#GitHub情报
HelloGitHub：面向入门爱好者的开源项目月刊，近日更新第 122 期
🔗：官网 | GitHub | 投稿
✏️ 第 122 期 已经发布
• FluentFlyout：更好看的 Windows 媒体控制弹窗
• termshot：一条命令生成终端截图
• Recordly：支持自动缩放和光标特效的屏幕录制工具
• bleachbit：免费开源的磁盘清理工具
• Kami：让 AI 生成的文档值得被打印出来
• health-tick-release：macOS 菜单栏久坐提醒工具
• whatcable：这根 USB-C 线到底能干啥
• codeburn：AI 编程助手 Token 用量分析工具
• open-design：Claude Design 的开源替代品
• Clawdmeter：展示 Claude 用量的桌面小屏
• agentmemory：AI 编程助手跨会话记忆系统
频道：@NewlearnerChannel
HelloGitHub：面向入门爱好者的开源项目月刊，近日更新第 122 期
🔗：官网 | GitHub | 投稿
✏️ 第 122 期 已经发布
• FluentFlyout：更好看的 Windows 媒体控制弹窗
• termshot：一条命令生成终端截图
• Recordly：支持自动缩放和光标特效的屏幕录制工具
• bleachbit：免费开源的磁盘清理工具
• Kami：让 AI 生成的文档值得被打印出来
• health-tick-release：macOS 菜单栏久坐提醒工具
• whatcable：这根 USB-C 线到底能干啥
• codeburn：AI 编程助手 Token 用量分析工具
• open-design：Claude Design 的开源替代品
• Clawdmeter：展示 Claude 用量的桌面小屏
• agentmemory：AI 编程助手跨会话记忆系统
频道：@NewlearnerChannel
👍9❤1🥰1
#RSS #AI #GitHub情报 #Tools
📰 邸报：把推荐算法重新接回 RSS
🔗：GitHub | 项目介绍
⭐️ Features:
• 导入 OPML 或 RSS 地址
• 根据阅读行为自动学习偏好
• 支持 Docker Compose 部署
• SQLite 单文件存储
• 无需绑定 LLM API，可接入 embedding 服务或本地模型
RSS 的好处是信息源掌握在自己手里，坏处也是信息源容易古板、陈旧、机械的掌握在自己手里。订阅一多，每天几百篇未读文章堆在收件箱里，阅读很容易逐渐变成一种负担。平台推荐当然省心，但代价是信息分发权也一并交给了平台。邸报在两者之间找一个位置，让信源仍然由用户选择，但排序交给算法完成。导入 OPML、添加 RSS 地址之后，就可以在邸报中像普通阅读器一样浏览、收藏和标记文章。与传统 RSS 阅读器不同之处在于，邸报会根据阅读行为逐渐学习用户的偏好，再对订阅池中的内容重新排序。它不会引入新的信息来源，只是在你已经订阅的文章里，把可能更值得先看的内容浮上来。
这个思路非常合理。现在很多“AI 阅读”产品习惯让大模型直接吞掉整条信息流，逐篇总结、筛选和判断，不仅消耗大量 Token，也容易让阅读变成被模型加工过的二手信息。而邸报选择了另外一条路，通过行为数据、embedding 和排序，已经可以解决大部分需求，每篇推荐还会附带理由，不只是扔给用户一个无法理解的黑盒分数。
部署方面，邸报支持 Docker Compose，可以运行在 NAS、VPS 或本地电脑上。数据保存在 SQLite 文件中，备份基本就是复制粘贴。它不依赖中心化服务，也不强制绑定付费 API。接入硅基流动之类的 embedding provider，或者在本地跑一个小模型，就可以获得不错的推荐效果。
👀 开发者将邸报称作“外部嗅觉器官”，我很喜欢这个描述。RSS 阅读器流行于 2000 年前后，推荐算法在十多年前就已经被大规模验证，但直到今天，两者仍然很少被真正结合起来。邸报目前的完成度和推荐效果都需要更多真实使用来检验。如果你的 RSS 收件箱已经长期处于爆炸状态，又不愿意把阅读完全交给平台算法，邸报很值得试试看。
频道：@NewlearnerChannel
📰 邸报：把推荐算法重新接回 RSS
🔗：GitHub | 项目介绍
⭐️ Features:
• 导入 OPML 或 RSS 地址
• 根据阅读行为自动学习偏好
• 支持 Docker Compose 部署
• SQLite 单文件存储
• 无需绑定 LLM API，可接入 embedding 服务或本地模型
RSS 的好处是信息源掌握在自己手里，坏处也是信息源容易古板、陈旧、机械的掌握在自己手里。订阅一多，每天几百篇未读文章堆在收件箱里，阅读很容易逐渐变成一种负担。平台推荐当然省心，但代价是信息分发权也一并交给了平台。邸报在两者之间找一个位置，让信源仍然由用户选择，但排序交给算法完成。导入 OPML、添加 RSS 地址之后，就可以在邸报中像普通阅读器一样浏览、收藏和标记文章。与传统 RSS 阅读器不同之处在于，邸报会根据阅读行为逐渐学习用户的偏好，再对订阅池中的内容重新排序。它不会引入新的信息来源，只是在你已经订阅的文章里，把可能更值得先看的内容浮上来。
这个思路非常合理。现在很多“AI 阅读”产品习惯让大模型直接吞掉整条信息流，逐篇总结、筛选和判断，不仅消耗大量 Token，也容易让阅读变成被模型加工过的二手信息。而邸报选择了另外一条路，通过行为数据、embedding 和排序，已经可以解决大部分需求，每篇推荐还会附带理由，不只是扔给用户一个无法理解的黑盒分数。
部署方面，邸报支持 Docker Compose，可以运行在 NAS、VPS 或本地电脑上。数据保存在 SQLite 文件中，备份基本就是复制粘贴。它不依赖中心化服务，也不强制绑定付费 API。接入硅基流动之类的 embedding provider，或者在本地跑一个小模型，就可以获得不错的推荐效果。
👀 开发者将邸报称作“外部嗅觉器官”，我很喜欢这个描述。RSS 阅读器流行于 2000 年前后，推荐算法在十多年前就已经被大规模验证，但直到今天，两者仍然很少被真正结合起来。邸报目前的完成度和推荐效果都需要更多真实使用来检验。如果你的 RSS 收件箱已经长期处于爆炸状态，又不愿意把阅读完全交给平台算法，邸报很值得试试看。
频道：@NewlearnerChannel
❤7👍3