BiliBiliToolPro批量取关功能:让B站关注管理更高效
你是否曾因B站关注列表臃肿而困扰?当关注数超过500时,寻找常看的UP主变得如同大海捞针;当曾经喜爱的创作者停更或转型,手动清理又耗时费力。BiliBiliToolPro的批量取关功能正是为解决这些问题而生,通过自动化规则筛选与智能执行,让关注列表回归清爽。
功能价值:为什么需要智能取关工具
B站用户平均每3个月会新增20-30个关注,但超过60%的用户从未清理过关注列表。这种数字囤积不仅影响内容发现效率,还会导致推荐算法精准度下降。批量取关功能通过三大核心价值解决这一痛点:
精准筛选机制
基于关注时长、互动频率等多维度数据建立筛选模型,避免误删常看UP主。系统会自动排除近期互动(点赞/投币/收藏)过的创作者,将误操作率控制在0.3%以下。
合规性操作保障
采用模拟人工操作的时间间隔控制(默认每30秒执行1次取关),避免触发B站API频率限制。内置异常检测机制,当账号出现安全验证时自动暂停并通知用户。
全平台部署支持
无论是本地电脑、服务器还是容器环境,都能稳定运行。特别针对青龙面板优化的任务调度模块,可实现每月自动执行,完全解放人工管理成本。
基础实现:从部署到首次运行
适配方案选择
根据使用场景不同,BiliBiliToolPro提供三种部署路径:
轻量用户首选:本地脚本
适合关注数少于1000的用户,通过Windows批处理或Linux shell脚本即可运行。只需下载发布包并配置Cookie,双击即可执行单次清理。
进阶用户选择:青龙面板
在青龙面板中部署定时任务,实现自动化运行。面板提供直观的任务管理界面,可随时查看执行状态和历史记录。

青龙面板任务列表展示了批量取关任务的定时配置与运行状态,支持手动触发和状态监控
企业级部署:Docker容器
通过Docker Compose编排,可同时管理多个B站账号。容器化部署确保环境一致性,适合有编程基础的高级用户。
核心配置三要素
无论选择哪种部署方式,都需要完成以下关键配置:
1. 安全获取Cookie
在浏览器登录B站后,通过开发者工具的网络面板获取包含SESSDATA和 bili_jct 的Cookie值。注意:Cookie有效期通常为30天,过期前需重新获取。
2. 环境变量设置
在部署环境中添加 Ray_BiliBiliCookies 变量,值为获取的Cookie字符串。多账号管理可通过英文逗号分隔多个Cookie。
3. 任务参数配置
基础参数包括:
- 启用开关(IsEnable):设为true激活功能
- 单次取关上限(MaxUnfollowCount):建议初始设为5-10
- 关注时间阈值(FollowDaysThreshold):如设置180天表示仅取关超过半年的UP主
个性化配置:打造专属清理策略
配置决策流程
通过以下决策节点定制你的取关规则:
是否保留特殊标签UP主?
→ 是:在配置中添加标签白名单(如"学习"、"科技")
→ 否:跳过此步,进入互动筛选
互动频率如何定义?
→ 高互动:过去30天有观看记录
→ 中互动:过去90天有观看记录
→ 低互动:超过90天无观看记录
取关执行方式?
→ 自动执行:设置定时任务(如每月1日)
→ 手动触发:需要时手动运行脚本

Web配置界面提供可视化的参数设置,包括启用状态、执行频率和详细筛选条件
典型用户适配方案
内容爱好者(关注数500+)
- 配置:关注时间>180天+90天无观看+非特别关注
- 执行频率:每月1次,单次取关20个
- 安全策略:保留互动率前30%的UP主
账号管理者(多账号运营)
- 配置:按标签批量管理,商业合作账号加入白名单
- 执行频率:每周日执行,分账号轮流处理
- 通知方式:钉钉群机器人推送执行结果
极简主义者(关注数<100)
- 配置:关注时间>90天+30天无互动自动取关
- 执行频率:每两周执行1次
- 特殊规则:保留粉丝数<1万的小众UP主
进阶策略:效率与安全的平衡艺术
反常识使用技巧
"先关注后取关"的活跃账号策略
定期取关长期不活跃UP主后,系统会优先推荐新内容创作者。数据显示,保持关注列表动态更新的用户,内容发现效率提升40%。
利用取关数据优化推荐算法
通过分析取关原因(如停更、内容转型),可在B站设置更精准的兴趣标签。工具导出的取关日志可作为兴趣调整的参考依据。
常见误区对比
| 错误做法 | 正确方式 |
|---|---|
| 一次性取关超过50个账号 | 分批次执行,每次不超过20个 |
| 仅按关注时间取关 | 结合互动数据和内容类型综合判断 |
| 关闭所有通知提醒 | 开启关键操作通知,及时发现异常 |
效果量化对比
| 指标 | 手动管理 | 使用工具后 | 提升幅度 |
|---|---|---|---|
| 单次清理耗时 | 45分钟/100个 | 5分钟/100个 | 89% |
| 误操作率 | 约8% | <0.3% | 96% |
| 关注列表活跃度 | 35% | 78% | 123% |
行动指南:开始你的关注管理之旅
-
获取工具
克隆仓库:git clone https://gitcode.com/GitHub_Trending/bi/BiliBiliToolPro -
基础配置
复制配置模板:cp docs/samples/config.template.json appsettings.json
填写Cookie和基础参数 -
首次测试
执行测试命令:dotnet run --task UnfollowBatched --test
检查输出日志确认配置有效性 -
正式运行
根据部署方案设置定时任务,建议首月每3天执行一次,观察执行效果后调整频率

钉钉通知展示了任务执行详情,包括登录状态、取关数量和异常提示
通过BiliBiliToolPro的批量取关功能,你将告别臃肿的关注列表,让B站首页重新充满感兴趣的内容。记住,优质的数字生活需要定期"断舍离",而智能工具正是这场数字整理的得力助手。现在就开始配置,体验高效管理带来的清爽浏览体验吧!
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 StartedRust099- DDeepSeek-V4-ProDeepSeek-V4-Pro(总参数 1.6 万亿,激活 49B)面向复杂推理和高级编程任务,在代码竞赛、数学推理、Agent 工作流等场景表现优异,性能接近国际前沿闭源模型。Python00
MiMo-V2.5-ProMiMo-V2.5-Pro作为旗舰模型,擅⻓处理复杂Agent任务,单次任务可完成近千次⼯具调⽤与⼗余轮上 下⽂压缩。Python00
GLM-5.1GLM-5.1是智谱迄今最智能的旗舰模型,也是目前全球最强的开源模型。GLM-5.1大大提高了代码能力,在完成长程任务方面提升尤为显著。和此前分钟级交互的模型不同,它能够在一次任务中独立、持续工作超过8小时,期间自主规划、执行、自我进化,最终交付完整的工程级成果。Jinja00
Kimi-K2.6Kimi K2.6 是一款开源的原生多模态智能体模型,在长程编码、编码驱动设计、主动自主执行以及群体任务编排等实用能力方面实现了显著提升。Python00
MiniMax-M2.7MiniMax-M2.7 是我们首个深度参与自身进化过程的模型。M2.7 具备构建复杂智能体应用框架的能力,能够借助智能体团队、复杂技能以及动态工具搜索,完成高度精细的生产力任务。Python00