这条科技新闻凭什么拿 8 分Horizon tech-news 评分体系完整拆解【免费下载链接】Horizon Your own AI-powered news radar. Generates daily briefings in English Chinese. | 用 AI 构建你专属的新闻雷达项目地址: https://gitcode.com/gh_mirrors/horizon39/Horizon为什么这条新闻被打了 8 分而那条只有 3 分它凭什么能进你的日报Horizon 是一个用 AI 构建的新闻雷达会把 GitHub、Hacker News、RSS、Reddit 等来源抓来的内容逐条打分、筛选最终生成中英文日报。而决定一条内容生死的就是它内置的tech-news科技新闻画像的评分体系。先给结论tech-news用 0–10 分给及时的科技新闻定级分数由 AI 按一套固定量表打出再对照你在配置里设的阈值示例配置默认 7.0决定放行与否。关键数字一次看全项目默认值 / 取值在哪分数档位9–10 开创性7–8 高价值5–6 有趣3–4 低优先级0–2 噪音profiles/tech-news/analysis.md过滤阈值threshold0–10 的数字null表示只评分不过滤示例配置为 7.0data/config.example.json画像内主题去重topic_dedup默认开启同上标签数量3–5 个具体主题标签analysis.md进入评分模型的正文窗口约 1000 字符可配 500–100000src/processing/profiles.py这条新闻该不该由 tech-news 来打分打分之前先有个前置问题这条内容到底适不适合用tech-news来评规则写在 profiles/tech-news/match.md 里思路很直白适用软件工程、AI/机器学习、计算机系统、硬件、开源与科技行业的及时进展——实质性版本发布、研究突破、安全事件、行业公告、绑定近期事件的技术分析。不适用完整长文论证、逐步教程、整篇学术论文这类走tech-blog金融/市场视角优先的内容走finance-news例行更新和纯推广。你可以把它理解成一道分诊台新闻是事件驱动的博客是论述驱动的。所以同一条消息如果是vLLM 发布了 0.4 大版本进tech-news如果是vLLM 调度器原理深度剖析就该进tech-blog。每个来源在配置里可以显式指定profile不指定时 AI 会用各画像的 match 规则自动归类归类失败则回落到默认画像tech-news。评分对象也由此定死它评的是对软件工程师、AI/ML 从业者、硬件与开源圈读者而言这条新闻有多重要。注意关键词是重要性不是热度——这是整个体系的锚点。一条新闻怎么从内容走到某个分数评分量表就五档analysis.md 里的原文语义如下分数档位什么样的内容9–10开创性重大突破、范式转移、广泛使用技术的大版本、行业级公告7–8高价值值得立刻关注的进展技术深析、新颖方法、有价值的工具5–6有趣渐进式改进、实用教程、中等社区关注——值得知道但不急3–4低优先级例行更新、常识复述、浅尝辄止、推广为主0–2噪音垃圾信息、离题、琐碎更新、纯宣传拿一张真实日报走一遍就是开头那张截图Cloudflare 和 OpenAI 发布面向企业 AI agent 部署的 Agent CloudGPT-5.4——9 分。这是改变行业格局的平台级公告命中 9–10 档的行业级公告。GitHub 推出 stacked PRs 管理依赖型 Pull Request——8 分。不是范式转移但对你日常工作方式有直接改变属于值得立即关注的重要进展。一条普通的 patch release 或XX 框架更新日志——大概率落在 3–4 分例行更新没有增量信息。分数怎么定AI 会综合看七个方面技术深度、新颖性、潜在影响、来源质量官方公告/代码仓库/论文还是二手转述、与软件工程及 AI 系统的相关性、有没有可核验的具体细节版本号、数字、兼容性以及社区讨论——但最后这条有明确限制实质性争论算额外证据热度本身不算技术重要性夸大标题一律不加分。换句话说一篇 10 万赞的标题党推文不会因此多拿一分。两个实操细节值得知道模型看到的不是全文。正文按画像配置的窗口截取tech-news约 1000 字符默认取开头部分长文也可配成开头中间结尾三段采样评论另截最多 1500 字符外加点赞/评论数等互动元数据一起拼成评分输入。这是控制成本和延迟的关键设计评分本质上是受控采样下的判断。输出是强契约。AI 必须返回一个 JSONscore0–10、reason、一句话summary、3–5 个tags。契约定义在 src/ai/prompting/analysis.pytags会参与后续的分类分组与去重所以要求具体——ai-agent-deployment这种粒度而不是宽泛的tech。分数出来之后阈值、去重与四个增强板块分数本身不直接决定结果它要过三道关卡。第一道阈值。在processing.profile_settings里给tech-news设thresholdscore threshold的条目才继续往下走否则丢弃。示例配置是 7.0data/config.example.jsondocs/scoring.md 里另有一个 8.0 的更严示例。阈值怎么设才不丢好内容一个实用判断7.0 会放进高价值档的全部内容深度技术文、新工具8.0 则只留 8 分及以上日报更精但会漏掉不少优质 7 分项。设null或整个省略就只评分不过滤。第二道去重。topic_dedup默认开启同一主题在画像内只保留最有代表性的一条——否则一个热点事件可能以五个来源的形态霸屏。第三道增强。活下来的条目按 profiles/tech-news/enrichment.md 加工成日报条目profile.json声明了四个板块板块可否用工具必填干什么summary无必填主体2–4 句讲清发生了什么、对谁有影响含版本、数字、可用性等关键细节backgroundhistory_search、web_search必填1–3 句前置背景解释读懂这条新闻所需的上下文impactweb_search可选一条有证据支撑的具体后果没有就整个省略community_discussion无可选1–2 句概括评论里有价值的分歧或一手经验评分规则在这里被执行了一遍summary要求区分厂商宣布和实测结果对应评分时看来源质量impact必须有证据对应热度不等于重要性工具也只能在板块声明的范围内使用不能越权。这些规则怎么保证真的被执行评分体系最怕的是文档说一套、代码跑一套。Horizon 用测试和数据结构把契约钉死了核心在 tests/test_profiles.py加载即校验ProfileRegistry.load以tech-news为默认画像加载全部内置画像match、analysis、enrichment三份提示词必须非空impact板块必须声明为可选。数值边界数据模型 src/models.py 中ContentAnalysis的score被约束在 0–10 且禁止 NaN/Inf配置侧-0.1和10.1的阈值直接抛校验错误改错配置会在启动阶段被发现而不是跑到一半。非法输入全拒绝候选画像列表为空、重复、混入auto、指向未知画像逐一测试覆盖提示词文件指向画像目录之外会被路径逃逸检查拦下。运行时兜底src/ai/analyzer.py 里模型首次输出若不符合 JSON 契约会用 temperature0 自动重试一次修复仍失败则该条以空分数落库并记录告警而不是让整个日报崩溃。AI 调用本身还套了指数退避重试最多 3 次。换句话说你改 analysis.md 里的量表管线行为会随提示词同步变化你写错任何配置加载阶段就会报错。上手三步先跑默认配置复制 data/config.example.json 为本地配置threshold: 7.0topic_dedup: true是稳妥起点。跑一两天日报看被 7 分线拦掉的内容里有没有你其实想看的再决定是否降到 6.0 或升到 8.0。按来源微调画像路由在sources里给每个来源显式指定profile示例配置里 RSS 已按站点分别指给tech-news/tech-blog/finance-news比依赖自动归类更可控。改规则前先想边界想调松评分标准改 profiles/tech-news/analysis.md 的量表措辞即可但改完建议跑一遍 tests/test_profiles.py 确认加载与板块声明没被破坏——它正是为此而写的。完整机制叙述可参阅 docs/scoring.md画像整体 schema 见 docs/profiles.md。【免费下载链接】Horizon Your own AI-powered news radar. Generates daily briefings in English Chinese. | 用 AI 构建你专属的新闻雷达项目地址: https://gitcode.com/gh_mirrors/horizon39/Horizon创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考
