让 AI 自动帮你追全网资讯，最后会卡在哪里

如果你现在搭一个 AI，让它全自动帮你追某一个领域的全网资讯——论文、发布、benchmark、大 V 的观点、一手 changelog——它到底能替你走到哪一步？这不是一个假想题。据我持续追踪，2026 上半场市面上能见到的这类"AI 情报系统 / 自动追资讯"产品，我尽量都过了一遍：有做订阅聚合的，有做变更监控的，有直接给你端到端"每天一封简报"的。它们都很能干，但当我把它们摆在一起用了几个月之后，我越来越确信一件事：纯 AI 的信息自动化能把"搬运"这件事做到极致，但有一道它跨不过去的结构性天花板——它能替你"知道"，替不了你"判断"。

这篇文章是《2026 AI 上半场观察以及下半场预测》专栏的第一篇。我想先把上半场真实发生的事讲清楚：信息自动化的爆发到底给了我们什么，又在哪里卡住了。然后再往下半场推演。

上半场：access 门槛被砍到了零

先说好消息，而且是真红利。

一年前，你想追一个快速演进的领域，最大的成本是access——你能不能拿到。信源散落在几十个不同的地方：arXiv、GitHub Release、公司博客、某个只发英文的邮件列表、几个平台上语速极快的账号。光是"知道去哪看"就是一道门槛，“看得过来"是第二道，“看得懂”（尤其是跨语言）是第三道。

到 2026 上半场，这三道门槛几乎被 AI 一次性抹平了。采集、翻译、摘要、聚合，这四件事已经完全可以自动化，而且质量高到你挑不出大毛病。 一条 RSS、一个 API、一个网页快照进来，模型顺手就把它翻成中文、压成三句话摘要、打上标签、按主题归堆。我常年把前沿 AI 系统的发布、一手信源、论文与 benchmark 尽量全量过一遍，过去这件事要占掉我每天相当一块固定时间；现在这块被压得很薄。

用一句我反复讲的话来说：信息获取的瓶颈变了。 它不再是"能不能拿到(access)"，而是变成了两个新指标——noticing latency（从世界发生变化，到你真正知道之间的延迟），以及attention cost（你要花多少注意力才能消化）。AI 把 access 打到零，同时把 noticing latency 从"你有空刷的时候"压缩到"变化发生后几分钟”。这是实打实的降维打击，谁用谁知道。

如果只看到这一层，你会得出一个乐观到危险的结论：追资讯这件事，已经被 AI 解决了。

这类产品长什么样：三条技术路线

在往下推之前，我想先把"AI 情报系统"这个笼统的说法拆开。据我持续追踪，市面上这类产品虽然名字五花八门，但底层其实只有三条技术路线，而且每条路线卡住的地方都不一样。我不点名具体产品——它们迭代太快，点名当天就过期——但形态是稳定的，你拿任何一个新产品去套，基本都能对上号。

第一条：订阅流聚合（push）。 它把 RSS、newsletter、webhook、平台 API 接进来，被动等信息推过来，然后翻译、摘要、归类。这是最成熟、最便宜的一路，也是绝大多数"每天一封 AI 简报"产品的真身。它的能力边界很清楚：信源必须先被人配好。 你没订阅的东西，它永远不会知道。它的召回率完全等于你订阅列表的完备度——一个你没听说过的团队昨天发了个改变游戏规则的东西，这条路线会 100% 漏掉。

第二条：变更监控（poll）。 它定时去抓某个页面、某个 Release、某个文档的快照，做 diff，有变化就报。这一路的价值在于覆盖那些没有 RSS 的信源——定价页、模型卡、API 文档、GitHub Release。它的问题是信噪比极差：一个页面改了个 CSS class、换了张配图、更新了版权年份，diff 都会告诉你"变了"。你必须再叠一层模型去判断"这次变更是否语义上重要"，而这一层的误判是这条路线的主要成本来源。

第三条：主动检索（agentic search）。 你给它一个问题或一个领域描述，它自己去搜、自己判断该看哪些、自己决定要不要再搜一轮。这是能力上限最高的一路——它是唯一有机会发现"你不知道自己不知道"的东西的路线。代价是它最贵、最慢、最不稳定：同样一个查询跑两次，返回的东西可能有相当比例不重合，因为搜索结果本身在变、模型的检索决策本身有随机性。

把这三条摆在一起看，能看出一个很有意思的结构：

任何一个用起来还行的系统，都不是纯用某一路，而是三条混用：push 打基本盘（便宜、全、快），poll 盯那十几个你真正在乎、又偏偏没有 RSS 的关键信源，agentic 每周定向跑几次专门补盲。这个组合是有道理的——但请注意，这三条路线优化的全是同一个东西：让"该到你面前的东西"更快、更全地到你面前。 没有任何一条在解决"到了之后怎么办"。这就是下一节要说的事。

天花板：产出停在"一个更精致的收藏夹"

但你把这套流水线跑上一个月，会慢慢咂摸出不对劲。

问题不在于它做得不好，而在于它做完之后，把最重的活又原封不动地还给了你的眼睛。 它给你的是一个排得很整齐、翻译得很到位、去了重、分了类的信息流。然后呢？然后你还是得一条一条读过去，自己判断哪条重要、哪条是噪音、哪条值得你今天就去动手试、哪条其实是三个月前旧闻换了个标题。

它把"采集+翻译+摘要+聚合"做到了满分，却在"降噪+判断"这一步戛然而止。 最后的产出，本质上是一个更精致、更及时、更全的收藏夹。收藏夹再精致，也还是收藏夹——它替你"知道"了一切，却没有替你"想明白"任何一件。

这里藏着一个很容易被忽略的错位。摘要不等于降噪。把一篇长文压成三句话，降的是字数，不是噪音。真正的噪音是"这条对我不重要"，而"重要与否"是相对于你的目标、你的判断、你此刻在做的事而言的——这些信息，模型不在你脑子里，它不知道。 于是它只能做"通用重要性"的排序，而通用重要性对一个有明确目标的人来说，命中率低得可怜。

我愿意把这句话钉在这一节的正中间：信息不值钱，值钱的是处理信息的能力。 上半场的自动化，把"拿到信息"这件不值钱的事做到了极致；而真正值钱的"处理"，它只碰到了皮毛。

一张图：自动化能吃下的和吃不下的

我把这条流水线画开，你就能一眼看清楚"降维打击"发生在哪几层，又在哪一层撞墙。

                外部世界（不断发生变化）
                        │
   ┌────────────────────┼────────────────────┐
   │  获取模式（三选一，通常混用）               │
   │  ① 订阅流 push   ② 变更轮询 poll  ③ 主动检索  │
   │     RSS/webhook     diff/快照      agentic  │
   └────────────────────┼────────────────────┘
                        ▼
        ┌─────────── 信息层（AI 主场）───────────┐
        │  采集 → 翻译 → 摘要 → 聚合 → 三级去重   │  ← 已被打到零
        │  URL 规范化 → 内容指纹 → 向量近重       │
        └───────────────────┼───────────────────┘
                            ▼
        ╔═══════════ 结构性天花板 ═══════════╗
        ║      降噪(对你而言) + 判断           ║  ← 卡在这里
        ╚═══════════════════┼═══════════════╝
                            ▼
        ┌─────────── 知识层 / 行动层 ───────────┐
        │  读完 → 判断 → 决策 → 动手 → 反馈       │  ← 还给了你的眼睛
        └───────────────────────────────────────┘

上半这半张图，是 AI 的主场，已经趋近于免费。下半这半张图，才是护城河所在，也恰恰是自动化目前几乎碰不到的地方。

顺带把"降噪"这层的工程细节说透一点，因为很多人误以为降噪就是"少给我看点"。真正的降噪工程核心是三级去重：

第一级：URL 规范化   去掉 utm_* 参数、锚点、跳转，同一链接归一
第二级：内容指纹     SimHash / MinHash，正文级别判"同一篇稿的搬运"
第三级：向量近重     embedding 相似度，抓"同一件事的不同复述"

三级去重能把"十家媒体转同一条稿"压成一条，能力很扎实。这三级的分工值得说细一点，因为顺序错了会白花很多钱：

• 第一级（URL 规范化）几乎免费，就是字符串处理，砍掉 utm_*、?from=、锚点、跳转中转页，再把同一篇文章的 AMP 版、移动版、镜像站归一。它能吃掉相当一部分重复，成本可以忽略不计。
• 第二级（内容指纹）很便宜，SimHash / MinHash 都是纯 CPU，正文级别判"同一篇稿被搬运"。它抓的是那种改了标题、加了段导语、正文一字没动的转载。
• 第三级（向量近重）才要花钱，要跑 embedding，抓的是"同一件事的不同复述"——三家媒体各自写了一篇，措辞全不一样，但说的是同一回事。

关键在于必须按这个顺序过。第三级的单条成本是前两级的若干个数量级，你要是先跑 embedding 再做 URL 归一，等于花钱给一堆完全相同的链接算了一遍向量。便宜的过滤器必须排在贵的前面——这是所有流水线的通用法则，但在信息系统里格外容易被忽略，因为大家一上来就想用模型解决一切。

按我自己的流水线测算，一天的量级大概是这个形状（数字是我这条特定管线的量级，不是普适常数，但这个漏斗的形状是稳定的，你换个领域跑一遍会得到类似的结构）：

一天进来的原始条目            ~800 条
        │
        ├─ 第一级 URL 规范化   → 砍掉约三成          剩 ~560
        │  (同链接不同参数、镜像、AMP)
        ▼
        ├─ 第二级 内容指纹     → 再砍掉约四成        剩 ~340
        │  (转载、洗稿、标题党改写)
        ▼
        ├─ 第三级 向量近重     → 再砍掉约三成        剩 ~240
        │  (同一件事的不同复述)
        ▼
   去重后"每条都是新的"                          ~240 条
        │
        ╠══════ 自动化到此为止 ══════╣
        │
        ▼
   跟我当下真正在做的事有关的                    ~10 条
        │
        ▼
   看完之后真的改变了我某个动作的                 ~1 条

这个漏斗最扎心的不是上面那三刀——那三刀砍得又准又便宜，是实打实的工程胜利。扎心的是最后两刀：从 240 到 10，再从 10 到 1，这两刀全是我自己用眼睛和脑子砍的，自动化一刀都没帮上忙。 而且注意这两刀的压缩比：240→10 是 24 倍，10→1 又是 10 倍，加起来 240 倍。上面三级去重加起来才把 800 压到 240，3.3 倍。自动化拿下的是 3.3 倍，人工扛的是 240 倍。

所以请注意——去重去掉的是"重复"，不是"不重要"。 去重之后剩下的那 240 条，每一条可能都是"新"的，却依然可能全都跟你今天要做的事无关。去重解决 attention cost 的一部分，解决不了判断。 这条界线，就是上半场和下半场的分水岭。

为什么这道墙是结构性的

我一开始以为这是模型能力问题——再强一点的模型，是不是就能替我判断了？跟了半年下来，我改了主意：这不是能力问题，是分层问题。

把信息的处理拆成三层就清楚了。信息层（在哪、是什么、说了啥）是客观的、可被穷举的、语言无关的——这是 AI 的绝对主场，它可以做到比你全、比你快、比你不知疲倦。知识层（这对我意味着什么、跟我已知的怎么接上、哪里矛盾）开始掺入"我"这个变量。行动层（我因此要做什么、赌哪一个、放弃哪一个）几乎全是"我"。

越往下，越依赖那个装在你脑子里、没法导出给模型的东西：你的目标、你的处境、你的风险偏好、你过去踩过的坑。

举一个具体的。假设同一天有两条消息进到系统里：一条是某个主流框架发了个大版本，全网都在转；一条是某个没什么人关注的库，在 changelog 里悄悄改了一个默认超时值。任何一个做"通用重要性"排序的系统，都会把第一条排在最上面，把第二条压到第 80 位甚至直接滤掉——它没错，从任何客观标准看第一条都更重要。 但如果我这周恰好在排查一个诡异的超时问题，那第二条对我的价值是第一条的一百倍。模型不知道我这周在干什么。就算我把"我在排查超时"写进 prompt，它也不知道我上个月踩过一个几乎一样的坑、所以我对这类改动有条件反射式的警觉——这条信息我自己都未必能用语言完整表达出来，怎么可能塞进上下文。

这就是为什么我说这不是上下文窗口不够大的问题，是这部分上下文根本不在任何窗口里。 窗口再大，装不下没被写出来的东西；而恰恰是没被写出来的那部分，构成了判断。

你可以把判断的一部分喂给它（这正是下半场的活儿），但"替你拍板"这件事，一旦真的全权交出去，你就得承担复合误差。这四个字值得展开算一笔账，因为它非常反直觉。

假设你的流水线有五步：抓取 → 判断相关性 → 提炼要点 → 交叉验证 → 给结论。每一步单独看都很不错，准确率 95%——这在任何一个 benchmark 上都是能拿出去吹的数字。但它们是串起来的：

单步 95%，串 5 步：  0.95^5 ≈ 77%     → 约每 4 次有 1 次歪
单步 95%，串 10 步： 0.95^10 ≈ 60%    → 约每 5 次有 2 次歪
单步 99%，串 10 步： 0.99^10 ≈ 90%    → 仍有 1/10 歪
单步 99%，串 50 步： 0.99^50 ≈ 61%    → 长跑必歪

这个乘法是无情的。你把单步从 95% 提到 99%——这是模型能力上的巨大飞跃，可能要跨一整代——换来的只是把 5 步链条从 77% 提到 95%。而只要链条一长，99% 照样撑不住。 更麻烦的是，一个跑了一整夜的 agent 交给你的不是"77% 的结论"，而是一份看起来 100% 完整、逻辑自洽、格式漂亮的报告，你必须自己去找那 23% 藏在哪。找的成本，往往比你自己重做一遍还高。

这也是为什么"过夜 agent"至今最难啃的从来不是执行，而是信任——真正的解法不是等模型变强（乘法不会因为底数变大就变成加法），而是在链条里插检查点、把长链拆成短链、让不确定的地方停下来问人。关于把不看着的 agent 用起来，我在 信任工程那篇 里单独拆过，这里不展开。

所以天花板是结构性的：信息层可以无人化，知识层要人机协同(HITL)，行动层的最终判断权，短期内不该、也交不出去。 一套只做信息层的自动化，无论做得多漂亮，天然就停在收藏夹那里——不是它没做完，是它的边界就到那儿。

一个诚实的 caveat

讲到这我得停一下，防止你把这篇读成"AI 追资讯没用"。恰恰相反。

把 access 打到零，是这几年信息侧最大的一次红利，没有之一。noticing latency 从几天压到几分钟，attention cost 砍掉一大半——这些是真金白银的效率，我自己每天在吃这份红利，一天都离不开。我要泼的冷水只有一句：别既要自动化，又指望它替你拍板。 这两件事一个是它的主场，一个是它的禁区，混为一谈，你会同时对它失望、又不敢真放手，最后两头不到岸。

正确的姿势是把它当一个永不疲倦、永远在线、语言无关的情报前哨，它负责让"你该知道的事"以最低延迟、最低注意力成本躺到你面前；而"读完、判断、决策"这最后一公里，你心甘情愿地留给自己。它做 98.4%，你做那关键的 1.6%——但那 1.6% 恰恰是判断，是这整条流水线唯一不可替代的部分。

那你今天该怎么搭：一份 checklist

讲了这么多边界，落到你手上应该变成动作。下面这些是我自己这半年反复调之后留下来的，你可以直接照着对。

先划清楚：哪些交给它，哪些留给你。

搭之前先回答四个问题。 我见过太多人（包括我自己）先兴冲冲搭系统，搭完才发现回答不了这几个问题：

1. 你追这个领域，是为了做什么具体决策？ 如果答不上来，那你不需要情报系统，你需要的是先想清楚要干嘛。为"保持关注"而追，是自动化最经典的浪费——它会让你极其高效地浪费时间。
2. 多久看一次就够？ 大部分领域，一天一次绰绰有余，很多领域一周一次都不损失什么。你把延迟从一天压到一分钟，压的往往不是延迟，是你的专注。 别用"实时"的架构去解决"每周"的问题。
3. 漏一条的代价是什么？ 如果答案是"没什么代价"（多数情况如此），那就别追求全，追求准。全和准在信息系统里是明确的取舍，不是既要又要。
4. 看完之后，你的输出去哪？ 没有出口的输入就是囤积。这一条最重要，下一节展开。

具体的工程动作，按性价比排序：

• 给每条加"为什么给你看"的一句话理由。 不是摘要，是理由——“因为你上周在关注 X”。这一句话的价值不在于它准（它经常不准），而在于它让你能一眼判断该不该读，把判断成本从"读完再说"压到"看一眼理由"。这是我改动里投入产出比最高的一项。
• 把便宜的过滤器排在贵的前面。 前面说过，不重复了。
• 保留原文链接和原文快照，永远。 摘要是有损压缩，你迟早会遇到需要回原文的时刻。信源本身还会消失、改稿、删帖。
• 给"待读"设硬上限。 比如每天最多 20 条，超了就必须挤掉。没有上限的队列不是队列，是垃圾场——它只会持续给你负罪感，不会给你信息。
• 让系统记录你的"读了/跳过/采取行动"。 这是你未来唯一可能拿来训练个性化的信号，而且它现在就有用：过一个月回看，你会发现某几个信源你从来没点开过。删掉它们。
• 每月强制砍一次信源。 信源列表只会单调增长，除非你定期动手。我的规则很粗暴：一个月内一条都没让我点开过的信源，删。

反模式清单，这几条我全都亲自踩过：

• ❌ 追求覆盖率。 “我要追全"这个念头，是把一个判断问题伪装成一个工程问题。你追得越全，需要判断的量越大，最后崩溃得越快。
• ❌ 实时推送。 推送是把 noticing latency 优化到极致的手段，代价是把你的注意力切成碎片。你为了早知道两小时，付出了一整天的深度工作。 除非你的角色真的靠"早两小时知道"吃饭（极少数人是），否则批量、定时、一次性看完。
• ❌ 让模型直接给"重要性打分"然后按分排序。 它排的是通用重要性，不是对你的重要性，前面已经论证过。你会得到一个排序精美、但头部全是你不需要的东西的列表——而且因为它看起来很专业，你会更倾向于相信它，这比没有排序更糟。
• ❌ 让 agent 全自动写日报然后你只读日报。 复合误差 + 你彻底失去了跟原文的接触。跑三个月，你会发现自己对这个领域的直觉在退化——你读的一直是模型的二手理解，不是这个领域本身。
• ❌ 把系统本身当成产出。 我见过（也当过）太多人，把大量时间花在把流水线搭得更漂亮上，而不是花在用它产出的东西上。流水线跑得再顺，它也不是你的作品。 一个粗糙但你天天用的系统，胜过一个精致但你在维护它的系统。

下半场预测

上半场我们见证了信息自动化的爆发。基于这半年的观察，我对下半场下三个判断。

第一，信息自动化会继续变强，然后趋同，最后沦为水电。 采集、翻译、摘要、聚合、去重这套东西，会快速卷到人人都有、家家一样的地步。当一件事所有人都能一键做到，它就不再是优势，而是基础设施。上半场靠"我有一套自动追资讯的系统"就能领先的窗口，下半场会关上。

推动这件事的不只是"大家都会做了”，还有一股更硬的力：成本。 这条流水线上最贵的两步——摘要和向量近重——恰恰是最标准化、最不需要顶尖模型的两步。当开源模型的推理成本大幅坍塌，“全量过一遍全网"这件事的门槛就从"要有预算"变成"随手就跑”。到那时，覆盖率作为壁垒会彻底归零：你能追的，人人都能追，而且成本低到没人会拿它当卖点。 成本这条线怎么走、一个人能因此养多大的 Agent 舰队，我在 开源模型成本坍塌那篇 里专门算过。

这也是我在 红海蓝海那篇 里想说的：纯信息层的产品正在集体涌进红海。判断一个产品是不是在红海里，有个很省事的测法——看它的宣传语。如果它在吹"覆盖多少个信源"“延迟多少秒"“支持多少语言”，它在红海里，因为这三样都是水电，明年会更便宜。如果它在吹"它怎么知道这条对你重要”，那它至少站在了正确的问题前面。

第二，真正稀缺的能力，是把自动化产出接到判断与行动上——close the loop。 下半场的赢家，不是"追得最全"的人，而是把’知道’高效转成’判断’、再把’判断’转成’行动’的人。这条 loop 谁闭合得越短、越可靠，谁的复利越猛。自动化把海量信息推到你面前只是起点，你要建的是一套能把信息层的产出，快速接进你自己知识层和行动层的私人管线——这正是超级个体的护城河所在，我在 超级个体的情报系统 那篇里把这套管线拆得更细。

值得注意的是，闭环的第一个动作，很可能不是你发起的。回到前面那张漏斗：从 240 条到 10 条那一刀，之所以只能你砍，是因为系统在等你去看。而如果系统不等你、反过来主动把那 10 条推到你面前呢？ 这就是这个专栏第二篇要讲的事——agent 从"你提示它"变成 它反过来提示你 。那一步不解决判断（判断仍然是你的），但它把"你得记得去看"这个前提拿掉了。这是自动化能往判断层伸出的第一根手指。 也正因为它伸进了原本属于你的地盘，它的失败模式跟前面所有工程问题都不一样——不再是漏或错，而是打扰。

第三，也是最容易被漏掉的一条：下半场值得建的新观测维度，是"判断命中率"。 几乎所有信息系统都在优化"覆盖率"和"延迟"——追得全不全、快不快。但这两个指标在上半场就快见顶了。下半场真正该被量化、却几乎没人认真量化的，是判断命中率：你基于这些信息做出的判断，事后回看对了几成。

把这三个维度摆一起，差别就很刺眼了：

而且这一维今天就能测，不需要等任何新技术。它的门槛不是工程，是诚实——你得愿意把自己的判断写下来，然后接受它被打脸。最土的做法就够用了：每次你因为某条信息做出一个判断（“这个方向值得投入"“这个技术是噱头"“这个坑我得绕开”），就用一句话把它和当天日期记下来，附上触发它的那条信息。三个月后翻回来，逐条打勾或打叉。

第一次做这件事，几乎所有人都会被结果打击到——我第一次翻回去看的时候，发现自己有相当一部分判断根本没法评判，因为当时写得太模糊（“这个方向有意思”，什么叫有意思？）。光是被迫把判断写成一句事后能验证的话，就已经是这套练习一大半的价值了。 剩下的价值在于：几轮之后你会开始看出模式——比如你在某类问题上系统性地过于乐观，比如某个信源的东西你信了十次错了七次。

这是最本质、也最反直觉的一维——它衡量的不是系统给了你多少信息，而是这些信息最终有没有让你做对事。谁先把这一维接进闭环，谁就领先了不止一个身位。

一句话收束下半场：信息层会变成免费的水电，值钱的全部迁移到判断层和行动层。

结尾：它替你知道，替不了你想

回到开头那个问题：让 AI 全自动帮你追一个领域的全网资讯，它到底能走到哪一步？

答案是：它能替你走完"知道"的全程，然后在"想明白"的门口，把接力棒交还给你。 这不是它的失败，这是分工——上半场我们已经把"知道"这件事彻底外包给了机器，这是了不起的进步；但也正因为"知道"变得如此廉价，“想明白"才第一次变得如此昂贵、如此稀缺。

信息不值钱，值钱的是处理信息的能力。当全世界的信息都能以近乎为零的成本躺到你面前，你和别人的差距，一分一毫都落在你怎么处理它上。 上半场，AI 替我们赢下了信息的战争；下半场，真正的战场是判断——而那一仗，暂时还得你自己去打。