info-radar：零密钥零依赖的 AI 资讯雷达轻量复刻版

agents-radar 核心体验的轻量复刻版：每天抓 AI 相关链接 → 去重 → 打分 → Top 5 推荐（每条配一句推荐理由）→ 同时出控制台 + Markdown 日报 + 网页三种产出。

• 零密钥也能跑：4 个免费公开源（Hacker News / Dev.to / Lobste.rs / GitHub Trending），不要 LLM key、不要 GitHub token。
• 零依赖：Node 内置 fetch，不用 npm install。
• 可升级：配一个 LLM key（OpenAI 兼容 或 Anthropic）就能让模型写推荐理由；配不上/没配自动降级启发式，永不报错。

跑法

node radar.mjs            # 零密钥：启发式推荐理由

跑完会：① 控制台打印 Top 5 ② 写 digests/YYYY-MM-DD.md 日报 ③ 生成 index.html（双击用浏览器打开）。

想让 AI 写推荐理由（可选）

任选一种，国内可直连的 OpenAI 兼容接口最省事：

# DeepSeek（示例）
LLM_BASE_URL=https://api.deepseek.com LLM_API_KEY=sk-xxx LLM_MODEL=deepseek-chat node radar.mjs

# 通义千问（DashScope 兼容模式）
LLM_BASE_URL=https://dashscope.aliyuncs.com/compatible-mode LLM_API_KEY=sk-xxx LLM_MODEL=qwen-plus node radar.mjs

# Kimi / 月之暗面
LLM_BASE_URL=https://api.moonshot.cn LLM_API_KEY=sk-xxx LLM_MODEL=moonshot-v1-8k node radar.mjs

# Anthropic（直接用官方 key）
ANTHROPIC_API_KEY=sk-ant-xxx node radar.mjs

只调用 1 次 LLM（5 条理由一起生成），成本可忽略；调用失败会自动降级启发式，不影响出结果。

它怎么工作（4 步）

1. 抓：并行查 4 个源（HN 6 关键词、Dev.to 3 标签、Lobste.rs ai 分类、GitHub Trending 取「今日新增 star」）。
2. 去重：URL 归一化（去 www / 末尾斜杠 / 追踪参数）；跨源同一篇合并并累加热度（被多社区转发 = 更强信号）。
3. 打分：得分 = 源内归一化热度(0–100) × 时效。
   • 为什么归一化：GitHub 的 star、HN 的赞、Dev.to 的 reaction 量纲天差地别，直接比会让某个源刷屏。先在各源内拉到同一把 0–100 尺，再比。
   • 时效 = 0.5 ^ (年龄 / 48h)（每 48 小时减半）；GitHub Trending 视为「今天」。
4. 推荐：取分数最高的 5 条，各配一句理由（LLM 或启发式）。

想改什么，改这里

radar.mjs 顶部常量：PER_SOURCE（每源取几条）、TOP_N（推荐几条）、RECENCY_HALFLIFE_H（时效半衰期）、COMMENT_WEIGHT（评论权重）、AI_RE（相关性关键词）。

加新数据源：照着 fetchHN / fetchDevto / fetchLobsters / fetchGitHubTrending 写一个返回 {source,title,url,points,comments,createdAt,note} 数组的函数，塞进 main() 的 Promise.all。

想每天自动跑

• 简单：/loop 或在终端 while true; do node radar.mjs; sleep 86400; done。
• 正经：macOS crontab -e 加一行 0 8 * * * cd ~/Documents/Claude/信息雷达 && /usr/local/bin/node radar.mjs。

和原项目的关系

复刻自 duanyytop/agents-radar