hacker-podcast

GitHub
2.5k 229 中等 2 次阅读 今天AGPL-3.0图像开发框架Agent
AI 解读 由 AI 自动生成,仅供参考

hacker-podcast 是一款基于人工智能的开源项目,致力于把 Hacker News 上的英文热门技术文章变成中文播客。它每天自动抓取网站上的高热度帖子,利用 AI 智能总结内容和评论,再通过语音合成技术转换为可收听的音频。

这个项目的出现,有效解决了技术圈普遍存在的语言障碍和时间碎片化问题。对于程序员、科技爱好者而言,它让获取全球前沿资讯变得更加轻松。你不必花费大量时间阅读长文,只需订阅播客,就能在通勤或休息时通过耳朵了解最新的行业动态和技术讨论。目前支持网页访问以及小宇宙、Apple Podcasts 等多个主流平台。

在技术层面,hacker-podcast 采用了 Cloudflare Workers 架构,结合 OpenAI API 进行内容处理,实现了从抓取、摘要生成到音频存储的全自动化流程。它不仅提供了现成的服务,还开源了完整代码,方便开发者根据需求自行部署。作为一个将 AI 能力落地于资讯分发的实践,它展示了如何利用现代云原生技术提升信息获取效率。

使用场景

资深后端工程师李明每天通勤路上想获取最新技术动态,但工作繁忙难以深度阅读英文长文,急需一种高效的资讯摄入方式。

没有 hacker-podcast 时

  • 需要手动浏览英文原版 Hacker News,语言门槛高且单篇文章阅读耗时过长,难以坚持。
  • 面对海量帖子,筛选真正有价值的技术内容需要消耗大量筛选精力,容易迷失在噪音中。
  • 无法在开车、跑步或做家务等场景下同步吸收信息,宝贵的碎片时间被浪费在屏幕前。
  • 容易错过评论区中关于技术实现的深度讨论和不同视角的观点碰撞,信息获取不够全面。

使用 hacker-podcast 后

  • hacker-podcast 自动抓取每日热榜,无需手动查找即可直达核心内容,节省搜索成本。
  • AI 智能生成中文摘要,消除语言障碍并快速提炼文章与评论的核心观点,降低理解难度。
  • 支持主流播客 App 收听,通勤途中即可通过耳朵高效获取资讯,实现多任务并行处理。
  • 每日自动更新机制确保不错过任何重要的开源项目或技术趋势,保持技术敏感度。

将碎片化阅读转化为沉浸式听书体验,极大提升了技术资讯获取效率。

运行环境要求

操作系统
  • 未说明
GPU

无需 GPU(基于 Cloudflare Workers 和 OpenAI API)

内存

未说明

依赖
notes项目核心运行在 Cloudflare Workers 边缘网络,非传统服务器部署;需自备 OpenAI API Key;本地开发需注意 Edge TTS 可能卡顿,建议注释调试;音频合并需浏览器端呈现,不支持纯本地开发,需远程调试;部署前需配置 R2 存储桶和 KV 存储空间。
python未说明
pnpm
wrangler
vinext
tailwindcss
shadcn-ui
cloudflare-workers
hacker-podcast hero image

快速开始

Agili 的 Hacker Podcast

一个基于 AI(人工智能)的 Hacker News 中文播客项目,每天自动抓取 Hacker News 热门文章,通过 AI 生成中文总结并转换为播客内容。

DeepWiki

预览地址:https://hacker-podcast.agi.li

订阅地址:RSS | Apple Podcasts | YouTube | 小宇宙 | Spotify

hacker-podcast


主要特性

  • 🤖 自动抓取 Hacker News 每日热门文章
  • 🎯 使用 AI 智能总结文章内容和评论
  • 🎙️ 通过 TTS(Text-to-Speech,文本转语音)生成中文播报
  • 📱 支持网页和播客 App 收听
  • 🔄 每日自动更新
  • 📝 提供文章摘要和完整播报文本

技术栈

  • vinext (Vite + React Server Components) 应用框架
  • Cloudflare Workers(无服务器函数)部署和运行环境
  • TTS 语音合成
  • OpenAI API 内容生成
  • Tailwind CSS 样式处理
  • shadcn-ui 组件库

工作流程

  1. 定时抓取 Hacker News 热门文章
  2. 使用 AI 生成中文摘要和播报文稿
  3. 通过 TTS 转换为音频。
  4. 存储到 Cloudflare R2(对象存储)和 KV(键值存储)
  5. 通过 RSS feed 和网页提供访问

本地开发

项目由一个 Worker(云函数)和 Web 程序组成,Worker 负责抓取数据,处理音频。使用了 Cloudflare 的 R2 存储、KV 存储、工作流和浏览器呈现。 Web 程序负责展示数据和提供 RSS 订阅。Web 程序使用 vinext 开发,通过 Cloudflare Vite 插件部署到 Workers。

  1. 安装依赖:
pnpm install
  1. 配置环境变量:
# .env.local
NODE_ENV=development
NEXT_STATIC_HOST=http://localhost:3000/static

# worker/.env.local
NODE_ENV=development
HACKER_PODCAST_WORKER_URL=https://you-worker-url
HACKER_PODCAST_R2_BUCKET_URL=https://your-bucket-url
OPENAI_API_KEY=your_api_key
OPENAI_BASE_URL=https://api.openai.com/v1
OPENAI_MODEL=gpt-4.1
  1. 启动开发服务器:
# 开发工作流
pnpm dev:worker
# curl -X POST http://localhost:8787 # 手动触发工作流

# 开发 Web 页面
pnpm dev

注意:

  • 本地运行工作流时,Edge TTS 转换音频可能会卡住。建议直接注释该部分代码进行调试。
  • 由于合并音频需要使用 Cloudflare 的浏览器端呈现,不支持本地开发,需要远程调试。可以使用 pnpm tests 进行测试。

部署

项目使用 Cloudflare Workers 部署:

  1. 创建 R2 文件存储桶,绑定域名后,修改 NEXT_STATIC_HOSTHACKER_PODCAST_R2_BUCKET_URL 变量。
  2. 创建 KV 存储空间
  3. 修改 wrangler.jsonc 中 KV 和 R2 的值
  4. 使用 wrangler(Cloudflare 命令行工具)脚手架配置线上环境的环境变量:
# 更新 Worker 的私有变量
pnpx wrangler secret put --cwd worker HACKER_PODCAST_WORKER_URL # 绑定域名后,修改为绑定域名
pnpx wrangler secret put --cwd worker HACKER_PODCAST_R2_BUCKET_URL
pnpx wrangler secret put --cwd worker OPENAI_API_KEY
pnpx wrangler secret put --cwd worker OPENAI_BASE_URL
pnpx wrangler secret put --cwd worker OPENAI_MODEL

# 更新 Web 程序的私有变量
pnpx wrangler secret put NODE_ENV # 建议 production
pnpx wrangler secret put NEXT_PUBLIC_BASE_URL # Web 服务地址
pnpx wrangler secret put NEXT_STATIC_HOST # 绑定域名后,修改为绑定域名
# 记得恢复注释:wrangler.jsonc 中的 workflows 相关配置
pnpm deploy:worker
pnpm run deploy

致谢

特别感谢以下开源项目:

  • Podify - 一个优雅的播客主题,为本项目提供了设计灵感和参考

贡献

欢迎提交 Issue 和 Pull Request!

赞助

[!TIP] MiniMax MiniMax-M2.1 是开源的业界顶尖编程模型,在多语言代码编写、界面设计理解与美学表达、长文本处理及多步骤复杂开发任务上表现卓越。让我们向通用生产力的长期愿景迈出了坚实一步,让人人都能轻松用上前沿的 AI 能力。点击领取 MiniMax CodingPlan 专属 88 折优惠

  1. 在 Telegram 关注我
  2. 在 𝕏 上关注我
  3. 在 GitHub 赞助我

免责声明

本项目与 Hacker News 和 Y Combinator 没有任何关联。"Hacker News" 是 Y Combinator 的注册商标。

常见问题

相似工具推荐

stable-diffusion-webui

stable-diffusion-webui 是一个基于 Gradio 构建的网页版操作界面,旨在让用户能够轻松地在本地运行和使用强大的 Stable Diffusion 图像生成模型。它解决了原始模型依赖命令行、操作门槛高且功能分散的痛点,将复杂的 AI 绘图流程整合进一个直观易用的图形化平台。 无论是希望快速上手的普通创作者、需要精细控制画面细节的设计师,还是想要深入探索模型潜力的开发者与研究人员,都能从中获益。其核心亮点在于极高的功能丰富度:不仅支持文生图、图生图、局部重绘(Inpainting)和外绘(Outpainting)等基础模式,还独创了注意力机制调整、提示词矩阵、负向提示词以及“高清修复”等高级功能。此外,它内置了 GFPGAN 和 CodeFormer 等人脸修复工具,支持多种神经网络放大算法,并允许用户通过插件系统无限扩展能力。即使是显存有限的设备,stable-diffusion-webui 也提供了相应的优化选项,让高质量的 AI 艺术创作变得触手可及。

162.1k|★★★☆☆|今天
开发框架图像Agent

everything-claude-code

everything-claude-code 是一套专为 AI 编程助手(如 Claude Code、Codex、Cursor 等)打造的高性能优化系统。它不仅仅是一组配置文件,而是一个经过长期实战打磨的完整框架,旨在解决 AI 代理在实际开发中面临的效率低下、记忆丢失、安全隐患及缺乏持续学习能力等核心痛点。 通过引入技能模块化、直觉增强、记忆持久化机制以及内置的安全扫描功能,everything-claude-code 能显著提升 AI 在复杂任务中的表现,帮助开发者构建更稳定、更智能的生产级 AI 代理。其独特的“研究优先”开发理念和针对 Token 消耗的优化策略,使得模型响应更快、成本更低,同时有效防御潜在的攻击向量。 这套工具特别适合软件开发者、AI 研究人员以及希望深度定制 AI 工作流的技术团队使用。无论您是在构建大型代码库,还是需要 AI 协助进行安全审计与自动化测试,everything-claude-code 都能提供强大的底层支持。作为一个曾荣获 Anthropic 黑客大奖的开源项目,它融合了多语言支持与丰富的实战钩子(hooks),让 AI 真正成长为懂上

139k|★★☆☆☆|今天
开发框架Agent语言模型

ComfyUI

ComfyUI 是一款功能强大且高度模块化的视觉 AI 引擎,专为设计和执行复杂的 Stable Diffusion 图像生成流程而打造。它摒弃了传统的代码编写模式,采用直观的节点式流程图界面,让用户通过连接不同的功能模块即可构建个性化的生成管线。 这一设计巧妙解决了高级 AI 绘图工作流配置复杂、灵活性不足的痛点。用户无需具备编程背景,也能自由组合模型、调整参数并实时预览效果,轻松实现从基础文生图到多步骤高清修复等各类复杂任务。ComfyUI 拥有极佳的兼容性,不仅支持 Windows、macOS 和 Linux 全平台,还广泛适配 NVIDIA、AMD、Intel 及苹果 Silicon 等多种硬件架构,并率先支持 SDXL、Flux、SD3 等前沿模型。 无论是希望深入探索算法潜力的研究人员和开发者,还是追求极致创作自由度的设计师与资深 AI 绘画爱好者,ComfyUI 都能提供强大的支持。其独特的模块化架构允许社区不断扩展新功能,使其成为当前最灵活、生态最丰富的开源扩散模型工具之一,帮助用户将创意高效转化为现实。

107.7k|★★☆☆☆|2天前
开发框架图像Agent

NextChat

NextChat 是一款轻量且极速的 AI 助手,旨在为用户提供流畅、跨平台的大模型交互体验。它完美解决了用户在多设备间切换时难以保持对话连续性,以及面对众多 AI 模型不知如何统一管理的痛点。无论是日常办公、学习辅助还是创意激发,NextChat 都能让用户随时随地通过网页、iOS、Android、Windows、MacOS 或 Linux 端无缝接入智能服务。 这款工具非常适合普通用户、学生、职场人士以及需要私有化部署的企业团队使用。对于开发者而言,它也提供了便捷的自托管方案,支持一键部署到 Vercel 或 Zeabur 等平台。 NextChat 的核心亮点在于其广泛的模型兼容性,原生支持 Claude、DeepSeek、GPT-4 及 Gemini Pro 等主流大模型,让用户在一个界面即可自由切换不同 AI 能力。此外,它还率先支持 MCP(Model Context Protocol)协议,增强了上下文处理能力。针对企业用户,NextChat 提供专业版解决方案,具备品牌定制、细粒度权限控制、内部知识库整合及安全审计等功能,满足公司对数据隐私和个性化管理的高标准要求。

87.6k|★★☆☆☆|今天
开发框架语言模型

ML-For-Beginners

ML-For-Beginners 是由微软推出的一套系统化机器学习入门课程,旨在帮助零基础用户轻松掌握经典机器学习知识。这套课程将学习路径规划为 12 周,包含 26 节精炼课程和 52 道配套测验,内容涵盖从基础概念到实际应用的完整流程,有效解决了初学者面对庞大知识体系时无从下手、缺乏结构化指导的痛点。 无论是希望转型的开发者、需要补充算法背景的研究人员,还是对人工智能充满好奇的普通爱好者,都能从中受益。课程不仅提供了清晰的理论讲解,还强调动手实践,让用户在循序渐进中建立扎实的技能基础。其独特的亮点在于强大的多语言支持,通过自动化机制提供了包括简体中文在内的 50 多种语言版本,极大地降低了全球不同背景用户的学习门槛。此外,项目采用开源协作模式,社区活跃且内容持续更新,确保学习者能获取前沿且准确的技术资讯。如果你正寻找一条清晰、友好且专业的机器学习入门之路,ML-For-Beginners 将是理想的起点。

85k|★★☆☆☆|今天
图像数据工具视频

ragflow

RAGFlow 是一款领先的开源检索增强生成(RAG)引擎,旨在为大语言模型构建更精准、可靠的上下文层。它巧妙地将前沿的 RAG 技术与智能体(Agent)能力相结合,不仅支持从各类文档中高效提取知识,还能让模型基于这些知识进行逻辑推理和任务执行。 在大模型应用中,幻觉问题和知识滞后是常见痛点。RAGFlow 通过深度解析复杂文档结构(如表格、图表及混合排版),显著提升了信息检索的准确度,从而有效减少模型“胡编乱造”的现象,确保回答既有据可依又具备时效性。其内置的智能体机制更进一步,使系统不仅能回答问题,还能自主规划步骤解决复杂问题。 这款工具特别适合开发者、企业技术团队以及 AI 研究人员使用。无论是希望快速搭建私有知识库问答系统,还是致力于探索大模型在垂直领域落地的创新者,都能从中受益。RAGFlow 提供了可视化的工作流编排界面和灵活的 API 接口,既降低了非算法背景用户的上手门槛,也满足了专业开发者对系统深度定制的需求。作为基于 Apache 2.0 协议开源的项目,它正成为连接通用大模型与行业专有知识之间的重要桥梁。

77.1k|★★★☆☆|昨天
Agent图像开发框架