Horizon – 开源 AI 信息聚合系统，构建专属闻雷达

1. Horizon是什么

Horizon 是一款基于 MIT 开源协议的 AI 驱动信息聚合系统，旨在帮助用户构建专属的 AI 新闻雷达。该系统采用异步抓取引擎从 RSS、Hacker News、GitHub Trending、Reddit、Telegram、Twitter/X 及 OpenBB 等多源渠道并行采集信息，通过大语言模型（LLM）进行内容去重、相关性评分、结构化摘要生成和背景知识增强，最终以网页看板、邮件简报、Webhook 推送或 MCP 协议等多种形式输出中英双语每日简报。Horizon 的核心价值在于将 AI 从业者从海量信息噪音中解放出来，实现高效、精准的信息筛选与知识获取。

技术定位与领域： Horizon 属于自然语言处理与信息检索交叉领域，具体定位于 AI 驱动的个性化信息聚合与智能摘要系统。它不同于传统 RSS 阅读器或新闻聚合平台，而是通过 LLM 的语义理解能力实现内容质量的智能化评估与筛选，形成从信息采集到知识提炼的完整闭环。

研发背景： 该项目由个人开发者 Thysrael 创建并维护，依托开源社区持续迭代。研发动机源于 AI 领域信息爆炸带来的认知负荷问题——从业者每天需要追踪数十个信息源，手动筛选效率低下且容易遗漏。Horizon 通过自动化流程和 AI 辅助筛选，解决了这一痛点。

核心价值： Horizon 解决了信息过载时代的高效知识获取问题。其核心创新在于将 LLM 的语义理解能力应用于信息筛选全流程，实现了从被动订阅到主动精选的范式转变。用户无需手动浏览多个渠道，即可获得经过 AI 去重、评分、摘要和背景补充的结构化信息流，大幅提升信息获取效率和质量。

技术特点： Horizon 采用异步架构实现多源并行采集，支持接入 OpenRouter、DeepSeek、xAI 等主流及开源大模型，具备灵活的模型兼容性和成本可控性。其模块化输出管道支持网页、邮件、Webhook 和 MCP 协议等多种分发方式，兼顾个人使用和团队协作场景。系统仅需大模型 API Key 即可运行，配置简单，部署门槛低。

2. 主要功能

• 多源信息聚合： 支持 RSS、Hacker News、GitHub Trending、Reddit、Telegram、Twitter/X 及 OpenBB 等 7 大类信息源自动抓取。系统采用异步架构并行采集，提升数据获取效率与实时性，用户可根据需求灵活启用或禁用特定渠道。

• AI 智能评分： 调用大模型对每篇资讯进行 0-10 分的相关性评分，并按照高信号（7-10 分）、可参考（4-6 分）、低信号（0-3 分）三级进行筛选分类。该机制帮助用户快速聚焦高价值内容，避免被低质量信息淹没。

• 自动去重与摘要： 基于内容相似度检测算法过滤重复资讯，避免信息冗余。同时利用 LLM 生成结构化摘要，包括核心观点提炼、关键数据提取和社区讨论精华总结，显著降低用户阅读时间成本。

• 背景知识增强： 对评分较高的高价值内容，系统自动调用 AI 进行背景知识补充，包括相关研究文献引用、技术发展脉络梳理和社区观点聚合。这一功能帮助用户快速理解复杂技术话题的上下文。

• 多格式输出： 支持生成网页看板、邮件简报、Webhook 推送及 MCP 协议分发。用户可根据使用场景选择输出方式，例如个人浏览使用网页看板，团队协作使用邮件简报，Agent 集成使用 MCP 协议。

• 灵活筛选与搜索： 提供按分数阈值、信息来源分类、时间窗口（24 小时/3 天/7 天）及关键词精确匹配等多种筛选方式。用户可自定义信息流规则，构建符合个人需求的专属新闻雷达。

• 中英双语简报： 自动生成中英文双版本每日简报，兼顾国内与国际 AI 社区动态。该功能对于需要追踪全球 AI 趋势的研究人员和从业者尤为实用，避免了语言障碍带来的信息差。

• 模块化扩展： 系统采用插件式架构，用户可自定义添加新的信息源或输出渠道。开源社区可以贡献扩展模块，进一步丰富系统功能生态。

3. 如何使用

1. 环境要求与前置条件： Horizon 基于 Python 3.10+ 开发，推荐使用 Linux 或 macOS 系统。需要安装 Python 环境、Git 客户端以及包管理工具 uv（推荐）或 pip。用户还需准备至少一个大模型 API Key（如 OpenRouter、DeepSeek 等），以及所需信息源的访问凭证（如 Twitter/X API Key、Telegram Bot Token 等）。

2. 克隆仓库： 执行 git clone https://github.com/Thysrael/Horizon.git 命令将项目源代码克隆到本地服务器。建议使用稳定的网络环境，避免下载中断。克隆完成后进入项目目录：cd Horizon。

3. 安装依赖： 推荐使用 uv 工具安装依赖，执行 uv sync 命令自动解析并安装 pyproject.toml 中列出的所有 Python 包。若使用 pip，可执行 pip install -r requirements.txt。安装过程可能需要 5-10 分钟，取决于网络速度和系统性能。

4. 配置 API Key 与信息源： 复制配置文件模板 cp config.example.yaml config.yaml，然后编辑 config.yaml 文件。在 llm 部分填入大模型 API Key 和模型名称（如 claude-sonnet-4-20250514），在 sources 部分按需启用并配置各信息源的凭证。注意：Twitter/X 和 Telegram 需要额外申请 API 访问权限。

5. 设定信息源与筛选规则： 在配置文件中指定需要采集的信息源渠道，并设置评分阈值、时间窗口和关键词过滤规则。例如，可设置“仅保留评分 6 分以上的内容”或“仅采集过去 24 小时内的 GitHub Trending 项目”。建议初次使用时仅启用 2-3 个信息源进行测试。

6. 启动聚合服务： 执行 python main.py 启动主程序，系统将自动开始抓取、评分、摘要并生成每日简报。首次运行可能需要 10-20 分钟完成全流程，后续运行时间取决于信息源数量和网络状况。可通过日志输出监控运行状态。

7. 查看输出结果： 运行完成后，默认会生成网页看板文件，位于 output/pages/ 目录下。用户也可通过配置的邮件或 Webhook 接收简报。建议定期检查输出质量，根据实际效果调整评分阈值和信息源配置。

4. 优缺点分析

5. 同类工具对比

选型建议： 对于追求数据自主权和高度定制化的技术用户，Horizon 是最佳选择。它适合部署在个人服务器上，构建专属 AI 新闻雷达，尤其适合需要追踪全球 AI 趋势的研究人员、技术团队和自媒体从业者。用户可以根据自身需求灵活配置信息源和筛选规则，成本仅取决于 API 调用量。

对于希望即开即用、无需技术维护的用户，AIHOT 是更便捷的选择。它提供精选信源和两级 AI 筛选，完全免费且无需配置，适合非技术背景的 AI 爱好者和行业观察者。但数据依赖官方平台，无法自定义信息源和筛选规则。

对于已有 RSS 订阅习惯且希望保留灵活性的用户，RSSHub 是一个轻量级替代方案。它不具备 AI 筛选功能，但可以通过社区路由覆盖几乎所有信息源，配合第三方 AI 工具（如 OpenAI API）可以实现类似效果，但需要更多技术整合工作。

6. 编辑点评

Horizon 在信息聚合领域的创新之处在于将 LLM 的语义理解能力系统性地应用于信息筛选全流程，形成从采集、去重、评分、摘要到背景增强的完整自动化流水线。这与传统 RSS 阅读器或简单聚合平台有本质区别——后者仅提供信息罗列，而 Horizon 实现了从信息到知识的提炼过程。其模块化架构和 MIT 开源协议为社区二次开发提供了良好基础，特别是 MCP 协议的支持使其能够无缝接入 Agent 生态系统，具备较好的生态扩展性。

从实用价值来看，Horizon 解决了 AI 从业者面临的核心痛点：信息过载与筛选效率低下。通过 AI 评分机制，用户可以将阅读时间集中在高信号内容上，避免被低质量信息分散注意力。中英双语简报功能对于需要追踪全球技术趋势的用户尤为实用。但需要注意的是，系统的有效性高度依赖于信息源质量和 LLM 评分能力，用户需要投入时间进行配置调优。

Horizon 的适用人群主要是具备一定技术能力的 AI 从业者、研究者和技术团队。对于非技术用户，部署配置过程可能较为复杂，建议等待官方提供 Docker 镜像或一键部署方案。未来发展方向上，如果能够引入用户反馈机制来优化评分模型，以及支持更多信息源和输出格式，将进一步提升系统的实用性和用户黏性。

7. 应用场景

• AI 从业者每日资讯速览： 研究人员、工程师和产品经理可以使用 Horizon 快速掌握 GitHub 热门项目、Hacker News 技术讨论及 Twitter 官方动态。系统每日生成的结构化简报让用户可以在 10 分钟内了解当日 AI 领域核心动态，避免手动浏览多个渠道的时间浪费。

• 科技自媒体内容选题： 自媒体作者和内容创作者可以通过 AI 评分筛选高价值话题，辅助确定文章选题和追踪热点。系统提供的背景知识补充和社区讨论提炼功能，可以帮助作者快速获取选题所需的素材和观点，提升内容生产效率。

• 团队技术雷达建设： 企业技术团队可以部署 Horizon 作为内部技术情报系统，定期向团队成员推送定制化简报。通过配置团队关注的技术领域和关键词，系统可以自动筛选相关动态，帮助团队保持对前沿技术趋势的敏感度。

• 个人知识管理： 知识工作者可以利用 Horizon 构建定制化信息流，替代传统 RSS 阅读器。通过 AI 辅助筛选，用户可以专注于高质量内容，避免信息过载。系统支持按时间窗口和评分阈值筛选，适合建立个人知识库的日常信息采集。

• Agent 系统信息源： 开发者可以将 Horizon 的 MCP 协议输出集成到自己的 Agent 系统中，为 AI 助手提供实时、精选的 AI 领域资讯。这对于构建具有领域知识更新能力的 Agent 应用非常实用，例如 AI 研究助手或技术咨询机器人。

8. 常见问题FAQ

Q：Horizon 是否需要 GPU 才能运行？
A：不需要。Horizon 本身不运行大模型，而是通过 API 调用外部 LLM 服务（如 OpenRouter、DeepSeek 等）。因此，普通 CPU 服务器即可满足运行需求，无需 GPU。但建议使用 4 核 8G 以上的实例以确保异步抓取和数据处理效率。

Q：如何选择最合适的 LLM 模型？
A：建议根据预算和效果需求选择。对于成本敏感的用户，DeepSeek V3 或 Claude Haiku 性价比较高；对于追求质量的高端用户，Claude Sonnet 4 或 GPT-4o 效果更佳。OpenRouter 平台支持按量付费，适合初期测试。建议先用免费额度测试 2-3 个模型，对比评分效果后再确定。

Q：Horizon 是否支持私有化部署，数据安全如何保障？
A：完全支持私有化部署。Horizon 是开源项目，所有代码和数据都存储在用户自己的服务器上，不会上传到第三方平台。唯一的外部调用是 LLM API 请求，但请求内容取决于用户配置的模型服务商。如果对数据安全有严格要求，可以选择使用 Ollama 等本地部署的 LLM 服务。

Q：如何解决 Twitter/X 和 Telegram 的 API 访问问题？
A：Twitter/X 需要申请开发者账号并创建 API Key，免费版有速率限制（每月 1500 条推文）。Telegram 需要创建 Bot 并获取 Token。如果不想申请这些 API，可以只使用 RSS、Hacker News 和 GitHub Trending 等无需认证的信息源。建议在配置文件中先禁用需要认证的源，测试通过后再逐步启用。

Q：Horizon 的评分机制是否可调？
A：是的。用户可以在配置文件中调整评分阈值（默认 0-10 分），以及高信号、可参考、低信号三个等级的分段标准。此外，还可以设置关键词黑白名单，对特定内容进行强制包含或排除。建议根据实际使用效果逐步调整参数，找到最适合自己的筛选粒度。

Q：Horizon 是否支持多用户使用？
A：当前版本主要面向单用户场景，未内置多用户权限管理功能。但可以通过 Docker 部署多个实例，或通过 Webhook 将简报推送到团队群组。如果需要企业级多用户支持，建议结合其他开源工具（如 Nginx 反向代理）进行二次开发。

Q：如何确保 Horizon 持续运行并自动更新？
A：推荐使用 systemd 或 Docker 将 Horizon 设置为后台服务，配置定时任务（如 crontab）每天自动运行。建议设置日志轮转，避免日志文件过大。如果使用 Docker，可以设置自动重启策略。对于生产环境，建议搭配监控工具（如 Uptime Kuma）确保服务稳定性。

9. 项目地址

• GitHub 仓库： https://github.com/Thysrael/Horizon
• 项目官网： https://www.horizon1123.top/