「信息时代，信息不值钱。值钱的是处理信息的能力。」
这句话我在专栏总纲 里引过一次。这篇文章，是我试着把它变成一台真的能跑的机器。
一台跑了三年的机器，和它停下的地方
我最近盯着一个纯靠 AI 自动运营的信息星球看了很久。
它的简介一句话就说清了自己：实时采集全球最新的 AI 内容，用 agent 挑选、翻译、总结、发布。日更三百条，覆盖 X、GitHub、arXiv、各家发布会。所有帖子出自同一个机器人账号，相邻两条常常只隔三分钟——那是人类手速永远达不到的节奏。它跑了三年多，活跃度一直不低。
我承认，第一眼是震撼的。它几乎单枪匹马证明了一件事：一个人 + 一套 agent，真的能把全球某个领域的信息流，收进一个口子里。 这在五年前需要一个小编团队。
但我越看越清楚地看到了它的天花板。它把信息搬得极其勤快，却停在了一个很尴尬的地方——一个更精致的收藏夹。三百条原样倒进来，翻译、摘要都做了，可它没有回答任何一个真正重要的问题：这三百条里，哪三条值得我今天就动手？哪一条意味着一个我该抓住的机会？它把"读完这三百条"这件事，连同降噪、判断、决策，一起留给了订阅者的眼睛。
它是一台搬运机，不是一套情报系统。
而我越来越确信，AI 时代的超级个体，真正该给自己造的，不是一个自动发内容的号，是后者。
情报，和信息聚合，是两种东西
先把词分清楚，因为这决定了整篇文章要往哪走。
“情报”（intelligence）这个词有它的本义。在军事和商业里，情报从来不等于信息——它是为某个决策服务的、经过采集和研判之后的信息。一份情报的验收标准，不是"信息全不全"，而是"它有没有改变接收者的下一步动作"。
顺着这个定义，一套个人情报系统和一台信息聚合器的分野就非常锋利了：
- 信息聚合器的终点是信息——把更多、更快、更全的信息呈现到你面前，任务就完成了。
- 情报系统的终点是行动——如果一条情报没有改变你任何决策或动作，那么无论它多新、多准，它的价值都是零。
这也正是《从信息到创作》 那套框架的延伸。那篇文章讲的是认知的四道工序：信息、记录、知识、创作。这篇文章讲的是把这套认知工序变成一台持续运转的机器时，工程上到底要搭什么。一个是道，一个是术；这篇补的是术。
先想清楚：获取的本质是什么
大多数人对"获取信息"的想象，是去找、去搜、去刷。这是个体力活的想象，也是它累的原因。
持续的信息获取，本质上不是"去找信息"，而是把"我关心什么"编译成一组常驻的查询，然后让世界的变化主动来找你。 你做一次"我关心 AI Infra 的开源进展"的翻译工作——把它翻译成十几个可执行的订阅和查询——之后的三年，信息自己流过来。区别在于：前者是你每天追着信息跑，后者是你搭好管道，信息追着你跑。
拆到最底层，人类获取外部信息的方式，只有三种，且只有三种：
① 订阅流 (subscribe / push) 世界主动推给你 —— RSS、webhook、消息流
② 变更轮询 (poll / diff) 你定期去看它变没变 —— 网页监控、榜单快照
③ 主动检索 (pull / query) 你带着问题去问它 —— 搜索、Agentic Search
任何花哨的"获取通道"，拆到底都是这三者之一或它们的组合。看清这一点，你就不会被工具的名字迷惑，而是直接问：这个源，我该用推、用轮询、还是用查？
再往深一层，才是真正值得记住的东西。在 AI 之前，获取要解决的是 access——你能不能拿到别人拿不到的信息。 你订阅了别人订不到的信源、读了别人没读的报告，这本身就是优势。而现在，模型能在一秒里帮你收藏、翻译、检索几乎一切，access 的门槛被砍到了零。
于是获取要解决的问题，悄悄换成了另外两个：
- noticing latency（发现延迟）：从"世界上发生了一件与我相关的事"，到"我知道了"，中间隔了多久？
- attention cost（注意力成本）：为了知道这件事，我付出了多少本可以用在别处的注意力？
一套情报系统的全部工程，说到底就是把这两个数压到最低：让相关的事以最短延迟到达你，同时让不相关的噪音以最低成本被挡在门外。
还有一个偏工程、但极其实用的本质：获取的一大半工作，是把"非结构化、不可寻址的信源"，统一成"结构化、可寻址、机器可读的流"。 后面会讲到的 RSSHub 之所以是神器，就是因为它把推特、公众号、榜单这些原本各长各样的东西，全变成了同一种可寻址的 feed。当所有源都长一个样，下游的去重、打分、分发才可能规模化。异构是手工的天敌，归一是自动化的前提。
前沿获取通道全景
有了三种模式这把尺子，现在看当下最前沿的获取通道，就清爽了。我按它们的本质模式来排：
原生 RSS / Atom（订阅流）。 最省事的一种，很多站点有隐藏 feed。能订阅就别轮询。
RSSHub —— 把"没有 feed 的源"变成 feed（订阅流）。 这是替代那台搬运机背后私有爬虫最优雅的方式。它给推特账号、公众号、知乎、B 站、GitHub Trending、Product Hunt 等等提供现成路由，本质是把一个只能 pull 的源，伪装成一个可以 push 的流。自托管一个实例，你就把"订阅一切"标准化成了"订阅 RSS"这一件事。
结构化 API（订阅流 / 检索）。 有官方 API 的源质量最高：GitHub 的 Releases 和 Trending、arXiv 的 Atom 接口、Hacker News、各家产品的 changelog。能走 API 就别去抓页面，稳定性差一个数量级。
网页变更监控（变更轮询）。 针对那种既没 feed、也没 API、但你就是想盯着它变的页面——定价页、release notes、某个榜单。用 changedetection.io 这类工具，支持 CSS 选择器和浏览器渲染，变更时用 webhook 把你的管道叫醒。这是三种模式里"轮询"的标准落地件。
主动检索 / 实时预览搜索（检索）。 用来补"你还不知道自己该订阅什么"的漏。定时给一个搜索 agent 一组问题，用 Web Search、Exa、Tavily 这类接口拉实时结果；更强的一档，是让 browser agent 带着你的登录态真实地浏览页面——我开头能翻到那台搬运机的内部帖子，用的就是这个能力。
Agentic / Deep Research —— 通道本身长出了判断（检索的前沿）。 这是当下最值得关注的演化。传统检索是"给定 query，返回结果"；agentic search 是"给定问题，agent 自己决定搜什么、读什么、要不要再搜一轮"。获取通道第一次从"执行查询"进化成了"自主调查"——通道本身有了判断力。这既是机会，也是提醒：越靠后面，采集和分析的边界越模糊。
MCP —— 把所有源协议化。 上面每一种源，都可以包成一个 MCP server，让 agent 用同一套协议去调用，不必关心背后是 RSS 还是 API 还是搜索。这是"源"这一层的归一化，和 RSSHub 在 feed 层做的事，在协议层又做了一遍。关于 MCP 为什么是超级个体这一代的关键杠杆，我在《超级个体的栈》 里专门算过账。
一条给工程的原则：高频、稳定的源用确定性代码去抓，探索性、模糊的需求才交给 agent 主动查。 别把所有采集都塞进 agent——那样又贵、又慢、又不稳。agent 的判断力要用在刀刃上，不是用来干轮询这种苦力活。
全链路：五道工序，每一道都有它的第一性
把获取接进系统，整条链路是五道工序，外加一条贯穿始终的观测。它和信息→记录→知识→创作 那套认知框架是同构的，只是换成了"一台持续运转的机器"的视角：
采集 ──▶ 分析 ──▶ 处理 ──▶ 知识 ──▶ 行动
(信息) (降噪) (加工) (沉淀) (决策)
│ │ │ │ │
└───────┴────────┴────────┴────────┘
观测性（贯穿全链路）
下面一道一道拆，每一道我只问三个问题：它的本质是什么？AI 能不能替我干？我怎么知道它没坏？
一、采集：把关注编译成常驻查询
本质前面讲透了——把"我关心什么"编译成一组订阅和查询。工程上，它应该是配置驱动的：一个方向就是一份配置，列清楚它的源、抓取频率、加工规则、分发目标。新增一个关注方向，等于加一份配置，而不是改一次代码。这样你的关注面才能长期演化，而不是每次都要重写系统。
这一层最反直觉的一点：你订阅的，是未来那个版本的自己会需要的东西。 所以别只订当下热的，要订那些"现在还冷、但你判断会加速"的方向——那才是情报的超额收益来源。
二、分析：信噪比是这一层唯一的 KPI
采集进来的是一堆原始条目，绝大部分是噪音，而且高度重复——同一件事，二十个源会从二十个角度报道二十遍。这一层的全部任务，就是把信噪比拉上去。
核心手段是三级去重，从便宜到贵：
① URL 规范化 去掉追踪参数、还原短链 —— 挡掉大部分完全重复
② 内容指纹 正文 SimHash / MinHash —— 挡掉转载和微改
③ 向量近重 标题+摘要 embedding，余弦相似度 —— 把报道同一件事的多条，收敛成一个"事件"
第三级是关键。它把"二十条报道"收敛成"一个事件"，于是你后面读到的是三十件事，而不是三百条内容。那台搬运机的病根就在这里——它缺了这一层，把三百条原样倒给你，等于把降噪这份最累的活儿，又还给了你的眼睛。
好消息是：这一层的判断非常确定、非常机械，可以放心整个外包给 AI 和算法，效率是人肉的几十倍。它对应认知框架里的"信息层"，正是 AI 的主场。
怎么观测：盯"去重命中率"。这个比值突然变化，往往说明某个源的结构变了或者出了故障。
三、处理：把 raw 压成"可判断的单元"
翻译、摘要、打标签、初步打分。本质是一个压缩动作：把一条需要你花两分钟读原文才能判断价值的东西，压成十秒钟就能判断的卡片。
这仍然是 AI 的主场，对应认知框架里"信息层到记录层"的加工。但一定要加一道质检：让另一个 agent 拿摘要和原文做一致性校验。因为 AI 摘要会失真、会幻觉，而失真的摘要比没有摘要更危险——它会让你自信地基于一个错误判断做决定。那类纯 AI 内容号最常翻车的地方就在这儿。质检不过关的，打回或者显式标注，别让它混进主流。
怎么观测：盯质检通过率。它掉下来，说明要么源质量变了，要么模型该调了。
四、知识：这一层，别外包
到这里，链路出现了一道分水岭。
我在专栏总纲里给自己定过一条规矩：信息层尽量用 AI，知识层坚持自己先过一遍手。 放到情报系统里，这条规矩变得更具体、也更重要。
情报系统里的"知识"是什么？是你把反复出现的信号，沉淀成你自己的判断模型：哪些源真正可信、哪个方向在加速、什么样的模式一出现就意味着机会。系统可以帮你把候选摆到面前——每天给你一份按分数排好的 Top N；但"这一条为什么重要"这句话，必须你自己写。
这句话，就是《超级个体的栈》 里反复强调的那 1.6%——一套 agent 系统 98.4% 是脚手架，只有 1.6% 是真正的决策逻辑。在情报系统里，这 1.6% 就是你在知识层写下的判断。它是别人抄不走的护城河，因为它长在你的认知上，不长在你的代码里。一旦你把这一层也外包给 AI，你会拥有一个越来越聪明的系统，和一个越来越空的自己。
这一层的产物，应该回流进你的第二大脑，变成可反复调用的知识卡片，而不是躺在信息流里被下一批内容冲走。怎么搭一个 AI 能直接读写的知识库，我在《把笔记交给 AI 操作》 里写过完整的三层架构；情报系统的知识层，出口就应该接到那套第二大脑上。采集是入口，第二大脑是沉淀池，两者本来就该是一条河。
五、行动：情报的终点是行动，不是信息
这是最容易被跳过、却是唯一让整套系统真正值钱的一层。
回到开头那个定义：一条情报如果不改变你任何决策或动作，它的价值是零，你只是拥有了一个更精致的收藏夹。所以链路不能停在"生成了一份漂亮的简报"，它必须接到"做"上：
高信号 ──▶ 即时告警 ──▶ 触发一个动作
（写一条、回一个人、建一个 issue、
起草一篇初稿、约一次对话）
本质就一个词：close the loop（闭环）。把"知道"接到"做"上，系统才算活的。
这里可以用《超级个体的栈》 里讲的"过夜 agent"把一部分行动也自动化——让你早上醒来收到的，不是三百条待读，而是"三件今天值得做的事，外加已经替你起草好的初稿"。但记住那篇文章里最反直觉、也最重要的一条安全公理：真正不可逆的动作必须 HITL（人在回路）。 复合误差是硬数学，95% 准确率连做二十步只剩 36% 的成功率——所以让 agent 去做"起草、汇总、提醒"这类可回滚的事，而"发出去、买进去、删掉"这类一步错满盘输的事，必须由你按下最后那个按钮。安全长在 harness 里，不长在模型的自觉里。
这台机器，98% 不是 AI
如果你把上面五层真的实现一遍，会发现一个也许反直觉的事实：LLM 调用只占很小一块，绝大部分工程量在别处。
采集调度、增量拉取、三级去重、存储、向量库、多渠道分发、失败重试、成本预算、观测告警——这些不性感、发朋友圈没人点赞的管道，才是这台机器的主体。这正呼应了《超级个体的栈》里那个数字：Claude Code 的代码库 98.4% 是围绕模型的运营基础设施，只有 1.6% 是 AI 决策逻辑。模型是商品，harness 是手艺。
┌───────────────── 情报系统 Harness ─────────────────┐
│ 采集层 多源接入 · 调度 · 增量 · 归一化 │
│ 分析层 三级去重 · 事件聚合 · 噪音过滤 │
│ 加工层 翻译 · 摘要 · 打标 · 打分 · 质检 ──► LLM │
│ 存储层 关系库 + 向量库（近重与检索同库） ◄── │
│ 沉淀层 知识回流 → 第二大脑 │
│ 行动层 排序 · 告警 · 触发 · HITL 关卡 │
│ 观测层 源健康 · 信噪比 · 成本 · 判断命中率 │
└─────────────────────────────────────────────────────┘
“可运营"这三个字的全部重量，都压在这 98% 上。一台 demo 谁都能跑起来；能连续跑三年、源挂了会告警、成本超了会降级、判断错了能复盘——那才叫可运营。而这些，一行 prompt 都换不来。
观测性：你怎么知道它没坏，也没在骗你
观测性单拎出来讲，因为它是情报系统和玩具的分界线，也是最容易被忽略的一层。我盯四个维度：
一、源健康。 每个源的成功率、空拉次数、连续失败。这是最危险的一类失败——silent failure（沉默失败）。RSSHub 的某个路由悄悄失效、某个 API 开始限流，你的世界会突然变得"很安静”，而你还以为是真的没新闻。沉默不等于没事。 一个不监控源健康的情报系统，最后一定会在某个关键时刻，让你因为"没收到"而错过。
二、信噪比与去重命中率。 你最终读到的，是"事件"还是"重复"？这个比值漂移，说明源结构或算法该调了。
三、成本。 token/天、每条内容的成本，按方向拆开。设一个预算硬顶，超了就降级——只处理高优先级的源。别让一次源头异常刷爆你的账单。
四、判断命中率（最本质、也最容易漏）。 前三个是系统层的观测，这一个是认知层的观测：你标为"高信号"的，后来真的重要了吗？你划掉的，后来打脸了吗？ 一个不记录自己判断命中率的情报系统，永远不会变准，因为它没有反馈。把这一条做起来，观测的终点就不再是盯着一块 dashboard，而是让你的判断本身变得可迭代——这恰好接上了专栏总纲里那句话：AI 是来帮你发现自己思维边界的。系统帮你把边界量化出来，你才知道往哪儿修。
最小可运营版本：别想一天跑通全链路
看到这里别被吓住。这套东西不是一次性建成的，最忌讳的就是贪心地把七层一起上。
我建议的路径，和我在《把笔记交给 AI 操作》 里反复强调的"分层验收"是同一个道理：
- 第一步，一条最小闭环。 单个方向、三个源（一个 RSS、一个 GitHub release、一个 RSSHub 的推特账号）→ 去重 → 摘要 → 每天一条简报，发到你随手能看的地方。先证明"能持续、不重复、值得读"这三件事。
- 第二步，加判断层和行动层。 上打分和信号识别，每天给你 Top N 候选，你花十五分钟挑三条、各写一句点评；高信号的即时告警。
- 第三步，加观测和知识回流。 把源健康、成本、判断命中率的看板搭起来；把知识层的产物接进你的第二大脑。
每一层单独跑通、单独验收，再接下一层。一旦你把七层一起上，哪一层出问题都定位不到，最后就是那句真实的复盘——“卡了一整天”。系统是在一次次真实使用里长出来的，不是提前搭好的。先钉第一颗钉子。
结尾：一个人能收多少信息，不重要
回到开头那台搬运机。
它把"一个人能接入多少源、日更多少条"这件事做到了近乎极致——三百条一天，三年不断。可它依然只是一台搬运机。这件事让我想了很久，最后想明白一点：
情报系统真正的修炼，从来不在链路的前半段。 采集、去重、摘要——这些机器都能做到极致，而且只会越做越好。真正稀缺的、也是这套系统全部价值所在的，是链路末端那两件机器替不了你的事：在知识层写下"它为什么重要"的那句判断，和在行动层按下"就做这个"的那个决定。
这也是《超级个体的栈》结尾那句话在情报这件事上的回声——超级个体的"超级"，不是说你一个人能知道得更多（那台搬运机比你我都知道得多），而是说你能撬动的杠杆变长了。杠杆变长的意思是：你能因为知道而做得不同的事，也变多了十倍。
所以别去追一个知道得最多的系统。去搭一个让你因为知道而做得不同的系统。
信息不值钱，值钱的是处理信息的能力；而处理信息的终点，不是又一份漂亮的简报，是行动。
延伸阅读：这套系统背后的认知框架，见专栏总纲《信息、记录、知识、创作》 ；知识层怎么落地成一个 AI 能操作的第二大脑，见《把笔记交给 AI 操作》 ；MCP、Skills、过夜 agent 与那 98.4% 的工程账，见《超级个体的栈》 。
读者回响