AI 2026年4月26日 2 分钟阅读

Noscroll 上手：用 AI 智能体替你刷社交媒体的完整指南

tinyash 0 条评论

信息过载是每个开发者的日常痛点。你可能也有这样的经历：打开 X（Twitter）想看看有没有值得关注的技术动态，结果 40 分钟后还在刷一条跟工作毫无关系的争议帖子。

Noscroll 就是为了解决这个问题而生的——一个 AI 智能体，替你刷社交媒体，只把真正重要的内容推送给你。

什么是 Noscroll？

Noscroll 的核心理念很简单：让 AI 代替你进行”doomscrolling”（无休止地刷信息流），然后通过短信把筛选后的精华内容推送给你。

“no feed. no brainrot. no ragebait. just signal.”

它的创始人 Nadav Hollander 是 OpenSea 的前 CTO。离开 OpenSea 后，他发现自己陷入了对 X 的又爱又恨——平台上确实有最好的信息源，但文化毒性让人刷完后心情极差。于是他决定自己构建一个解决方案。

工作原理

Noscroll 的工作流程可以分为三个层次：

1. 数据接入

用户通过短信连接到 Noscroll 后，授权它访问你的 X 账号。Noscroll 会读取你的：

  • 关注的账号和帖子
  • 点赞和收藏记录
  • 个人兴趣偏好

除了 X，Noscroll 还会从以下来源抓取内容：

  • 新闻网站和博客
  • Reddit
  • Hacker News
  • Substack
  • 研究论文
  • 地方政治信息

2. AI 处理层

Noscroll 使用多个现成的 AI 模型，运行在自有的基础设施上。关键点在于：

  • 大量自定义 Prompt：让 AI 拥有独特的沟通风格和判断标准
  • 多源信息整合：不是简单聚合，而是跨平台交叉验证
  • 个性化过滤：根据你的历史行为学习什么对你重要

3. 内容推送

AI 会根据你设定的频率推送内容摘要：

  • 休闲用户：每周一次汇总
  • 新闻重度用户：每天多次推送
  • 突发新闻：即时推送，不等汇总

每条推送包含新闻链接和简短的 AI 摘要，点击即可阅读全文。

开发者视角：如何构建类似的系统

如果你对这个场景感兴趣，以下是构建一个类似信息过滤智能体的技术路线。

架构设计

用户偏好 → 多源数据采集 → AI 排序/过滤 → 摘要生成 → 推送渠道

核心组件实现

1. 多源数据采集

import asyncio
import aiohttp
from datetime import datetime, timedelta

class ContentAggregator:
    def __init__(self, sources):
        self.sources = sources  # list of source configs
        self.cache = {}
    
    async def fetch_all(self, since: datetime):
        """并行采集所有数据源"""
        tasks = [self._fetch_source(src, since) for src in self.sources]
        results = await asyncio.gather(*tasks, return_exceptions=True)
        
        articles = []
        for result in results:
            if isinstance(result, Exception):
                print(f"Fetch failed: {result}")
            else:
                articles.extend(result)
        return articles
    
    async def _fetch_source(self, source, since):
        async with aiohttp.ClientSession() as session:
            async with session.get(source['url']) as resp:
                data = await resp.json()
                return self._parse(source['type'], data)

2. AI 排序和过滤

from openai import AsyncOpenAI

class ContentRanker:
    def __init__(self, api_key, user_profile):
        self.client = AsyncOpenAI(api_key=api_key)
        self.user_profile = user_profile  # 用户兴趣画像
    
    async def rank_and_filter(self, articles):
        """使用 LLM 对内容进行相关性排序"""
        prompt = self._build_ranking_prompt(articles)
        
        response = await self.client.chat.completions.create(
            model="gpt-4o",
            messages=[
                {"role": "system", "content": self._system_prompt()},
                {"role": "user", "content": prompt}
            ],
            response_format={"type": "json_object"},
            temperature=0.3
        )
        
        result = json.loads(response.choices[0].message.content)
        return result['ranked_articles']
    
    def _system_prompt(self):
        return """你是一个内容策展 AI。根据以下用户画像对文章进行排序：
        - 只保留与用户兴趣高度相关的内容
        - 过滤掉争议性低价值内容（ragebait）
        - 优先选择有技术深度的内容
        - 输出 JSON 格式，包含 relevance_score (0-10)"""

3. 摘要生成和推送

class DigestGenerator:
    async def create_digest(self, ranked_articles, user_prefs):
        """生成个性化的内容摘要"""
        summary_prompt = f"""
        为以下用户生成今日技术摘要：
        兴趣领域：{user_prefs['interests']}
        排除话题：{user_prefs['exclude']}
        
        精选文章：
        {self._format_articles(ranked_articles[:10])}
        
        要求：
        - 每条摘要不超过 2 句话
        - 包含原文链接
        - 标注为什么这篇文章对用户有价值
        """
        
        response = await self.client.chat.completions.create(
            model="gpt-4o",
            messages=[{"role": "user", "content": summary_prompt}],
            temperature=0.5
        )
        
        return response.choices[0].message.content

关键设计决策

1. 为什么不用简单的关键词过滤？

关键词过滤的误判率很高。一个包含 “Python” 的文章可能是编程教程，也可能是 “Python 蛇饲养指南”。LLM 的理解能力可以大幅降低误判。

2. 推送频率如何平衡？

  • 太频繁 → 用户疲劳，回到 doomscrolling 状态
  • 太稀疏 → 用户错过重要信息

Noscroll 的做法是让用户自定义频率，同时保留突发新闻的即时推送通道。

3. 如何避免信息茧房？

这是所有个性化推荐系统的核心挑战。Noscroll 的策略是在摘要中主动引入用户可能不知道但相关的”意外发现”内容，打破过滤气泡。

实际使用场景

场景一：技术团队的信息同步

如果你是一个技术团队的负责人，可以配置 Noscroll 关注：

  • 特定 GitHub 仓库的 release 和 issue
  • 你使用的框架/库的官方博客
  • 行业安全漏洞公告

让 AI 每天生成一份团队简报，省掉逐个检查的时间。

场景二：创业者的竞品监控

配置 Noscroll 关注：

  • 竞品公司的官方账号和新闻
  • 行业分析报告
  • 相关的融资和收购信息

每周收到一份竞品动态摘要，保持市场敏感度。

场景三：学术研究者

配置 Noscroll 关注：

  • arXiv 上特定领域的最新论文
  • 相关会议的 call for papers
  • 领域内学者的最新观点

让 AI 帮你筛选出值得深入阅读的论文，而不是被海量预印本淹没。

局限性和注意事项

Noscroll 目前仍处于早期阶段，有几个值得关注的点：

  1. 数据隐私：你需要授权 Noscroll 访问你的社交账号数据，了解其数据处理政策很重要
  2. 模型依赖：当前依赖第三方 AI 模型，质量和成本都受限于供应商
  3. 反馈循环：个性化效果需要时间积累，初期推送质量可能不够精准
  4. 平台限制：X 的 API 政策变化可能影响数据获取的稳定性

总结

Noscroll 代表了一个有趣的方向：AI 智能体不再只是”帮你写代码”或”帮你画图”，而是开始接管我们日常生活中那些耗时但低价值的信息消费行为。

对于开发者来说，这个场景的核心技术栈（多源采集 → LLM 排序 → 摘要生成 → 推送）是可以复用的。无论你是在构建内部知识库、竞品监控系统，还是个人新闻聚合器，这套架构都能提供有价值的参考。

关键不在于用什么模型，而在于如何定义”什么对你重要”——这才是整个系统真正的价值所在。

Noscroll 官网：noscroll.com 相关报道：TechCrunch – Meet Noscroll

AI AI 工具

发表评论

你的邮箱地址不会被公开，带 * 的为必填项。