核心用法
Feed Diet 是一款信息消费习惯审计工具，通过分析用户的 Hacker News 浏览记录或 RSS 订阅源，生成精美的 Markdown 格式报告。支持两种核心模式：
- Audit Mode（审计模式）：全面分析阅读内容分布，输出分类统计表、ASCII 图表、多样性评分及个性化改进建议
- Digest Mode（摘要模式）：基于用户指定的专业目标（如"分布式系统""编译器"），筛选过去 7 天的相关内容生成精选阅读清单
技术实现上，工具通过 Bash 脚本链完成数据获取（HN API / OPML 解析）、内容分类（LLM 智能分类或关键词回退）、报告生成三阶段流程。
显著优点
1. 可视化输出：原生 Markdown 报告可直接渲染，包含结构化表格与 ASCII 图表，适合截图分享
2. 双源兼容：同时支持 HN 用户名和 RSS OPML 文件，覆盖主流技术阅读场景
3. 智能分类：优先使用 Claude/OpenAI API 进行内容分类，准确性显著高于规则匹配
4. 目标导向的 Digest：帮助用户从信息洪流中过滤出与职业发展相关的深度内容
潜在局限
- 分类质量依赖 API：未配置 LLM API 密钥时，关键词回退机制可能导致分类偏差
- 数据源限制：HN 审计依赖公开收藏数据，RSS 审计需要本地 OPML 文件
- 隐私考量：HN 用户名公开可见，但 RSS 文件可能包含私有订阅信息
适合人群
- 希望量化信息摄入结构的技术从业者
- 感到"阅读焦虑"、想优化阅读质量的 HN/RSS 重度用户
- 需要向团队展示阅读趋势的技术 lead
常规风险
- API 密钥管理：工具读取 ANTHROPIC_API_KEY / OPENAI_API_KEY 环境变量，需确保密钥安全
- 外部脚本执行：涉及多个 Bash 脚本调用，需信任 Anvil AI 的代码签名
- Discord 场景下的数据暴露：v2 模式在频道中分享报告摘要时，可能泄露个人阅读偏好