信息的尽头，应该是行动
跨平台聚合 · 跨源事件去重 · AI 精选 · 信息→行动闭环
中文 · English
核心能力 · 能力全景 · 架构 · Quick Start · 自部署 · Community
精选页：世界把同一件事说了十遍，这里只留一条——AI 综述好的事件，沿时间线排开
信息从没有这么多过，也从没有这么重复过。同一件 AI 大事，会在你的各个信息源里换着标题出现五遍、十遍——你怕错过它，又厌倦重逢它。真正消耗人的从来不是「信息太多」，而是在重复里打捞增量，在焦虑里空手而归。
Info2Action 想把这件事翻过来：让 AI 先替你读完全部喧嚣——预读、分类、评分，把散落各处的报道折叠成一条事件——然后只把两样东西交还给你：值得知道的，和值得去做的。值得做的那部分，会被翻译成「打开哪个链接 / 写哪条评论 / 派发哪个任务」级别的可执行行动。
做它，是因为我自己每天早上都被 FOMO 逼着读一堆 AI 新闻——X、公众号、各种源。读本身就很耗神：每篇是好是坏，都得花上一两分钟、动一次脑子才判断得出来。可读完还不算完——还要接着想「这条对我到底有什么用」，再把需求讲清楚、交给 Claude Code 或 Codex 去执行，又是一轮注意力和表达。跨好几个 App、好几段流程，耗掉我大量的注意力和表达力，一条信息才算真正为我所用。这个过程对我来说太痛苦了，所以我想把它自动化：让信息直接流向行动。而如果最后那个行动对我没价值，那就不是要不要做的问题，而是我该去优化整条链路的问题。
对开发者：这是一套完整的「多源采集 → LLM 增强 → embedding 召回 + LLM 精判聚类 → 精选评分 → 行动派发」全栈 pipeline 实现。FastAPI + React，SQLite 单机可跑，Supabase 可上多用户生产，prompt 全部开源可改——这个产品的品味一半藏在 prompt 里，欢迎改成你自己的。
事件详情 — AI 综述 + 结构化要点 + 多源出处，一条事件读完多个平台的报道 |
信息流 — 全部来源按内容分类归拢：产品 / 工具 / Coding / 模型 / 行业…… |
行动生成 — 一键把事件变成可执行行动卡，AI 拆解步骤并产出自包含 prompt，复制即可交给 Claude Code / Codex 执行 |
行动队列 — 值得做的信号变成行动卡，待处理 / 执行中 / 已完成三条泳道管理 |
视频理解 — 弹窗内直接播放视频，一键 AI 转写生成双语字幕和要点 |
手动投喂 — 粘贴任意链接，AI 抓取并分析入流 |
暗色模式 — 全站双主题，跟随系统或手动切换 |
事件落地页 — 每条事件都有独立可分享页面，综述、要点、多源出处一屏读完 |
🖼 更多界面（收藏 / 历史 / 设置 / 登录）
 |
 |
 |
 |
内容 pipeline 不是黑盒——管理面板把「系统健不健康、抓了什么、AI 怎么判的、为什么没展示」全部摊开，并支持人工纠偏回喂算法：
总览仪表盘 — 用户规模与互动指标、系统健康 5 信号红绿灯、LLM 成本摘要与趋势 sparkline，一屏回答「系统健康吗？有人在用吗？」
精选漏斗全景表 — 入库 → 打分 → 聚类 → 总结闸 → 展示的 5 站漏斗计数条 + 单表归因：每行是一个事件簇，成员条目的 AI 评分与拦截原因全平铺，被拦 / 通过 / 处理中同表可见；支持时间窗 / 内容标签 / 展示状态筛选（标签与漏斗计数联动）。发现误判可原地纠偏——簇级「展示 / 不展示」强制上下架精选页并自动记入金标回放集，条目级「收录 / 排除」精准标注 AI 错杀，反馈直接变成打分策略迭代的回归考卷
抓取运行对账 — 每轮抓取一条 Run 记录：新增入库 / AI 总结成功率 / 发布事件数三段对账，阶段耗时拆解（抓取 / AI 增强 / 聚类），分类分布与逐源下钻，信源掉线一眼可查
没有一项是为了演示而做的——每一项都来自「自己每天要用」的真实需要：
| 能力 | 简介 |
|---|---|
| 多源统一采集 | X/Twitter · Reddit · Hacker News · RSS · B 站 · 微信公众号 · GitHub（Trending / Release / 仓库追踪）· YouTube · 小红书 · 手动提交，cron 定时自动跑 |
| AI 预读增强 | LLM 一次性产出摘要、要点、内容分类、内容类型、质量分、关键词；prompt 可读可改（prompts/） |
| 跨源事件聚合 | 两阶段聚类：embedding 粗召回 + LLM 精判「同一事件」；事件级综述重喂原文生成，聚合过程可审计 |
| AI 精选 | item 级 LLM verdict（featured / borderline / drop）+ cluster 级聚合，直出「应该立即看到的高价值内容」时间线 |
| 个性化排序 | 注册 onboarding 画像（角色 / 关注方向 / 常用工具），quality × engagement × freshness × match 纯计算排序，不额外烧 LLM |
| 信息→行动闭环 | LLM 把「值得做的信号」翻译成可执行行动卡，支持 Discord Forum 派发或浏览器直跳 |
| 视频理解 | YouTube / Twitter / B 站视频字幕优先 + 豆包 ASR 兜底，segment 级双语字幕 |
| 多用户 | 开放浏览（不登录可读）+ 邀请注册 + 邮箱验证，登录解锁个性化 / 收藏 / 历史 / 行动 |
| 双存储模式 | 本地 SQLite 单机全功能；Supabase Postgres + Storage 承载多用户生产（远程 read model + pgvector 召回） |
flowchart LR
subgraph sources["📥 多源采集 (cron)"]
direction TB
S1["X / Reddit / HN / RSS"]
S2["B站 / 公众号 / GitHub"]
S3["YouTube / 小红书 / 手动提交"]
end
subgraph pipeline["🧠 AI Pipeline (异步 stage)"]
direction TB
P1["LLM 增强<br>摘要 · 分类 · 评分"]
P2["事件聚类<br>embedding 召回 + LLM 精判"]
P3["精选 verdict<br>featured / borderline / drop"]
P4["行动生成<br>可执行行动卡"]
end
subgraph storage["💾 存储"]
D1[("SQLite<br>单机模式")]
D2[("Supabase<br>Postgres + Storage")]
end
subgraph serve["🖥 服务与消费"]
direction TB
W1["FastAPI<br>feed / events / actions API"]
W2["React 前端<br>精选 · 信息 · 行动"]
W3["Discord Bot<br>行动派发"]
end
sources --> P1 --> P2 --> P3
P1 --> P4
pipeline <--> storage
storage --> W1 --> W2
P4 --> W3
Pipeline 是 cron 串联的异步 stage，不是事件驱动：
- 采集：
ops/fetch_all.sh定时拉一遍所有源，INSERT OR IGNORE去重入库 - AI 增强：
enrich_items.py调 LLM 一次性产出摘要 + 分类 + 评分 + 关键词 - 事件聚类：
clustering/embedding 粗召回候选 → LLM 精判同事件 → 事件综述重喂原文生成 - 精选评分：LLM 对 item 直出 verdict，cluster 级代码聚合，产出精选时间线
- 兴趣匹配 + 行动：按用户画像算 match_score；值得做的信号生成行动卡，可派发 Discord
- 前端：FastAPI 出 read model，React 渲染 精选 / 信息 / 行动 三个 tab
关键技术选型：
- 后端：Python 3.11 + FastAPI；存储 SQLite（单机零依赖）或 Supabase Postgres（多用户生产，pgvector 召回 + Storage 托管图片/音频）
- 前端：React 18 + Vite + Zustand + Tailwind，开放浏览 + 按需登录
- LLM：MiniMax 默认，provider 抽象可切豆包 / OpenAI / DeepSeek；所有 prompt 在
prompts/目录，改完即生效
📊 深度图解：架构 / 数据流 / 实现细节 / 事件聚合设计（点开展开）
这一组图是 Info2Action 实现的「视觉文档」，给想深读架构、调实现、参与贡献的人，按主干逻辑组织。
每个模块按「输入 → 关键阈值 → Prompt → 可调旋钮 → 已知效果问题」组织，并区分参数来自 config、prompt、Python 硬编码还是 cron：
核心原则：单 doc 先完成 AI 理解，embedding 只做候选召回，LLM 负责最终同事件判断，内部 singleton 保留但不展示，聚合过程必须可审计。
最小可跑配置：1 把 LLM key + 默认 RSS 源，5 分钟体验「信息流 → AI 摘要 → 行动卡」核心闭环。
需要 Twitter / 微信 / Discord / 视频 ASR 等完整能力，请看 docs/SELF-HOST.md。
- Python 3.11+
- Node.js 20+
- 1 把 LLM API key（推荐 MiniMax，国内直连；或豆包 / OpenAI / DeepSeek 任选）
# 1. clone
git clone https://github.com/yike-gunshi/info2action.git
cd info2action
# 2. 配 .env（最小集）
cp .env.example .env
# 编辑 .env，至少填：
# MINIMAX_API_KEY=xxx
# APP_BASE_URL=http://localhost:3567
# 3. 装依赖
uv pip install -r requirements.txt # 后端
cd frontend-react && npm install && cd .. # 前端
# 4. 一键启动前后端
npm run dev
# 5. 浏览器打开
open http://127.0.0.1:3567默认端口：后端 127.0.0.1:8080，前端 127.0.0.1:3567。
第一次启动后跑一次抓取看到数据：
bash ops/fetch_all.sh # 拉一轮 RSS + AI 增强（首次约 2-5 分钟）npm run dev:status # 看前后端状态
npm run dev:stop # 停掉前后端
npm run dev:restart # 重启
# 测试
npx vitest run --reporter=dot
uv run --with pytest python -m pytest -q🗄 Supabase 远程数据库模式（进阶，可选）
单机 SQLite 已经是完整体验；要多设备访问同一套数据、或上多用户生产，才需要这一节。
如果只想在新机器/部署环境读取已经同步到 Supabase 的远程数据，可配置：
SUPABASE_REMOTE_DB_SCHEMA=remote_poc
SUPABASE_DB_URL=postgresql://...
INFO2ACTION_READ_BACKEND=supabase_poc
# 或分别设置:
# INFO2ACTION_FEED_READ_BACKEND=supabase_poc
# INFO2ACTION_EVENT_READ_BACKEND=supabase_poc
# INFO2ACTION_STATUS_BACKEND=supabase_poc服务器部署如果要把 Supabase 作为生产权威数据源，再显式增加：
INFO2ACTION_DATA_AUTHORITY=supabase这个模式下服务启动会校验 feed / events / status 三个核心 surface 都指向远程数据库，并且 /api/health 会使用 Supabase 状态，不再用空本地 SQLite 判断数据健康。
写入侧支持两种模式：
sqlite_then_sync：过渡模式，pipeline 仍先写本机 SQLite，结束后增量同步 Supabase。supabase_direct：抓取、enrich、embedding、cluster/publish、ASR、feedback、briefing、submit、actions/interests/auth/user-state 直接写 Supabase。必须显式打开各阶段 writer，缺任何一项都会 fail fast。
流水线结束后可以开启远程增量同步（默认关闭，不影响本地 SQLite pipeline）：
INFO2ACTION_STORAGE_MODE=sqlite_then_sync
INFO2ACTION_PIPELINE_WRITE_MODE=sqlite_then_sync
INFO2ACTION_FETCH_WRITE_BACKEND=supabase
INFO2ACTION_ENRICH_BACKEND=supabase
INFO2ACTION_EMBEDDING_BACKEND=supabase
INFO2ACTION_CLUSTER_BACKEND=supabase
INFO2ACTION_APP_STATE_BACKEND=supabase
INFO2ACTION_REMOTE_SYNC_AFTER_PIPELINE=1
INFO2ACTION_REMOTE_SYNC_HOURS=6
INFO2ACTION_REMOTE_SYNC_MAX_ITEMS=5000
INFO2ACTION_REMOTE_SYNC_MAX_DB_MIB=2048开启后 ops/fetch_all.sh 会调用 ops/remote_sync_after_pipeline.sh，执行 --incremental --bulk-copy 同步最近窗口的完整字段。
直接远程写入模式示例：
INFO2ACTION_DATA_AUTHORITY=supabase
INFO2ACTION_READ_BACKEND=supabase_poc
INFO2ACTION_PIPELINE_WRITE_MODE=supabase_direct
INFO2ACTION_FETCH_WRITE_BACKEND=supabase
INFO2ACTION_ENRICH_BACKEND=supabase
INFO2ACTION_EMBEDDING_BACKEND=supabase
INFO2ACTION_CLUSTER_BACKEND=supabase
INFO2ACTION_APP_STATE_BACKEND=supabase
INFO2ACTION_ASSET_BACKEND=supabase
SUPABASE_URL=https://PROJECT_REF.supabase.co
SUPABASE_SERVICE_ROLE_KEY=...
SUPABASE_STORAGE_BUCKET=info2action-assets远程 schema 在 supabase/migrations/，正式建表/迁移优先走 Supabase CLI：
npx supabase link --project-ref your-project-ref
npx supabase db push --dry-run --linked
npx supabase db push --linked连接分工：应用运行读写使用 session pooler；migration、备份、大批量导入优先使用 direct connection。全量同步前先用 scripts/preflight_supabase_remote_poc.py 做容量检查，同步脚本 scripts/sync_sqlite_to_supabase_poc.py 也支持写入前门禁。推荐 production / staging 双 Supabase 项目分离，本地调试指向 staging。
| 类别 | 选型 |
|---|---|
| 后端 | Python 3.11, FastAPI, Uvicorn, SQLite / Supabase Postgres（+pgvector, Storage） |
| 前端 | React 18, Vite, TypeScript, Zustand, Tailwind CSS, shadcn/ui |
| LLM | MiniMax（默认），豆包, OpenAI, DeepSeek（provider 抽象，可切） |
| Embedding | OpenRouter openai/text-embedding-3-small（事件聚合召回） |
| 抓取 | Python + 各平台 SDK / 私有 API headers |
| ASR | 豆包 BigModel + OSS 中转 + youtube-transcript-api 字幕优先 |
| 邮件 | Resend |
| 派发 | Discord Forum bot |
| 部署 | 任意 Linux 服务器 + systemd + git 部署 |
| 测试 | pytest, vitest, Playwright |
src/ FastAPI 后端、抓取、AI 增强、事件聚类、行动生成
frontend-react/ React/Vite 前端（精选 / 信息 / 行动 三 tab）
prompts/ LLM prompt 模板（每个模块一份，可读可改）
config/ 非敏感运行配置（源列表、分类、聚类参数）
supabase/ 远程数据库 schema migrations
ops/ pipeline 入口（fetch_all / 远程同步）
scripts/ 开发与维护工具（dev-stack、Supabase 同步/校验）
workers/ Cloudflare Workers（辅助抓取）
tests/ 后端测试
docs/ 自部署与配置文档 + 架构图解素材
| 模块 | 状态 |
|---|---|
| 多源采集（10+ 平台） | ✅ 稳定 |
| AI 增强 pipeline | ✅ 稳定 |
| 跨源事件聚合 V2 | ✅ 已上线，持续调优 |
| AI 精选（LLM verdict） | ✅ 已上线 |
| 个性化排序 + 兴趣画像 | ✅ 稳定 |
| 多用户（开放浏览 + 邀请注册 + 邮箱验证） | ✅ 已上线 |
| 视频 ASR + 双语字幕 | ✅ 稳定 |
| Supabase 远程生产模式 | ✅ 已上线 |
| 行动生成与派发 | 🚧 交互重构中（后端链路完整） |
| 移动端体验 | 🚧 持续优化 |
| 英文界面 / i18n | ⏳ 规划中 |
适合 contributor 切入的方向：
- 新平台适配（Mastodon / Bluesky / 飞书 / Slack）
- 新 LLM provider 适配（Gemini / Qwen / Kimi 等）
- 离线标注集 + embedding 模型横评
- 移动端 PWA 优化
- i18n（当前界面为中文）
欢迎 PR。提 issue 之前请先：
- 跑通 Quick Start 确认基础环境 OK
- 读上面的 架构 章节和深度图解了解全貌
- 复杂改动先开 issue 讨论方向
完整自部署（含 Twitter / 微信 / Discord / Resend / OSS / 代理 / 服务器部署）见：
- docs/SELF-HOST.md — 凭证清单 + 凭证获取方式 + 部署模式选择 + 故障排查
- docs/配置指南.md —
.env/config.json字段详解
这个项目的另一半在代码之外。如果你也在打理自己的信息流，或者只是想聊聊「读什么、做什么」——欢迎来：
 微信公众号 项目动态 · AI 信息流实践 |
 个人微信 加微信备注 info2act，拉你进群
|
 info2act 交流群 群码 7 天有效，过期加个人微信拉群 |
也欢迎直接开 Issue / Discussion 讨论。
MIT © 2025-2026 yike-gunshi
- MiniMax — Embedding + LLM
- 豆包 BigModel — ASR + LLM 备选
- Resend — 注册邮箱验证
- Forge 工作流 — 项目由 PRD → 设计 → 工程 → QA → ship 的 agent 协作流程推动
- 以及所有被聚合的源平台——信息的上游，永远值得尊重