核心用法
Feed Diet 是一款面向开发者的信息摄入分析工具，通过两种模式帮助用户审视阅读内容：
Audit 模式：深度审计用户的 Hacker News 历史或 RSS 订阅源，生成分类统计报告（含 ASCII 图表、类别占比、多样性评分），并提供个性化订阅建议。
Digest 模式：基于用户设定的技术目标（如"分布式系统""编译器"），从近期阅读中筛选高相关度内容，生成每周精选清单。
显著优点
- 数据源灵活：同时支持 HN 用户名和 OPML 文件，覆盖主流开发者阅读场景
- 分类智能化：优先使用 LLM（Claude/OpenAI）进行内容分类，回退至关键词匹配，兼顾准确性与可用性
- 报告美观：Markdown 格式输出，含 ASCII 可视化图表，便于截图分享
- 场景适配：针对 Discord 提供紧凑版/完整版分阶段交付，控制消息长度
- 闭环建议：不仅呈现数据，还主动推荐补充阅读源，实现"诊断→优化"闭环
潜在缺点与局限性
- 隐私依赖：需提交 HN 用户名或 OPML 文件，对隐私敏感用户存在门槛
- LLM 成本：高精度分类依赖外部 API，无 key 时降级为关键词匹配，准确率下降
- 时效性限制：Digest 模式依赖近期数据，新用户历史不足时效果受限
- 平台锁定：Discord v2 交互组件需特定版本支持，通用性受限
适合人群
- 感觉信息过载、希望优化阅读效率的开发者
- 需要定期输出技术趋势分析的技术管理者
- 希望量化自身技术关注点的工程师
常规风险
- API 密钥管理：脚本需读取
ANTHROPIC_API_KEY/OPENAI_API_KEY，存在密钥泄露风险，建议通过环境变量隔离 - 数据持久化：未明确说明原始抓取数据是否本地存储，需确认缓存清理机制
- 第三方依赖：HN 抓取依赖外部 API，存在速率限制或服务变更风险
综合评估
Feed Diet 填补了"开发者信息摄入分析"这一细分需求，将原本模糊的主观感受转化为可量化的数据洞察。其设计亮点在于兼顾自动化（一键生成报告）与可解释性（保留原始分类逻辑透明度）。建议隐私敏感用户优先使用本地 OPML 模式，并定期轮换 API 密钥。