在上篇中，我们探讨了副屏的硬件部署。对我而言，副屏最核心的需求是准实时地展示我感兴趣的最新资讯。传统上，这往往需要一个复杂的推荐系统来支持；但借助LLM的强大能力，我们可以通过极简的配置（Almost One-Shot），构建一个专属于个人的精准推荐流。
为此，我开发了 AI-News-Dashboard 项目。其实践思路是：利用 RSS/API 从多种渠道广泛召回新闻，使用 LLM 根据我的个人偏好对每条内容进行评分，最后结合 时间衰减算法 生成一个兼顾时效性与精准度的推荐榜单。
你可以通过以下两个 Demo 体验不同偏好下的推荐效果：
- Demo 1（科技/AI/航天向）： https://kindledash.t0saki.com/
- Demo 2（医疗/本地生活向）： https://parentdash.t0saki.com/
技术实现细节
1. 新闻获取（召回层）
目前主要通过 RSS 协议进行广泛的内容拉取，这是目前最通用的网页聚合方案。针对 RSS 的配置，主要的实现策略如下：
- 原生支持：优先查找目标网站是否直接提供 RSS 接口。
- RSSHub：对于未提供接口的站点（包括许多国内平台），利用强大的 RSSHub 项目将其转化为 RSS 订阅源。
- Google News：对于来源不固定的话题，构建 Google News RSS Feed 的 URL 参数是一个高效技巧。它可以直接抓取特定关键字的搜索结果，省去了维护特定站点列表的繁琐。
获取到的新闻及后续处理结果都会存入 SQLite 数据库。主程序会定期轮询，仅存储增量内容以供后续处理。
2. 个性化偏好设定
为了让 LLM 准确理解我的需求，Prompt 的设计至关重要。我在 Prompt 中详细定义了感兴趣的领域，并提供了几个具体的打分示例（Few-Shot），让 LLM 模仿我的标准进行评分。实践证明，LLM 在这种任务中表现出色，且调整偏好只需修改 Prompt 即可，非常灵活。
3. LLM 处理流程（粗排与精排）
在这个流程中，每条新闻会经过两轮 LLM 处理，分别承担不同的任务：
-
第一轮（粗排）： 使用轻量级模型（如
gemini-2.5-flash-lite）。- 任务：根据偏好快速筛选出“可能感兴趣”的新闻。
- 目的：在信噪比较低的新闻源中，使用低成本模型进行初筛，大幅降低后续高精度处理的开销。
-
第二轮（精排与重写）： 使用更高智能的模型（如
gemini-3-flash-preview）。- 任务：不仅要对新闻进行精准打分，还需要结合标题与摘要进行标题重写。
- 目的：解决中文源通常存在的“标题党”或信息密度低的问题，同时提高非母语（英语）内容的阅读效率。最终输出的是优化后的标题及其推荐分数。
4. 排序算法（重排）
经过 LLM 处理后，我们得到了一组带有分数的候选新闻。如果仅按分数排序，可能会导致榜单被高分旧闻占据。因此，我引入了类似 Hacker News 的 重力排序算法（Gravity Sort），通过调整超参数，在“内容重要性”和“时效性”之间取得平衡，从而生成一份既精准又及时的推荐榜单。
5. 去重机制
由于订阅了多个重叠的信源，同一条热门新闻（如 Claude Opus 4.6 发布）可能会刷屏。目前的去重机制较为基础：仅在 Prompt 中指示 LLM 若在同一个 Batch 内发现重复内容则进行整合。
- 局限：跨 Batch 的重复内容难以处理。
- 未来改进：理论上可以通过编辑距离或文本向量化（Embedding）进行相似度匹配，从而实现跨批次的语义去重。
6. 输出与展示
项目最终会生成两份 JSON 数据：
dashboard.json：包含过去 24 小时的完整榜单，供网页端使用。top5.json：精简版，专供 Kindle 副屏展示（详见上篇）。
服务端使用 Nginx 托管静态文件，实际上充当了一个定时更新的 API 服务器。前端页面（即开头的 Demo）通过请求该 API 进行渲染。
总结
本项目本质上是利用现代 LLM 极强的语义理解能力，构建了一个单用户推荐系统。其流程完美对应了推荐系统经典的四个阶段：召回（RSS）→ 粗排（Flash-Lite）→ 精排（Flash-Preview）→ 重排（重力算法）。
与传统推荐系统相比，这种方案的特点非常鲜明：
- 优势：不依赖历史行为数据（冷启动友好），完全可控，API 化获取。
- 劣势：语义去重尚不完美；偏好更新依赖手动调整 Prompt（缺乏自动反馈闭环）；多用户扩展成本较高。
如果你也希望摆脱算法黑箱，用一种可控、透明的方式构建个性化信息流，这个项目的思路或许能给你带来一些启发。