iFeed

每天打开几十个 RSS 源、几十个订阅号、几十个新闻站，却在大量重复、低质、情绪化的内容中疲惫不堪？你不是信息太少，而是噪音太多。

iFeed 就是为解决这个问题而设计的——它不是一个又一个的信息聚合器，而是一副“视觉降噪眼镜”：所有内容先经过 AI 评估，只有高质量、高相关性的文章，才会主动出现在你面前。其余的，静默处理，绝不打扰。

它如何工作？——AI 驱动的三层过滤机制

iFeed 的核心不是“聚合更多”，而是“筛选更准”。其处理流程分为四个阶段：

1. 内容摄入

• 支持标准 RSS 订阅
• 可扩展网页抓取器（未来支持更多数据源）
• 自动提取正文、去除广告与噪音

2. AI 理解

• 调用 OpenAI 模型对每篇文章进行一次性深度分析：
  • 自动生成分类（如“技术”“国际”“产品”）
  • 提取标签（如“LLM”“欧盟”“API”）
  • 生成摘要
  • （可选）识别实体与主题

3. 质量评级

• 由 Ranker 模型评估文章质量，输出 A/B/C/D 四级评分
• 仅 A/B 级内容进入推荐主流程，C/D 级进入冷存池（仅用于搜索兜底）

4. 智能分发

系统提供两种获取方式，适配不同场景：

▸ 用户主动获取（Pull）——个性化信息流

• 基于你的阅读行为（点击、跳过、收藏）构建兴趣画像
• 采用混合召回策略：
  • 主路：向量相似度召回（OpenAI Embedding + pgvector）
  • 兜底：TF-IDF 关键词匹配
  • 补充：新内容、热点事件
• 最终排序融合：质量分 + 相似度 + 新鲜度 + 多样性

▸ 系统主动推送（Push）——重要事件即时通知

• 当某篇文章：
  • 属于你关注的分类/标签
  • 质量评分 ≥ 阈值
  • 包含关键词或关键实体
• iFeed 会主动触发 Webhook，推送至：
  • 即时通讯（如 Discord、飞书机器人）
  • 邮件
  • 自定义 BI 或搜索系统
• 可选经 LLM 生成精炼概要，附带原文链接

你可以把它想象成一个“24 小时值班的 AI 编辑”，只在真正值得你注意时敲你一下。

🛠️ 技术架构：现代、可扩展、开源

• 后端：Spring Boot 3.x（Java 17+）
• 前端：Vue 3 + Vite，响应式界面
• 数据库：
  • PostgreSQL（主库）+ pgvector 插件（向量存储）
  • MongoDB（缓存与非结构化数据）
• AI 服务：OpenAI Chat 与 Embedding API（可替换为本地模型）
• 检索算法：TF-IDF + 向量相似度 + 时间衰减（新鲜度）加权融合
• 部署：支持 Docker Compose 一键启动

向量表结构示例：

CREATE TABLE article_embeddings (
  id BIGSERIAL PRIMARY KEY,
  content TEXT,
  metadata JSONB,
  embedding vector(1024)
);
CREATE INDEX ON article_embeddings USING ivfflat (embedding vector_cosine_ops);

快速体验

git clone https://github.com/weekend-project-space/ifeed.git
cd ifeed
# 参考 deployment.md 配置 API 密钥与数据库
docker-compose up -d

启动后，访问前端界面，添加你的 RSS 源，系统将自动开始清洗、分析、筛选，并逐步学习你的偏好。

未来方向

• 支持 RAG 增强：将文章纳入个人知识库，支持问答式检索
• 扩展 数据源采集器（如 Substack、Newsletter、X/Twitter）
• 完善 多用户系统，支持团队共享订阅与规则
• 探索 本地 LLM 替代 OpenAI，进一步提升隐私性

适合谁用？

• 重度信息消费者：研究者、产品经理、技术决策者
• 内容筛选者：编辑、分析师、风险监测人员
• 隐私敏感用户：希望掌控数据流向，拒绝被算法绑架
• 开发者：可基于 iFeed 构建垂直领域监控系统（如竞品动态、漏洞通告）