技术信息分散在新闻、RSS、GitHub、Hacker News、论坛等多个来源,人工每天浏览、筛选、整理耗时且容易漏。Orcas 把这些环节串成一条自动管线:多源采集 → 清洗去重 → 实体与关系抽取 → 知识图谱 → 趋势与热度分析 → 反事实推演 → 自动生成结构化简报。用户只需配置信息源和关注主题,系统按计划运行,每天输出一份可直接阅读的技术情报,并保留每条结论的来源链接。适用于个人研究者和小团队做技术选型、行业跟踪,把"刷几十个源"变成"读一份简报"。
整体分五层:①采集层,支持 RSS、JSON API 与公开网页,带限流、重试和断点续跑;②处理层,正文抽取、语言识别、URL 与内容指纹去重,保证同一内容只入库一次;③抽取层,用 LLM 按固定 schema 输出实体、关系、事件与时间,配合规则校验和失败重试,降低幻觉;④存储与分析层,用图结构保存实体关系与时间线,计算热度、共现和异常变化;⑤报告层,模板加 LLM 生成日报/周报,附来源链接。工程上做了幂等入库、信息源配置化、批量抽取与缓存来控制成本;ARCHITECTURE.md 写清模块边界与部署步骤,按文档可复现部署。项目为个人独立开发,代码与文档在 GitHub 公开(github.com/mr-tan4/Orcas),可现场演示。主要难点是同一实体的多种写法归并、长文本截断后的信息丢失,以及在不绕平台风控的前提下稳定采集公开数据。