三个环境变量切换大模型：10 分钟跑起一套会自己判稿的 AIHOT 热点站

【免费下载链接】AIHOT一个自己找热点、自己写日报的网站框架。把信源和精选标准换成你的，它就是你的行业热点站。项目地址: https://gitcode.com/gh_mirrors/ai/AIHOT

过去一个月，一个叫 AIHOT 的开源项目连续出现在 GitHub 日榜上：GitHub 累计约 5400 Star、MIT 协议、TypeScript 全栈、一个曾经做到百万月活的 AI 热点资讯网站，把"引擎"完整开源了出来。社区里的讨论大多集中在同一个判断上——这不是又一个"RSS 阅读器 + 摘要"的玩具，而是一套会自己判稿的内容生产线：它自己抓信源、自己判断哪条值得看、自己写中文标题和摘要、把不同来源说的同一件事聚成事件算热度、每天早上自动出一份日报。

更难得的是，起跑门槛被压到了极致：你只需要一个 OpenAI 兼容的模型 API Key，和三个环境变量。本文就基于仓库真实源码，拆解"三变量换模型"的机制、三进程 + PostgreSQL 的最小启动姿势，以及第一份自动日报从采集到成刊的完整判稿流程。

为什么是它：一套会自己判稿的开源引擎

AIHOT 是自媒体博主"数字生命卡兹克"做的 AI 热点网站，仓库 README.md 里写得很直白："这个仓库是它的引擎和框架：网站、后台、精选流程、聚簇和热度算法，所有提示词的原文和入选门槛，都在这里。"

它解决的问题很具体：做法律、做 HR、做金融的人想要自己的行业热点站，但没人能替他们定义"什么消息对这个行业才算热点"。于是作者把火种交出来——信源换成你的，精选标准换成你的 KnowHow，它就是你的行业热点站。

仓库带了 18 个公开的海外 AI 资讯源做示范（industry/sources.json，OpenAI、Google DeepMind、Hugging Face 等官方源），够你跑起来立刻看到效果。框架的核心能力包括：六种信源接入（RSS、网页列表、JSON 接口、X 账号、微信公众号、外部推送）、多阶段大模型判稿（预筛、双评、结构化、写作）、事件聚簇与热度算法、日报/周报/月报自动编排，以及预算熔断与模型回执机制。

三个环境变量，切换整个站的"大脑"

AIHOT 的模型调用层在 packages/backend/src/providers/llm.ts。框架内置一个名为default的模型规格，它完全由环境变量驱动：

default: { key: "default", service: "llm", baseUrlEnv: "LLM_BASE_URL", apiKeyEnv: "LLM_API_KEY", get model() { return process.env.LLM_MODEL ?? ""; }, get extra() { return extraFromEnv(process.env.LLM_EXTRA_JSON); }, get reasoningTokens() { return reasoningTokensFromEnv(process.env.LLM_REASONING_TOKENS); }, get jsonMode() { return process.env.LLM_JSON_MODE !== "false"; }, get vision() { return process.env.LLM_VISION === "true"; }, }

也就是说，预筛、评分、结构化、写作、归组、综述、周报月报总述……所有步骤的默认模型，都来自这三个变量：LLM_BASE_URL（接口地址）、LLM_API_KEY（密钥）、LLM_MODEL（模型名）。任何 OpenAI 兼容接口都行——调用就是POST {baseUrl}/chat/completions，带Bearer鉴权。.env.example里给了三种写法的对照：

# DeepSeek LLM_BASE_URL=https://api.deepseek.com/v1 LLM_MODEL=deepseek-flash LLM_EXTRA_JSON={"thinking":{"type":"disabled"}} # 千问 LLM_BASE_URL=https://dashscope.aliyuncs.com/compatible-mode/v1 LLM_MODEL=qwen3.8-flash LLM_EXTRA_JSON={"enable_thinking":false} # 智谱 LLM_BASE_URL=https://open.bigmodel.cn/api/paas/v4 LLM_MODEL=glm-5.3-flash LLM_EXTRA_JSON={"thinking":{"type":"enabled"},"reasoning_effort":"low"}

三个变量之外还有几个有用的"旋钮"：用推理模型（先想再答）时设LLM_REASONING_TOKENS给推理留出输出额度，避免报output token limit reached (finish_reason=length)；模型能看图就开LLM_VISION=true，精选内容的标题摘要会参考首图；接口不支持 JSON 模式时设LLM_JSON_MODE=false。

更进阶的玩法在 packages/backend/src/editorial/models.ts：modelFor()的选型优先级是后台切换 > 环境变量 > 代码默认，其中每一步都有专属环境变量——PREFILTER_MODEL（预筛）、SCORE_MODEL（评分）、UNDERSTAND_MODEL（内容理解）、SUMMARIZE_MODEL（标题摘要）、STRUCTURE_MODEL（结构抽取）、GROUP_MODEL/GROUP_REVIEW_MODEL（归组与复核）、DIGEST_MODEL（事件综述）、TRANSLATE_MODEL（全文翻译）。比如想让"归组复核"这一步换一家更稳的模型，直接在.env里加一行GROUP_REVIEW_MODEL=mimo-v2.6-flash即可。具名模型的预设（地址、密钥环境变量、额外参数）都写在 site/models.ts，框架把"每个步骤用哪个模型"完全留给了站点。

10 分钟起服务：web / api / worker 三进程 + PostgreSQL

整套系统的进程模型在 docs/architecture.md 里讲得很清楚，三个进程各司其职：

• api（apps/api/）：Fastify，提供网站自用接口、公开 API（/api/v1/）、RSS、MCP、后台接口、图片代理和分享图；
• worker（apps/worker/）：pg-boss 任务队列与定时任务——抓信源、调模型、归组、热度、日报、告警、清理，所有模型调用都发生在 worker 里；
• web（apps/web/）：React Router 服务端渲染的网页，只通过 HTTP 读 api，不碰数据库、不持有任何密钥。

业务代码全部集中在 packages/backend/，站点身份在site/，行业配置（信源、提示词、门槛）在industry/。

启动只需要三条命令：

git clone https://github.com/KKKKhazix/AIHOT.git myhot cd myhot node scripts/init-env.ts --llm-key <你的模型 API Key> docker compose up -d --build

init-env.ts（scripts/init-env.ts）会基于.env.example生成.env：填好随机生成的SESSION_SECRET、IMG_PROXY_SIGN_SECRET、POSTGRES_PASSWORD，生成一个管理员密码并打印一次（默认按 DeepSeek 配置，换模型服务商就照上面的例子改三个LLM_*变量）。docker compose up -d --build会拉起五个容器（docker-compose.yml）：

• db：PostgreSQL 17；
• setup：先跑数据库迁移（scripts/migrate.ts）和种子数据（scripts/seed.ts，导入示范信源），然后退出；
• api：Fastify，端口 3001；
• worker：抓取、模型处理、定时任务；
• web：SSR 网页，映射到宿主机 3000 端口。

打开 http://localhost:3000 就是站点，后台在/admin，用刚才打印的管理员密码登录。一两分钟后开始有内容，第一次导入的一百多条资料大约半小时处理完——每条都要走预筛、评分、结构化、写标题摘要，再归组。部署层面，docs/deploy.md 还覆盖了中国大陆服务器的 npm 镜像与出口代理（EGRESS_PROXY_URL）、域名与 HTTPS（docker compose --profile https up自动起 Caddy）等细节。

第一份自动日报是怎么"判"出来的

跑起来之后，最值得观察的就是 worker 后台那条完整的判稿流水线。以 README.md 的六步描述为骨架，对照源码走一遍：

第一步，预筛（宽召回）。industry/prompts/prefilter.md 只回答一个问题：这条材料是不是本行业的事。输出PASS / BLOCK / UNKNOWN三态——BLOCK的资料不出现在任何公开页面；拿不准的UNKNOWN保留待补材料，不直接丢弃。实现上，BLOCK且材料缺失时会降级为UNKNOWN（packages/backend/src/editorial/analyze.ts 的runPrefilter）。

第二步，双评（独立打两次分）。这是 AIHOT "会判稿"的核心。评分标准 industry/prompts/selection-score.md 把事件注意力价值压缩成一个 0–100 的整数attentionScore：内部按五轴（实质份量 sig、信息增量 nov、证据强度 cred、共振面 reson、可用性 act）独立打 0–10 分，再按事件类型权重（模型发布、产品上线、工具技巧、论文、行业事件等七类）加权求和。关键设计在 analyze.ts 的SCORE_CALLS = 2：同一份标准、同一篇材料，独立打两次分，两次之和 ≥ 2 × 门槛才入选，页面上显示向下取整的平均分。门槛按信源分级区分（industry/selection.ts）：

thresholds: { T1: 60, T1_5: 65, T2: 76 }

官方一手信源（T1）门槛低一些，媒体和个人（T2）门槛高一些——同样一件事，官方原文更值得先看。

第三步，结构化。与评分并行，用 industry/prompts/structure.md 抽取分类、标签、主体公司，并判断这条是不是一条具体新闻；是的话抽出事实（谁、做了什么、对什么、什么时候）。源码里有一个很实在的反幻觉设计：normalizeStructure()会把模型抽出的引用（evidence/quote）逐一和原始材料比对，只保留确实出现在原文里的句子，防止模型编造出处。

第四步，写作。入选的和差一点入选的（平均分高于understandFloor: 50）按 industry/prompts/content-understanding.md 写中文标题、答案先行的摘要和推荐理由；其余按更便宜的summarize-*.md提示词写简短标题摘要，进"全部动态"。写作还带一重"身份护栏"（identity guard），防止模型把原文根本没提到的公司写进标题。

第五步，归组与热度。不同来源报道的同一件事，用标题摘要向量（没配向量服务时用文字重合度）找候选、再让模型判断关系，聚成一个事件；拿不准的合并，写入前再让模型复核一遍（GROUP_REVIEW_MODEL）。热度按事件不按文章算，规则全在 packages/backend/src/events/hot.ts：heat-v1-48h-halflife24h——48 小时窗口、24 小时半衰期衰减、每个独立来源只算一次。重复抓取不会多算，一家媒体发十篇也只算一次，所以排在前面的，是真正有很多人在说的事。

第六步，成刊。日报每天 08:00 出（时间在 site/site.ts 的EDITION_TIMES里改，排程每半小时检查一次），窗口是前一天 08:00 到当天 08:00。编排规则全在 packages/backend/src/reports/edition.ts：一件事一条，取报道最多的那条新闻里最权威的一篇（官方一手优先），同事件当天的其他进展列在下面；前 12 条进正文（第一条是头条，导语就是它自己的标题和摘要，第 2–4 条是今日看点），再往后最多 10 条一行快讯；报过的事只在有新进展时跟进。日报全程按规则计算，不调用模型——只有周报、月报的总述和栏目导读由模型写（industry/prompts/report-period*.md），而且模型写出了条目里没有的名字或数字，这段话就会被丢弃、换成模板生成。

整条流水线还配了两道成本安全阀：每个付费请求（模型、X、公众号、Jina）先记一张"回执"，拿到结果先存再用——进程重启、任务重试时复用已付过钱的结果，不重复花钱（packages/backend/src/providers/receipts.ts）；每个付费服务有每分钟、每小时、每天的上限，超过就熔断暂停。这也是社区讨论里反复提到的"预算熔断"。

跑起来之后，首页的每日精选、热点榜和日报页面长这样（截图来自用示范信源跑起来的本地站，站名是默认的 MyHOT）：

下一步：把它变成你的行业热点站

自动判稿的"品味"完全沉淀在industry/目录里，代码基本不用动：industry/sources.json 换你的信源，industry/prompts/ 写你的行业 KnowHow，industry/selection.ts 调入选门槛，industry/taxonomy.ts 和 industry/topics.json 定义分类与主题；站名、出刊时间、文案则在 site/site.ts。提示词的版本就是它内容的哈希——改了提示词，之后的新资料按新版判断，已判过的不会重算。

如果你觉得默认门槛偏严或偏松，docs/selection.md 还提供了完整的闭环校准方法：拿一两百条自己标注过的资料（gold.jsonl），用 scripts/eval-selection.ts 跑一遍 SelectBench 评测，看错例、改提示词、调门槛，直到它选得合你的口味。

从三个环境变量到一份会自己判稿、自己出日报的行业热点站，中间隔的只是一条docker compose up。剩下的路——把信源换成你的，把标准换成你的——就交给你自己了。

【免费下载链接】AIHOT一个自己找热点、自己写日报的网站框架。把信源和精选标准换成你的，它就是你的行业热点站。项目地址: https://gitcode.com/gh_mirrors/ai/AIHOT