核心用法
Feed Diet 是一款信息饮食审计工具，通过分析用户的 Hacker News 阅读历史或 RSS 订阅源，生成结构化的阅读分析报告。支持两种主要模式：
Audit 模式（默认）：对用户近期的阅读内容进行全面盘点，按主题分类统计，输出包含 ASCII 图表、分类占比、多样性评分的 Markdown 报告。支持 HN 用户名或 OPML 文件作为数据源。
Digest 模式：根据用户指定的学习目标（如"分布式系统""编程语言"），从近期内容中筛选高相关度文章，生成精选阅读清单。
显著优点
- 可视化报告输出：生成为分享而设计的精美 Markdown 报告，包含分类表格、ASCII 图表和个性化建议，可直接截图分享
- 智能内容分类：优先使用 LLM（Claude/OpenAI）进行语义分类，无 API 时自动降级为关键词匹配
- 双数据源支持：同时支持 HN 阅读历史和 RSS 订阅源分析
- 目标导向筛选：Digest 模式可根据职业目标或学习方向过滤噪声内容
- Discord 原生适配：针对 Discord 场景优化分段输出，支持交互式组件
潜在局限
- 依赖外部 API：HN 数据需网络抓取，RSS 依赖 feed 可用性；LLM 分类需要用户自行配置 API key
- 分类准确性：关键词降级模式在边界话题上可能误判，技术交叉领域（如"AI 安全"可能同时属于 AI 和安全）分类一致性有限
- 时效性限制：仅分析已消费内容，无法评估"应该读但未读"的盲区
- 隐私考量：HN 用户名公开，但 RSS 分析可能暴露用户订阅偏好
适合人群
- 信息焦虑者：感觉阅读量大但收获感低，希望量化分析时间投入
- 技术从业者：需要跟踪特定领域动态，希望发现订阅结构偏差
- 内容创作者：研究受众兴趣分布，优化选题方向
- 学习者：制定阶段性阅读计划，用 Digest 模式聚焦目标领域
常规风险
- 数据完整性：RSS feed 可能 404 或限流，导致样本偏差；HN 仅抓取最近 N 条，长尾历史未覆盖
- 过度简化：分类标签将复杂内容降维，可能丢失 nuance，用户可能过度依赖数字指标
- 推荐茧房：基于历史行为的推荐容易强化现有偏好，Digest 的目标参数虽可缓解，但仍依赖用户自我认知