优推编辑部 最近我总是看到各种AI消息，搞得我有点迷茫：那么多新鲜事，真正值得我们点击的又有多少呢？各种模型、工具和企业案例混在一起，看得我眼花缭乱。于是，我决定开发一个小工具，简单明了地从几个固定来源收集资讯，用本地的Hermes根据我的阅读习惯筛选出一小部分内容，告诉我“发生了什么、为什么值得关注、还有哪些信息我不知道”。
这个小工具是用蓝耘元生代的 DeepSeek-v4.1-flash 实现的。我选用了GitHub上开源的TrendRadar作为数据采集的基础，再加上一些本地设置。整个过程，我都实际跑了一遍，下面我会分享一些关键的步骤和截图。
什么内容在这里
1. 结果展示：从50条中筛选出5条精华
最终的成果是一个本地的HTML日报，同时也有Markdown版本。页面上清晰标注了来源、发布时间和原文链接，还附上了每条信息的依据。
以上图展示了最终成果：左侧是5条精选内容，每条都有摘要、阅读理由和证据链接；右侧则展示了生成流程，并列出了17条未入选理由。这样，读者不仅能看到结果，还能清楚筛选依据。
在这个日报中，我记录了一些关键数字，这些数据可以在output/candidates.json 和 output/validation.json中验证：
| 环节 | 实测结果 |
|---|---|
| 公开RSS来源 | 3个，全部成功采集 |
| 原始条目数量 | 50条 |
| 近七天有效候选 | 22条 |
| 因时间窗排除 | 28条 |
| Hermes入选条目 | 5条 |
| 未入选候选理由 | 17条 |
这里的“日报”只是今天生成的一份阅读清单，回顾的窗口是近七天。它并不意味着每条信息都是新发布的，也不是全网热度榜。
最终入选的内容包括Copilot模型变更提醒、代码评审更新、一个模型应用案例、模型异常行为报告框架，以及Agent CLI的用量观察。你可能不一定同意我的选择，但能看到它们的筛选依据，能更好调整成自己的偏好。
2. 为什么这样做
Agent和Skill非常适合处理这类有清晰输入、操作步骤和交付成果的小任务。为了让这个组合更有意义，我把三个部分的任务明确分开：
公开 RSS ↓ TrendRadar：采集、解析、SQLite存档 ↓ 本地适配脚本：日期规范化、时间过滤、URL去重、候选ID ↓ Hermes + ai-daily-brief Skill ↓ 调用蓝耘元生代 deepseek-v4.1-flash 筛选、中文摘要、阅读理由、证据边界 ↓ 本地校验与渲染 → daily.html + daily.md
蓝耘元生代负责模型推理服务。在模型广场上，我能直接找到目标模型，页面上有调用入口、API示例和价格。这次我没在本地下载推理模型或配置GPU，Hermes负责运行工具，云端的模型推理则由蓝耘处理。
而Hermes则负责执行和内容决策。它读取本地Skill，运行采集脚本，处理候选数据，记录筛选结果，然后调用渲染命令。蓝耘的模型不仅仅是在配置表里，而是在整个工具调用和内容生成中扮演了重要角色。
TrendRadar则是已具备的采集能力，它提供RSS、存储和报告流程。我复用了这些功能，而没有重新编写RSS解析器。虽然TrendRadar自带AI功能，但这次我把AI分析、翻译和通知功能关闭了，让Hermes负责筛选，这样更能看清楚模型的实际参与情况。
这并不是说加上Hermes就一定比单独使用TrendRadar更好。如果你只是想按关键词查看新闻，TrendRadar的报告可能已经足够了。我选择Hermes，是为了把阅读偏好、证据约束和交付步骤写成可以重复使用的本地Skill。
这个项目来自sansan0/TrendRadar。我固定了提交792bcc3928b1617bba09df34989fd5675c159b86，对应项目版本6.10.0，它不是一个“新鲜出炉”的项目；而是把新的模型和Agent工作流结合起来的尝试。
3. 在蓝耘找到模型并配置到Hermes
3.1 模型名称和价格确认
打开蓝耘元生代模型广场，搜索deepseek-v4.1-flash，进入详情页。
当时页面显示的价格是：输入2元/百万Token，缓存命中输入0.04元/百万Token，输出8元/百万Token。这个价格是我实测时的记录，不同渠道的报价可能会有所不同。
在API KEY管理中创建本次使用的Key，备注填写为“Hermes个人AI日报”，方便以后识别。记得把完整凭证放在本机，不要直接写进文章或项目代码；截图中的Key保持遮蔽。
创建后，列表中会出现这条Key，状态为“使用中”，接下来要把它填入Hermes的API Key输入框。
这里的“使用中”说明Key处于启用状态，但是否能完成模型请求，还要通过后续的实际调用来验证。
3.2 Endpoint不要多填一段路径
蓝耘的OpenAI兼容调用文档提供的完整请求地址是：
POST https://maas-api.lanyun.net/v1/chat/completions
而Hermes的Endpoint URL只需要填基础地址：
https://maas-api.lanyun.net/v1
这两者不要混淆。客户端会自动处理具体接口路径。如果把完整的/chat/completions填进去，可能会导致错误的URL拼接。
文档里给出了请求地址、API Key鉴权方法，以及model、stream等字段说明。在复现时，应该用自己选中的模型ID填写model，不要直接照搬文档中的其他模型示例。
3.3 用独立Profile保存配置
我在Hermes中创建了lanyun-daily Profile，避免把此次实测设置混入原有会话。然后进入设置 → 提供者 → 自定义Endpoint，填写：
| 字段 | 本次填写 |
|---|---|
| Name | 蓝耘元生代 |
| Provider ID | lanyun |
| Endpoint URL | https://maas-api.lanyun.net/v1 |
| Default Model | deepseek-v4.1-flash |
| API Key | 自己填写刚创建的Key |
| Use for new chats | 开启 |
| Discover models | 本次关闭，直接指定模型 |
上图是填写前的状态：Custom Endpoints数量为0，模型名称与蓝耘模型广场一致。检查基础地址和模型ID后点击保存，确认列表中出现蓝耘配置。
保存后，Custom Endpoints数量变为1，蓝耘配置显示为Active，Key以环境变量引用形式显示。这证明配置已保存并选中，但是否能成功调用工具仍需后续验证。我的桌面端显示版本为v0.21.2 (+4736)，其他版本菜单位置可能有所变化。
接下来创建一个“蓝耘AI日报”项目，工作目录指向新建的hermes-ai-daily文件夹。
在新项目中设置名称、选择项目文件夹，并在Idea中明确目标：通过蓝耘模型驱动Hermes，读取本地Skill，基于TrendRadar的公开资讯生成带来源的个人AI日报。这样会话就有了明确的工作目录和交付目标。
我先做个小的工具调用验证，没直接问“你好”，而是让模型执行pwd，读取项目中的vendor/TrendRadar/pyproject.toml，报告路径、版本和Python要求。
它成功返回了正确的工作目录、TrendRadar版本6.10.0和Python要求>=3.12。这一步验证了“模型能回答，并能通过Hermes调用本地工具”，比单纯保存成功更能接近后续任务的实际需求。
4. 准备项目：理清数据链路
这次我的环境是macOS arm64，Python版本为3.12.14。使用上游锁文件安装依赖，避免教程读者在之后重跑时遇到不同的环境问题。接下来，我会分享如何确保项目的稳定性和可复用性。
