在追踪AI行业产品的过程里AIHOT是个绕不开的名字。一个看起来并不算重的热榜型产品月活竟然已经做到百万量级。刚开始我以为它只是踩中了AI这股风的运气型选手直到我把它的页面结构、更新频率、内容颗粒度和数据反馈放在一起拆了一遍才意识到这背后根本就是一条自动化运行的“行业情报流水线”从采集、选题、改写、分发到SEO长尾拦截几乎每一环都是机器在值守人工只在极少数节点做干预。这篇文章我把整个拆机过程和自己的判断整理出来希望能给正在做内容产品、情报产品或者AI应用的朋友一些参考。1. 拆机前先想明白百万月活的产品为什么把自己做成“报社”1.1 它到底是个什么物种先说结论AIHOT本质上不是“又一个资讯App”而是一家披着产品外衣的“微型通讯社”。它每天生产的是结构化、带判断、可消费的行业情报而不是简单搬运的新闻流。我见过很多同类产品普遍的问题是“什么都抓什么都没判断”。打开App或者网站满屏都是标题点进去发现内容都是原文转述读完了毫无增量。AIHOT的做法不太一样它把情报分成几层今天AI圈发生了什么大事、这件事为什么值得关注、相关的背景信息有哪些、产业链上谁受益谁承压。这种分层处理其实就是一个编辑部的工作方式只不过执行主力换成了模型和脚本。之所以坚持做成“报社”而不是“聚合器”核心原因在于用户预期管理。聚合器的用户来了就走因为可替代性太强而通讯社的用户是冲着“你帮我判断过”来的这种信任感才有留存。百万月活背后真正值钱的是那批每天都来“读报”的核心用户他们是冲着情报判断力来的。1.2 哪些人在看这份“机器情报”从内容和交互痕迹来看AIHOT的受众可以粗略分成三类。第一类是AI从业者包括创业者、产品经理、投资人和技术开发者。他们需要的是高效获取行业动态以及理解事件之间的关联。第二类是传统行业的数字化负责人他们不一定懂算法细节但需要知道AI圈在发生什么好向老板汇报或者调整预算方向。第三类是内容创作者和自媒体他们需要选题灵感和素材线索AIHOT等于帮他们做了第一轮的信息筛选与背景串联。这三种人有一个共同特征时间匮乏、信息焦虑、对“被割韭菜”高度警惕。所以他们需要的不是更多信息而是更少但更准的信息。AIHOT能把每天上百条AI新闻压缩成一条“决策简报”本身就是核心价值。1.3 我用三十秒体验了一下内容节奏为了验证它是“机器流水线”还是“人工精选”我做了一个简单测试连续一个小时刷新它的热点更新记录数量、时间间隔和内容的跨度。结果非常典型。每十五到三十分钟会更新一批内容数量集中在五到十条之间。内容跨度很大既有OpenAI、Google这类巨头的动态也有名不见经传的初创公司融资甚至还有一些学术论文的解读。这种更新节奏在人类编辑团队身上很难持续——一个小时可以一天可以连续三十天、每天稳定更新早中晚三轮人工成本太高了唯一的解释就是自动化管线在运行。到这里我基本确认了流水线的存在。接下来要做的是把这条流水线上的每一段单独拆开看。2. 情报采集层不靠人工投稿机器怎么铺出一张全球信息网2.1 数据源矩阵单一信源是死路多源交叉才有活路AIHOT的采集层设计我推测是典型的“多源交叉”结构。已知的信息源类型至少包含这几类主流科技媒体的RSS输出、AI公司的官方博客和Press页面、arXiv等论文预印本平台、海外开发者社区的高星项目、知名投资机构的公开报告以及社交媒体上头部从业者的发言。这套组合逻辑有一个关键心法权威源负责“定调”社区源负责“发现”个人源负责“预测”。权威源告诉你已经发生的事社区源告诉你正在酝酿的事个人源告诉你接下来可能发生的事。三条线交叉验证之后一条情报的置信度才算过关。如果只用单一信源会出现很典型的问题。只看官方博客你会发现AI行业每天都是歌舞升平因为没人会主动说自己不行只看社交媒体你会被情绪带着跑三天两头“炸锅”但真正落地的事没几件只看论文平台你会陷入学术黑话的海洋连圈内人都未必读得下去。AIHOT能在信息噪音里活下来靠的就是这层多源交叉的结构。2.2 噪音过滤三件套关键词矩阵、热度阈值、作者信用分采集层不只是“抓取”更关键的是“过滤”。我拆了一下它公开的内容特征反推出它大概率使用了三件套过滤器。第一套是关键词矩阵。AIHOT不可能只靠一个“AI”关键词吃遍天它一定维护了一套不断更新的词库包含模型名GPT、Claude、Gemini、Llama这类、公司名OpenAI、Anthropic、Google DeepMind、Meta AI等、技术方向Agent、RAG、多模态、推理、对齐等、政策与投资词汇融资、监管、算力、芯片、出口管制等。这套词库决定了采集器往哪个方向使劲。第二套是热度阈值。每条被采集到的内容都会有一个“原始热度分”衡量维度可能包括源站点的权重、同一事件在不同信源中出现的次数、社交媒体的转发速度等。只有热度分超过动态阈值的条目才会进入下一环节。这个阈值的妙处在于它会根据当天整体信息量自动调整——信息爆炸时阈值被拉高只留最硬的货信息平淡时阈值调低防止断更。第三套是作者信用分。这是被很多人忽略的机制。AIHOT大概率给每一个持续追踪的信源作者或者媒体品牌打了一个信用分。信用分高的作者其内容即使热度一般也会被保留信用分低的即使暂时爆火也要经过更严格的复核。这个机制防止了“垃圾流量污染情报”的问题让流水线保持在一个稳定的品位上。2.3 数据快照与采集频率先有档案库才有深度关联很多人做情报产品只关注“抓新”忽略了“存档”。AIHOT给我的另一个启发是它对每条事件都会建立结构化档案包含时间线、涉及主体、相关事件和后续进展。举个例子一条关于某大模型公司发布新模型的新闻在AIHOT的呈现里不只是“发布了什么”还会关联到“这家公司的上一代产品表现如何”“这次发布在什么背景下发生”“竞争对手段位如何”。这种关联能力依赖的就是采集层早期就建立好的数据快照机制——每条内容入库前会被打上主体标签、时间标签和关系标签。采集频率上我推测它不是实时全量爬取而是采用“高低搭配”的策略。对头部信源做高频轮询可能十分钟一次对长尾信源做低频抓取可能几小时一次。这种设计在计算成本和信息时效之间取得了平衡也让流水线的每一环都不至于过载。3. 语义重组层新闻不是搬过来而是“拆了再拼”3.1 结构化拆解把一篇新闻拆成“情报积木”如果只做到采集和过滤AIHOT充其量就是个更聪明的RSS阅读器。让它从“阅读器”升级到“情报产品”的是语义重组层。我倾向于认为它的处理单元不是“文章”而是“信息块”。一篇几十段的长文会被模型拆成若干独立的知识点谁发布了什么产品、产品的核心参数和性能、背后的技术路径、商业影响、行业反应等。这些知识点被打上标签以后就变成了积木可以被重新组合。为什么要这样拆因为用户在消费情报时关心的不是一个完整叙事而是“这件事跟我有什么关系”。AIHOT同一个事件会以不同的信息组合呈现在不同位置热点榜上放结论摘要里放要点详情页里放背景话题页里放关联。这种“一鱼多吃”的玩法人工编辑做起来效率极低机器则是一瞬间的事儿。3.2 摘要生成与事实性取舍机器可以编但不能瞎编摘要生成是AI内容产品最容易翻车的地方。我在不少同类产品里见过模型把新闻摘要写得活灵活现但关键数字错得一塌糊涂甚至把“可能”写成“已经”把“否认”写成“承认”。这种错误在普通资讯场景里顶多算疏漏在情报场景里就是致命伤会让用户直接取关。AIHOT在事实性这一环的处理至少有三层防错机制。第一层是原始信息校验摘要里的关键数据必须能在源文本里找到对应表述找不到就必须降级为“待确认”。第二层是事件状态识别模型要能区分“传闻”“官宣”“辟谣”“进展中”等不同状态不能在标题里用同样笃定的语气。第三层是交叉验证同一个事件如果存在两个独立信源模型会优先采用两者一致的部分如果存在冲突会并排展示而不是强行统一。我猜它还会定期用现成的事实核查方法去做抽样评测把摘要结果和人工标注结果对比。毕竟流水线的稳定性是所有环节里最值钱的东西宁可少报一个热点也不能错报一个事实。3.3 热度预测不等事件变火而是提前锁定“会变火”的信号常规热榜产品的逻辑是“事后追认”——事件已经火了我再把它推到榜首。AIHOT的逻辑更接近“事前预判”。它有一个环节专门做“潜在热度评估”评估维度大致包括事件主体的历史热度基准线、事件类型的历史扩散系数、信息源的传播潜力、时间窗口的紧迫性。这些信号汇总之后模型会给出一个“预估热度峰值”和“热度持续时间”。这个功能看起来抽象但对百万月活的产品来说极其关键。它决定了发布节奏和资源配置预估热度高的事件会被安排在黄金时段的主推位预估热度低但长期价值高的内容会被安排进“深度档”。这种分级判断能力长期运转下去就形成了用户心中“这个平台的热点比别家更快”的认知而这个认知本身就是巨大的竞争壁垒。4. 自动出版层排版去重与发布节奏连成一体的后端动作4.1 模板化排版机器排版为什么反而更“顺眼”出版层最容易被低估的环节是排版。很多人觉得排版不就是换个字体、调个行距嘛有什么技术含量。恰恰是这个看起来不重要的环节决定了用户第一眼的信任感。AIHOT的排版风格极度统一每篇内容都有固定的结构一句话导语、三到五个要点、一段背景关联、一个“为什么重要”的判断。这种模板化设计有两个好处。一是降低用户的认知成本老用户不需要重新适应版面每天打开就知道先看哪、再看哪。二是方便机器生成只要模型输出结果符合JSON规格排版系统就能自动渲染成最终页面全程不需要人工干预。我知道会有人说模板化太死板缺少编辑的个人风格。但在情报类产品里稳定性和确定性远大于个性。用户信任的稳定版面天天变来变去反而是对品牌资产的消耗。4.2 相似内容合并与路由同一事件只保留一个最优版本做资讯产品的人都会遇到这个痛同一个新闻七八家媒体都发了如果全量展示用户会觉得自己被灌水了如果随机选一篇又可能错过关键信息。AIHOT的做法我推测是这样先对同一事件下的所有候选文章做语义相似度计算聚类成“事件簇”然后从事件簇中选择一篇信息最完整、最客观的文章作为主版本其他文章内容不直接丢弃而是作为“补充信息源”被拆散注入到主版本的相关段落中。这个过程不需要编辑动手做完之后用户看到的是一条“融合了多个信源”的干净情报而不是七八篇重复稿。这个能力最大的价值是节省用户时间。在信息过载的时代替用户“合并同类项”本身就是在创造价值。很多产品没有百万月活不是输在内容不够多而是输在让用户刷十分钟只看到三件重复的事。4.3 发布节奏控制信息也讲究“餐食结构”另一个容易被忽略的细节是发布节奏。我连续多天观察了AIHOT的更新情况发现它的发布存在明显的时间规律大致分布在三个时段早上七八点左右一次集中更新相当于“早报”中午十二点到一点一次增量更新相当于“午间简讯”傍晚六点到八点一次深度更新相当于“晚报”。这种三轮节奏不是拍脑袋定的它匹配的是目标用户的使用习惯。早上的用户通勤时想看“昨天夜里发生了什么”中午午休时想看“上午有什么新进展”晚上下班后想看“今天一整天怎么理解”。机器在这个节奏里扮演的角色不光是“发布工具”还是“排班编辑”——根据事件的紧急程度和预估热度决定它插到哪一班。节奏和内容结构的搭配让AIHOT的更新像一个有呼吸感的活体而不是一台匀速运转的机器。这种体验差异用户未必说得出来但感受会很直接。5. 百万月活的沉淀逻辑搜索、订阅与内容复利如何形成闭环5.1 冷启动的第一批稿子没有编辑团队怎么打开局面任何内容产品冷启动阶段都面临一个鸡生蛋问题没有内容就没用户没有用户就没反馈没有反馈内容就做不准。AIHOT的第一批稿子大概率也是“人工搭骨架、机器填血肉”的模式。我猜它的早期内容量里有大量机器从公开信息源整理的基础资讯人工只做两件事定模板、定标准。模板是内容的结构骨架标准是“什么样的信息可以上”。这两件事定了机器就能按部就班地跑起来。等到跑起来之后再通过用户的点击行为、停留时长、搜索关键词等反馈数据反哺模板和标准形成迭代闭环。冷启动阶段最容易犯的错是“完美主义”。总想着一上来就把内容质量做到极致结果产能跟不上更新频率上不去用户来了两三次看不到新东西就走了。AIHOT选择先用模板化内容把频率稳住再逐步优化质量这个顺序是对的——在情报行业连续更新比篇篇爆款重要得多。5.2 搜索权重与长尾流量历史文章是最大的复利资产百万月活的产品如果只靠当日流量根本撑不起来。真正让它持续增长的是历史内容的SEO复利。AIHOT的每一条情报都有清晰的主题标签、结构化摘要和相关链接这种结构天然对搜索引擎友好。三五个月前发布的一篇关于某个AI细分赛道的梳理可能在今天某个用户搜索相关关键词时被捞出来继续贡献流量。每条历史文章都是一颗“数字种子”它会持续发芽而不是发完即弃。这也解释了为什么它愿意花大量算力去做“关联”和“合并”这类复杂操作——因为这些操作本质上是在打造一个高质量的知识网络而搜索引擎对这样的网络给出的评价相当高。慢慢地当用户在搜索任何AI相关关键词时都能看到AIHOT的身影它就从“一个App”变成了“一个入口”。5.3 用户触点设计订阅机制和话题页让用户有理由回来光有不请自来的搜索流量还不够用户留存更依赖产品内部的机制设计。AIHOT的触点设计有两个亮点值得单独说。第一个是话题页。它把内容按“公司”“技术方向”“重大事件”三个维度组织成可持续跟踪的话题页用户只要关注了某个话题比如某家公司的融资动态之后任何相关内容都会自动推送到个人动态流。这种机制相当于给用户配了一个“私人情报专员”大大降低了用户的盯盘成本。第二个是结构化订阅。它不是简单地“关注一个账号”而是可以订阅“某家公司的所有动态”“某个技术方向的深度解读”“某个投资人的公开观点”这类组合条件。用户通过几次点击就搭了自己的情报雷达站而这种高度个性化的订阅关系一旦建立迁移成本是不低的。留存这件事本质上不是靠功能堆叠而是靠“习惯”和“数据资产”的双重绑定。AIHOT让人每天回来读报又在读报过程中不断完善个人兴趣画像这套组合拳一打月活就不太容易掉下去。6. 拆机之后如果我来搭一条轻量情报流水线会怎么做6.1 技术栈可以精简到什么程度把AIHOT的整套逻辑拆完很多人第一反应是“这个太复杂了我们做不了”。实际上核心链路并不复杂采集、清洗、结构化、生成、发布。我一个朋友用一套相当精简的轻量方案也实现了七八成功力覆盖了RSS抓取、大模型摘要生成、自动发布和基础SEO效果完全够用。关键不是工具多高级而是流程是否走得通。如果你也想搭一条自己的情报流水线我给一个建议是“先手搓再自动化”——第一周用人工方法整理十条你觉得最有价值的情报把模板和选题标准定下来然后再让机器去替代重复劳动比一开始就追求全自动要靠谱得多。机器永远是杠杆不是引擎内容是那个真正的引擎。6.2 内容风控与版权红线能抓不代表能随便用在动手搭流水线之前必须先想清楚合规问题。机器采集和AI改写并不能自动解决版权问题。我自己的处理原则有三条。第一抓取公开信息时尊重信息源的使用协议对有明确禁止转载的站点直接剔除第二在AI生成的摘要里设置“退路”关键信息必须给出原文链接做一个透明的引用者第三对涉及商业模式、商业机密和内部信息的内容做主动过滤不能为了流量去踩红线。具体执行时一定要有审核兜底机制哪怕只是每天花半小时浏览一遍待发布队列也值得做——这是对自己也是对读者的保护。6.3 这个模式真正的天花板在哪里把AIHOT拆完以后我其实更关心的是另一个问题这种全自动情报流水线边界到底在哪里我的判断是它非常擅长处理“事实性信息”和“知识性关联”但很难替代真正的“判断性内容”。机器可以告诉你“某公司发布了新模型参数如何”也可以告诉你“这个模型与去年同期产品相比提升多少”但它很难告诉你“这次发布对某个具体区域的产业生态会造成什么影响”——因为这种判断需要大量的产业实践和行业直觉支撑。所以我不觉得AI会把编辑和从业者彻底替代反而是分化信息筛选层全面机器化而判断层会越来越值钱。谁能在机器整理好的信息之上给出更精准的判断和建议谁就掌握了下一阶段的定价权。这既是挑战也是机会。我在写这篇文章的过程中一边拆它的流水线一边也在调整自己的内容工作流哪些环节应该彻底自动化哪些环节必须亲手把关。如果你也在做内容型产品与其焦虑AI会不会把行业掀翻不如认真拆一个头部产品把它的流水线摊开看看再想想自己能站在哪一层。那个答案大概率就是你未来一段时间最值得投入的方向。