用 Claude 3.5 搭建国际新闻自动化过滤流的实战经验

很多在做信息流自动化的人都有个误区，觉得只要把新闻链接丢给 AI，让它总结一下就行。但实际操作下来你会发现，这种“总结式”的问法得到的答案极其水，基本都是在重复原文的废话，完全没有把碎片化信息转化为可利用的知识。

最近我在处理一些类似“巴西拒绝美国官员签证”这种短促且带有政治敏感度的国际新闻时，尝试了一套从“提取-结构化-沉淀”的 Agent 工作流，效果比直接对话好得多。这里分享几个具体的实操细节。

首先是关于指令构建的逻辑。处理碎片化新闻最忌讳模糊指令，我现在的做法是强制要求 AI 输出 JSON 格式。因为一旦进入 JSON 结构，AI 就会从“文学创作模式”切换到“数据提取模式”，这能极大地降低它产生冗余修饰词的概率。

我给 Claude 3.5 设定的提取结构非常简单，只包含四个字段：event（事件核心）、core_conflict（核心冲突点）、sentiment（情绪基调）和 tags（关联标签）。以那条巴西签证新闻为例，AI 提取出的结果是 {"event": "Brazil visa denial to US officials", "core_conflict": "Electoral system dispute", "sentiment": "Tense", "tags": ["International Relations", "Diplomacy"]}。这种极简的结构化数据，在后续喂给个人知识库（如 Notion 或 Obsidian）时，可以通过数据库标签快速检索，而不是在成百上千篇总结文章里用关键词搜索。

在实际部署这个流程时，我踩过最大的一个坑是 AI 的“过度推演”。很多模型（尤其是参数量大的模型）在看到特定国家或政治人物时，会自动调用训练集里的背景知识进行脑补。比如在处理巴西签证事件时，如果指令不够严谨，AI 可能会自行分析两国近十年的外交关系，导致输出结果里混入了大量原文中根本没有的推论。

为了解决这个问题，我在 System Prompt 中加入了一行极其强硬的约束：Strictly adhere to the provided text, do not hallucinate background information.（严格遵守提供文本，禁止幻觉化背景信息）。只有在指令中明确切断 AI 的“联想能力”，它才能真正成为一个高效的过滤器，而不是一个自以为是的评论员。

如果你想把这个流程规模化，我建议不要在对话框里手动操作，而是利用 Dify 或 Coze 搭建一个简单的 AI Agent。具体的链路是：通过 RSS 订阅源抓取国际资讯 → 触发 Agent 运行上述 JSON 提取 Prompt → 通过 Webhook 将结构化数据推送到 Notion 页面。

这样操作后的体感变化非常明显：以前我需要花一小时刷各种新闻 App，在海量的信息噪音里筛选关键点；现在我每天只需要打开 Notion，看一眼被 Agent 过滤后的“冲突点清单”，就能迅速掌握全球局势的动态。这种将 AI 视为“数据清洗层”而非“阅读助手”的思路，才是提升信息处理效率的核心。