🔗：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。

信息来源：TG频道@NewlearnerChannel

📰 邸报：把推荐算法重新接回 RSS最先出现在666News。

⚔️ 江湖论剑：人定门派，AI 论招 —— 把武侠对战做成一套专门给 AI Agent 打的擂台

🔗：官网

江湖论剑把「打武侠对战」这件事整个翻转了一下：人不下场。人只负责造一个角色 —— 取个名、选一个门派；真正逐帧出招的，是一段由 AI agent 写的「心法脚本」。你把角色和门派招式丢给任意 AI（Claude / GPT / 你自己的脚本），它就能在「试招 → 读战斗复盘 → 改招 → 上天梯排位」这个闭环里自己练级。说白了拼的不是手速，是提示词和算法——你在调教一个会打架的 AI，再看它能爬多高。

✨ 特点

• AI 替你打，不是你替 AI 点：核心玩法就是把角色交给 AI——给它一段提示词、一套门派招式，它自己就能跑完「试招 → 复盘 → 改招 → 排位」整个闭环，全程不用你盯着点。
• 人定门派，AI 论招：七大门派、35 个招式，各有形状——单体 / 直线 / 锥形 / 自身范围 / 落地陷阱 / 召唤 / 姿态切换 / 反弹（苍云「盾立」连 debuff 一起弹回去）。人选流派，AI 写出招逻辑。
• 完整复盘 + 战斗诊断：每局打完自动生成一份复盘——逐招命中率、伤害构成、暴击数、各地形停留时间一目了然，AI 拿这份数据反过来调招。
• 有信息差的战场：14×14 网格，五种地形（墙、高坡、浅溪减速、灵泉回内力、雾林让你从对手眼里隐身）。120° 视野锥 + 真实视线遮挡——看不见对手时你只知道他有什么招、什么状态，却摸不到他在哪，是真的战争迷雾。
• 真排位天梯：14 段位天梯，外加「论武尊 / 大宗主 / 鸣剑生」称号；还有一圈 PUBG 式的「禁地」缩圈逼你近身，专治无限风筝流。
• 招式版本留痕：每次改招都留痕，AI 能把「哪一次改动」对上「那段时间的真实胜负」，拿战绩反过来优化。

🛣 路线图

• 更多门派与演武场地：在现有七大门派、四张地图之上继续扩，丰富招式形状与地形互动。

• 平衡持续迭代：数值调整靠真实对局数据驱动，且不影响你已经发布的招式。

• AI 上手更顺：把战斗诊断、对手检索做得更好用，让 AI 更容易读懂战况、更快上手。

• 秘境试炼扩充：从视野、资源管理到进阶策略，做成一条带「要诀」讲解的教学关卡线。

🖊 作者背景

由 gtoxlili 个人开发，线上长期运行在 jianghu.gtio.work，欢迎来玩、提建议，也欢迎贡献门派与招式创意。

信息来源：TG频道@NewlearnerChannel

⚔️ 江湖论剑：人定门派，AI 论招 —— 把武侠对战做成一套专门给 AI Agent 打的擂台最先出现在666News。

🔗：获取脚本

🧠 生成式 AI 和编程的发展，让我们能够快速实现之前很难做到的事情。曾几何时，我们只能从别人的博客、论坛搜刮代码片段，然后针对性作出修改，才能勉强实现部分功能。而如今，直接向 AI 告知我们的需求，即可快速生成可用代码（包安装运行）。此前曾通过 iOS AI Agent 分析过自己的睡眠和健康情况，评价为 AI 真是太好用了！

📸 前不久在小红书网上冲浪时，算法精准将我击中，萌生了统计自己摄影焦段喜好的想法，评论区清一色表示：脚本是 AI 写的。于是跃跃欲试，给 AI 以下内容：帮我编写一个脚本，能够快速统计分析我的摄影作品所用的焦段区间，要求根据超广角、广角、中焦、长焦、超长焦几个维度统计张数和占比。选中文件夹后需要访问二级和三级文件夹的所有内容

❓ 生成的过程很顺利，调试了几次之后能够跑起来了。但当我遍历电脑上存的 10000 多张照片（PNG 格式，可在系统信息查询焦段等信息）后，脚本提示照片均没有有效的 EXIF 信息。研究后发现，PNG 照片一般用 XMP 携带元信息，安装 exiftool 工具即可快速读取，于是得到了脚本的最终稿

💡 如何使用

① 下载脚本
② 安装 Python 所需依赖：pip install exifread tqdm tabulate pillow pillow-heif
③ 安装 exiftool：brew install exiftool
④ 运行脚本

运行后，脚本会提示你选择对应的摄影文件夹，直接选择一级文件夹即可。接着脚本会自动遍历所有照片，提取对应的焦段信息并最终生成统计。如果你有其他需求，或是想要进一步生成对应的热力统计图，也可以借助 AI 快速实现

信息来源：TG频道@NewlearnerChannel

📷 摄影焦段分析器：用 AI 制作的终端脚本，直观统计你偏爱的摄影焦段最先出现在666News。

🔗：GitHub | Download

👉 Features

• 支持 Codex、Claude、Gemini、Kimi 等多个主流 AI 订阅产品
• 显示额度、百分比、余额、倒计时、刷新状态和异常状态
• 统一管理官方 Provider、本地桌面端会话和账号资料
• 支持低额度、鉴权失效、连续失败等提醒
• 对认证失败、限流、端点配置错误、网络不可达等状态做用户可读诊断等

🧑🏻‍💻 适合谁

• 同时使用多个 AI 官方产品，希望在菜单栏快速判断额度状态的人
• 依赖多个第三方中转站，希望统一查看余额、Token 用量和异常原因的人
• 经常在多个 Codex 或 Claude 本地账号之间切换的人
• 希望区分“官方确认”“本地估算”“缓存回退”“鉴权失效”等数据可信度的人
• 想要一个长期常驻、低能耗、可诊断的 AI 用量监控工具的人

🔥 随着各类第三方 AI Agent 和人们日常编程需求的急剧增加，消耗的 Token 也不可同日而语。在这样的背景下，我们需要一个工具来聚合、显示不同 AI 平台的 Token 开销和余量，于是 macOS 端有了 oh-myusage

💡 项目把官方订阅额度、模型使用窗口、第三方中转余额、本地桌面端账号状态和异常诊断统一放到菜单栏里。它不是单一网页余额的封装，而是一个常驻运行、低打扰、可扩展的 AI 用量工作台。文档已经足够详细，欢迎大家试用

📘 关联阅读：

1️⃣ 面对「龙虾大战」，你可以用到的几个工具网站
2️⃣ Open Minis: Your Private On-Device Agent
3️⃣ Kaku：极速开箱即用的 AI 友好终端
4️⃣ OpenClaw：我见过最强的开源 Al Agent之一，也有很明确的边界

信息来源：TG频道@NewlearnerChannel

🧠 oh-myusage：面向 macOS 菜单栏的 AI 订阅、额度与账号状态控制台最先出现在666News。

📈 TradingAgents-Telegram：基于 AI 股票分析的 Telegram 助手

🔗：GitHub

⭐️ Features

• 基于 TradingAgents 框架
• 支持通过Telegraph输出股票分析、市场情绪总结与观点
• 可以直接通过 Docker Compose 部署

🧠 最开始是因为我在体验挺火的 TradingAgents 时，发现它原本主要运行在 Terminal 里，虽然功能很强，但日常使用和交互并不是特别方便。所以我尝试把它做成 Telegram Bot，让整个过程更像聊天：你可以直接把股票代码发给 Bot，然后看不同 AI 如何分析、讨论和补充观点。相比传统命令行，这种方式会更轻量，也更接近日常使用习惯。它并不是传统意义上的量化系统，也不是自动交易工具，而更像一个「AI 投资讨论Bot」。

👨🏻‍💻 这个项目本身也是一次很有意思的 Vibe Coding 体验。整个开发过程里，我大量使用了 Claude Code 做协作开发，从需求描述、架构设计到代码生成，很多部分都是通过自然语言一步步完成的。某种程度上，它也是我对「Vibe Coding」方式的一次实践。

⚠️ Disclaimer

这个项目仅用于技术交流与 AI 能力探索，不构成任何投资建议。
AI 输出可能存在错误、幻觉、信息滞后或分析偏差，不应作为实际投资决策依据。投资本身存在风险，请务必独立判断并自行承担风险。

❤️ 欢迎提 Issue 或者给个 Star！

信息来源：TG频道@NewlearnerChannel

📈 TradingAgents-Telegram：基于 AI 股票分析的 Telegram 助手最先出现在666News。

🔗：Blog

三月底的时候，Telegram 发布了一波新功能更新，其中引起我注意的是 AI Editor（AI 文本编辑器）。作为一个经常在 Telegram 写作并发布文字的人，它到底能带来哪些变化？

👉 Features

• 一键翻译文本，支持多国语言
• 支持润色改写为多种语言风格，包含正式 / 简短 / 部落 / 圣经 / 禅 / 商务等
• 一键排版、标点符号修改、错别字纠正等
• 使用自研模型 Cocoon AI，注重隐私、不存储用户文本、不用于训练

💡 AI Editor 只有在对话框字数到达一定程度时，才能够出发 AI 编辑选项。它做的事情和去年 WWDC 发布的 Writing Tools 非常像，即像插件一样对文字表达实时润色。它真正改变的不是「写什么」，而是「怎么写」，这一点和生成式 AI 有着本质的不同

👀 最近一直思考这个工具能够带来的实质意义，但几乎微乎其微。用户日常对话，除了极个别需要翻译的场景，几乎不会用到太复杂的文本编辑修正。因此只有发布严肃内容的频道主，可以用它来检查语法、语句通顺等。自留地几乎不需要它，我们很早就确立了一套自己的准则，但用它来润色读者们的长文投稿，经测试意外得好用（对中文的支持还不错，甚至还有 Emoji 模式）

🤖 另外，Telegram 对 AI Agent Bot 的支持格外得优秀，想要发布一些有条理、有内容的文字，也不见得需要再走一遍 AI Editor。所以，我个人理解目前这个功能对我们的帮助非常有限，以至于到现在也没什么人提到。但是，如果未来融合了生成式 AI，就能给我们在 Telegram 生态下的一站式写稿带来许多便捷，希望这是一个好的开始

• 实际上，自留地自 19 年就开始在频道推送中使用多种 Emoji 来进行分段或视觉指引，于 20 年疫情居家后逐步形成了 Emoji 排版体系。我们对后续「滥用 Emoji」以及「Emoji 成为 AI 风格」等事深表遗憾

信息来源：TG频道@NewlearnerChannel

🧠 聊聊 Telegram 的新功能 —— AI Editor最先出现在666News。

🔗：X Article

上个月在公司给产品和业务的同学分享了下怎么上手 AI Coding，加上最近发了条推特，聊到不少同学因为订阅门槛没机会用上一线 AI Coding 工具，方法和习惯不花钱就能先学，索性把上手这部分整理出来。

很多人卡在使用命令行的第一步，看到只有字符的终端会觉得是给程序员用的，自己肯定搞不定。其实门槛没想象的高，会用豆包这类对话框 AI 的人花点时间也能上手，剩下的就是慢慢习惯把执行权交给它。等用顺手后会发现它像个什么活都接的能干助手，跑后台数据、写解决你问题的小工具、把乱七八糟的文档拼成简报、做原型、整理销售报表都能干。

这篇文章想和大伙聊清楚这几个点：第一道坎为什么是命令行、Claude Code 适合什么样的活、CLAUDE.md 到底怎么写、需求精度差一档结果差多少、Plan 和 Auto 模式什么时候用、怎么验收它真的做对了、Skills 怎么沉淀重复动作打包成肌肉记忆，以及几条让账号不被封、代码不出事的安全习惯。

信息来源：TG频道@NewlearnerChannel

🧑🏻‍💻 你不知道的 AI Coding：非技术人的上手、场景与实战最先出现在666News。

🔗：GitHub 🌐：官网

⭐️ Features:

• 免费开源，面向 AI 生成文档的排版场景
• 支持一页纸报告、简历、作品集、白皮书、信件、长文档、Slides
• 支持中英文双语排版，适合打印、分享和导出 PDF
• 内置清晰、美观的图表和关系图绘制能力
• 零配置，适合作为 Claude Code / ChatGPT / Cursor 这类 AI 工具的文档输出 Skill
• 风格偏简洁、清晰、克制，避免千篇一律的 AI Design 味道

Kami 可以理解成一个给 AI 文档准备的设计系统。现在 AI 写内容已经不难了，但很多时候最后生成出来的文档，排版还是比较粗糙，要么像网页，要么像模板，要么看着有很重的 AI 味道。Kami 主要解决的就是这一段，把 AI 写出来的内容变成更适合阅读、展示、打印和发送给别人的精致文档。

它适合的场景很多，比如一页纸产品说明、个人简历、作品集 PDF、项目白皮书、长文档、Slides，或者任何需要排版成 PDF 的内容。里面也加入了自动画图的能力，可以把流程图、结构图、关系图这些内容一起做得更清楚。

我会把 Kami 看成 Waza 的妹妹，Kaku 的女儿，一个更偏创作和 Paper 排版的小工具。对于经常用 AI 写文档、做资料、整理作品集、准备对外材料的人来说，Kami 会是一个很顺手的补充。AI 已经能把内容写好了，现在也该让文档本身好看一点。

👷 Kami：一个开源的 AI 原生文档设计系统最先出现在666News。

🔗：X Article

今天这篇是「你不知道的」系列第三篇，写完 Claude Code 和 Agent 之后，想着继续挑战一下，把大模型训练到底怎么回事梳理清楚，尽量让非专业背景的人也能读懂。

刚开始我也以为模型变强就是参数堆大、数据喂多。后来发现用户真正感受到的那些提升，大部分不是来自预训练，而是来自它后面那整套流程：后训练、评测、奖励、Agent 训练、蒸馏，每一层都在影响最终体感。InstructGPT 当年有个数字，1.3B 做过对齐的模型，人类偏好评测里能赢过 175B 的 GPT-3，差了两个数量级，但用户更喜欢那个小的。

这篇文章想聊清楚这几个点：训练为什么是条流水线、数据配方怎么决定能力分布、系统约束为什么要在训练前就想清楚、后训练到底在调什么、奖励模型和 RLHF 怎么回事、蒸馏怎么把大模型能力压进小模型，以及 Agent 训练和部署侧还有哪些工程现实。

信息来源：TG频道@NewlearnerChannel

🧑🏻‍💻 你不知道的大模型训练：原理、路径与新实践最先出现在666News。

🔗：X Article

今天这篇文章源于写完「你不知道的 Claude Code」之后，发现自己对 Agent 底层的理解还差一截，加上团队在 Agent 方向已经有不少业务落地，一直缺一份系统梳理，所以又把资料、开源实现和自己写的代码重新过了一遍。

刚开始我也觉得 Agent 效果不稳是模型能力不够，换更贵的模型就能解决。后来发现提升往往没有想象中那么大，反而是 Harness 搭得好不好、工具描述准不准、上下文有没有分层管理，才是决定成功率的真正变量。

这篇文章想和大伙聊清楚这几个点：Agent Loop 的控制流怎么运转、Harness 为什么比模型更关键、上下文工程为什么决定稳定性、工具设计的核心原则、记忆系统怎么分层、多 Agent如何协作组织，以及评测和追踪体系怎么搭。

信息来源：TG频道@NewlearnerChannel

🧑🏻‍💻 你不知道的 Agent：原理、架构与工程实践最先出现在666News。