1. 从“手动刷新闻”到“AI读报”一个自动化信息流的诞生每天早上我都有一个雷打不动的习惯打开几个固定的科技资讯网站、订阅的RSS源以及几个技术社区的聚合页面花上二三十分钟快速浏览一遍过去24小时发生了什么。这个过程与其说是获取信息不如说是一种仪式感一种让自己与快速变化的技术世界保持同步的方式。但时间久了问题也来了信息源分散重复内容多真正有价值的信息往往被淹没在大量的标题党、软文和转载里。我需要的是一个能帮我“过滤”和“提炼”的助手而不是一个简单的聚合器。于是一个想法诞生了为什么不写一个AI Skill让它来替我完成这个“刷新闻”的枯燥工作并且以更友好的方式呈现给我这个Skill的核心目标很明确自动化、个性化、可读化。它需要自动抓取我指定的信息源利用大语言模型LLM的能力去理解、筛选和总结最后生成一份结构清晰、重点突出的“晨报”在我起床时就能看到。这不仅仅是RSS阅读器的升级而是一个结合了信息获取、智能处理和内容生成的个人AI助理。我把它命名为“晨报助手”。它不依赖于某个特定的封闭平台而是基于开源的Agent框架和Python生态构建这让我能完全掌控数据流、处理逻辑和输出格式。整个过程涉及几个关键技术点信息源的抓取与解析RSS/网页、AI模型对内容的处理总结、分类、去重、以及最终报告的生成与推送Markdown/邮件/消息。接下来我将详细拆解这个项目的实现过程从架构设计到代码细节再到实际部署中遇到的坑和解决方案。无论你是想构建类似的个人自动化工具还是对AI Agent的实际应用感兴趣相信都能从中获得启发。2. 技术栈选型为什么是Hermes Agent Python RSS构建这样一个AI Skill技术选型是第一步。它决定了开发的复杂度、灵活性和最终效果。我的核心诉求是轻量、可控、易于集成AI能力、并且能稳定运行在个人服务器或电脑上。经过一番调研和对比我确定了以Hermes Agent为核心Python为开发语言RSS为主要信息源的技术组合。2.1 核心大脑为何选择Hermes Agent在AI Agent领域有很多选择比如LangChain、AutoGPT以及各大云厂商提供的Agent服务。我最终选择Hermes Agent主要基于以下几点考虑第一设计哲学契合。Hermes Agent的设计目标就是构建一个轻量级、可扩展的个人AI助手。它不像一些企业级框架那样庞大复杂而是强调“单一任务”的Agent能力非常适合“定时抓取-处理-报告”这种明确的流水线作业。它的代码结构清晰易于理解和二次开发。第二与本地大模型集成友好。这是最关键的一点。我不想让我的阅读习惯和抓取的内容数据流经第三方API既有隐私顾虑也可能产生费用。Hermes Agent原生支持与本地部署的大语言模型如通过Ollama、LM Studio运行的模型进行交互。这意味着我可以在自己的机器上跑一个7B或13B参数的模型虽然速度可能稍慢但数据完全私有且没有调用次数限制。第三任务编排能力。Hermes Agent内置了任务规划、工具调用和记忆模块。对于“晨报助手”来说我可以定义一个主任务“生成今日科技晨报”。这个主任务会被自动拆解为子任务例如“获取RSS源列表”、“抓取并解析每篇文章”、“调用LLM总结文章核心”、“按主题归类文章”、“生成Markdown报告”。Agent会自动协调这些子任务的执行顺序和依赖关系。第四社区与工具生态。虽然相对较新但Hermes Agent的社区正在活跃发展提供了不少基础工具Tool比如网页搜索、文件读写、计算器等。对于抓取RSS我可以很容易地集成现有的Python库如feedparser并将其封装成一个Hermes Agent可调用的Tool。注意Hermes Agent的安装和配置需要一定的Python环境管理经验。官方推荐使用Conda或venv创建虚拟环境并确保Python版本在3.8以上。如果遇到依赖冲突特别是与PyTorch相关的CUDA版本问题需要耐心排查。2.2 粘合剂与执行者Python的不可替代性Python在这个项目中扮演了“万能胶水”的角色。几乎所有环节都离不开它信息抓取使用feedparser库解析RSS/Atom源使用requests和BeautifulSoup4应对那些没有RSS或需要抓取全文的网站。数据处理使用pandas对抓取到的文章进行初步的清洗、去重基于标题和链接的相似度。AI模型交互虽然Hermes Agent封装了核心交互但底层的模型调用如使用ollama库调用本地Ollama服务仍然是Python代码。报告生成使用Python的字符串模板或Jinja2引擎将结构化数据渲染成美观的Markdown文本。任务调度使用schedule或apscheduler库实现每天早上的定时自动运行。选择Python意味着拥有海量的第三方库支持和几乎“所见即所得”的开发效率这对于快速迭代一个个人项目至关重要。2.3 信息源头RSS的古老与可靠在信息聚合领域RSSReally Simple Syndication是一个古老但极其可靠的协议。它为什么依然是首选结构化与标准化RSS提供结构化的数据标题、链接、发布时间、摘要解析起来非常简单、稳定不像解析普通网页那样容易因前端改版而失效。内容纯净通常RSS源提供的是文章的纯文本内容或摘要没有广告、侧边栏等干扰信息非常适合后续的AI处理。对网站友好通过订阅RSS获取内容相比频繁爬取网页对目标网站的负载更小更符合道德规范。我的信息源主要包括Hacker News的首页RSS、某个科技博客的独立RSS、以及通过RSSHub生成的少数没有官方RSS的社区板块。将多个RSS源聚合就构成了“晨报助手”的信息基础。一个简单的RSS抓取示例import feedparser def fetch_rss_feeds(feed_urls): all_entries [] for url in feed_urls: try: feed feedparser.parse(url) for entry in feed.entries: # 提取关键信息 article { title: entry.title, link: entry.link, published: entry.get(published, ), summary: entry.get(summary, entry.get(description, )), source: url } all_entries.append(article) except Exception as e: print(fError parsing feed {url}: {e}) return all_entries # 使用 feeds [https://news.ycombinator.com/rss, https://example.com/feed] articles fetch_rss_feeds(feeds)这个函数会返回一个字典列表每个字典代表一篇文章。后续的所有处理都基于这个结构化的数据。3. 构建“晨报助手”Skill的完整流程有了技术栈接下来就是具体的实现。我将整个过程分为四个核心阶段环境搭建与Hermes Agent初始化、信息抓取与预处理工具开发、AI总结与分类逻辑实现、以及最终的报告生成与格式化。3.1 第一阶段搭建Hermes Agent运行环境首先需要在你的开发环境可以是本地电脑也可以是云服务器上准备好一切。步骤1创建并激活Python虚拟环境。这是为了避免包依赖冲突。我强烈推荐使用conda或venv。# 使用 conda conda create -n hermes-agent python3.10 conda activate hermes-agent # 或使用 venv python -m venv venv # Windows venv\Scripts\activate # Linux/Mac source venv/bin/activate步骤2安装Hermes Agent及其核心依赖。目前Hermes Agent通常通过源码安装。克隆仓库并安装。git clone hermes-agent-repo-url cd hermes-agent pip install -e .同时安装我们需要的其他库pip install feedparser requests beautifulsoup4 pandas schedule ollama这里ollama是用于与本地Ollama服务交互的库。你需要先在本机安装并运行Ollama并拉取一个合适的大模型例如llama3.1:8b或qwen2.5:7b。步骤3配置Hermes Agent连接本地大模型。Hermes Agent的配置通常通过一个YAML或JSON文件完成。你需要指定使用的LLM后端。以下是一个连接本地Ollama的配置示例config.yamlagent: name: morning_news_agent llm: provider: ollama # 指定使用Ollama model: llama3.1:8b # 你本地部署的模型名称 base_url: http://localhost:11434 # Ollama默认服务地址 tools: [] memory: type: short_term在代码中你需要加载这个配置来初始化Agent。Hermes Agent的API可能会变动但核心思想是创建一个Agent实例并为其配备工具Tools。3.2 第二阶段开发信息抓取与预处理工具在Hermes Agent的框架下任何外部能力如抓取RSS、读写文件都需要被封装成“工具”Tool。工具是一个标准的Python类包含名称、描述和一个_run方法。工具1RSS聚合抓取工具这个工具将我们之前写的RSS抓取函数封装起来供Agent调用。from hermes.agent.tool import Tool from typing import List, Dict import feedparser class RSSFetchTool(Tool): name rss_fetcher description Fetch and parse articles from a list of RSS feed URLs. Returns a list of articles with title, link, summary, and source. def _run(self, feed_urls: List[str]) - List[Dict]: 抓取RSS源 all_entries [] for url in feed_urls: try: feed feedparser.parse(url) for entry in feed.entries: article { title: entry.title, link: entry.link, published: entry.get(published, ), summary: entry.get(summary, entry.get(description, )), source: url } all_entries.append(article) except Exception as e: print(fError parsing feed {url}: {e}) return all_entries工具2网页内容增强抓取工具可选有些RSS只提供摘要为了获得更全面的信息用于AI总结可能需要抓取全文。这个工具使用requests和BeautifulSoup来获取文章主体内容。import requests from bs4 import BeautifulSoup class WebContentTool(Tool): name web_content_fetcher description Fetch the main textual content from a given article URL. Useful when RSS only provides a summary. def _run(self, url: str) - str: 抓取网页正文 try: headers {User-Agent: Mozilla/5.0} resp requests.get(url, headersheaders, timeout10) resp.raise_for_status() soup BeautifulSoup(resp.content, html.parser) # 简单的正文提取通常位于article或p标签中这里需要根据目标网站调整 # 这是一个非常基础的示例实际应用可能需要更复杂的清洗规则 main_content soup.find(article) if not main_content: main_content soup.find(div, class_lambda c: c and content in c) text main_content.get_text(separator\n, stripTrue) if main_content else return text[:5000] # 限制长度避免上下文过长 except Exception as e: print(fError fetching {url}: {e}) return 将这个工具集成后Agent可以先抓取RSS列表然后对感兴趣的文章例如根据标题关键词筛选调用此工具获取全文。工具3文章去重工具不同RSS源可能会报道同一事件。我们需要一个简单的去重工具基于标题相似度如使用TF-IDF或简单关键词匹配或链接匹配。from sklearn.feature_extraction.text import TfidfVectorizer from sklearn.metrics.pairwise import cosine_similarity import numpy as np class DeduplicateTool(Tool): name deduplicator description Remove duplicate or highly similar articles from a list based on title similarity. def _run(self, articles: List[Dict], similarity_threshold: float 0.8) - List[Dict]: 基于标题相似度去重 if len(articles) 1: return articles titles [a[title] for a in articles] vectorizer TfidfVectorizer().fit_transform(titles) cosine_sim cosine_similarity(vectorizer) unique_indices [] for i in range(len(articles)): # 检查当前文章是否与已保留的文章高度相似 duplicate False for j in unique_indices: if cosine_sim[i, j] similarity_threshold: duplicate True break if not duplicate: unique_indices.append(i) return [articles[i] for i in unique_indices]这个工具使用了scikit-learn库需要额外安装pip install scikit-learn。对于轻量级应用也可以实现一个更简单的基于关键词集合的Jaccard相似度计算。3.3 第三阶段实现AI总结与分类逻辑这是整个Skill的“智能”核心。我们需要让LLM理解文章内容并完成两项任务生成简洁摘要和进行主题分类。设计Prompt提示词与大模型交互Prompt的设计至关重要。我的经验是给模型明确的指令、格式和示例。摘要Prompt示例你是一个科技新闻编辑。请为以下文章生成一个简洁的摘要要求如下 1. 长度控制在100字以内。 2. 突出文章的核心技术点、产品发布或行业动态。 3. 语言精炼用中文输出。 4. 如果原文是英文请先翻译关键信息再总结。 文章标题{title} 文章链接{link} 文章内容或摘要{content} 请直接输出摘要不要有其他解释。分类Prompt示例请判断以下科技文章的主要所属领域。请从以下类别中选择一个最贴切的人工智能、编程开发、硬件产品、网络安全、创业投资、行业趋势、其他。 文章标题{title} 文章摘要{summary} 只需输出类别名称例如人工智能在Hermes Agent中我们可以创建一个专门调用LLM完成这些任务的工具。或者更优雅的方式是利用Agent的“规划”能力让Agent自己决定何时以及如何调用LLM。这里我展示一个直接的工具实现class LLMSummarizerTool(Tool): name llm_summarizer description Use LLM to generate a concise Chinese summary and determine the category for a given article. def _run(self, title: str, content: str) - Dict: 调用LLM进行总结和分类 # 构建摘要Prompt summary_prompt f你是一个科技新闻编辑。请为以下文章生成一个简洁的摘要要求如下 1. 长度控制在100字以内。 2. 突出文章的核心技术点、产品发布或行业动态。 3. 语言精炼用中文输出。 文章标题{title} 文章内容{content[:3000]} # 限制内容长度 摘要 # 调用本地Ollama模型 from ollama import chat response chat(modelllama3.1:8b, messages[ {role: user, content: summary_prompt} ]) summary response[message][content].strip() # 构建分类Prompt category_prompt f请判断以下科技文章的主要所属领域。请从以下类别中选择一个最贴切的人工智能、编程开发、硬件产品、网络安全、创业投资、行业趋势、其他。 文章标题{title} 文章摘要{summary} 只需输出类别名称例如人工智能 category_response chat(modelllama3.1:8b, messages[ {role: user, content: category_prompt} ]) category category_response[message][content].strip().strip() return {summary: summary, category: category}在实际运行中为了避免对每篇文章都发起两次LLM调用效率低且可能超过上下文窗口我们可以设计一个更高效的Prompt让模型一次输出摘要和分类。例如要求模型以“摘要... 分类...”的格式回复。3.4 第四阶段生成与格式化晨报所有文章经过抓取、去重、总结和分类后我们得到了一个结构化的数据列表。现在需要将其转化为一份易读的晨报。数据聚合首先按分类将文章分组。def group_articles_by_category(processed_articles): 按分类分组文章 from collections import defaultdict grouped defaultdict(list) for article in processed_articles: grouped[article[category]].append(article) return groupedMarkdown报告生成我选择Markdown作为输出格式因为它轻量、易读并且可以轻松转换为HTML、PDF或直接发送到支持Markdown的笔记软件如Obsidian、Notion或聊天工具如Slack、Telegram。def generate_markdown_report(grouped_articles, date): 生成Markdown格式的晨报 report_lines [f# 科技晨报 {date}\n, f*自动生成于 {date}*\n\n---\n] # 按预设的分类顺序输出 category_order [人工智能, 编程开发, 硬件产品, 网络安全, 创业投资, 行业趋势, 其他] for category in category_order: articles grouped_articles.get(category, []) if articles: report_lines.append(f## {category}\n) for idx, article in enumerate(articles, 1): report_lines.append(f### {idx}. [{article[title]}]({article[link]})) report_lines.append(f**来源** {article[source_name]} \n) # 假设我们之前提取了源站名 report_lines.append(f**摘要** {article[summary]}\n) report_lines.append(---\n) # 如果没有匹配任何预设分类放在最后 other_cats [cat for cat in grouped_articles.keys() if cat not in category_order] for cat in other_cats: report_lines.append(f## {cat}\n) for idx, article in enumerate(grouped_articles[cat], 1): # ... 类似上述格式输出 pass report_lines.append(\n---\n*本报告由 AI 晨报助手自动生成仅供参考。*) return \n.join(report_lines)生成的Markdown内容可以保存为本地文件.md也可以通过邮件使用smtplib和email库或消息机器人如Telegram Bot、企业微信机器人的API发送给自己。最终集成与任务定义最后我们需要在Hermes Agent中定义一个主任务将上述所有工具串联起来。这通常在Agent的“规划”阶段通过自然语言指令完成但也可以显式地编写任务流。# 伪代码展示在Hermes Agent框架下的任务流概念 def main_morning_task(agent): # 1. 告诉Agent要做什么 task_description 你的任务是生成今日科技晨报。 请按以下步骤执行 1. 使用 rss_fetcher 工具抓取预设的RSS源列表。 2. 使用 deduplicator 工具对抓取到的文章进行去重。 3. 对于去重后的每篇文章使用 llm_summarizer 工具生成中文摘要并分类。 4. 将处理后的文章按分类组织好。 5. 调用 report_generator 工具生成Markdown格式的晨报。 6. 调用 file_writer 工具将晨报保存到指定路径。 # 2. Agent接收任务并开始规划执行 result agent.run(tasktask_description) return result一个file_writer工具的实现非常简单就是基本的文件操作。这样每天早上通过系统定时任务如cron或Windows任务计划程序触发这个Python脚本一份个性化的科技晨报就会准时出现在你的桌面或收件箱里。4. 部署、优化与踩坑实录将代码跑通只是第一步让它稳定、高效、长期地运行才是真正的挑战。这部分分享我在部署和优化“晨报助手”过程中积累的经验和遇到的坑。4.1 部署方式从本地到服务器的选择方案一本地电脑常驻适合个人使用最简单的方式是让脚本在你的个人电脑上运行。你可以设置电脑不休眠并使用系统自带的定时任务工具。Windows使用“任务计划程序”创建一个每天固定时间如早上7点触发Python脚本的任务。macOS/Linux使用cron。通过crontab -e编辑任务添加一行0 7 * * * /path/to/your/venv/bin/python /path/to/your/script.py。缺点电脑必须保持开机和网络连接。不适合需要高可用性的场景。方案二云服务器/虚拟机推荐购买一台最基础的云服务器如1核1G月成本很低。在服务器上部署可以保证24小时在线。步骤在服务器上安装Python、Git、Ollama等必要环境。克隆你的代码仓库。使用tmux或screen创建一个持久会话在会话中运行Ollama服务ollama serve和你的Agent脚本。或者更规范的做法是使用systemd创建两个服务单元service unit分别管理Ollama和你的Python脚本实现开机自启和进程守护。同样使用cron配置定时任务。优势稳定、独立、不影响本地电脑。可以利用服务器更强的算力运行更大的模型。方案三容器化部署进阶使用Docker将整个应用Python环境、代码、Ollama模型打包成一个镜像。这提供了极好的环境一致性和可移植性。挑战需要编写Dockerfile处理模型数据卷的挂载镜像可能比较大包含模型权重。对于个人项目来说复杂度稍高但是一次构建处处运行。简化版可以只Docker化你的Python脚本部分模型服务Ollama仍通过宿主机或单独容器运行通过网络通信。4.2 性能与成本优化让AI用得“更聪明”本地运行大模型最大的开销是时间和计算资源。如何优化1. 模型选型在效果和速度间平衡7B参数模型如Llama 3.2 7B、Qwen2.5 7B。在消费级GPU如RTX 4060或CPU上推理速度较快几秒到十几秒一篇总结摘要质量足够。是个人项目的首选。更小的模型如Phi-3 Mini (3.8B)速度更快但逻辑和总结能力可能稍弱。量化使用GGUF格式的量化模型通过Ollama或llama.cpp加载可以大幅减少内存占用并提升CPU上的推理速度。例如Q4_K_M量化在几乎不损失精度的情况下模型体积和内存需求减少超过一半。2. 预处理过滤减少LLM调用不是每篇文章都值得总结。在调用昂贵的LLM之前先进行一层基于规则的过滤。关键词黑名单/白名单过滤掉标题中含有“广告”、“赞助”、“快讯”如果不需要等字眼的文章。或者只处理包含你感兴趣的关键词如“Python”、“LLM”、“芯片”的文章。源站优先级为不同的RSS源设置权重。来自核心信源的文章优先处理次要信源的文章只有在没有重复的情况下才进入LLM处理流程。摘要长度判断如果RSS提供的摘要已经非常清晰完整超过200字可以考虑直接使用或仅做轻微润色跳过LLM总结步骤。3. 批量处理与上下文优化批量总结不要一篇一篇地调用LLM。可以将3-5篇同主题的文章的标题和摘要拼接在一起让模型一次性为多篇文章生成总结。这能减少模型加载和预热开销。Prompt可以设计为“请为以下三篇关于人工智能的新闻分别生成一句话摘要1. [标题1]... 2. [标题2]...”。优化Prompt清晰的指令和格式要求能减少模型的“胡思乱想”和无效输出提高一次成功率避免重试。在Prompt中提供输出格式的示例Few-shot Learning效果显著。4.3 真实踩坑与解决方案坑1RSS源不稳定或格式非标有些网站的RSS输出不规范feedparser解析会出错比如日期格式奇怪、包含非法字符。解决方案增加异常捕获和日志记录。对于解析失败的源可以尝试用requests直接获取XML然后手动清洗或使用更宽松的解析模式。对于关键源可以考虑转为使用其官方API如果有的话。坑2LLM输出格式不一致即使给出了严格的输出格式要求模型有时还是会加上“好的以下是摘要”这样的前缀或者分类结果不在预设列表中。解决方案在后处理代码中增加清洗逻辑。使用正则表达式提取关键部分。对于分类可以设置一个默认类别如“其他”或者当输出不在预设列表时让模型重试一次。坑3网络请求超时与重试抓取网页内容时很容易遇到网络超时、对方反爬返回403等问题。解决方案为requests设置合理的timeout参数如10秒。实现简单的重试机制如tenacity库。设置友好的User-Agent头模拟浏览器访问。对于频繁反爬的网站要么放弃抓取全文要么研究其API。坑4模型服务Ollama意外退出在服务器上Ollama服务可能因为内存不足或其他原因挂掉。解决方案使用systemd守护进程并配置自动重启Restarton-failure。在Python脚本中在调用模型前增加一个健康检查如果Ollama服务不可用则记录错误并跳过本次任务而不是让整个脚本崩溃。坑5生成的内容质量波动同样的Prompt不同时间、不同批次的文章模型生成摘要的质量时好时坏。解决方案这是当前LLM的固有特性。可以通过以下方式缓解温度Temperature参数在调用模型时设置较低的温度如0.1-0.3让输出更确定、更少随机性。后处理润色对生成的摘要可以再用一条简单的Prompt让模型检查并润色“请检查以下摘要是否通顺、无事实错误并进行优化...”。人工反馈循环可选在生成的晨报中加入简单的反馈机制比如在每篇摘要后加一个‘’/‘’的链接点击后记录。定期查看反馈对于经常被点‘’的摘要类型调整对应源的抓取策略或总结Prompt。5. 超越“晨报”Skill的更多可能性与扩展思路“晨报助手”是一个很好的起点但AI Skill的潜力远不止于此。一旦你搭建好了这个基于Hermes Agent的自动化流水线就可以很容易地将它扩展到其他领域或者增加更复杂的功能。扩展方向一多模态与个性化推荐集成多源信息除了RSS可以接入Twitter/X通过API、Reddit、特定Discord频道、甚至是新闻邮件列表通过IMAP解析邮件。让信息源更多元。个性化过滤让模型学习你的阅读偏好。初期可以基于你手动标记的“喜欢/不喜欢”的文章后期可以尝试用嵌入模型Embedding Model计算文章向量与你历史感兴趣的文章向量进行相似度匹配实现更智能的推荐。音频简报将生成的Markdown文本通过TTS文本转语音服务如Edge-TTS、Azure TTS转换成语音生成一份5分钟的音频晨报在通勤路上听。扩展方向二从“读报”到“读报互动”问答模式将处理过的文章存入一个向量数据库如ChromaDB、Qdrant。你可以向你的AI Skill提问“昨天关于苹果WWDC有什么重磅消息” Agent会从数据库中检索相关文章并生成一个整合性的答案。深度分析报告不仅仅是每日摘要可以每周或每月让Agent对所有文章进行一次主题聚类和趋势分析生成一份周期性的深度分析报告指出过去一段时间的热点领域和技术风向。自动执行动作结合IFTTT或Zapier或者直接调用各类API。例如当Agent发现一篇关于“Python新版本发布”的重磅文章时除了加入晨报还可以自动在你的待办清单如Todoist中创建一条“学习Python X.X新特性”的任务。扩展方向三技能共享与社区化模板化与配置化将RSS源列表、分类规则、Prompt模板等都做成配置文件YAML/JSON。这样其他人只需要克隆你的项目修改配置文件就能快速搭建自己的“财经晨报助手”或“游戏资讯助手”。构建工具市场将你开发的RSSFetchTool、WebContentTool、LLMSummarizerTool进行更好的封装和文档化贡献给Hermes Agent社区。其他人可以直接安装使用你的工具就像安装一个Python包一样简单。这个项目的核心价值不在于代码本身而在于它展示了一种思路将AI Agent视为一个可以编程的、能理解复杂指令的“数字员工”。我们不再仅仅是使用现成的AI应用而是通过组合工具、定义流程来创造解决自己独特问题的智能体。“晨报助手”只是一个开始你可以用它来管理个人知识库、自动化工作流、甚至监控你感兴趣的任何数据流。动手搭建一个你会对AI如何融入日常生活和工作有更深刻和具体的理解。
基于Hermes Agent与本地LLM构建个人AI信息聚合助手
1. 从“手动刷新闻”到“AI读报”一个自动化信息流的诞生每天早上我都有一个雷打不动的习惯打开几个固定的科技资讯网站、订阅的RSS源以及几个技术社区的聚合页面花上二三十分钟快速浏览一遍过去24小时发生了什么。这个过程与其说是获取信息不如说是一种仪式感一种让自己与快速变化的技术世界保持同步的方式。但时间久了问题也来了信息源分散重复内容多真正有价值的信息往往被淹没在大量的标题党、软文和转载里。我需要的是一个能帮我“过滤”和“提炼”的助手而不是一个简单的聚合器。于是一个想法诞生了为什么不写一个AI Skill让它来替我完成这个“刷新闻”的枯燥工作并且以更友好的方式呈现给我这个Skill的核心目标很明确自动化、个性化、可读化。它需要自动抓取我指定的信息源利用大语言模型LLM的能力去理解、筛选和总结最后生成一份结构清晰、重点突出的“晨报”在我起床时就能看到。这不仅仅是RSS阅读器的升级而是一个结合了信息获取、智能处理和内容生成的个人AI助理。我把它命名为“晨报助手”。它不依赖于某个特定的封闭平台而是基于开源的Agent框架和Python生态构建这让我能完全掌控数据流、处理逻辑和输出格式。整个过程涉及几个关键技术点信息源的抓取与解析RSS/网页、AI模型对内容的处理总结、分类、去重、以及最终报告的生成与推送Markdown/邮件/消息。接下来我将详细拆解这个项目的实现过程从架构设计到代码细节再到实际部署中遇到的坑和解决方案。无论你是想构建类似的个人自动化工具还是对AI Agent的实际应用感兴趣相信都能从中获得启发。2. 技术栈选型为什么是Hermes Agent Python RSS构建这样一个AI Skill技术选型是第一步。它决定了开发的复杂度、灵活性和最终效果。我的核心诉求是轻量、可控、易于集成AI能力、并且能稳定运行在个人服务器或电脑上。经过一番调研和对比我确定了以Hermes Agent为核心Python为开发语言RSS为主要信息源的技术组合。2.1 核心大脑为何选择Hermes Agent在AI Agent领域有很多选择比如LangChain、AutoGPT以及各大云厂商提供的Agent服务。我最终选择Hermes Agent主要基于以下几点考虑第一设计哲学契合。Hermes Agent的设计目标就是构建一个轻量级、可扩展的个人AI助手。它不像一些企业级框架那样庞大复杂而是强调“单一任务”的Agent能力非常适合“定时抓取-处理-报告”这种明确的流水线作业。它的代码结构清晰易于理解和二次开发。第二与本地大模型集成友好。这是最关键的一点。我不想让我的阅读习惯和抓取的内容数据流经第三方API既有隐私顾虑也可能产生费用。Hermes Agent原生支持与本地部署的大语言模型如通过Ollama、LM Studio运行的模型进行交互。这意味着我可以在自己的机器上跑一个7B或13B参数的模型虽然速度可能稍慢但数据完全私有且没有调用次数限制。第三任务编排能力。Hermes Agent内置了任务规划、工具调用和记忆模块。对于“晨报助手”来说我可以定义一个主任务“生成今日科技晨报”。这个主任务会被自动拆解为子任务例如“获取RSS源列表”、“抓取并解析每篇文章”、“调用LLM总结文章核心”、“按主题归类文章”、“生成Markdown报告”。Agent会自动协调这些子任务的执行顺序和依赖关系。第四社区与工具生态。虽然相对较新但Hermes Agent的社区正在活跃发展提供了不少基础工具Tool比如网页搜索、文件读写、计算器等。对于抓取RSS我可以很容易地集成现有的Python库如feedparser并将其封装成一个Hermes Agent可调用的Tool。注意Hermes Agent的安装和配置需要一定的Python环境管理经验。官方推荐使用Conda或venv创建虚拟环境并确保Python版本在3.8以上。如果遇到依赖冲突特别是与PyTorch相关的CUDA版本问题需要耐心排查。2.2 粘合剂与执行者Python的不可替代性Python在这个项目中扮演了“万能胶水”的角色。几乎所有环节都离不开它信息抓取使用feedparser库解析RSS/Atom源使用requests和BeautifulSoup4应对那些没有RSS或需要抓取全文的网站。数据处理使用pandas对抓取到的文章进行初步的清洗、去重基于标题和链接的相似度。AI模型交互虽然Hermes Agent封装了核心交互但底层的模型调用如使用ollama库调用本地Ollama服务仍然是Python代码。报告生成使用Python的字符串模板或Jinja2引擎将结构化数据渲染成美观的Markdown文本。任务调度使用schedule或apscheduler库实现每天早上的定时自动运行。选择Python意味着拥有海量的第三方库支持和几乎“所见即所得”的开发效率这对于快速迭代一个个人项目至关重要。2.3 信息源头RSS的古老与可靠在信息聚合领域RSSReally Simple Syndication是一个古老但极其可靠的协议。它为什么依然是首选结构化与标准化RSS提供结构化的数据标题、链接、发布时间、摘要解析起来非常简单、稳定不像解析普通网页那样容易因前端改版而失效。内容纯净通常RSS源提供的是文章的纯文本内容或摘要没有广告、侧边栏等干扰信息非常适合后续的AI处理。对网站友好通过订阅RSS获取内容相比频繁爬取网页对目标网站的负载更小更符合道德规范。我的信息源主要包括Hacker News的首页RSS、某个科技博客的独立RSS、以及通过RSSHub生成的少数没有官方RSS的社区板块。将多个RSS源聚合就构成了“晨报助手”的信息基础。一个简单的RSS抓取示例import feedparser def fetch_rss_feeds(feed_urls): all_entries [] for url in feed_urls: try: feed feedparser.parse(url) for entry in feed.entries: # 提取关键信息 article { title: entry.title, link: entry.link, published: entry.get(published, ), summary: entry.get(summary, entry.get(description, )), source: url } all_entries.append(article) except Exception as e: print(fError parsing feed {url}: {e}) return all_entries # 使用 feeds [https://news.ycombinator.com/rss, https://example.com/feed] articles fetch_rss_feeds(feeds)这个函数会返回一个字典列表每个字典代表一篇文章。后续的所有处理都基于这个结构化的数据。3. 构建“晨报助手”Skill的完整流程有了技术栈接下来就是具体的实现。我将整个过程分为四个核心阶段环境搭建与Hermes Agent初始化、信息抓取与预处理工具开发、AI总结与分类逻辑实现、以及最终的报告生成与格式化。3.1 第一阶段搭建Hermes Agent运行环境首先需要在你的开发环境可以是本地电脑也可以是云服务器上准备好一切。步骤1创建并激活Python虚拟环境。这是为了避免包依赖冲突。我强烈推荐使用conda或venv。# 使用 conda conda create -n hermes-agent python3.10 conda activate hermes-agent # 或使用 venv python -m venv venv # Windows venv\Scripts\activate # Linux/Mac source venv/bin/activate步骤2安装Hermes Agent及其核心依赖。目前Hermes Agent通常通过源码安装。克隆仓库并安装。git clone hermes-agent-repo-url cd hermes-agent pip install -e .同时安装我们需要的其他库pip install feedparser requests beautifulsoup4 pandas schedule ollama这里ollama是用于与本地Ollama服务交互的库。你需要先在本机安装并运行Ollama并拉取一个合适的大模型例如llama3.1:8b或qwen2.5:7b。步骤3配置Hermes Agent连接本地大模型。Hermes Agent的配置通常通过一个YAML或JSON文件完成。你需要指定使用的LLM后端。以下是一个连接本地Ollama的配置示例config.yamlagent: name: morning_news_agent llm: provider: ollama # 指定使用Ollama model: llama3.1:8b # 你本地部署的模型名称 base_url: http://localhost:11434 # Ollama默认服务地址 tools: [] memory: type: short_term在代码中你需要加载这个配置来初始化Agent。Hermes Agent的API可能会变动但核心思想是创建一个Agent实例并为其配备工具Tools。3.2 第二阶段开发信息抓取与预处理工具在Hermes Agent的框架下任何外部能力如抓取RSS、读写文件都需要被封装成“工具”Tool。工具是一个标准的Python类包含名称、描述和一个_run方法。工具1RSS聚合抓取工具这个工具将我们之前写的RSS抓取函数封装起来供Agent调用。from hermes.agent.tool import Tool from typing import List, Dict import feedparser class RSSFetchTool(Tool): name rss_fetcher description Fetch and parse articles from a list of RSS feed URLs. Returns a list of articles with title, link, summary, and source. def _run(self, feed_urls: List[str]) - List[Dict]: 抓取RSS源 all_entries [] for url in feed_urls: try: feed feedparser.parse(url) for entry in feed.entries: article { title: entry.title, link: entry.link, published: entry.get(published, ), summary: entry.get(summary, entry.get(description, )), source: url } all_entries.append(article) except Exception as e: print(fError parsing feed {url}: {e}) return all_entries工具2网页内容增强抓取工具可选有些RSS只提供摘要为了获得更全面的信息用于AI总结可能需要抓取全文。这个工具使用requests和BeautifulSoup来获取文章主体内容。import requests from bs4 import BeautifulSoup class WebContentTool(Tool): name web_content_fetcher description Fetch the main textual content from a given article URL. Useful when RSS only provides a summary. def _run(self, url: str) - str: 抓取网页正文 try: headers {User-Agent: Mozilla/5.0} resp requests.get(url, headersheaders, timeout10) resp.raise_for_status() soup BeautifulSoup(resp.content, html.parser) # 简单的正文提取通常位于article或p标签中这里需要根据目标网站调整 # 这是一个非常基础的示例实际应用可能需要更复杂的清洗规则 main_content soup.find(article) if not main_content: main_content soup.find(div, class_lambda c: c and content in c) text main_content.get_text(separator\n, stripTrue) if main_content else return text[:5000] # 限制长度避免上下文过长 except Exception as e: print(fError fetching {url}: {e}) return 将这个工具集成后Agent可以先抓取RSS列表然后对感兴趣的文章例如根据标题关键词筛选调用此工具获取全文。工具3文章去重工具不同RSS源可能会报道同一事件。我们需要一个简单的去重工具基于标题相似度如使用TF-IDF或简单关键词匹配或链接匹配。from sklearn.feature_extraction.text import TfidfVectorizer from sklearn.metrics.pairwise import cosine_similarity import numpy as np class DeduplicateTool(Tool): name deduplicator description Remove duplicate or highly similar articles from a list based on title similarity. def _run(self, articles: List[Dict], similarity_threshold: float 0.8) - List[Dict]: 基于标题相似度去重 if len(articles) 1: return articles titles [a[title] for a in articles] vectorizer TfidfVectorizer().fit_transform(titles) cosine_sim cosine_similarity(vectorizer) unique_indices [] for i in range(len(articles)): # 检查当前文章是否与已保留的文章高度相似 duplicate False for j in unique_indices: if cosine_sim[i, j] similarity_threshold: duplicate True break if not duplicate: unique_indices.append(i) return [articles[i] for i in unique_indices]这个工具使用了scikit-learn库需要额外安装pip install scikit-learn。对于轻量级应用也可以实现一个更简单的基于关键词集合的Jaccard相似度计算。3.3 第三阶段实现AI总结与分类逻辑这是整个Skill的“智能”核心。我们需要让LLM理解文章内容并完成两项任务生成简洁摘要和进行主题分类。设计Prompt提示词与大模型交互Prompt的设计至关重要。我的经验是给模型明确的指令、格式和示例。摘要Prompt示例你是一个科技新闻编辑。请为以下文章生成一个简洁的摘要要求如下 1. 长度控制在100字以内。 2. 突出文章的核心技术点、产品发布或行业动态。 3. 语言精炼用中文输出。 4. 如果原文是英文请先翻译关键信息再总结。 文章标题{title} 文章链接{link} 文章内容或摘要{content} 请直接输出摘要不要有其他解释。分类Prompt示例请判断以下科技文章的主要所属领域。请从以下类别中选择一个最贴切的人工智能、编程开发、硬件产品、网络安全、创业投资、行业趋势、其他。 文章标题{title} 文章摘要{summary} 只需输出类别名称例如人工智能在Hermes Agent中我们可以创建一个专门调用LLM完成这些任务的工具。或者更优雅的方式是利用Agent的“规划”能力让Agent自己决定何时以及如何调用LLM。这里我展示一个直接的工具实现class LLMSummarizerTool(Tool): name llm_summarizer description Use LLM to generate a concise Chinese summary and determine the category for a given article. def _run(self, title: str, content: str) - Dict: 调用LLM进行总结和分类 # 构建摘要Prompt summary_prompt f你是一个科技新闻编辑。请为以下文章生成一个简洁的摘要要求如下 1. 长度控制在100字以内。 2. 突出文章的核心技术点、产品发布或行业动态。 3. 语言精炼用中文输出。 文章标题{title} 文章内容{content[:3000]} # 限制内容长度 摘要 # 调用本地Ollama模型 from ollama import chat response chat(modelllama3.1:8b, messages[ {role: user, content: summary_prompt} ]) summary response[message][content].strip() # 构建分类Prompt category_prompt f请判断以下科技文章的主要所属领域。请从以下类别中选择一个最贴切的人工智能、编程开发、硬件产品、网络安全、创业投资、行业趋势、其他。 文章标题{title} 文章摘要{summary} 只需输出类别名称例如人工智能 category_response chat(modelllama3.1:8b, messages[ {role: user, content: category_prompt} ]) category category_response[message][content].strip().strip() return {summary: summary, category: category}在实际运行中为了避免对每篇文章都发起两次LLM调用效率低且可能超过上下文窗口我们可以设计一个更高效的Prompt让模型一次输出摘要和分类。例如要求模型以“摘要... 分类...”的格式回复。3.4 第四阶段生成与格式化晨报所有文章经过抓取、去重、总结和分类后我们得到了一个结构化的数据列表。现在需要将其转化为一份易读的晨报。数据聚合首先按分类将文章分组。def group_articles_by_category(processed_articles): 按分类分组文章 from collections import defaultdict grouped defaultdict(list) for article in processed_articles: grouped[article[category]].append(article) return groupedMarkdown报告生成我选择Markdown作为输出格式因为它轻量、易读并且可以轻松转换为HTML、PDF或直接发送到支持Markdown的笔记软件如Obsidian、Notion或聊天工具如Slack、Telegram。def generate_markdown_report(grouped_articles, date): 生成Markdown格式的晨报 report_lines [f# 科技晨报 {date}\n, f*自动生成于 {date}*\n\n---\n] # 按预设的分类顺序输出 category_order [人工智能, 编程开发, 硬件产品, 网络安全, 创业投资, 行业趋势, 其他] for category in category_order: articles grouped_articles.get(category, []) if articles: report_lines.append(f## {category}\n) for idx, article in enumerate(articles, 1): report_lines.append(f### {idx}. [{article[title]}]({article[link]})) report_lines.append(f**来源** {article[source_name]} \n) # 假设我们之前提取了源站名 report_lines.append(f**摘要** {article[summary]}\n) report_lines.append(---\n) # 如果没有匹配任何预设分类放在最后 other_cats [cat for cat in grouped_articles.keys() if cat not in category_order] for cat in other_cats: report_lines.append(f## {cat}\n) for idx, article in enumerate(grouped_articles[cat], 1): # ... 类似上述格式输出 pass report_lines.append(\n---\n*本报告由 AI 晨报助手自动生成仅供参考。*) return \n.join(report_lines)生成的Markdown内容可以保存为本地文件.md也可以通过邮件使用smtplib和email库或消息机器人如Telegram Bot、企业微信机器人的API发送给自己。最终集成与任务定义最后我们需要在Hermes Agent中定义一个主任务将上述所有工具串联起来。这通常在Agent的“规划”阶段通过自然语言指令完成但也可以显式地编写任务流。# 伪代码展示在Hermes Agent框架下的任务流概念 def main_morning_task(agent): # 1. 告诉Agent要做什么 task_description 你的任务是生成今日科技晨报。 请按以下步骤执行 1. 使用 rss_fetcher 工具抓取预设的RSS源列表。 2. 使用 deduplicator 工具对抓取到的文章进行去重。 3. 对于去重后的每篇文章使用 llm_summarizer 工具生成中文摘要并分类。 4. 将处理后的文章按分类组织好。 5. 调用 report_generator 工具生成Markdown格式的晨报。 6. 调用 file_writer 工具将晨报保存到指定路径。 # 2. Agent接收任务并开始规划执行 result agent.run(tasktask_description) return result一个file_writer工具的实现非常简单就是基本的文件操作。这样每天早上通过系统定时任务如cron或Windows任务计划程序触发这个Python脚本一份个性化的科技晨报就会准时出现在你的桌面或收件箱里。4. 部署、优化与踩坑实录将代码跑通只是第一步让它稳定、高效、长期地运行才是真正的挑战。这部分分享我在部署和优化“晨报助手”过程中积累的经验和遇到的坑。4.1 部署方式从本地到服务器的选择方案一本地电脑常驻适合个人使用最简单的方式是让脚本在你的个人电脑上运行。你可以设置电脑不休眠并使用系统自带的定时任务工具。Windows使用“任务计划程序”创建一个每天固定时间如早上7点触发Python脚本的任务。macOS/Linux使用cron。通过crontab -e编辑任务添加一行0 7 * * * /path/to/your/venv/bin/python /path/to/your/script.py。缺点电脑必须保持开机和网络连接。不适合需要高可用性的场景。方案二云服务器/虚拟机推荐购买一台最基础的云服务器如1核1G月成本很低。在服务器上部署可以保证24小时在线。步骤在服务器上安装Python、Git、Ollama等必要环境。克隆你的代码仓库。使用tmux或screen创建一个持久会话在会话中运行Ollama服务ollama serve和你的Agent脚本。或者更规范的做法是使用systemd创建两个服务单元service unit分别管理Ollama和你的Python脚本实现开机自启和进程守护。同样使用cron配置定时任务。优势稳定、独立、不影响本地电脑。可以利用服务器更强的算力运行更大的模型。方案三容器化部署进阶使用Docker将整个应用Python环境、代码、Ollama模型打包成一个镜像。这提供了极好的环境一致性和可移植性。挑战需要编写Dockerfile处理模型数据卷的挂载镜像可能比较大包含模型权重。对于个人项目来说复杂度稍高但是一次构建处处运行。简化版可以只Docker化你的Python脚本部分模型服务Ollama仍通过宿主机或单独容器运行通过网络通信。4.2 性能与成本优化让AI用得“更聪明”本地运行大模型最大的开销是时间和计算资源。如何优化1. 模型选型在效果和速度间平衡7B参数模型如Llama 3.2 7B、Qwen2.5 7B。在消费级GPU如RTX 4060或CPU上推理速度较快几秒到十几秒一篇总结摘要质量足够。是个人项目的首选。更小的模型如Phi-3 Mini (3.8B)速度更快但逻辑和总结能力可能稍弱。量化使用GGUF格式的量化模型通过Ollama或llama.cpp加载可以大幅减少内存占用并提升CPU上的推理速度。例如Q4_K_M量化在几乎不损失精度的情况下模型体积和内存需求减少超过一半。2. 预处理过滤减少LLM调用不是每篇文章都值得总结。在调用昂贵的LLM之前先进行一层基于规则的过滤。关键词黑名单/白名单过滤掉标题中含有“广告”、“赞助”、“快讯”如果不需要等字眼的文章。或者只处理包含你感兴趣的关键词如“Python”、“LLM”、“芯片”的文章。源站优先级为不同的RSS源设置权重。来自核心信源的文章优先处理次要信源的文章只有在没有重复的情况下才进入LLM处理流程。摘要长度判断如果RSS提供的摘要已经非常清晰完整超过200字可以考虑直接使用或仅做轻微润色跳过LLM总结步骤。3. 批量处理与上下文优化批量总结不要一篇一篇地调用LLM。可以将3-5篇同主题的文章的标题和摘要拼接在一起让模型一次性为多篇文章生成总结。这能减少模型加载和预热开销。Prompt可以设计为“请为以下三篇关于人工智能的新闻分别生成一句话摘要1. [标题1]... 2. [标题2]...”。优化Prompt清晰的指令和格式要求能减少模型的“胡思乱想”和无效输出提高一次成功率避免重试。在Prompt中提供输出格式的示例Few-shot Learning效果显著。4.3 真实踩坑与解决方案坑1RSS源不稳定或格式非标有些网站的RSS输出不规范feedparser解析会出错比如日期格式奇怪、包含非法字符。解决方案增加异常捕获和日志记录。对于解析失败的源可以尝试用requests直接获取XML然后手动清洗或使用更宽松的解析模式。对于关键源可以考虑转为使用其官方API如果有的话。坑2LLM输出格式不一致即使给出了严格的输出格式要求模型有时还是会加上“好的以下是摘要”这样的前缀或者分类结果不在预设列表中。解决方案在后处理代码中增加清洗逻辑。使用正则表达式提取关键部分。对于分类可以设置一个默认类别如“其他”或者当输出不在预设列表时让模型重试一次。坑3网络请求超时与重试抓取网页内容时很容易遇到网络超时、对方反爬返回403等问题。解决方案为requests设置合理的timeout参数如10秒。实现简单的重试机制如tenacity库。设置友好的User-Agent头模拟浏览器访问。对于频繁反爬的网站要么放弃抓取全文要么研究其API。坑4模型服务Ollama意外退出在服务器上Ollama服务可能因为内存不足或其他原因挂掉。解决方案使用systemd守护进程并配置自动重启Restarton-failure。在Python脚本中在调用模型前增加一个健康检查如果Ollama服务不可用则记录错误并跳过本次任务而不是让整个脚本崩溃。坑5生成的内容质量波动同样的Prompt不同时间、不同批次的文章模型生成摘要的质量时好时坏。解决方案这是当前LLM的固有特性。可以通过以下方式缓解温度Temperature参数在调用模型时设置较低的温度如0.1-0.3让输出更确定、更少随机性。后处理润色对生成的摘要可以再用一条简单的Prompt让模型检查并润色“请检查以下摘要是否通顺、无事实错误并进行优化...”。人工反馈循环可选在生成的晨报中加入简单的反馈机制比如在每篇摘要后加一个‘’/‘’的链接点击后记录。定期查看反馈对于经常被点‘’的摘要类型调整对应源的抓取策略或总结Prompt。5. 超越“晨报”Skill的更多可能性与扩展思路“晨报助手”是一个很好的起点但AI Skill的潜力远不止于此。一旦你搭建好了这个基于Hermes Agent的自动化流水线就可以很容易地将它扩展到其他领域或者增加更复杂的功能。扩展方向一多模态与个性化推荐集成多源信息除了RSS可以接入Twitter/X通过API、Reddit、特定Discord频道、甚至是新闻邮件列表通过IMAP解析邮件。让信息源更多元。个性化过滤让模型学习你的阅读偏好。初期可以基于你手动标记的“喜欢/不喜欢”的文章后期可以尝试用嵌入模型Embedding Model计算文章向量与你历史感兴趣的文章向量进行相似度匹配实现更智能的推荐。音频简报将生成的Markdown文本通过TTS文本转语音服务如Edge-TTS、Azure TTS转换成语音生成一份5分钟的音频晨报在通勤路上听。扩展方向二从“读报”到“读报互动”问答模式将处理过的文章存入一个向量数据库如ChromaDB、Qdrant。你可以向你的AI Skill提问“昨天关于苹果WWDC有什么重磅消息” Agent会从数据库中检索相关文章并生成一个整合性的答案。深度分析报告不仅仅是每日摘要可以每周或每月让Agent对所有文章进行一次主题聚类和趋势分析生成一份周期性的深度分析报告指出过去一段时间的热点领域和技术风向。自动执行动作结合IFTTT或Zapier或者直接调用各类API。例如当Agent发现一篇关于“Python新版本发布”的重磅文章时除了加入晨报还可以自动在你的待办清单如Todoist中创建一条“学习Python X.X新特性”的任务。扩展方向三技能共享与社区化模板化与配置化将RSS源列表、分类规则、Prompt模板等都做成配置文件YAML/JSON。这样其他人只需要克隆你的项目修改配置文件就能快速搭建自己的“财经晨报助手”或“游戏资讯助手”。构建工具市场将你开发的RSSFetchTool、WebContentTool、LLMSummarizerTool进行更好的封装和文档化贡献给Hermes Agent社区。其他人可以直接安装使用你的工具就像安装一个Python包一样简单。这个项目的核心价值不在于代码本身而在于它展示了一种思路将AI Agent视为一个可以编程的、能理解复杂指令的“数字员工”。我们不再仅仅是使用现成的AI应用而是通过组合工具、定义流程来创造解决自己独特问题的智能体。“晨报助手”只是一个开始你可以用它来管理个人知识库、自动化工作流、甚至监控你感兴趣的任何数据流。动手搭建一个你会对AI如何融入日常生活和工作有更深刻和具体的理解。