這個封裝了我3年自媒體經驗的AI熱點網站，今天向所有人免費開放。
整理版優先睇
作者公開咗自己用嚟監控AI熱點嘅網站，背後係三年自媒體經驗同11版評分策略嘅迭代。
呢篇文章係由自媒體創作者卡茲克寫嘅，佢本身做咗差唔多十年用戶體驗設計，後嚟全職做AI相關嘅內容創作。佢發現喺資訊爆炸嘅時代，最困擾嘅唔係執行，而係點樣從海量資訊入面揀出值得睇嘅嘢。為咗保護自己嘅創作精力，佢自己整咗一個叫AIHOT嘅網站，用嚟監控AI相關資訊，仲用自己設計嘅精選機制幫手篩選。原本呢個網站係閉門自用嘅，但係佢最後決定開放俾所有人免費使用，原因係佢想為互聯網貢獻一啲自己嘅嘢，同埋享受有人用佢產品嘅成就感。
網站嘅核心係一套精選系統，由168個經過人手挑選嘅信源出發，每日大概有幾百條資訊入庫。作者用咗DeepSeek V3.2做預篩，篩走同AI無關嘅內容，再用DeepSeek V4 Pro打五個維度分，最後由代碼根據信源權重同公式計出最終質量分，決定係咪值得精選。成個過程迭代咗11版，初期靠大模型一條龍打分嘅做法搞到一塌糊塗，後來佢醒起自己寫過「能用腳本就別用Agent」，於是推倒重來，將所有能用代碼處理嘅邏輯抽返出嚟，先至做到而家穩定可控嘅結果。
總括嚟講，作者嘅結論係：處理資訊海嘅關鍵係先篩信源，再用掂當嘅流程分拆任務，唔好迷信大模型可以一手包辦。佢分享咗自己喺信源分級、評分機制、事件聚類、AI日報等各方面嘅設計取捨，仲提醒讀者要保護自己嘅注意力。文章最後佢呼籲大家去試用網站，並歡迎俾反饋。
- 作者公開咗佢自己做嘅AI熱點監控網站AIHOT，免費俾所有人用，背後係三年自媒體經驗同11版評分策略迭代。
- 網站精選168個信源，分T1／T1.5／T2三級，優先採用一手官方資訊，避免二手消息。
- 評分機制初期用大模型一條龍打分，結果亂曬龍；後來改為只用模型打五維分，其餘用代碼公式計最終分，先至穩定可控。
- 事件聚類系統用embedding將同一事件嘅多篇報道摺疊，揀最權威嘅做主條，避免重複。
- AI日報每日早上自動整合過去24小時精選，分五個版塊，唔使大模型生成，只需從已處理數據拎出嚟排序。
點解要開放呢個網站
作者卡茲克本身係一位AI自媒體創作者，佢話呢個網站原本係公司內部用嚟監控AI熱點嘅工具，目的係保護自己嘅創作精力。但係佢有產品夢，見到有人用自己嘅產品係最大嘅成就感來源，所以最後決定免費開放俾所有人。
「謝謝你看我的文章。」呢句說話嚟自電影《頭號玩家》，係佢每次文章結尾都會寫嘅嘢，代表佢想自己創造嘅嘢被人看見同喜歡。
佢強調呢個網站域名係用公司域名，所以有啲難記，但係網址係 https://aihot.virxact.com/。
AIHOT嘅核心功能
AIHOT嘅作用係幫人用乾淨嘅時間線監控全球AI資訊，再將值得關注嘅嘢精選出嚟。作者認為而家嘅工作唔再係執行，而係資訊處理，分三步：獲取資訊 → 分析資訊 → 基於資訊做決策。而AIHOT主要解決第一步。
- 1 T1：OpenAI官方Blog、Anthropic工程Blog、Sam Altman個人Blog、CMU Blog等。
- 2 T1.5：OpenAI官方X等，因為發文更雜，權重低啲。
- 3 T2：其他大佬個人號、KOL、媒體、綜合資訊站。
開發過程嘅教訓：唔好咩都交俾大模型
初期作者以為寫個Prompt俾大模型打分就得，結果問題多多：硬核論文成日高分但根本冇人睇得明；Sam Altman轉發雞湯文居然都有87分；同一事件被報導多次就全部入精選。佢不斷加規則，Prompt加到300行，仲引入人類反饋同自動評估，點知越搞越差。
「能用腳本就別用Agent」呢句佢自己寫過嘅話，最後令佢推倒重來。
重構之後，大模型淨係負責打五個維度分，其餘嘅權重計算、精選判斷、事件聚類全部用代碼搞。Prompt由600行減到200行，分數由DeepSeek V4 Pro打，公式由佢用代碼寫，再用量化回測調整閾值。
用代碼管控嘅好處係極度可控、可調，改條公式或者閾值幾秒就搞掂。
其他得意功能：事件聚類同AI日報
為咗避免同一事件出現七八次，佢用embedding將語義相近嘅條目聚類，揀最權威嘅做主條，其他摺疊。官方源優先，官網>官方X>KOL。
AI日報每日早上8點自動生成，分五個版塊：模型發佈/更新、產品發佈/更新、行業動態、論文研究、技巧與觀點。
呢個日報唔使大模型再生成，因為精選、分類、翻譯喺入庫時已經做曬，日報只需要按類型分桶再按分數排序，1秒就出到。
未來計劃同開放態度
作者話未來會繼續開發，包括趨勢預測、關聯資訊檢索、AIHOT熱度指數等，但呢啲功能可能只開放俾公司同事同MCN簽約博主。佢盡量平衡，希望更多人可以用到。
任何建議或反饋都可以喺網站留言，會直接推送到佢飛書，佢話一定會第一時間睇。
最後佢再次多謝讀者同用家，網址係 https://aihot.virxact.com/。
模型咁勁，我直接寫個prompt叫佢幫每條新聞打分就得。判斷重唔重要佢得、判斷分類佢得、判斷讀者鍾唔鍾意睇都得，全部交曬俾佢。
寫咗第一版prompt跑咗一個星期。
結果一塌糊塗，一啲好硬核嘅論文成日90分，我點開三秒就睇唔落去。Sam Altman轉發咗一個OpenAI實習生嘅雞湯推文，模型俾87分。
同一件事俾官方、X、IT之家等各種媒體報道咗七次，七次全部入精選。
太亂嚟喇。
然後，我開始喺prompt入面加規則。
大佬轉發要降分，同一事件已經報道過要降分，營銷軟文降到50以下，國內大公司發模型唔好因為唔係英文環境就低估。
加嚇加嚇，prompt加到300幾行。
到咗三月，我做咗一件我當時以為係里程碑嘅事，我引入咗人類反饋標註機制，我同同事每日點幾條精選得唔得，系統將反饋餵返畀佢持續迭代。
我仲為呢個迭代配咗一個內部評估機制，每次AI評分規則升級，我會用佢重新評估過去500條新聞，睇新版本同舊版本邊個揀得準。
聽落好勁，係咪？模型加人類反饋加自動評估加持續迭代，標準嘅AI產品做法。
跑咗一個星期之後，我幾乎崩潰，因為你要知道，規則加得越多，模型泛化能力越差，反而越蠢，我又加咗更多規則，於是揀得更差。
為瞭解決呢啲問題，我又加咗雙維度評分同實體熱度感知（俾模型知道邊間公司最近好紅），但結果直接廢咗。
V7到V8策略嘅迭代，當時係純粹嘅負向優化。
我直接全面回滾，推倒重來。
嗰一刻，我先諗起，我自己寫過嘅一篇文章。
你絕對唔可以將所有嘢都交俾模型，打分係佢、權重計算係佢、打標係佢、判斷係咪精選都係佢。
所以直接推倒重構，重新梳理咗我嘅流程同機制，用得代碼處理嘅，一律唔用模型處理。
而家，大模型評分淨係做一件事，就係根據我嘅Prompt，對每一條資訊打五個維度分，唔需要打最終分，咁樣會更加準確同客觀。
而其他，咩都唔需要理，Prompt直接由600行縮到200行。
我而家用嘅打分模型，係DeepSeek V4 Pro，世界知識好強，喺呢啲需要世界知識判斷嘅任務下，再加埋折扣，真係抵到爛。
打完分之後，所有根據信源重要程度、類型、公司等等嘅權重重計算，都唔需要模型嚟做，我直接用代碼寫好明確嘅計算公式，拎住大模型對嗰條資訊打嘅五維分，然後用公式直接重新計算，得到最終嘅質量分。
而家首頁展示嘅，就係計算完嘅最終分。
而係咪值得精選，都唔由模型判斷，而係根據質量分，再由代碼判斷係咪過咗每個類別嘅精選閾值。
例如OpenAI官網發嘅嘢，60分嘅重要性已經值得睇，但一個好似我咁嘅AI博主嘅轉發評測，其實講道理係二手消息，60分可能只係普通水平，咁你就未必一定要睇。
所以，如果過咗，就精選，如果唔過，就唔展示。
用代碼管控最好嘅結果，就係極度可控、可調。
而家嘅數值設計，係我直接用量化嘅方式跑咗上百個數值回測調出嚟，暫時我自己仲滿意，如果之後覺得唔好，都好簡單，公式入面調嚇權重或者某個數值，又或者改嚇閾值嘅門檻分，幾秒搞掂。
呢個機制，其實就係模擬我自己作為一個內容創作者，每日刷資訊時個腦入面嗰套隱性嘅過濾機制。
評分同精選之外，仲有一套嘢，我叫佢做事件聚類系統。
例如尋日，GPT-5.5 Instant發佈，除咗OpenAI官方報道之外，其實仲有一班人一齊報道。
如果唔做聚類，精選頁上就可能同一件事出現七八條甚至十幾條，個體驗肯定係災難。
所以喺設計AIHOT嘅時候，我會用embedding將語義相近嘅條目聚到一個事件簇入面，然後喺簇入面揀一條最權威嘅做主條，其他摺疊埋。
精選頁上同一件事淨係展示一條，點開就見到所有相關報道。
官方源發嘅永遠優先做主條，官網比官方Twitter優先，官方Twitter比KOL優先。
仲有一個AI日報功能，呢個係前段時間順手做嘅小功能。
大約係每日早上北京時間8點，系統會自動將過去24小時嘅精選內容，再揀多少少，按版塊整理成一份日報。
版塊分五個，模型發佈/更新、產品發佈/更新、行業動態、論文研究、技巧與觀點。
你每日起身，打開日報頁，一份乾乾淨淨嘅AI世界昨日要聞就喺度。
而呢份日報，亦都唔需要任何大模型嚟生成，因為所有精選、分類、翻譯，喺資訊入庫嗰陣已經全部做完，日報只需要將已經處理好嘅條目按類型分個桶，按分數排個序，就得。
我睇咗下速度，每日早上只需要1秒，日報就整到出嚟畀大家睇，而且質量我覺得都還OK。
AIHOT仲有一堆體驗方面嘅嘢，受限於篇幅，我就唔提喇，我雖然唔係開發同程序員，呢個網站上可能真係有啲我唔知嘅奇怪BUG，但係畢竟我做咗差唔多十年嘅用戶體驗設計師。
打磨體驗，執啲細節，令大家用得爽啲，我覺得我仲係擅長嘅。
至於未來AIHOT嘅計劃，我一定會繼續開發落去，因為有好多好多嘢受限於我嘅業餘時間，我仲未做。
例如趨勢預測，可以抓到加速曲線爆發初期仲未好紅嘅事件。
例如幫每個資訊拉返過去1個月嘅相關資訊。
例如我自己做一個AIHOT熱度指數等等。
不過未來呢啲功能，真係可能冇辦法全量開放，可能係公司員工同我哋MCN簽約博主專屬。
但我盡量平衡，畢竟，我都希望有更多人用到我嘅產品。
如果有任何建議或者反饋，都可以喺AIHOT嘅網頁上留言，會直接推送到我嘅飛書，我一定會第一時間睇到。
希望幫到大家，對大家有用。
網址唔好唔記得：
https://aihot.virxact.com/
大概就係咁啦。
多謝你睇我嘅文章。
亦都多謝，你用我嘅產品。
以上，既然睇到呢度，如果覺得唔錯，順手畀個讚、睇、轉發三連啦，如果想第一時間收到推送，都可以畀我個星標⭐～多謝你睇我嘅文章，我哋，下次再見。
> / 作者：卡茲克
> / 投稿或爆料，請聯絡電郵：wzglyay@virxact.com
模型這麼強，我直接寫個prompt讓它給每條新聞打分就行了。判重要不重要它行、判分類它行、判讀者愛不愛看也行，全交給它。
寫了第一版prompt跑了一週。
結果一塌糊塗，一些究極硬核的論文動不動90分，我點開三秒看不下去。Sam Altman轉發了一個 OpenAI 實習生的雞湯推文，模型給87分。
同一件事被官方、X、IT之家各種媒體報道了七遍，七遍全部進精選。
太特麼扯淡了。
然後，我開始往prompt里加規則。
大佬轉發要降分，同一事件已被報道過要降分，營銷軟文降到50以下，國內大公司發模型不要因為不是英文環境就低估。。。
加着加着，prompt漲到300多行。
到了3月，我做了一件我當時自認為覺得是里程碑的事，我引入了人類反饋標註機制，我跟我的同事每天點幾條這條精選得對/不對，系統把反饋喂回讓它持續迭代。
我還給這個迭代配了一個內部評估機制，每次AI評分規則升級，我會用它去重新評估過去500條新聞，看新版本和老版本誰選得更準。
聽着非常酷對吧？模型 + 人類反饋 + 自動評估 + 持續迭代，標準的AI產品做法。
跑了一週以後，我幾乎崩潰了，因為你要知道，規則加的越多，模型泛化能力越差，反而越來越笨，我又加了更多的規則，於是選的更差了。
為了解決這些問題，我又加了雙維度評分還有實體熱度感知（讓模型知道哪個公司最近很火），但結果直接廢了。
V7到V8策略的迭代，當時是純粹的負向優化。
我直接全面回滾，推倒重來了。
那一刻，我才想起來，我自己寫過的一篇文章。
你絕不能，把所有的事情都交給模型，打分是他、權重計算是他、打標是它、判斷是否精選還是它。
所以直接推倒重構了，重新了梳理了我的流程和機制，能用代碼處理的，一律不用模型處理。
現在，大模型評分只做一件事，就是根據我的Prompt，對每一條信息，打5個維度分，不需要打最終分了，這樣會更加準確和客觀。
而其他的，什麼都不需要管了，Prompt直接也從600行直接縮減到了200行。
我目前用的打分模型，是DeepSeek V4 Pro，世界知識極強，在這種需要世界知識判斷的任務下，再加上打折，真的香麻了。
打完分以後，所有的根據信源的重要程度、類型、公司等等的權重重計算，也不需要模型來了，我直接用代碼寫好了明確的計算公式，拿着大模型對那條信息大的五維分，然後使用公式直接重新計算，得到最終的質量分。
現在首頁上展示的，就是計算完畢的最終分。
而是否值得精選，也不由模型判斷，而是根據質量分，再由代碼判斷是否過了每個類別的精選閾值。
比如OpenAI官網發的東西，60分的重要性已經挺值得看了，但一個像我這樣的AI博主的轉發評測，其實講道理，屬於二手消息，60分可能只是普通水平，那你就不一定需要看到它。
所以，如果過了，就精選，如果不過，就不展示。
用代碼管控的最好的結果，就是極度的可控、可調。
現在的數值設計，是我直接用量化的方式跑了上百個數值回測調出來的，目前我自己還比較滿意，如果後續我覺得不好，那也很簡單，公式裏調一下權重或者某個數值，又或者改一下閾值的門檻分，幾秒的事。
這個機制，其實就是模擬的我自己作為一個內容創作者，每天刷信息時腦子裏那套隱性的過濾機制。
評分和精選之外，還有一套東西，我把它稱為事件聚類系統。
就是比如昨天，GPT-5.5 Instant發佈了，除了OpenAI官方會報道之外，其實還有一堆人也會一起報道。
如果不做聚類，精選頁上就可能同一件事會出現七八條甚至十幾條，那體驗絕逼是災難。
所以我在設計AIHOT的時候，會用embedding把語義相近的條目聚到一個事件簇裏，然後在簇裏選一條最權威的當主條，其他的摺疊進去。
精選頁上同一件事只展示一條，點開能看到所有相關報道。
官方源發的永遠優先當主條，官網比官方推特優先，官方推特比KOL優先。
然後還有一個AI日報功能，這個是前段時間隨手做的一個小功能。
大概就是每天早上北京時間8點，系統會自動把過去24小時的精選內容，再稍微挑選一下，按版塊整理成一份報日報。
版塊分五塊，模型發佈/更新、產品發佈/更新、行業動態、論文研究、技巧與觀點。
你每天早上起來，打開日報頁，一份乾乾淨淨的AI世界昨日要聞就在那了。
而這個日報，也不需要任何大模型來生成，因為所有的精選、分類、翻譯，在信息入庫的時候就已經全部做完了，日報只需要把已經處理好的條目按類型分個桶，按分數排個序，就完事了。
我看了下速度，每天早上只需要1秒鐘，日報就能做出來給大家看，而且質量我覺得也還湊合。
AIHOT還有一堆體驗方面的東西，受制於篇幅，我就不提了，我雖然不是開發和程序員，這個網站上可能確實有一些我不知道的詭異的BUG，但是我畢竟做了快十年的用戶體驗設計師。
打磨體驗，扣各種細節，讓大家用的更爽，我覺得我還是擅長的。
至於未來AIHOT的計劃，我肯定還是會繼續開發下去，因為有好多好多東西受制於我的業餘時間，我還沒有做呢。
比如趨勢預測，可以抓到加速曲線爆發初期還沒有特別火的事件。
比如給每個信息拽出過去1個月的相關信息。
比如我自己做一個AIHOT熱度指數等等。
不過未來的這些功能，確實可能沒辦法給大家全量開放，可能就是公司員工還有我們MCN簽約的博主專屬了。
但是我儘量去平衡，畢竟，我也希望，有更多人能用上我的產品。
如果有任何建議或者反饋，都可以在AIHOT的網頁上進行留言，會直接推送到我的飛書上，我絕對會第一時間看到的。
希望能幫助到大家，對大家有用。
網址不要忘了：
https://aihot.virxact.com/
大概就是這樣啦。
謝謝你看我的文章。
也謝謝，你用我的產品。
以上，既然看到這裏了，如果覺得不錯，隨手點個贊、在看、轉發三連吧，如果想第一時間收到推送，也可以給我個星標⭐～謝謝你看我的文章，我們，下次再見。
>/ 作者：卡茲克
>/ 投稿或爆料，請聯繫郵箱：wzglyay@virxact.com