本地推荐应该像一张可复核的日报
来源、主题、新鲜度和阅读深度一起决定排序。
带个性化推荐的 RSS 阅读器 / 零 Token 使用 / Fair-Code 公平代码授权
把“今日头条”式排序能力，放回你自己的 RSS 信源里。
邸报只在你订阅的 RSS / Atom 范围内做个性化排序。你保留信源、数据和用户画像，它负责把几百篇未读整理成一张可复核的个人日报。
- 信源
- 只来自你订阅的 RSS
- 成本
- 基础排序与小模型方案可零 Token 使用
- 画像
- 留在你的 SQLite 和自托管实例
推荐为什么
小模型 embedding 在个人阅读中的取舍
Provider 可选，本地基础排序始终可用。
把订阅源重新变成有秩序的日常入口
没有广告位，也没有平台强塞的信息源。
为什么需要邸报
你不该被平台喂养，也不该被未读列表淹没。
平台信息流擅长让人继续刷，却把消息源、广告目标和用户画像锁在一起。传统 RSS 干净可控，但订阅一多就变成未读债务。邸报选择中间路线：信源归你，排序帮你，解释给你。
场景对比
平台推荐、传统 RSS 和邸报之间的差异。
01中央式平台
阅读感顺滑，但你不知道它在替谁优化。
- 个性化强，启动成本低
- 热点发现快，路径短
- 消息源由平台决定
- 广告和商业目标混入排序
- 兴趣画像成为平台资产
02传统 RSS 阅读器
纯净、可控，但很容易被订阅数量反噬。
- 没有广告位
- 消息源完全由你决定
- 缺少个性化排序
- 订阅过多后只能手工筛选
- 阅读行为很难沉淀成长期帮助
03邸报
把 RSS 的信源主权和推荐流的阅读体验放在一起。
- 自托管，数据留在本地
- 推荐只发生在订阅范围内
- 解释、诊断、fallback 都可见
技术选择
AI 驱动，但不需要把账单交给 LLM。
生成式 AI 让个性化阅读产品快速增多，但 LLM 并不适合以低成本驱动持续的信息流排序。
邸报采用推荐算法思路和小参数 Embeddings 模型即可驱动；在 Mac、NAS、VPS 上都可以按资源选择本地或免费 Provider。
LLM适合生成，不适合作为低成本信息流发动机
Embeddings小模型即可完成相似度与兴趣排序
Mac / NAS / Free Provider本地优先，云端可选，日常使用可零费用
产品哲学
你的个人用户画像，是你自己的个人资产。
阅读偏好不是平台的燃料，而是你长期积累的知识地图。邸报把行为事件、文章状态、阅读进度、来源偏好、兴趣簇和索引状态留在你的自托管环境里，让它们服务你，而不是服务广告系统。
行为事件本地记录
兴趣簇可解释
Provider 配置你决定
推荐画像个人资产
获取 v0.1.0