3步实现B站关注列表自动化批量管理:从臃肿到清爽的蜕变
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,其中批量管理关注列表功能可帮助用户快速清理不再需要的关注,让你的关注列表重获清爽。本文将详细介绍如何利用该工具实现关注列表的自动化批量管理,让你告别手动操作的繁琐。
一、为何需要关注列表自动化批量管理
关注列表臃肿的常见原因
在B站使用过程中,关注列表容易变得臃肿,主要原因包括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各类活动中批量关注的账号等。
手动管理的弊端
手动管理关注列表存在诸多问题:操作效率低下,处理100个关注可能需要30分钟以上;容易遗漏重复关注的账号;且B站官方未提供批量管理功能,难以系统性地进行筛选和清理。
二、BiliBiliToolPro批量管理功能解析
核心配置参数说明
批量管理功能的核心配置参数在src/Ray.BiliBiliTool.Config/Options/UnfollowBatchedTaskOptions.cs中定义,具体如下:
| 配置项 | 说明 | 默认值 |
|---|---|---|
| GroupName | 要操作的关注分组名称 | "天选时刻" |
| Count | 每次操作的数量 | 可配置 |
| RetainUids | 保留用户ID列表 | 空 |
安全防护机制
该功能内置多重安全保护,包括白名单机制(通过RetainUids配置重要up主)、数量限制(可设置每次操作的具体数量)以及分组隔离(仅对指定分组进行操作),确保操作安全可靠。
三、快速上手:3步完成自动化批量管理配置
步骤一:项目部署与环境准备
首先克隆项目到本地:
git clone https://gitcode.com/GitHub_Trending/bi/BiliBiliToolPro
步骤二:任务配置文件设置
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}"
步骤三:自定义参数调整与任务执行
根据个人需求修改配置参数:调整GroupName为目标分组,设置Count参数控制每次操作人数,在RetainUids中添加需要保留的up主ID。启动任务后,系统将自动获取指定分组下的关注列表,按配置数量进行批量操作,并生成详细执行日志。
四、使用建议与效果对比
实用建议
- 首次使用时建议设置较小的Count值进行测试,确保功能正常运行。
- 推荐每月执行一次批量管理任务,每次操作20-50人,保持关注列表的持续清爽。
- 执行任务时确保网络稳定,避免任务中断影响效果。
效果对比
通过BiliBiliToolPro的批量管理功能,操作时间从手动的30分钟以上缩短至1分钟,准确率达到100%,避免手动操作失误,且支持定期自动执行,实现关注列表的持续高效管理。
借助BiliBiliToolPro,你可以轻松实现B站关注列表的自动化批量管理,让关注列表始终保持清爽有序,提升你的B站使用体验。
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

