从手动筛选到个性化简报，用 Claude Code + Gemini 搭建智能信息过滤架构
每天早上打开终端，输入 /morning，等 3 分钟。出来的不是一份「AI 新闻摘要」，而是一份完全基于我当前持仓、在跑的项目、本周待办生成的个性化简报。
今天的结果：17 篇 RSS 文章 + 10 个 TG 频道 → 筛出 22 条相关内容 → 5 篇深度解读，每条都带明确的行动项。
这篇文章分享一下它的架构和设计思路。
我的信息源不少：20 多个 TG 频道、RSS 订阅的技术博客和新闻、X 上的内容。每天产出几十条信息，但真正跟我相关的可能不到 10 条。
之前的方式是手动翻 TG，瞄一眼标题，凭直觉决定看不看。问题很明显：
我需要的不是「更聪明的 RSS 阅读器」，而是一个理解我的上下文、帮我做第一层筛选的系统。
核心是一个漏斗模型，三层过滤：全量扫描 → 相关性过滤 → 深度解读
两个自动化的信息管道，每天定时生成：
x-engine（一个自写的 RSS 聚合脚本）从 RSS 抓取，打分排序，自动归类（热点/优质/深读）tg-reader（一个 Telegram 抓取脚本）从 20+ 个 TG 频道抓消息，用 Gemini 做摘要两份日报都是 Markdown 文件，落在 Obsidian vault 里。这意味着 Claude Code 可以直接读取。
这是整个系统最关键的部分。 Claude 在扫描时，同时加载 3 个上下文文件：
portfolio.json — 我在 Polymarket 和 Opinion 上的持仓（标的、成本、浮盈浮亏）projects.md — 当前活跃的项目和状态（哪些策略在跑、哪些在开发中）goals.md — 本周待办和关注的方向有了这些上下文，Claude 不是在「总结新闻」，而是在回答一个具体的问题：今天这些信息里，哪些跟我正在做的事有关？
这个分工不是为了炫技，而是实际的成本考量。让 Claude 去抓 5 篇文章原文再逐篇分析，token 消耗会很高。Gemini Flash 便宜快速，适合做这类「给定框架 + 分析内容」的任务。
Skill 里定义了 7 个匹配维度。每条信息按命中的维度数分为三层：强相关（2+ 维度）、弱相关（1 维度）、无关（跳过）。
比如今天 insiders.bot 的一条信号 —「US strikes Iran 智能资金大量押 No」— 同时命中了「持仓相关」和「时效窗口」两个维度，被标为强相关，并且在输出里直接标注了我持有的方向和浮亏。
这种交叉比对是手动翻 TG 永远做不到的。
最终输出分 4 个部分：
「发推素材」这个分类是意外的收获。简报在筛选过程中自然会发现适合发推的话题和角度，省去了单独找选题的时间。
整个系统是一个 Claude Code Skill。Skill 本质上就是一个结构化的 prompt 文件（skill.md），定义了：
/morning）Skill 的好处是可复现。不像聊天式 prompt 每次效果不一样，Skill 把流程固化了，每天跑出来的格式和质量是稳定的。
核心代码其实就两个文件：
skill.md（~150 行）— 流程定义和输出模板morning_analyzer.py（~170 行）— Gemini 深度分析的桥接脚本加上两个数据管道（x-engine + tg-reader），总共不到 500 行代码。
试过。让 Claude 直接读所有 TG 频道消息 + RSS 全文，一次性分析输出。问题是 context window 不够用（或者够用但太慢太贵），而且 Claude 对「筛选」比「分析」更擅长。拆成两步之后，筛选的准确率和分析的深度都提升了。
所有数据交换都通过 Markdown 文件（日报、portfolio、projects）。文件的好处是可检查、可编辑、可版本控制。如果某天觉得筛选漏了什么，直接看文件就能 debug，不需要翻 API 日志。
有些天确实没什么值得深读的。强凑 5 篇只会降低信噪比。「不凑数」是刻意的设计。
跑了几天下来，最明显的变化：
不完美的地方：Gemini 偶尔抓不到原文（付费墙），深读分析的质量取决于原文抓取的完整性。
Morning Skill 不是什么高深的技术。漏斗模型、维度匹配、混合 AI 架构 — 每个单独拿出来都很简单。
但它解决了一个真实的问题：让 AI 不再是「通用助手」，而是一个理解你的上下文、帮你做筛选和判断的 copilot。
关键不在 Skill 的 prompt 写得多好，在于你投进去的个人上下文有多具体。 portfolio、项目状态、本周目标 — 这些才是让 AI 输出从「通用」变成「有用」的燃料。
如果你也在用 Claude Code，试试把你的工作上下文结构化成文件，喂给它。效果可能会超出预期。