带个性化推荐的 RSS 阅读器 / 零 Token 使用 / 开源今日头条替代
完全自部署、零 Token 使用的今日头条。
邸报把个性化推荐限制在你自己订阅的 RSS / Atom 消息源里。它给你平台级的阅读排序， 但不接管你的信息入口，不出售你的注意力，也不把用户画像交给广告系统。
- 消息源
- 只来自你订阅的 RSS
- 画像
- 留在本地实例
- 推荐
- 可解释，可调教
邸报
今日 · 42 篇推荐
推荐
最新
收藏
来源、主题、时间新鲜度和你的阅读深度一起决定排序。
provider 可选，本地基础排序始终可用。
没有广告位，也没有平台强塞的消息源。
为什么需要邸报
你不该被平台喂养，也不该被订阅列表淹没。
平台信息流知道什么会让你继续刷，但它不告诉你边界在哪里。传统 RSS 尊重消息源主权， 可订阅一多，阅读器就变成未读数字的仓库。邸报要补上的，是这两者中间缺失的个人排序能力。
场景对比
把平台的阅读体验，装回你的 RSS 主权里。
个性化很强，但你无法知道它在替谁优化。
- 推荐顺滑，阅读路径短
- 热点发现快，启动成本低
- 消息源由平台决定
- 广告、商业目标和算法目标混在一起
- 你的兴趣画像成为平台资产
纯净、可控，但订阅越多，越容易被未读压住。
- 没有广告位，阅读干净
- 每个消息源都由你决定
- 缺少个人化排序
- 信息过载后只能靠手工筛选
- 阅读行为没有沉淀成长期帮助
只在你的订阅范围内推荐，把可控消息源和个人化排序放在一起。
- 自部署，数据和画像留在本地
- 可零 Token 使用，也可接入本地 Ollama
- 推荐原因可看见，不把系统做成黑箱
技术选择
AI 驱动，但零费用。
生成式人工智能的涌现，让个性化阅读产品出现了大爆发。但很少有人意识到， LLM 是生成式模型，它并不擅长以低成本驱动个性化信息流。
邸报采用“上一代”人工智能技术，也就是十年前流行起来的“推荐算法”为核心。 它通过小参数 Embeddings 模型即可驱动，在 Mac、NAS 等场景运行良好， 也可以接入云端 Provider 使用各种免费 Embedding 模型。
更深一层
你的个人用户画像，是你自己的个人资产。
收藏、稍后读、不感兴趣、阅读进度、停留时间，这些不是广告投放素材， 也不应该变成平台锁住你的筹码。它们是你长期阅读习惯的压缩，是你判断世界的私人地图。
邸报的原则很简单：画像可以帮你节省时间，但它必须归你所有。推荐可以存在， 但它应该在你的订阅边界内工作，并且随时接受你的纠正。
内测阶段
如果你想要一个属于自己的个人信息流，加入 Waitlist。
现在只开放一页介绍和内测登记。后续会优先邀请真正需要自部署 RSS 推荐、 本地画像和低广告干扰阅读的人。