B站关注列表智能管理:5分钟实现批量取关自动化高效方案
BiliBiliToolPro是一款功能强大的B站自动任务工具,支持多种部署方式,能够帮助用户轻松实现关注列表的自动化管理。本文将详细介绍如何利用该工具的批量取关功能,解决关注列表臃肿问题,让你的B站体验更加清爽高效。
识别关注管理痛点场景
在B站的日常使用中,关注列表很容易变得臃肿不堪。参与活动时临时关注的up主、早期关注但已停止更新的创作者、重复关注的同领域主播以及天选时刻等活动中批量关注的账号,都会导致关注列表混乱。手动逐个取消关注不仅效率低下,100个关注可能需要30分钟以上,还容易出现遗漏重复的情况,而B站官方又未提供批量取关功能,这些都给用户带来了极大的困扰。
探索批量取关工具特性
核心功能模块解析
批量取关功能的核心实现位于src/Ray.BiliBiliTool.Application/UnfollowBatchedTaskAppService.cs,通过调用账户领域服务的批量取关方法来完成操作。该功能支持多种灵活的配置参数,能够满足不同用户的个性化需求。
关键配置参数说明
| 配置项 | 说明 | 默认值 |
|---|---|---|
| GroupName | 要取关的分组名称 | "天选时刻" |
| Count | 取关数量 | 可配置 |
| RetainUids | 保留用户ID列表 | 空 |
安全防护机制介绍
批量取关功能内置了多重安全保护措施。白名单机制允许用户通过RetainUids配置重要up主,避免误取关;数量限制功能可以设置每次取关的具体人数,防止一次性取关过多;分组隔离则确保仅对指定分组进行操作,提高了操作的精准性和安全性。
实施批量取关自动化流程
环境准备与项目部署
首先,将项目克隆到本地:
git clone https://gitcode.com/GitHub_Trending/bi/BiliBiliToolPro
批量取关任务配置
在青龙面板中,批量取关任务的默认配置位于qinglong/DefaultTasks/bili_task_unfollowBatched.sh,内容如下:
#!/usr/bin/env bash
# cron:0 12 1 * *
# new Env("bili批量取关主播")
. bili_task_base.sh
target_task_code="UnfollowBatched"
run_task "${target_task_code}"
自定义配置调整
根据个人需求修改配置参数:
- 调整取关分组:将GroupName修改为目标分组。
- 设置取关数量:通过Count参数控制每次取关人数。
- 配置白名单:在RetainUids中添加需要保留的up主ID。
环境变量设置
在青龙面板的环境变量页面,添加相关的环境变量,如Ray_BiliBiliCookies_0等,确保工具能够正常获取用户信息。
任务执行与结果验证
启动批量取关任务后,系统将自动获取指定分组下的关注列表,按照配置数量进行批量取关,并生成详细的执行日志。你可以通过查看日志来验证取关结果。
效果追踪与持续优化
执行效果量化指标
使用批量取关功能后,操作时间从原来的30分钟缩短至1分钟,准确率达到100%,避免了手动操作失误。同时,支持定期自动执行,实现了关注列表的持续管理。
长期维护策略建议
为了保持关注列表的清爽,建议每月定期执行批量取关任务,根据兴趣变化调整取关策略,并利用白名单保护重要内容创作者。通过这些措施,能够让你的B站关注列表始终保持有序和高效。
通过BiliBiliToolPro的批量取关功能,你可以轻松解决关注列表臃肿的问题,提升B站使用体验。无论是技术爱好者还是普通用户,都能快速上手并享受自动化管理带来的便利。现在就行动起来,让你的B站关注列表重获清爽!
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


