2026年10月7日早上七点多我照例坐到工位前没有先开邮箱而是打开了那套已经用了两年多的信息面板。屏幕上按顺序排着昨晚睡前到今早抓取的一百多条AI动态几篇刚挂出来的预印本论文、几个开源项目的新版本、两三家团队的产品公告、一堆社交平台上的讨论帖。我倒了杯水开始把它们逐条捋一遍——这个动作就是我做“AI日报”的日常。很多人问过我为什么还要自己手动做日报。现在AI工具那么多让大模型自动整理一份“今日AI要闻”不是分分钟的事吗这话对了一半。自动摘要能帮你省掉大量重复劳动但一份真正有价值的AI日报核心从来不在“整理”而在“筛选”和“解读”。同样是发布一个新模型为什么有的值得上头条有的只配放在“速览”里同样是开源项目为什么有的意味着技术路线转折有的只是例行迭代——这层判断机器暂时还替代不了。这篇文章我就用2026年10月7日这期日报的制作过程把我这两年跑通的信息源体系、筛选逻辑、解读框架和自动化工作流完整拆给你看。适合AI从业者、关注技术动向的产品经理以及所有想建立自己AI情报系统的朋友。1. 为什么还要人工做日报信息过载时代真正稀缺的是判断力1.1 AI信息的更新速度和渠道结构远超普通人的消费能力先说一个数字。我每天原始素材的入库量大约在一百到一百五十条之间这还只是经过信息源过滤之后的结果。AI领域的信息流动不是单向的新闻流而是多个渠道并行涌进预印本平台上每天新增的论文、代码托管平台上的社区动态、头部实验室的博客和产品公告、行业分析机构的报告、技术论坛和社交平台上的高赞讨论甚至包括一些垂直社群里的小范围爆料。所有这些渠道叠加一个人如果靠手动刷网页、逛社区去跟踪一天至少要花四五个小时而且大概率还是会被信息洪流淹没。我见过不少人一开始热情高涨订了几十个信息源每天早上刷得废寝忘食两周之后就彻底放弃了。原因很简单负担太重且看不到产出。日报这种形式之所以有效就是因为它把“持续跟踪”变成了一件每天只需要做一次的事情。你把筛选、压缩、解读的工作集中到一个固定时段用结构化的方式输出信息处理的效率会大幅提升。1.2 日报不是新闻搬运而是一个认知筛选器我始终有个观点日报的读者打开你的文章不是为了看你把十条新闻标题罗列一遍而是想用最短的时间知道“今天AI圈发生了什么值得我关注的事”。所以日报的本质是筛选器不是搬运工。什么叫筛选举个例子。10月7日早上我的素材库里同时出现了两条关于“垂直领域智能体平台”的消息。一条是某团队发布了面向法律行业的智能体应用框架附带完整的测试数据和API文档另一条是某社区发起了一个讨论帖标题很唬人“智能体要取代所有SaaS了”点进去一看内容基本是概念复述加个人畅想。前一条我放进了头条候选区后一条如果没删掉最多留在“观点集锦”里压缩成一行。这就是人工判断的价值所在。大模型可以帮你把每篇文章缩写成一百字但它很难判断“这件事到底改变了什么”。它不知道你的读者是谁不知道哪些信息对他们后续决策有影响更不知道这个方向和上周某条新闻之间是否存在延续性。这些都需要人来做。1.3 我的日报读者画像先服务自己再服务同路人我做AI日报的起点其实特别朴素——给自己看。那会儿我要在短时间内摸清AI应用层的变化趋势光靠零散阅读太慢于是开始每天整理一张表时间、事件、来源、我的一句话点评。整理到第三周我发现这个习惯带来的好处远超预期就把日报顺手发给了几个也在这个领域的朋友。后来订阅读者慢慢变多从做研发的、做投资的到写代码的、搞咨询的都有。读者来源杂了之后我对内容的取舍标准反而更清晰了不服务某一类人的专业深度也不讨好所有人的情绪。日报的定位是“让一个有一定技术基础的读者在十分钟内建立起对当天AI动态的基本坐标”。太硬的论文细节我不会大段引用太水的新闻我也不予置评。这个定位贯穿了后面所有的方法论。2. 信息源分级我维护的三层订阅体系2.1 三层信息源结构把有限精力花在回报最高的渠道上很多做信息整理的人有一个通病试图把所有信息源都“平等对待”结果每个渠道都是浅尝辄止。我踩过这个坑之后把自己的信息源改成了三个层级每一层有不同的更新频率和处理方式。层级内容类型更新频率我的处理方式核心源预印本论文、头部实验室博客、代码托管平台的Release动态每天全部粗读重点条目精读扩展源行业分析报告、深度长文、播客文字稿、访谈实录每周周末集中深读记录长期信号补充源社交平台热帖、搜索热词、社区高赞讨论、垂直群闲聊实时每天固定时段扫一遍只摘信号不追过程核心源是我每天必看的。预印本平台上的论文能反映学术前沿正在往哪里走头部实验室的博客通常是对自家工作的深度阐述代码托管平台的Release动态则是“落地信号”——一个项目发新版本往往比发论文更能说明它在被真实使用。这三类源加起来我已经覆盖了AI动态里最有含金量的部分。扩展源和补充源的作用是防止我陷入“技术视角盲区”。行业报告能告诉我资本和市场怎么看社交平台热帖能让我感知到舆论在关心什么哪怕其中大部分内容经不起推敲但“大家在乎什么”本身就是一个值得记录的信号。我会把它放到头条判断的背景信息里。2.2 订阅不是越多越好信息源的同质化比稀疏更危险我见过有人一口气订了两百多个源好像很勤奋实际上里面有一半都在转述同一件事。信息源同质化最大的危害不是重复而是它会给你制造一种“信息很充分”的错觉让你看不到视野之外的东西。我做信息源分级时专门做了一次清洗凡是内容大量相互转载、缺乏一手信息的源统统降级或者砍掉。我留下了一个简单标准——这个源是“产信息”还是“传信息”。论文平台、实验室博客、开源社区、受访团队自己的公告属于产信息而那些把所有新闻换个标题再发一遍的聚合站属于传信息。传信息的源我只留一两个用来兜底其余全部退订。中英文源的搭配也很重要。英文源在技术深度和时效性上通常占优势中文源的优势在于对国内开发者生态和行业应用的覆盖。我会特意让两类源交叉着看很多时候你会发现一个英文源里讨论很多的概念过了两三个月才在国内社区火起来这个时间差本身就是很有价值的判断依据。2.3 信息入库前先想清楚“我要拿它干什么”每一类信息源我都会预设一个用途。论文源和博客源是用来判断技术方向的Release动态是用来判断落地进展的报告源是用来校准商业化节奏的社交平台热帖是用来感知公众注意力的。用途不同后续的处理方式也不同。这个思路帮我解决了一个大问题不再为了“储存”而收藏信息。很多人看文章觉得好就丢进书签结果书签栏越来越长再也没有打开过。我的做法是每一条进日报的素材都必须回答一个问题——“这条信息如果明天被我写进日报读者会因为少了它而错过什么”回答不上来就直接丢弃。这套“用途前置”的筛选标准让我的信息库保持了很干净的结构。3. 从一百多条素材到日报正文五步筛选法3.1 素材入库先保证“源头不丢”再考虑“整理有序”每天清晨的第一道工序是把信息源的原始内容拉进来。我不让系统做任何智能过滤宁可多收也不漏收。原始素材只保留四个字段标题、来源、链接、发布时间。这个阶段的大原则是“机器全收人去筛”因为智能过滤一旦开了头就会把那些暂时看不出价值、但其实很重要的长线信号误杀在摇篮里。我早期犯过一个错误让脚本按照关键词自动过滤素材结果把一条当时看起来“很不起眼”的框架发布给过滤掉了。一周之后这个框架的讨论热度完全爆发我只能在日报里引用别人的复盘非常被动。从那以后我的抓取层只做排除广告和垃圾内容这种基础事情真正的筛选判断全部留到人工环节。3.2 第一遍粗筛相关性、新颖性、可信度的三维打分粗筛我只看三个维度相关性、新颖性、可信度。每个维度按高、中、低三档快速标记不需要精确打分凭第一直觉就行。相关性是问“和AI主线有关吗”这里的AI主线我会写得很宽泛包括模型技术、应用工具、基础设施、开发者生态、行业治理但不包括泛科技领域的无关消息。新颖性是问“这件事是过去七天内发生的实质变化吗”比如一个模型发布了新版本算实质变化而某篇用旧数据重新解读的报道严格来说不算。可信度是问“信源是否一手、是否有可验证的链接和数据”。这一轮筛完我的素材数量一般会从一百多条降到三四十条。粗筛的目的不是找到“最好的消息”而是尽快把明显不合格的消息请出去降低后续精筛的认知负担。3.3 第二遍精筛区分“真变化”和“旧闻包装”粗筛之后留下的条目进入精筛环节。精筛的核心任务是识破“旧闻包装”。什么叫旧闻包装举个例子某个模型的技术报告其实是三个月前挂出来的但今天某团队重新组织媒体讲了一遍社交平台上就开始刷屏“重大突破”。再比如某个概念已经被讨论两年了今天孵化出了一个新项目就被包装成“全新赛道”。这类消息如果直接放进日报等于在帮别人炒冷饭。我的精筛手法是“往前追三步”看到一条新闻先往下翻它的原文发布时间和代码仓库最近更新时间再搜一下这个团队之前有没有发过相关工作然后把这三个时间点放在一起对一下。如果发现核心内容早就在某个角落公开过这条新闻的价值就要大打折扣。通常是新技术方向被确认时用“重大进展”的说法只在应用扩散型更新时才用“值得关注”的说法。精筛之后剩下的通常只有十几条。我再按照内容类型分成五类技术进展、产品与工具更新、行业与生态事件、学术前沿、观点与争议。分完类日报的骨架就已经出来了。3.4 为每条动态写“一句人话摘要”消灭AI味每条进了日报的消息我都会写一句不超过五十字的摘要。这句话的要求特别简单删掉形容词之后核心事实依然成立。比如“某团队发布了支持超长上下文的新一代模型预览版推理速度提升显著”我会慢慢打磨成“某团队发布新模型预览上下文长度比上一代翻倍推理接口同步开放”。前者是宣传语后者才是信息。这一步是最费功夫的因为你要抵抗住两个诱惑一是照抄原文摘要的诱惑那样写出来的东西常常充满了“引领”“赋能”“突破”这类词二是堆砌细节的诱惑把参数表全贴进去读者根本记不住。我的原则是日报里的一句话摘要只保留“谁干了什么、和之前比有什么不同、为什么此刻值得注意”这三个要素其余的交给原文链接。4. 头条怎么定影响半径、时间窗口与可验证性4.1 头条不是最热门的新闻而是影响半径最大的那一条很多新手做日报习惯把讨论度最高的话题放头条这是个误区。讨论度高只代表情绪强烈不代表信息密度高。我判断头条用的是另外三个标准影响半径、时间窗口、可验证性。影响半径是问“这条消息会波及到多少人”。它可能影响的是底层技术提供方、中间层应用开发者还是终端用户影响半径越大越有资格上头条。时间窗口是问“这条消息是不是一个即将展开的故事”。如果它意味着现场可以动手做了、API可以申请了、代码可以跑了那它就带有一个明确的时间窗口值得读者立刻关注。反之如果只是一个远期路线图就算宣传声势再大我也不会把它推上头条。可验证性最简单就是“你自己能不能查证”有官方的技术报告、可运行的开源代码、公开的评测数据才算可验证。4.2 一个头条案例的完整分析过程假设10月7日早上我的素材库里出现了这样一条消息某团队发布了新一代多模态模型的预览版模型参数规模达到千亿级别在公开的通用图像理解测试集上刷新了纪录同时开放了API申请通道。现在我用上面的三个标准过一遍。先看影响半径。多模态模型的迭代影响的绝不只是模型团队本身所有依赖视觉理解能力的下游应用都会受波及包括AI辅助设计、图像检索、具身智能、医疗影像分析等这就构成了足够的头条资格。再看时间窗口。预览版加API申请通道意味着这不是一篇PPT式发布开发者和研究者马上就能上手体验时间窗口又短又实。最后看可验证性。测试集是公开的数据摆在那里技术报告同步挂出API有文档。三条全过放头条没有任何问题。但光有判断还不够头条的写法也很讲究。我会采用“结论先行”的结构第一句话直接说明“发生了什么”第二句解释“为什么重要”第三句指出“下一步看什么”。等于用三段话把一个技术事件放到行业坐标里让读者看懂它的位置。4.3 头条写作的一个实用技巧永远在末尾留“观察点”我觉得一份好的日报不应该只告诉读者“今天发生了什么”还应该告诉读者“接下来值得盯什么”。所以我在每一条头条或者次条文章的末尾都会留一个观察点。比如上面那个多模态模型的案例观察点就是体验后的效果如何、是否有第三方复现评测、两周内有没有团队用它在实际场景里做出具体应用。这个技巧帮我积累了很多回看材料。月底复盘的时候我会把观察点列表调出来逐一对照看到底哪些预测应验了哪些和想的不一样。这个过程本质上是在训练自己对行业节奏的感知力是日报最有长期价值的部分。5. 解读能力才是日报的护城河把新闻讲成故事5.1 单条新闻的解读模板是什么、为什么重要、对谁有影响光会筛选还不够一篇日报如果只有“新闻标题加原文链接”那它本质上和新浪科技频道没什么区别。日报的差异化竞争力在解读而解读不一定非得很长很长而是要准确回答几个固定问题。我常用的模板是四句话这件事是什么它为什么是现在发生它对哪几类人有什么影响它还有什么不确定性。以某团队发布一个轻量化推理框架为例第一句说清楚框架的定位和适用场景第二句指出这个时间点发布的关键背景可能是边缘设备算力的普及也可能是上一代方案已经遇到瓶颈第三句落到具体人群比如AI应用开发者最直接受益终端用户暂时感受不到第四句提出不确定性比如它和已有主流方案之间的兼容迁移成本还没人验证。这四句话写下来一条新闻才真正“被读懂”了。5.2 串联解读三条相互印证的消息价值大于单独的每条单条新闻解读得再好也只是一个个珠子。日报的真正高光时刻是把当天不同消息串联起来形成一个趋势判断。我管这个叫“找张力”。比如某一天日报里同时出现三条消息某团队开源了一个轻量级推理加速框架某应用团队宣布把多模态模型部署到了端侧设备上某个开发者在社区里分享了他的端侧模型落地踩坑记录。单独看这三条分别属于基础软件、应用产品、开发者社区三个板块但如果把它们拼在一起就能看出一个共同主题AI推理正在从云端向边缘端扩散。这个主题才是这一天日报想要传递的核心信号。做串联解读的时候我的习惯是克制。我不会说“这说明AI全面进入端侧时代”这种过大的话更常见的写法是“这三条消息共同指向一个值得留意的小趋势但目前证据还不足以支撑更大判断”。留有余地既是专业态度也是给自己未来纠错的空间。5.3 对趋势保持三种姿态确认、怀疑、等待解读新闻时我给自己定了三种姿态确认、怀疑、等待。确认是当多个独立信源指向同一方向且证据链条完整比如开源社区里同类项目数量明显上升我就会在日报里明确写出“这个方向正在成为共识”。怀疑是当消息声势大但缺乏可验证细节时我会强调“还需要更多证据”比如只有演示视频而没有技术细节的产品宣传。等待是当新方向刚冒头时我会把它记入观察列表而不会急着在日报里给出定论。这三种姿态帮我避免了很多次“被打脸”。有一段时间某个技术概念被到处讨论很多日报都在吹捧我没有急着跟进因为在预印本平台上始终没看到真正扎实的论文支撑。结果三个月后这个概念的热度明显退潮当初那些兴奋的判断都没有兑现。从那以后我对任何缺乏证据的热点都保持“等待”姿态。5.4 不写什么没有来源的猜测、纯情绪评价、自我感动式评论好的解读不仅在于写了什么更在于不写什么。我有三个铁律第一不写没有明确来源的猜测哪怕是“据可靠消息”这种模糊表述也不写第二不写纯情绪评价比如“太震撼了”“彻底颠覆”这类第三不写自我感动式的评论比如“这才是真正的科技”“我们正站在时代的风口上”这种话对读日报的人毫无信息量。我见过不少同类日报最后做不下去原因就在于失去了客观中立的底色逐渐变成某种情绪输出。一旦读者觉得打开你的日报像是在看观点文章而不是在获取信息他对你的信任度就会明显下降。守住这条边界比任何技巧都重要。6. 半自动化的日报流水线我用脚本加AI辅助搭的工作流6.1 信息采集层让RSS订阅和定时抓取替我值班两年多的时间我把日报流程里能自动化的部分都自动化了现在每天固定的手动工作时间大概是一个小时到九十分钟而不是最初的三个多小时。自动化包含三层采集、预处理、发布。采集层的核心是RSS订阅外加一个简单的定时抓取脚本。我把核心信息源的RSS地址整理到一个文本文件里每行一个源脚本每天早上六点拉一遍提取出标题、链接和发布时间落库到本地的一个数据文件里。代码托管平台上的Release动态我单独写了脚本去跟踪我关注的开源项目有新版就自动记录。这一层没有任何智能判断就是勤劳的搬运工。6.2 预处理层用大模型做草稿摘要但绝不直接采用采集完成之后进入预处理环节。我会调用大语言模型的摘要接口对每一条素材生成一版草稿摘要同时打上粗分类标签。这一步确实能省掉很多工夫尤其是那些长的论文介绍和冗长的产品公告模型能帮我快速提炼出关键要素。但我有一个硬性规定模型生成的摘要和分类只能作为参考不能直接进入日报。原因有两个。第一模型容易“一本正经地胡说八道”尤其在涉及具体参数对比的时候我遇到过不止一次把“提高”写成“降低”的情况。第二模型对“信息的新颖性”没有概念它可以完美概括一篇文章却意识不到这篇文章的核心内容其实三个月前就发布过了。所以我会把它当成一个勤快但没有判断力的实习生干粗活可以拍板绝对不行。下面是我的伪代码示意真实脚本里还会加上错误处理和断点续跑import feedparser # feeds.txt 中每行一个 RSS 源 with open(feeds.txt, encodingutf-8) as f: feeds [line.strip() for line in f if line.strip()] items [] for feed_url in feeds: feed feedparser.parse(feed_url) for entry in feed.entries: items.append({ title: entry.get(title, ), link: entry.get(link, ), published: entry.get(published, ), source: feed.get(title, ) }) # 调用大模型摘要接口生成草稿摘要和分类标签 def draft_summary(item): prompt ( f请用不超过50个字概括这条AI动态并给出标签\n f标题{item[title]}\n f原文摘要{item.get(summary, 无)} ) # 调用大模型的 API返回摘要和标签 return {summary: ..., tag: 技术进展} for item in items: draft draft_summary(item) item[draft_summary] draft[summary] item[tag] draft[tag] # 保存到本地等待人工精筛 save_to_local(items)6.3 人工编辑层每天固定时间过一遍补背景、改重点预处理完成之后的素材会按照标签分好组摆在一个待编辑列表里。我每天上午雷打不动地用大概四十分钟时间一条一条过。这个过程里我只做四件事删掉模型误判的旧闻修正摘要里的关键数据把需要串联解读的事件挑出来最后决定头条和次条。这四十分钟是整份日报的灵魂所在。机器可以把一切准备工作都铺好但“这条消息值不值得让一万个人看到”这种判断只有我能做。我也建议所有想搭建类似工作流的朋友不要试图把这一步也交给自动化。一旦把最终决定权让渡给算法你的日报就会变成一份平庸的信息汇总不再有任何个人印记。6.4 发布与分发从排版到多平台同步人工编辑完成之后日报正文就定稿了。我会用脚本把正文转换成适合排版的格式再自动同步到我的博客和订阅邮件列表。这里比较推荐用纯文本和Markdown双格式输出因为不同平台的渲染规则差异较大提前准备好两种格式可以省掉每次手工调整的麻烦。发布这块我还想多说一句不要贪多求全。早期我试图同步到五六个平台后来发现维护成本太高而且不同平台的读者反馈风格差异巨大容易影响自己的心态。现在我固定只在两个地方发一个是自己的博客一个是订阅邮件其他平台交给读者自行转发。这样反而更从容也能把精力集中在内容本身。6.5 成本和收益账自动化到底省了多少时间我粗略算过一笔账纯手工时期素材采集加初筛至少两小时精筛加解读再加两小时发布又是一个小时每天总计接近五个小时。现在自动化把采集、初筛、草稿摘要全部接管了每天固定工作量压到一小时左右复杂日子最多九十分钟。相当于每天省出三到四个小时这些时间被我用到了更重要的事情上比如月底趋势复盘、去线下和技术团队交流以及每周写一篇单独的深度解读。这套工作流的价值不在于“全自动”而在于“把人的时间用在只有人能完成的事情上”。如果你也想搭同款流水线我建议从“采集加定时抓取”这一步开始先坚持一周再逐步加入模型摘要最后再考虑联动发布。每一步都熟练了再加下一步不要一上来就追求完美。7. 踩过的坑和我的几条心得7.1 信息源暴涨的陷阱订得越多焦虑越重产出越少最开始我追求信息源的“丰富”一度同时维护了六十多个渠道。那种感觉就像站在超市货架前什么都想拿一点结果背回家一大堆用不上的东西。信息源越多每条信息被分配到的注意力就越少反而容易错过真正关键的内容。后来我下狠心做减法将信息源砍到二十个以内。砍完之后的第一周特别不安总觉得漏了什么但一个月后发现日报的质量不降反升因为每个渠道里的内容都被认真对待了。我自己总结的合理数量是核心源控制在十个以内扩展源五到八个补充源两三个。超过这个数量边际收益会明显递减。7.2 被“标题党”带偏的教训一条转载了三轮的旧消息我翻车过最典型的一次是转载了一条“某模型登顶综合评测榜首”的消息当时社交平台上到处都在刷我顺手就收进了日报。后来读者留言指出这个模型的更新其实是两个月前的事这次上榜用的是旧数据重新跑了测试评选。这件事让我非常难受也彻底改变了我的流程。现在任何涉及“刷新纪录、首次、最强”这类字眼的新闻我会先找到原始技术报告或者官方公告拿着里面给出的更新时间去核对。宁可晚发一天也不发错一天。准确性是日报的生命线一旦失去读者信任再好的选题能力都无法挽回。7.3 不要盲目追求日更质量比频率重要得多我也经历过强迫症阶段觉得叫“日报”就必须天天发哪怕当天信息量不足也要硬凑三条“充数”。后来我想通了一件事对读者来说今天没有重大新闻你完全可以在开头说一句“今天动态较少本期只做速览”而不是硬编内容。更重要的是AI领域的信息产出本身也有节奏。周末和节假日动态本来就少这时候强行日更就会把一些噪音当成信号输出。我现在采用“日更为主、偶尔跳更”的节奏工作日保证每天一期如果某个日期确实只有三四条值得写的消息就把它合并成“近两日简报”而不是硬凑一期。这个调整之后我的订阅用户反而更稳定了。7.4 建立月度和季度回顾机制检验自己的判断眼光日报天天写很容易陷入“只见树木不见森林”的状态所以我给自己加了一个定期回顾机制每月月末花半天时间把当月所有头条和观察点拉出来重看一遍把结果分成三类——“应验了”“没应验”“还在发展”。每季度再做一次更大的复盘审视我在串读新闻时提过的小趋势到底哪些站得住哪些只是一厢情愿。这个回顾机制听起来很简单但坚持做下来最大的收获是“知道自己经常错在哪里”。比如有一段时间我发现自己对底层技术进展的判断倾向乐观导致头条里频繁出现“即将改变XX”的评论但实际节奏往往比预想慢得多。意识到这个偏差之后我再写相关评论时会刻意加上时间预期和自我约束让表述更接近客观现实。日报这个产品最终打磨的其实是制作者的判断力。做日报做到今天我越来越觉得它像一面镜子你怎么筛选怎么解读怎么取舍全都会暴露在读者面前藏不了拙。如果你也想开始做一份自己的AI日报我的建议很简单——先用自己的信息习惯搭一个最小闭环每天固定二十分钟只记录不评价坚持一个月再回来调整方向和深度。等这层基本功扎实了你会发现你收获的不仅是一份日报而是一套属于自己的、对AI行业变化做出反应的方法。