3步实现B站关注列表智能管理:从臃肿到清爽的自动化方案
精准定位问题根源
当你打开B站关注列表,是否常常面对数百个不再更新或早已失去兴趣的UP主?这种关注列表的臃肿不仅影响浏览体验,更会让真正有价值的内容被淹没。数据显示,普通用户平均需要30分钟才能手动清理100个关注,且过程中极易遗漏重要账号。更令人困扰的是,B站官方至今未提供批量管理功能,使得关注列表维护成为一项耗时费力的任务。
关注列表膨胀的主要原因包括:参与活动时的临时关注、内容创作者停更、重复关注同领域UP主以及各类互动活动中的批量关注行为。这些因素共同导致关注列表成为数字"杂物间",亟需系统化的清理方案。
定制化配置策略
环境部署与基础设置
首先获取项目代码到本地环境:
git clone https://gitcode.com/GitHub_Trending/bi/BiliBiliToolPro
根据自身技术背景选择合适的部署方式:技术新手推荐青龙面板部署,操作直观;技术爱好者可选择Docker部署,兼顾灵活性与可控性;企业用户则可采用Kubernetes实现集群化管理。
用户场景图谱
内容消费者:关注大量UP主但缺乏时间管理,需要每月自动清理低活跃度账号。核心需求是简单配置、一键运行。
内容创作者:需要精准维护行业相关账号,过滤低质量内容源。核心需求是分组管理、精细化筛选。
多账号管理者:运营多个B站账号,需要批量处理关注列表。核心需求是多账号支持、批量操作。
核心功能参数决策树
-
目标分组选择
- 特定活动关注账号 → 选择"天选时刻"分组
- 长期未互动账号 → 选择"不常看"分组
- 自定义分类账号 → 创建并选择专属分组
-
数量控制策略
- 首次使用 → 建议设置20-30人
- 常规维护 → 建议设置50-100人
- 深度清理 → 最大支持200人/次
-
保留机制设置
- 重要UP主 → 添加到RetainUids列表
- 近期互动账号 → 启用互动过滤
- 高活跃度创作者 → 设置活跃度阈值
自动化执行与价值呈现
三步执行流程
-
任务配置:在青龙面板中找到"bili批量取关主播"任务,设置执行周期(推荐每月1日12:00)
-
参数调整:修改GroupName指定目标分组,设置Count控制取关数量,配置RetainUids保留重要账号
-
启动验证:手动触发任务执行,查看执行日志确认取关结果
核心价值量化
- 时间成本:从30分钟/次降至5分钟/次,效率提升83%
- 准确性:100%精准执行,避免手动操作失误
- 持续性:定期自动执行,保持关注列表长期清爽
场景扩展指南
账号迁移辅助:在更换主要使用账号时,通过批量取关功能快速同步关注列表
竞品分析工具:对特定领域UP主进行批量关注后,定期清理不活跃账号,保持行业观察的时效性
内容审计应用:配合互动数据分析,识别低质量内容创作者并批量清理
进阶技巧
对于需要更精细控制的用户,可以修改配置文件src/Ray.BiliBiliTool.Config/Options/UnfollowBatchedTaskOptions.cs,自定义取关规则。例如设置基于最后互动时间的智能过滤,或根据UP主粉丝增长趋势动态调整保留策略。
通过这套自动化解决方案,你可以彻底摆脱手动管理关注列表的繁琐,让B站体验回归清爽高效。无论是内容消费者、创作者还是多账号管理者,都能找到适合自己的配置方案,实现关注列表的智能化管理。现在就开始行动,让你的B站关注列表重获新生!
atomcodeClaude Code 的开源替代方案。连接任意大模型,编辑代码,运行命令,自动验证 — 全自动执行。用 Rust 构建,极致性能。 | An open-source alternative to Claude Code. Connect any LLM, edit code, run commands, and verify changes — autonomously. Built in Rust for speed. Get StartedRust0197
cann-learning-hubCANN 学习中心仓,支持在线互动运行、边学边练,提供教程、示例与优化方案,一站式助力昇腾开发者快速上手。Jupyter Notebook0126
MiMo-V2.5-Pro-FP4-DFlashMiMo-V2.5-Pro-FP4-DFlash 是驱动 MiMo-V2.5-Pro-UltraSpeed 的底层模型: FP4 量化骨干网络:对 MoE 专家采用 MXFP4 量化,同时保持模型其他部分的更高精度,在几乎无损质量的前提下,显著减小模型体积并降低内存带宽压力。 BF16 DFlash 草稿生成器:用于块扩散推测解码,每次前向传播可生成一整个块的 tokens,并让骨干网络一步完成验证。 两者协同作用,既降低了每参数的位宽,又减少了骨干网络前向传播的次数,而这两者正是万亿参数模型解码过程中的两大主要成本来源。Python00
JoyAI-EchoJoyAI-Echo,这是一个独立的、仅用于推理的版本,旨在实现分钟级多镜头音视频生成。它采用了经过蒸馏的DMD生成器、配对的跨模态记忆以及故事级别的一致性。其性能的核心在于,一个跨模态视听记忆库能够在长达五分钟的视频中保持角色外观和语音音色的一致性。同时,一个训练后处理流程将基于记忆的强化学习与分布匹配蒸馏相结合,实现了7.5倍的速度提升,显著增强了视觉质量和对齐效果。00
AstrBot✨ 易上手的多平台 LLM 聊天机器人及开发框架 ✨ 平台支持 QQ、QQ频道、Telegram、微信、企微、飞书 | OpenAI、DeepSeek、Gemini、硅基流动、月之暗面、Ollama、OneAPI、Dify 等。附带 WebUI。Python06
handy-ollama动手学Ollama,CPU玩转大模型部署,在线阅读地址:https://datawhalechina.github.io/handy-ollama/Jupyter Notebook07
