#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
#Photos #AI #GitHub情报
🎞 X5-Crop：轻量的 X5 扫描长 TIFF 自动裁切工具
🔗：GitHub | Releases
👉 Features
- 兼容绝大部分胶片以及扫描格式：普通 135 / 135 双条片夹 / 半格 / 645 / 66 / 67
- 使用简单：有详细的文档说明，使用方式简洁到只需要双击和回车
- 批处理：一个脚本可以批量处理整个文件夹内的所有 TIFF 图；同时运行多个脚本可以同时处理多个文件夹里的图片，只要电脑内存和硬盘读写足够，上不封顶
- 安全可靠：不对原图作任何修改，输出的裁切图片也严格限制到只做裁切和水平/垂直校准，其余属性绝不修改
- 自动识别与人工审核：能自动识别横图与竖图，只裁切能够被可靠识别的图片，无法可靠识别的情况将会把原图复制粘贴到 needs_review 文件夹以方便人工处理
⏳ 作为一名冲扫店主，处理哈苏 X5 扫描出来的长 TIFF 是一个高频的场景，不过手动裁切是一件费时费力且枯燥疲惫的事。市面上有着各种各样的裁切工具，在亲自尝试过能找到的所有之后，却总是觉得不能完美地解决自己的痛点：偏手动的效率低下，自动的却常常无法正确识别；又或者是掺杂了许多我完全不需要的花里胡哨功能，裁切的入口太深且不能批处理，反而拉低了效率。
💻 为了解决自己的（还有许多与我类似处境的人）的痛点，我只得自己动手，拿起 Codex 学习做一个 Vibe Coder。用 AI 写代码的过程出乎意料的充满乐趣。最初我以为只是一个非常简单的项目，一天之内就能解决。但是反复的调试验证以及扩充测试样本的过程中，我却发现了这是一件比想象中复杂的事。一开始我只是认为写一个脚本，捕捉到长图中两张图片中间黑色间隔的像素，就能很快很好的完成自动的裁切。但验证的结果却很快告诉我没这么容易：欠曝的图片，叠片，不稳定的片距，片头和片尾。
🤔 这些情况混杂在一起造成了非常糟糕的结果：我甚至需要在自动裁切的产出里去挑选真正可用的图片，很难说这到底是在增加效率还是降低效率。于是在几周的迭代和重构里，我加入了除了间隔检测之外的内容判断、几何修正等等各种 Policy。我也从一名初学者，开始逐渐变得有那么一点点 Coder 的思考方式了。做出来的项目也越来越准确和顺手，让我这个创造者有点自豪，也非常开心帮助到了除了我自己以外的其他人。
💡 现在脚本还有一些不足：比如对于 135 之外的格式没有足够的优化识别参数，对于叠片或者片距不稳定之类的高难度场景只能让脚本临时加 Bleed 或者让人工审核，效率仍然不够高：一张长图的分析裁切需要 10 秒。在这分享出来，也是希望得到更多的反馈让我能够优化和改进，非常欢迎在 GitHub 上提 Issue！至于是否做软件级的封装仍在犹豫中，这一点也需要用户的反馈。
📘 关联阅读： NegativeCutter-135 | Lightroom 135 胶片扫描自动裁剪插件
频道：@NewlearnerChannel
🎞 X5-Crop：轻量的 X5 扫描长 TIFF 自动裁切工具
🔗：GitHub | Releases
👉 Features
- 兼容绝大部分胶片以及扫描格式：普通 135 / 135 双条片夹 / 半格 / 645 / 66 / 67
- 使用简单：有详细的文档说明，使用方式简洁到只需要双击和回车
- 批处理：一个脚本可以批量处理整个文件夹内的所有 TIFF 图；同时运行多个脚本可以同时处理多个文件夹里的图片，只要电脑内存和硬盘读写足够，上不封顶
- 安全可靠：不对原图作任何修改，输出的裁切图片也严格限制到只做裁切和水平/垂直校准，其余属性绝不修改
- 自动识别与人工审核：能自动识别横图与竖图，只裁切能够被可靠识别的图片，无法可靠识别的情况将会把原图复制粘贴到 needs_review 文件夹以方便人工处理
⏳ 作为一名冲扫店主，处理哈苏 X5 扫描出来的长 TIFF 是一个高频的场景，不过手动裁切是一件费时费力且枯燥疲惫的事。市面上有着各种各样的裁切工具，在亲自尝试过能找到的所有之后，却总是觉得不能完美地解决自己的痛点：偏手动的效率低下，自动的却常常无法正确识别；又或者是掺杂了许多我完全不需要的花里胡哨功能，裁切的入口太深且不能批处理，反而拉低了效率。
💻 为了解决自己的（还有许多与我类似处境的人）的痛点，我只得自己动手，拿起 Codex 学习做一个 Vibe Coder。用 AI 写代码的过程出乎意料的充满乐趣。最初我以为只是一个非常简单的项目，一天之内就能解决。但是反复的调试验证以及扩充测试样本的过程中，我却发现了这是一件比想象中复杂的事。一开始我只是认为写一个脚本，捕捉到长图中两张图片中间黑色间隔的像素，就能很快很好的完成自动的裁切。但验证的结果却很快告诉我没这么容易：欠曝的图片，叠片，不稳定的片距，片头和片尾。
🤔 这些情况混杂在一起造成了非常糟糕的结果：我甚至需要在自动裁切的产出里去挑选真正可用的图片，很难说这到底是在增加效率还是降低效率。于是在几周的迭代和重构里，我加入了除了间隔检测之外的内容判断、几何修正等等各种 Policy。我也从一名初学者，开始逐渐变得有那么一点点 Coder 的思考方式了。做出来的项目也越来越准确和顺手，让我这个创造者有点自豪，也非常开心帮助到了除了我自己以外的其他人。
💡 现在脚本还有一些不足：比如对于 135 之外的格式没有足够的优化识别参数，对于叠片或者片距不稳定之类的高难度场景只能让脚本临时加 Bleed 或者让人工审核，效率仍然不够高：一张长图的分析裁切需要 10 秒。在这分享出来，也是希望得到更多的反馈让我能够优化和改进，非常欢迎在 GitHub 上提 Issue！至于是否做软件级的封装仍在犹豫中，这一点也需要用户的反馈。
📘 关联阅读： NegativeCutter-135 | Lightroom 135 胶片扫描自动裁剪插件
频道：@NewlearnerChannel
❤9🤝1