数还一样吗?

聊到这里,要泼一盆冷水了——这也是绝大多数 AI 评分工具的共同软肋。

大模型打出来的分,不是绝对值,而是"这个模型对这条新闻的看法"。

不同的模型,评分风格天差地别:有的严得像中考改卷,普遍偏低;有的宽容得像鼓励式教育,动不动 8 分。同一条新闻,A 模型给 7 分,B 模型可能给 8.5 分。

Horizon 自己也做了不少努力:把生成温度压到 0.3,让模型"发挥稳定";评分规则里明确要求"对每条内容一视同仁、标准一致";模型输出格式错了,还会自动重来一次。

但必须说实话:项目里并没有"分数校准"这一环。 也就是说,你今天用 A 模型调好的 7 分线,明天换成 B 模型,这条线立马可能失灵——不是线错了,是改卷老师换了。

给想用它的朋友的实操建议就一条:换模型、改评分标准之后,先别急着改线,跑一两天看看日报的分数分布。 发现简报里混进一堆水货,就把线调高一档;发现天天只有两三条,就调低一档。把分数线理解成"给当前这位评委定的及格线",而不是一个放之四海皆准的常数。

一句话总结这个坑:换评委,必须重新校准及格线。

五、普通人怎么上手:不烧显卡,NAS 就能跑

好消息是:它比你想的门槛低得多。

Horizon 自己不跑模型,"阅读和打分"这件重活全部外包给云端大模型——OpenAI、Claude、Gemini、DeepSeek、豆包都支持,甚至本地小模型也能接。所以一台普通电脑,甚至家里那台 24 小时开机的 NAS,就完全带得动,显卡一分钱不用花。

上手路径也很简单:把项目拉下来,装好环境,跑一次交互式配置向导——它会用大白话问你"你关心哪些话题",然后自动生成一份配好的方案,全程大约半小时。手欠党甚至可以一句话让 AI 助手帮你配完。

配好之后就能设个每日定时任务,从此每天早晨,一份双语日报准时躺在邮箱、飞书或微信里。技术人、盯行业动向的投资人、找选题的自媒体作者、以及单纯想把信息流管住的学生党,都能直接抄这套作业。

六、写在最后

0 到 10 分这把尺子,真正解决的是人的注意力分配问题。

以前的信息过滤靠自觉:硬扛、硬刷、硬删,全靠意志力。而这类工具把"过滤"变成了一套可配置、可校准的系统——你的品味写进规则,AI 天天替你执行。

尺子不会让新闻变得更真,但它能让你的时间花得更值。

那么问题来了:如果让你给自己每天读的新闻定一条分数线,你会定在几分?今天的科技圈,哪条新闻配得上 9 分?评论区聊聊。

登录后查看全文
Horizon