Feed Diet 是一款专为信息消费审计而设计的智能工具，旨在帮助用户深入了解自己在 Hacker News（HN）和 RSS 订阅源上的阅读习惯与内容偏好。通过自动化抓取和分析用户的历史阅读数据或订阅内容，该工具能够生成一份结构清晰、视觉美观的报告，全面展示用户的‘信息饮食’状况。报告不仅包含各类别内容的统计分布，还辅以 ASCII 图表增强可读性，并提供个性化的内容推荐，助力用户优化信息摄入结构。无论是想审视自己是否过度关注新闻，还是希望发现潜在的技术兴趣点，Feed Diet 都能提供有价值的洞察。 该工具支持两种核心模式：审计模式和摘要模式。在审计模式下，用户可输入自己的 Hacker News 用户名或上传 OPML 文件（RSS 订阅列表），系统将自动获取最近的内容，利用 LLM（大型语言模型）或关键词匹配技术进行分类，最终输出一份详尽的 Markdown 格式报告。而在摘要模式下，用户可以设定特定的学习目标（如“分布式系统”或“编译器原理”），系统将在指定天数内筛选出最相关的文章，生成一份精炼的每周阅读清单。这种灵活的模式设计，使得 Feed Diet 既能满足深度分析的需求，也能适应日常阅读规划的场景。 特别值得一提的是，Feed Diet 的报告设计极具吸引力，其 Markdown 输出格式便于截图分享，适合在社区或团队中传播讨论。此外，工具还支持 Discord 集成，可在对话中分阶段发送摘要与完整报告，提升交互体验。对于追求高效信息管理的开发者、研究人员或内容爱好者而言，Feed Diet 不仅是一个分析工具，更是一种自我认知与知识管理的新方式。
核心功能特点
- 支持 Hacker News 用户名和 OPML/RSS 订阅源双数据源输入
- 基于 LLM 或关键词匹配的智能内容分类与统计
- 生成包含分类表格、ASCII 图表和个性化推荐的精美 Markdown 报告
- 提供审计模式（全面分析）与摘要模式（目标导向阅读）两种使用方式
- 支持 Discord 环境下的交互式报告展示与快速操作建议
适用场景
Feed Diet 特别适合那些长期活跃于 Hacker News 或拥有大量 RSS 订阅的用户，他们往往面临信息过载的问题，却难以系统性地回顾自己的阅读轨迹。例如，一位每天浏览 HN 的开发者可能发现自己大部分时间都花在科技新闻上，而忽略了深入的技术论文或开源项目动态。借助 Feed Diet，这类用户可以快速识别内容偏好的盲区，并据此调整订阅策略，增加对特定领域（如系统编程、机器学习）的深度内容摄入。 另一个典型场景是知识工作者或学生群体，他们希望通过有目的性的阅读提升专业技能。此时，Feed Diet 的摘要模式尤为实用——只需设定目标关键词（如“编程语言”、“编译器设计”），系统就能在最近一周内筛选出高度相关的文章，形成一份精简但高质量的阅读清单。这种方式避免了盲目刷帖，显著提高了学习效率。 此外，团队协作或技术社区中也存在广泛的应用潜力。组织内部的知识管理者可以利用 Feed Diet 分析成员的阅读构成，识别知识缺口；导师则可为学员定制个性化的阅读建议，促进深度学习。由于其报告易于分享和可视化，它也适合作为个人成长复盘的工具，帮助用户在年度总结中审视自己的信息消费趋势，从而做出更明智的学习与职业决策。