需求要点
构建一个可本地部署的自我学习式信息过滤器。
数据流：
信息源(RSS/YouTube/Email/BBS) ⇒ 本服务 ⇒ 用户
核心功能：
- 从大量信息中筛选与用户相关、感兴趣的内容
- 去除无用资讯，降低信息噪音
- 支持用户反馈(1-5分评分)进行在线学习
- 评分设计：3分为基准，5分特别感兴趣，1分特别不感兴趣
现状分析（开源方案）
1. auto-news (finaldie)
- 多源聚合：RSS、Twitter、YouTube、Reddit、个人笔记
- 过滤机制：基于Prompt的LLM过滤 + 关键词配置 + Milvus向量去重
- 学习能力：❌ 无自动学习机制，主要靠手动配置
2. Khoj
- 定位：AI第二大脑，自托管
- 过滤机制：语义搜索 + 会话上下文感知 + 自定义Agents
- 学习能力：⚠️ 仅会话级学习，不持久化长期画像
3. RSSbrew
- 定位：自托管RSS工具，支持AI摘要
- 过滤机制：规则引擎（关键词匹配）
- 学习能力：❌ 零学习机制，纯规则驱动
4. rssfilter
- 过滤机制：AI评分 + 阈值过滤
- 学习能力：❌ 基于静态用户描述，无反馈学习
⚠️
**共同缺陷：**现有工具都停留在’配置一次，终身不变’的阶段，没有真正的用户反馈闭环。
自建方案选型
技术栈推荐（轻量级方案）
- **抓取层：**Python + feedparser / yt-dlp / imaplib
- **存储：**SQLite + sqlite-vec（向量搜索插件）
- **AI层：**Ollama本地运行（nomic-embed-text + qwen/llama）
- **调度：**APScheduler 或系统 Cron
- **推送：**Telegram Bot API
在线学习核心算法
基于1-5分评分的向量方向调整算法：
def update_user_vector_online(
user_vector: np.ndarray,
article_embedding: np.ndarray,
rating: int, # 1-5
learning_rate: float = 0.1
) -> np.ndarray:
# 1-5分映射到 [-1, 1]
target_similarity = (rating - 3) / 2
# 当前相似度
current_similarity = np.dot(user_vector, article_embedding) / (
np.linalg.norm(user_vector) * np.linalg.norm(article_embedding)
)
# 误差驱动更新
error = target_similarity - current_similarity
gradient = error * article_embedding * learning_rate
new_vector = user_vector + gradient
# L2归一化
return new_vector / np.linalg.norm(new_vector)核心思想：高分文章拉近距离，低分文章推远距离。
各方案对比
算法方案对比
对比维度：复杂度 / 响应速度 / 冷启动 / 长期稳定性 / 可解释性
- 方案1 - 向量方向调整：
- 复杂度：低 | 响应：极快(<0.1ms) | 冷启动：快但易过拟合 | 长期：易遗忘旧兴趣 | 可解释性：差
- “热情但健忘”
- ✅ 对近期偏好响应极快（这周迷上钓鱼，立刻全是钓鱼内容）
- ❌ 早期喜欢的内容会被”遗忘”（去年爱看的科技评测越来越少）
- ❌ 容易陷入信息茧房，难以突破
- 方案2 - 贝叶斯更新：
- 复杂度：中 | 响应：快(<0.5ms) | 冷启动：稳健探索 | 长期：平衡新旧 | 可解释性：好（有置信度）
- “稳重但慢热”
- ✅ 长期画像稳定，不会今天推这个明天推那个
- ✅ 自动平衡新旧兴趣（不会完全抛弃老爱好）
- ⚠️ 响应变化较慢，用户需要多点几次反馈才能改变推荐方向
- 方案3 - 双塔模型：
- 复杂度：高 | 响应：一般(1-10ms) | 冷启动：慢热型 | 长期：最稳定 | 可解释性：中
- “聪明但需要数据”
- ✅ 最精准，能发现”隐性关联”（喜欢A的人通常也喜欢B）
- ✅ 不会过度反应，对噪声反馈鲁棒
- ❌ 需要持续积累正负样本，偶尔推荐会显得”莫名其妙”（探索负样本）
性能资源对比
对比指标：单用户内存 / 单次更新运算 / 推荐QPS / 部署难度
- 方案1：~0.5KB内存 | ~400次运算 | 1000+QPS | 极简部署
- 方案2：~1KB内存 | ~600次运算 | 1000+QPS | 简单部署
- 方案3：~50KB内存 | ~500-2000次运算 | 500+QPS | 中等部署
推荐选择
💡
建议：混合策略 • 前期（<50次反馈）：使用方案2（贝叶斯），稳健探索 • 后期（>50次反馈）：切换到方案1（向量调整），快速响应 • 定期批量校准：使用方案3的对比学习进行全局优化
文档生成时间：2026-03-17