Instagram 里有个收藏夹叫「python」，还有一个叫「ai」。每次刷到一条号称60秒教会你点什么的短视频，手指一点保存，心里就觉得自己已经学会了。

打开网易新闻 查看精彩图片

那个文件夹从来没被打开来学过。保存这个动作本身就像进度条，既然有了进度，就不必真的去读。这是作者自评「我身上最懒的一件事」。

他的解法不是逼自己自律，而是找了个更懒的办法：让一只树懒去读。

它到底干了什么

这个项目叫 SlothShelf，定位是本地优先的 AI：读你存了却从没打开过的链接，然后告诉你哪几条值得花时间。

用法很直接——粘贴链接、丢一个书签文件，或者导入 WhatsApp 的「发给自己」记录。跑在你自己笔记本上的 Gemma 模型会逐页读完，为每个链接写一张卡片：

  • 结论：读、略读还是跳过，附一行理由
  • 一段话讲清要点
  • 4 到 8 个关键点：工具、命令、步骤、数字
  • 一份「值得知道」清单，列出文中提到的工具和概念，外加读完之后可以试的一件事

到了周日，它生成一份 PDF 摘要：最值得看的几条给出完整细节，剩下的按主题分组，再附一份「可以放心跳过」清单，以及所有它读不了的内容。逻辑很简单——该读的是这份 PDF，不是那 40 个标签页。

技术栈：本地模型 + Atlas 当记忆

写卡片的是 Gemma（gemma2:2b），做向量的是 nomic-embed-text，两者都通过 Ollama 运行，页面文本不离开笔记本。这里用上了 Ollama 的结构化输出：模型必须返回符合 Pydantic schema 的 JSON（结论、关键点、术语、主题），应用拿到的是能直接入库的数据，而不是还得自己解析的一段散文。

MongoDB Atlas 在这里不只是存储，而是记忆。三个集合分工明确：

  • Links：一个链接一条文档，含卡片和 768 维向量
  • Memory：我的目标，加上每个标签的权重——我对卡片做出反应时权重会动（读 +1，喜欢 +2，跳过 -1）
  • Digests：每个 ISO 周一条文档

Atlas Vector Search 承担两件事。一是按意思找：输入「那个讲评估 RAG 的东西」，能召回最接近的已存链接，哪怕原文里根本没有这些词。二是口味检索：在 Gemma 判断一个新链接之前，先把它此前喜欢过的相近链接拉出来塞进提示词。所以这只树懒不是拿一套通用的「好内容」标准打分，而是对着你真正留下来的东西打分。

它还会给自己记分。应用会显示一个一致率：在我实际处理过的链接里，我的选择和树懒的结论有多少次对得上。一个告诉你该读什么的工具，本来就该告诉你它有多准。

为什么非要用开放模型

一个收藏夹文件夹暴露的东西，比你以为的多。它显示你在盯哪些职业方向、对哪些技能心虚、怕哪些黑客松。作者不想把这份东西交给一个 API，而开放权重让他不必交。

开放模型做到、闭源 API 做不到的三件事：

  1. 默认隐私：Gemma 在本机读页面，Atlas 只存卡片、向量和我的信号
  2. 没有计价器：读一整个积压意味着几百次调用，本地跑一堆内容花的是时间不是钱，也就没人需要判定某个链接「不值得花 token」
  3. 零件可换：卡片模型在 .env 里就一行，Ollama 能跑的任何模型都能上，每条提示词都能查看和修改

真实数字

作者拿自己的收藏跑了一遍：导入链接 6 条，Gemma 读了 5 条，结论是 3 条读、1 条略读、1 条跳过；从摘要里真正打开的链接 4 条。一致率 78%，样本是 42 条链接。

导入 6 条、打开 4 条——这个转化率放在任何「稍后读」工具上都算体面。前提是，你得先承认自己不会读。