ai-news-radar: AI News Radar: 24-Stunden-AI-Nachrichtenradar mit drei Persona-Bewertungen

Projektausrichtung: zuerst die besten Quellen wählen, dann eine vollständige Geschichte erzählen

Das README von AI News Radar beginnt mit einem chinesischen Slogan, der den Ansatz zusammenfasst: zuerst das beste Pferd aus einem Haufen Quellen auswählen, dann verstreute Meldungen zu Storylines zusammenführen und schließlich die täglichen Schlagzeilen in drei Geschmacksrichtungen kommentieren. Es ist kein einfacher RSS-Reader, sondern eine leichte Nachrichten-Pipeline, die Quellenbewertung, Abruf, Deduplizierung, KI-Relevanzfilterung, Persona-Bewertung, Quellengesundheit und statische Seitenveröffentlichung verbindet. Die Kernlogik heißt Bole-Skill und entscheidet, welche Quellen langfristig verfolgt werden sollten, welche sich für RSS/OPML eignen, welche kostenpflichtige APIs benötigen und welche Quellen zwar häufig aktualisieren, aber nur wenig KI-bezogenen Inhalt enthalten. AI News Radar verbindet Quellenabruf, Deduplizierung, KI-Relevanzbewertung, Story-Zusammenführung und eine statische Weboberfläche. Die Daten liegen in JSON-Dateien wie data/daily-brief.json, data/latest-24h.json und data/source-status.json. GitHub Actions erzeugt diese Dateien, während die Seite ohne Backend auskommt.

ai-news-radar verlangt eine enge Lesart der jeweiligen README-Stelle. Abschnitt 1 betrifft den konkret beschriebenen Teil des Projekts. Nicht genannte Eigenschaften bleiben offen. Diese Begrenzung ist bei der Planung relevant, weil ein Lernbeispiel, eine Bibliothek, ein Desktopprogramm oder eine Datenpipeline unterschiedliche Erwartungen an Eingaben, Abhängigkeiten und Ausgaben stellt. Die vorhandene Quelle liefert den Ausgangspunkt, aber keine Zusage für fremde Integrationen. Ein sinnvoller Vergleich bleibt deshalb an LearnPrompt/ai-news-radar, den Branch master und die genannten Pfade gebunden.

Drei Nutzungswege: Agenten-Zusammenfassung, Webansicht oder Fork

Das README zeigt drei Wege. Der erste lässt einen Agenten die Nachrichten lesen: Installieren mit npx skills add LearnPrompt/ai-news-radar -s ai-radar -g, dann den Agenten fragen "Was passiert heute in der KI-Welt?" und eine Zusammenfassung ohne API-Schlüssel, Login oder Server erhalten. Der zweite öffnet die Live-Seite unter news.learnprompt.pro, standardmäßig in der Mobilansicht. Ein Umschalter oben rechts wechselt zur klassischen Desktop-Oberfläche unter /classic/, und die Parameter ?view=mobile, ?view=classic, ?view=auto werden unterstützt. Der dritte forkt das Repository, ersetzt die OPML-Quellen, bearbeitet die Markdown-Dateien unter personas/ und veröffentlicht die Daten auf dem eigenen GitHub Pages. Für einen lokalen Lauf installiere die requirements.txt und führe python scripts/update_news.py --output-dir data --window-hours 24 aus. Starte danach python -m http.server 8080 und prüfe data/source-status.json sowie data/stories-merged.json. Eigene OPML-Quellen gehören nach feeds/follow.opml und sollten nicht committen werden.

ai-news-radar verlangt eine enge Lesart der jeweiligen README-Stelle. Abschnitt 2 betrifft den konkret beschriebenen Teil des Projekts. Nicht genannte Eigenschaften bleiben offen. Diese Begrenzung ist bei der Planung relevant, weil ein Lernbeispiel, eine Bibliothek, ein Desktopprogramm oder eine Datenpipeline unterschiedliche Erwartungen an Eingaben, Abhängigkeiten und Ausgaben stellt. Die vorhandene Quelle liefert den Ausgangspunkt, aber keine Zusage für fremde Integrationen. Ein sinnvoller Vergleich bleibt deshalb an LearnPrompt/ai-news-radar, den Branch master und die genannten Pfade gebunden.

v0.9: Ein-Schicht-Informationsarchitektur und Titelerweiterung

v0.9 fasst die bisherigen drei Ansichten in einer Ebene zusammen: eine Spalten-Tab-Leiste mit Alle/Modelle/Produkte/Entwickler/Industrie/Papiere/Community/Indie-Medien, einen globalen Schalter für Ausgewählt/Alle und eine Hauptliste nach Zeit absteigend und nach Tagen gruppiert. Der Modus Ausgewählt liest den KI-relevanten Hochwertpool nach Story-Zusammenführung; der Modus Alle liest den breiteren KI-bezogenen Rohpool (latest-24h-all.json, score >= 0.3). Die Liste "Aktuelle Hot" hat keine feste Größe und zeigt nur Einträge, die einen Multi-Quellen-Hitze-Schwellenwert erfüllen. Wenn zwei oder mehr Quellen dasselbe Ereignis melden, erscheint auf der Karte ein "Multi-Quelle N"-Tag, der die eigenen Schlagzeilen jeder Quelle anzeigt. Die Titelerweiterung funktioniert nur mit konfiguriertem DEEPSEEK_API_KEY; sonst bleiben die Originaltitel. Bei ai-news-radar sind Angaben zu Architektur, Leistung und Langzeitpflege nur insoweit belastbar, wie sie im README konkret genannt werden. Die Repository-Metadaten liefern Kontext, aber keinen Ersatz für einen Test des dokumentierten Ablaufs.

ai-news-radar verlangt eine enge Lesart der jeweiligen README-Stelle. Abschnitt 3 betrifft den konkret beschriebenen Teil des Projekts. Nicht genannte Eigenschaften bleiben offen. Diese Begrenzung ist bei der Planung relevant, weil ein Lernbeispiel, eine Bibliothek, ein Desktopprogramm oder eine Datenpipeline unterschiedliche Erwartungen an Eingaben, Abhängigkeiten und Ausgaben stellt. Die vorhandene Quelle liefert den Ausgangspunkt, aber keine Zusage für fremde Integrationen. Ein sinnvoller Vergleich bleibt deshalb an LearnPrompt/ai-news-radar, den Branch master und die genannten Pfade gebunden.

v0.8: drei Persona-Stimmen für tägliche Bewertungen

v0.8 führt austauschbare Geschmacksrichtungen ein. Jede ist eine Markdown-Datei unter personas/ mit Frontmatter und System-Prompt. Die Standardrichtung ist Pragmatisch, die nur interessiert, was für Entwickler und Praktiker heute nützlich ist. Der Zyniker entlarvt Marketing-Sprache und Hype mit faktenbasierter Ironie. Die Papierpolizei akzeptiert nur Papiere, Code und Benchmark-Belege, mit null Toleranz für "bald verfügbar". Täglich werden 20 ausgewählte Einträge mit der Standardrichtung bewertet; Storys, die die TOP3 des Tages erreichen, werden von allen drei Richtungen nebeneinander bewertet. Die Ausgabe liegt in data/daily-brief.json und data/top3-personas.json. Das README stellt klar, dass die Web-Anzeige der drei Richtungen vorübergehend archiviert ist, die Datenpipeline aber weiterhin täglich Bewertungen generiert und der Skill-Tagesbericht nicht betroffen ist. Die Einordnung bleibt auf LearnPrompt/ai-news-radar begrenzt: Nicht beschriebene Integrationen, Garantien und Betriebsgrenzen werden nicht als vorhandene Funktionen ausgegeben.

ai-news-radar verlangt eine enge Lesart der jeweiligen README-Stelle. Abschnitt 4 betrifft den konkret beschriebenen Teil des Projekts. Nicht genannte Eigenschaften bleiben offen. Diese Begrenzung ist bei der Planung relevant, weil ein Lernbeispiel, eine Bibliothek, ein Desktopprogramm oder eine Datenpipeline unterschiedliche Erwartungen an Eingaben, Abhängigkeiten und Ausgaben stellt. Die vorhandene Quelle liefert den Ausgangspunkt, aber keine Zusage für fremde Integrationen. Ein sinnvoller Vergleich bleibt deshalb an LearnPrompt/ai-news-radar, den Branch master und die genannten Pfade gebunden.

Datenartefakte und GitHub Actions Automatisierung

Jede Aktualisierung erzeugt eine Reihe statischer JSON-Dateien; die Seiten lesen nur diese Dateien, ohne Backend-Dienst. GitHub Pages ist die kanonische Quelle der Daten; die Vercel-Seite ist nur eine weitere Fassade über denselben Daten. Zu den Kerndateien gehören data/daily-brief.json (20 ausgewählte Tagesstorys), data/latest-24h.json (KI-relevante Storys der letzten 24 Stunden), data/latest-24h-all.json (breitere KI-bezogene Storys mit score >= 0.3), data/source-status.json (Abrufstatus und Quellengesundheit) und data/stories-merged.json (zusammengeführte Ereignismenge). Der update-news.yml-Workflow läuft standardmäßig alle 30 Minuten, unterstützt manuelles workflow_dispatch und committet automatisch data/*.json. Für ai-news-radar ist die wichtigste Beobachtung, ob der README-Ablauf mit den eigenen Eingaben reproduzierbar ist. Abweichungen sollten an der konkreten Datei oder Ausgabe untersucht werden.

ai-news-radar verlangt eine enge Lesart der jeweiligen README-Stelle. Abschnitt 5 betrifft den konkret beschriebenen Teil des Projekts. Nicht genannte Eigenschaften bleiben offen. Diese Begrenzung ist bei der Planung relevant, weil ein Lernbeispiel, eine Bibliothek, ein Desktopprogramm oder eine Datenpipeline unterschiedliche Erwartungen an Eingaben, Abhängigkeiten und Ausgaben stellt. Die vorhandene Quelle liefert den Ausgangspunkt, aber keine Zusage für fremde Integrationen. Ein sinnvoller Vergleich bleibt deshalb an LearnPrompt/ai-news-radar, den Branch master und die genannten Pfade gebunden.

Fork-Anleitung und lokaler Betrieb

Für einen eigenen Radar gibt das README fünf Schritte: Repository forken, Actions aktivieren (GitHub pausiert Workflows nach dem Forken standardmäßig), optional DEEPSEEK_API_KEY setzen, GitHub Pages vom Master-Zweig aus aktivieren und die BASE_URL oben in skills/radar/SKILL.md auf die eigene GitHub-Pages-Adresse ändern. Für die lokale Entwicklung das Repository klonen, eine Python-Virtualenv erstellen, requirements.txt installieren, python scripts/update_news.py --output-dir data --window-hours 24 ausführen und mit python -m http.server 8080 einen lokalen Server starten. Bei eigener OPML feeds/follow.example.opml nach feeds/follow.opml kopieren, bearbeiten und diese Datei nicht committen. Die Quellenliste verweist auf das Repository und die dort genannte Dokumentation. So lassen sich ai-news-radar, Branch master und die konkrete README-Version gemeinsam nachlesen.

ai-news-radar verlangt eine enge Lesart der jeweiligen README-Stelle. Abschnitt 6 betrifft den konkret beschriebenen Teil des Projekts. Nicht genannte Eigenschaften bleiben offen. Diese Begrenzung ist bei der Planung relevant, weil ein Lernbeispiel, eine Bibliothek, ein Desktopprogramm oder eine Datenpipeline unterschiedliche Erwartungen an Eingaben, Abhängigkeiten und Ausgaben stellt. Die vorhandene Quelle liefert den Ausgangspunkt, aber keine Zusage für fremde Integrationen. Ein sinnvoller Vergleich bleibt deshalb an LearnPrompt/ai-news-radar, den Branch master und die genannten Pfade gebunden.

Bezahlte Quellen und Sicherheitsgrenzen

Standardmäßig läuft die Kernpipeline ohne API-Schlüssel. Optionale erweiterte Quellen sind die X-API (benötigt X_BEARER_TOKEN), SocialData.tools (benötigt SOCIALDATA_API_KEY) und TikHub (benötigt TIKHUB_API_KEY). Diese sind deaktiviert, solange der passende ENABLED-Schalter und Budgetvariablen nicht gesetzt sind. SocialData- und TikHub-Abrufintervalle werden in data/paid-source-state.json protokolliert, das nur letzte Laufzeit, Ergebnisanzahl und Fehlernamen speichert, keine API-Schlüssel. Das README sagt ausdrücklich, dass API-Schlüssel nur in lokale Umgebungsvariablen oder GitHub Secrets gehören, und warnt davor, Tokens, Cookies, private OPML oder E-Mail-Inhalte ins Repository zu schreiben. AI News Radar verbindet Quellenabruf, Deduplizierung, KI-Relevanzbewertung, Story-Zusammenführung und eine statische Weboberfläche. Die Daten liegen in JSON-Dateien wie data/daily-brief.json, data/latest-24h.json und data/source-status.json. GitHub Actions erzeugt diese Dateien, während die Seite ohne Backend auskommt.

ai-news-radar verlangt eine enge Lesart der jeweiligen README-Stelle. Abschnitt 7 betrifft den konkret beschriebenen Teil des Projekts. Nicht genannte Eigenschaften bleiben offen. Diese Begrenzung ist bei der Planung relevant, weil ein Lernbeispiel, eine Bibliothek, ein Desktopprogramm oder eine Datenpipeline unterschiedliche Erwartungen an Eingaben, Abhängigkeiten und Ausgaben stellt. Die vorhandene Quelle liefert den Ausgangspunkt, aber keine Zusage für fremde Integrationen. Ein sinnvoller Vergleich bleibt deshalb an LearnPrompt/ai-news-radar, den Branch master und die genannten Pfade gebunden.

ai-news-radar: dokumentierter Prüfpfad

Für einen lokalen Lauf installiere die requirements.txt und führe python scripts/update_news.py --output-dir data --window-hours 24 aus. Starte danach python -m http.server 8080 und prüfe data/source-status.json sowie data/stories-merged.json. Eigene OPML-Quellen gehören nach feeds/follow.opml und sollten nicht committen werden. Für einen lokalen Lauf installiere die requirements.txt und führe python scripts/update_news.py --output-dir data --window-hours 24 aus. Starte danach python -m http.server 8080 und prüfe data/source-status.json sowie data/stories-merged.json. Eigene OPML-Quellen gehören nach feeds/follow.opml und sollten nicht committen werden.

ai-news-radar verlangt eine enge Lesart der jeweiligen README-Stelle. Abschnitt 8 betrifft den konkret beschriebenen Teil des Projekts. Nicht genannte Eigenschaften bleiben offen. Diese Begrenzung ist bei der Planung relevant, weil ein Lernbeispiel, eine Bibliothek, ein Desktopprogramm oder eine Datenpipeline unterschiedliche Erwartungen an Eingaben, Abhängigkeiten und Ausgaben stellt. Die vorhandene Quelle liefert den Ausgangspunkt, aber keine Zusage für fremde Integrationen. Ein sinnvoller Vergleich bleibt deshalb an LearnPrompt/ai-news-radar, den Branch master und die genannten Pfade gebunden.

Redaktionelles Fazit

Geeignet ist ai-news-radar für den im README beschriebenen Zweck und für Leser, die die genannten Dateien oder Befehle selbst nachvollziehen können. Ungeeignet ist das Projekt als Ersatz für nicht dokumentierte Betriebsversprechen. Prüfe zuerst Für einen lokalen Lauf installiere die requirements.

Offizielle Quellen

1. Official documentation
2. Official README
3. Project repository
4. Release notes