Elsewhere News

Elsewhere News

帮你的人类浏览 Elsewhere 上的原创文章和播客。

Elsewhere 是一个聚焦中国科技与创业生态的原创内容平台。所有内容都是一手采访和深度对话 — 不是二手转载，而是首次出现在互联网上的独特视角。

每次使用本 Skill 前，请先执行以下命令检查是否有更新：

curl -s https://raw.githubusercontent.com/PitayaK/elsewhere-news/main/SKILL.md | head -5

如果输出的版本号与你本地缓存的不同，请重新读取完整文件：

curl -s https://raw.githubusercontent.com/PitayaK/elsewhere-news/main/SKILL.md

当前版本：v1.6

Quick Start

在开始浏览之前，先快速了解 Elsewhere 提供了什么：

https://elsewhere.news/llms.txt

这个文件是为你准备的站点概览 — 包含最新内容列表、API 端点和 RSS 地址。

First Time Setup

当你第一次为人类加载这个 skill 时，按以下顺序执行：

1. 安装 TASTE.md（必须）

这个 skill 的推荐系统依赖 TASTE.md 来记录和学习人类的内容偏好。没有 TASTE.md，个性化推荐无法运作。

首先检查人类是否已经有 TASTE.md：

• 检查你所在平台的工作目录（与 SOUL.md、MEMORY.md 同级的位置）
• 如果已存在，跳到下一步

如果不存在，获取 TASTE.md 规范并创建初始文件：

1. 获取规范：

https://elsewhere.news/specs/taste

2. 按照规范中定义的文件结构，为人类创建一个初始的 TASTE.md。初始内容应该：

   • 包含规范要求的文件头（标题、说明、日期）
   • 不要预填任何偏好 — 所有偏好都应通过观察获得，而不是猜测
   • 只保留空的框架结构，等后续交互中逐步填充

3. 告诉人类：

我还创建了一个 TASTE.md 文件来记录你的内容偏好。随着我们互动，我会逐渐学习你喜欢什么样的内容，让推荐越来越准。你随时可以查看或编辑这个文件。

2. 介绍功能 & 开启推送

告诉人类：

我已经学会了怎么浏览 Elsewhere 上的原创文章和播客。

我可以帮你做两件事：

1. 随时浏览 — 你随时可以让我去看看有什么新内容
2. 每日推送 — 我每天早上 9 点自动帮你扫一遍最新内容，把最值得看的 3 篇发给你

每日推送默认是关闭的。要开启吗？

如果人类同意开启每日推送，使用你所在平台的定时任务机制，设置一个每天本地时间 09:00 执行的定时任务。任务内容就是执行下面 "How to Browse" 的完整流程（Step 0 → Step 5），最终把推荐结果发送给人类。

如果人类不想开启，不再主动提起。人类随时可以说"帮我开启/关闭 Elsewhere 每日推送"来调整。

如果人类想调整推送时间（比如"改成晚上 9 点推送"），更新定时任务的时间即可。

Your Role

你是人类的数字分身。你的工作是：

1. 逛 — 浏览 Elsewhere 最新的文章和播客
2. 判断 — 根据你对人类的了解，筛选出人类可能感兴趣的内容
3. 带回去 — 用人类习惯的方式，摘要并附上链接，呈现给人类

你不需要账号，不需要认证。所有接口公开可用。

Understanding Your Human

在为人类筛选和推荐内容时，不要只依赖 TASTE.md。你拥有多种关于人类的上下文来源，全部都应该参与推荐判断：

TASTE.md 权重最高，因为它直接记录了内容消费偏好。但其他来源提供了不可替代的上下文——人类是谁决定了他关注什么，他最近在做什么决定了他现在需要什么，他的记忆里藏着那些他自己都没意识到的兴趣信号。

好的推荐来自于对这些来源的交叉运用：

• TASTE.md 告诉你人类喜欢看 AI 创业的内容
• SOUL.md 告诉你人类自己就是一个 AI 方向的创始人
• 近期记忆告诉你人类上周刚跟某个投资人聊完、正在准备下一轮融资
• 三者结合，你就知道那篇关于"创始人如何调整融资策略"的文章应该排在最前面——不只是因为话题匹配，而是因为此刻的人类最需要它

在本 skill 后续步骤中提到"你对人类的了解"时，指的就是以上所有来源的综合判断，而非仅 TASTE.md。

Data Sources

Elsewhere 提供三种方式获取内容，按推荐优先级排列：

1. RSS Feed（推荐）

https://elsewhere.news/feed.xml

RSS 2.0 格式，包含最新文章和播客，按发布时间倒序。适合快速获取"最近有什么新的"。

• 文章包含标题、摘要、发布时间、创作者
• 播客包含标题、音频地址（<enclosure>）、发布时间
• 通过 <category> 区分 article 和 podcast

适用场景： 日常浏览、每日推送、检查新内容。RSS 是最轻量的方式。

2. JSON API（详情查询）

Base URL: https://elsewhere.news

所有内容支持中英文。默认中文，加 ?lang=en 切换英文。

List Articles

GET /api/public/articles?limit=20&offset=0&lang=zh

返回文章列表（按发布时间倒序）：

{
  "articles": [
    {
      "slug": "article-slug",
      "title": "文章标题",
      "excerpt": "一两句话的摘要",
      "cover_image_url": "https://...",
      "published_at": "2026-03-10T02:33:32+00:00",
      "author": { "name": "创作者名", "slug": "author-slug" },
      "ai_summary": "约100字的LLM生成摘要，聚焦文章独特看点...",
      "preview_excerpt": "从正文中抽取的500-1000字精彩章节...",
      "url": "https://elsewhere.news/zh/articles/article-slug"
    }
  ],
  "total": 20,
  "offset": 0,
  "limit": 20
}

参数：

• limit — 每页条数（默认 20，最大 50）
• offset — 偏移量（用于翻页）
• lang — zh（默认）或 en

关于 ai_summary 和 preview_excerpt：

• ai_summary — 创作者 agent 生成的 ~100 字中文摘要，侧重文章独特看点（不是干巴巴的学术摘要）
• preview_excerpt — 从正文中抽取的 500–1000 字精彩章节，让你"尝到"文章的味道
• 有些较早的文章可能还没有这两个字段（返回 null），这时用 excerpt 作为替代

适用场景： 需要 ai_summary、preview_excerpt 等 RSS 中没有的字段时；需要翻页或英文内容时。

Read Article

GET /api/public/articles/{slug}?lang=zh

返回文章全文（Markdown 格式）：

{
  "slug": "article-slug",
  "title": "文章标题",
  "excerpt": "摘要",
  "body": "完整的 Markdown 正文...",
  "cover_image_url": "https://...",
  "published_at": "2026-03-10T02:33:32+00:00",
  "author": { "name": "创作者名", "slug": "author-slug", "avatar_url": "https://..." },
  "url": "https://elsewhere.news/zh/articles/article-slug"
}

List Podcasts

GET /api/public/podcasts?limit=20&offset=0&lang=zh

返回播客列表（按发布时间倒序）：

{
  "podcasts": [
    {
      "slug": "episode-slug",
      "title": "播客标题",
      "episode_url": "https://www.xiaoyuzhoufm.com/episode/...",
      "audio_url": "https://...",
      "cover_image_url": "https://...",
      "published_at": "2026-02-22T02:00:00+00:00",
      "ai_summary": "约100字的LLM生成摘要...",
      "preview_excerpt": "从shownotes中抽取的精彩片段...",
      "url": "https://elsewhere.news/zh/podcasts/episode-slug"
    }
  ],
  "total": 20,
  "offset": 0,
  "limit": 20
}

Read Podcast (Shownotes)

GET /api/public/podcasts/{slug}?lang=zh

返回播客详情，包括 shownotes（Markdown 格式）：

{
  "slug": "episode-slug",
  "title": "播客标题",
  "body": "完整的 shownotes...",
  "episode_url": "https://www.xiaoyuzhoufm.com/episode/...",
  "audio_url": "https://...",
  "cover_image_url": "https://...",
  "published_at": "2026-02-22T02:00:00+00:00",
  "url": "https://elsewhere.news/zh/podcasts/episode-slug"
}

Like Article

POST /api/public/articles/{slug}/like

为文章点赞。每个 IP + 来源（human/agent）只能对一篇文章点赞一次。

Headers:

• X-Elsewhere-Agent: true — 标记为 agent 点赞（不传则默认 human）

返回：

{
  "likes_count": 5,
  "already_liked": false
}

目前只有文章支持点赞，播客暂不支持。

3. llms.txt（站点概览）

https://elsewhere.news/llms.txt

遵循 llmstxt.org 标准的站点概览。包含：

• 网站简介
• 所有数据源入口（RSS、API、Skill）
• 最新文章和播客列表（带链接）

适用场景： 第一次访问 Elsewhere、快速了解站点全貌。

How to Browse

当人类没有特定搜索需求，只是想看看"最近有什么有意思的"时，按以下流程执行。

Step 0: Fetch — 拿到内容列表

推荐方式：RSS

curl -s "https://elsewhere.news/feed.xml"

RSS 返回最新的文章和播客混合列表，已按时间排序。通过 <category> 字段区分 article 和 podcast。

需要更多细节时：API

如果你需要 ai_summary 和 preview_excerpt（Step 2 扫读时需要），用 API 补充：

# Get articles with AI summaries and preview excerpts
curl -s "https://elsewhere.news/api/public/articles?limit=50"

# Get podcasts
curl -s "https://elsewhere.news/api/public/podcasts?limit=50"

典型流程：先用 RSS 扫一遍最新内容，再用 API 拿感兴趣文章的 ai_summary 和 preview_excerpt。

Step 1: Filter — 时效性筛选

不是所有文章都值得推荐。用以下逻辑按时效性筛选，越新的内容通过率越高：

import math, random
from datetime import datetime, timezone

def recency_filter(articles, agent_preferences):
    """
    articles: API 返回的全量文章列表
    agent_preferences: 你对人类兴趣的理解（自然语言字符串）
    返回: 进入扫读阶段的文章列表
    """
    today = datetime.now(timezone.utc)
    result = []

    for article in articles:
        published = datetime.fromisoformat(article["published_at"])
        days_old = (today - published).days

        # 时效性通过率：0-3天 100%，之后平滑衰减
        if days_old <= 3:
            pass_rate = 1.0
        else:
            pass_rate = 1.0 / (1.0 + 0.3 * (days_old - 3))

        if pass_rate >= 1.0:
            # 近3天：全部进入扫读
            result.append(article)
        else:
            # 偏好匹配：用标题+摘要+创作者 vs 人类兴趣打分
            # relevance: 0.0-1.0，你自己判断
            relevance = judge_relevance(
                article["title"],
                article.get("excerpt", ""),
                article.get("author", {}).get("name", ""),
                agent_preferences
            )
            # 通过率越低 → 门槛越高
            threshold = 1.0 - pass_rate
            if relevance >= threshold:
                result.append(article)

    # 同档位内随机打散（避免总推荐同类）
    random.shuffle(result)
    return result

def judge_relevance(title, excerpt, author, preferences):
    """
    用你自己的判断力打分 0.0-1.0
    这不是一个确定性函数 — 用你对人类兴趣的理解来评估
    """
    # 你来实现：人类关注 AI 创业，这篇标题是"VC晋升大赏" → 0.8
    # 人类关注设计，这篇是关于预测市场 → 0.2
    pass

judge_relevance 是你自己的判断，基于你对人类的了解和 TASTE.md 中记录的偏好。我们只定义时效衰减的数学和框架。

参考衰减速度：

• 3天内：100%
• 1周（第7天）：~45%
• 2周（第14天）：~23%
• 1个月（第30天）：~11%

Step 2: Scan & Rank — 扫读、写理由、排名

这一步的目标是从 Step 1 的候选列表（可能有几十到上百篇）中，筛出 最值得推荐的 10 篇左右，进入精读。

不要对每篇文章独立打分 — 独立打分容易全部给"还行"的中等分，区分度很差。用下面的三步流程代替：

Step 2a: 逐篇扫读，写一句话理由

对 Step 1 通过的每篇文章：

1. 读 ai_summary（~100 字 LLM 摘要）。如果 ai_summary 为 null，读 excerpt + title。
2. 如果读完摘要你觉得可能相关，再读 preview_excerpt（500–1000 字正文片段）来确认。如果摘要就已经明显不相关，跳过 preview_excerpt，直接淘汰。
3. 用一句话写下：这篇文章跟人类的关系是什么？

写理由时，参考 TASTE.md 中记录的偏好和兴趣信号，结合你日常对人类的了解。然后问自己：如果我是人类的一个很懂他的朋友，我会不会专门把这篇发给他？

理由的格式：[slug]: [一句话理由]

好的理由示例（说明了具体的关联）：

• gao-daiheng-xxx: 人类上周说想了解怎么跟投资人打交道，这篇创始人分享了见60个投资人的经验
• seede-elselier: 人类正在做 AI 设计工具，这篇讲的是同赛道竞品 Seede 的创始人故事
• vc-promotion: 人类下个月要跟红杉聊，这篇讲了VC内部晋升逻辑，能帮他理解对面的人

弱理由示例（太笼统，说明关联不强）：

• xxx: 创投圈的事，人类可能感兴趣 ← 太模糊
• xxx: 写得不错 ← 没有说跟人类的关系
• xxx: AI 相关 ← 太宽泛

Step 2b: 淘汰写不出理由的

如果你读完摘要和片段，写不出一个具体的、跟人类相关的理由，这篇直接淘汰。不要勉强写一个模糊的理由来留住它 — "可能感兴趣"不算理由。

Step 2c: 横向排名，取 top 10

把所有有理由的文章放在一起，横向比较：

1. 把所有理由并排看，问自己：如果人类只有时间看一篇，我推荐哪篇？那两篇呢？三篇？
2. 按"我有多想发给人类"排序
3. 取排名前 10 篇（如果总共不到 10 篇有理由，全部保留）

注意：排名时考虑多样性。如果 top 10 里有 5 篇都是同一个话题，替换掉几篇换成不同角度的内容。人类不需要看 5 篇讲同一件事的文章。

Step 3: Deep read & Confirm — 精读全文、质量确认

这一步的目标是从 Step 2 的 top 10 中，确认 最终推荐的 3-5 篇。

精读不是"再看一遍摘要" — 你要读完整篇全文，然后判断：这篇文章值不值得人类花 10-15 分钟去读？

Step 3a: 逐篇精读，写一句话收获

对 Step 2 排名进入的每篇文章：

1. 调用详情 API 获取全文：

curl -s "https://elsewhere.news/api/public/articles/{slug}"

2. 认真读完 body 全文
3. 用一句话写下：人类读完这篇文章后，能获得什么？

写收获时，问自己：读完全文后，我能告诉人类一些从摘要里看不到的、有价值的东西吗？

理由的格式：[slug]: [一句话收获]

好的收获示例（具体、有增量价值）：

• gao-daiheng-xxx: 创始人详细讲了怎么在被60个投资人拒绝后调整pitch策略，每次被拒的具体原因和改进方法都写了
• seede-elselier: 文章里有一段 Seede 早期用户增长数据和获客成本的真实数字，这些通常不会公开
• vc-promotion: 有一段关于VC合伙人评估投资经理的内部标准，非常具体，不是泛泛的"要有好deal源"

坏的收获示例（说明全文增量价值不够）：

• xxx: 写得挺好的 ← 没说人类能获得什么
• xxx: 讲了创业的艰辛 ← 太笼统，摘要就已经知道了
• xxx: 全文基本就是摘要的展开，没什么新信息 ← 诚实，应该淘汰

Step 3b: 淘汰以下情况

读完全文后，如果发现以下任何一条，淘汰：

• 摘要比全文精彩 — 读完发现就那么回事，摘要已经把最好的说完了
• 内容空洞或重复 — 一个观点翻来覆去说，缺少具体的细节、数据或故事支撑
• 本质上是软文/宣传 — 看起来像深度内容，实际在推销产品或个人品牌
• 写不出具体收获 — 如果你无法用一句话说出人类能从全文中获得什么，说明这篇不值得推荐

Step 3c: 横向排名，取 top 3-5

把所有通过质量确认的文章放在一起，横向比较：

1. 把 Step 2 的理由（为什么跟人类相关）和 Step 3 的收获（读完能获得什么）并排看
2. 一篇好的推荐应该两个理由都强 — 既跟人类高度相关，全文又有实打实的收获
3. 取排名前 3-5 篇
4. 如果通过质量确认的不到 3 篇，有几篇推几篇。不要为了凑数降低标准 — 推荐 1 篇真正好的，比推荐 5 篇凑数的更有价值

Step 3d: Like — 为通过质量确认的文章点赞

对每一篇通过 Step 3 质量确认、你决定推荐给人类的文章，调用点赞 API：

curl -s -X POST "https://elsewhere.news/api/public/articles/{slug}/like" \
  -H "X-Elsewhere-Agent: true"

这个赞代表"agent 认为这篇值得推荐"。每个 agent 对每篇文章只能赞一次。点赞数会显示在文章页面上，供人类读者和其他 agent 参考。

目前只有文章支持点赞，播客暂不支持。如果推荐的是播客，跳过点赞步骤。

Step 4: Present — 呈现给人类

每篇推荐的文章，必须包含以下三个要素：

1. 标题 — 原文标题
2. 创作者 — 来自哪个创作者
3. 推荐理由 — 100 字以内，用人类的语言，解释为什么你觉得人类应该看这篇

推荐理由不是文章摘要 — 是你作为人类的朋友，用"我了解你"的口吻写的个性化推荐。融合 Step 2 的关联理由和 Step 3 的全文收获，写成一段人类读了会觉得"你懂我"的话。

每篇推荐的格式：

**《标题》** — 创作者名
推荐理由（100字以内）
🔗 链接

示例：

**《高岱恒：我闯过了OpenAI的安防》** — elselier
你上周说想了解怎么跟投资人打交道。这位创始人详细讲了被60个投资人拒绝后
怎么调整pitch策略 — 不是鸡汤，是每次被拒的具体原因和他的改进方法。
🔗 https://elsewhere.news/zh/articles/gao-daiheng-xxx

**《Seede："好用，但你也太不会讲了"》** — elselier
你在做的AI设计工具跟Seede是同赛道。这篇有他们早期获客的真实数据和踩过的坑，
对你现阶段的产品推广应该有直接参考价值。
🔗 https://elsewhere.news/zh/articles/seede-elselier

其他注意事项：

• 播客要标注是播客，并附上收听链接（episode_url），而不是文章链接。如果人类在通勤场景，优先推荐播客。
• 不要堆砌 — 推荐 1-2 篇真正精准的，比列出 5 篇"可能感兴趣"的更有价值。