Baleen（dsh-baleen）

每天替你过一遍信息源：灌进一整轮内容，读正文和字幕（不是读标题）留下值得看的，把水和标题党排掉，然后把这一轮的判断写成图文汇报放在你面前。

名字来自鲸须——须鲸的滤食结构。这个产品做的同一件事。

当前状态：M0–M5 全部完成并已装载进 DSH 真机验收。 摄取（RSS / B 站 / YouTube 三通道，读正文与字幕）→ 本地预筛 → 面板六格导航与收藏页 → 判断轮（五个只读工具 + 唯一写工具 save_verdicts，三档枚举锁死）→ 每轮增量汇报 → 设置页四页签，全链路真机跑过。小红书通道未做（需先做代码审查）。

看面板长什么样（不装 DSH、不联网）

npm install
node tools/preview.mjs      # 出 out/preview-*.html，每页明暗两块
open out/preview-today.html # 浏览器直接打开即可

预览调的就是 src/client/views/ 里那批真渲染函数，所以它不是另画一套。两处对不上真机：真 React 的节点形状、以及宿主真实调色板（预览里的 --dsw-alias-* 是按观感近似的替身值，页面顶部有标注）。

现在就能试

npm install            # 唯一依赖：yaml（纯 JS，无 install 脚本）
npm test               # 578 个测试，node --test，不需要网络
cp preference.example.yaml ~/baleen-trial/preference.yaml   # 先自己建目录
BALEEN_HOME=~/baleen-trial node tools/live-ingest.mjs --reset   # 真抓一轮公开 feed

tools/live-ingest.mjs 不经 DSH、用假宿主上下文直接跑一轮，BALEEN_HOME 指到临时目录就不会碰你真实的 ~/.dsh/baleen。

装进 DSH

npm i -g dsh-baleen          # 或 npm i dsh-baleen 装进 profile
dsh plugin --profile desktop add dsh-baleen

装完重启 DSH 才会装配（link 挂载不等于热加载）。重启前用 dsh --profile desktop --dump-config 确认插件在装配列表里——宿主运行中重写 cordis.patch.yml 会把条目丢掉。

首次启动会在 ~/.dsh/baleen/ 生成 preference.yaml 与空库；改偏好走面板设置页，或直接编辑那个 YAML（面板写的是同一份真源）。

设计原则（改代码前先读这几条）

• 只读世界：不注册任何平台写操作。没有评论、私信、点赞、关注、发布——不是"暂时没做"，是产品红线。
• 理由必须可信：每条候选都带"为什么给你"。关键词匹配因此对英文走词边界、对中文走子串——子串匹配曾经把 "building" 判成命中 UI，那种假理由比没有理由更糟。你写关键词时大小写是语义：React / CSS / MCP 这类含大写的按大小写敏感匹配（散文里的 "how we react to" 不算命中框架），全小写的 agent 则不敏感。
• 读不到要可见：body_state 分 full / summary_only / subtitle / transcribed / missing / burned_in 六档；missing（没有语音）和 burned_in（字烧在画面上）是两回事，汇报里"因无字幕跳过 N 条"必须写出来。
• 失败不推进游标：抓取失败的源保留旧游标，下一轮自动补缺口。内容只会推迟，不会永久丢。
• 首轮收存货：某个源还没有游标时不看发布日期——低频作者的 feed 里全是几个月的旧文，而刚订阅的你没读过，那正是首轮最值钱的部分。之后才用 max_age_days，且可以按源覆盖（慢更源 365 天，高频源 14 天）。
• 成本三道闸：本地预筛在前 → max_per_run → max_per_day；工具失败两次就记跳过，不许反复重跑。
• 默认按偏好过滤：require_theme_hit: true 时，没命中任何主题且不是关注 feed 的内容不进候选。关掉它就退回"启用一个源=它全部内容都进候选"。

完整约束见 AGENTS.md，设计见 docs/superpowers/specs/2026-10-23-baleen-design.md，实测记录见 docs/verification.md。

数据放在哪

插件运行后全部落在自己的家目录（默认 ~/.dsh/baleen/，可用 DSH_HOME 或 BALEEN_HOME 覆盖）：

preference.yaml     你编辑的偏好真源（themes / follow / sources / tuning）
baleen.sqlite       条目库（items / sources / runs / digests / meta）
out/                每轮汇报的 Markdown 副本
logs/diagnostics.jsonl   脱敏后的运行日志
run.lock            单实例锁（带 pid，进程被强杀后陈旧锁会被自动接管）

不上传、不遥测。凭据只落这个目录（credentials/，B 站 cookie 用 chmod 600 保护，从不进仓库、不进日志），偏好里的 themes / follow 只在本机。

代码地图

文件	责任
index.js	宿主半入口：装配、/api/dsh-baleen 只读路由、服务注册、调度启动
lib/adapters/rss.js	RSS/Atom 适配器；失败时抛 status / empty 供上层分类
lib/adapters/bili.js lib/adapters/bili-wbi.js	B 站：纯 fetch 直连 + 自研 wbi 签名 + 风控指纹；字幕走 player/wbi/v2
lib/adapters/yt.js lib/adapters/yt-captions.js	YouTube：yt-dlp 直连取列表与字幕轨（轨间回退），已入库的 external_id 跳过重抓
lib/feed.js	RSS2 + Atom 容错解析（CDATA、坏日期、双重转义、时长三种写法）
lib/pool.js	并发 4、单 job 超时 20s、重试固定 1 次、错误分类
lib/normalize.js	RawItem → items 行：kind / body_state / 命中理由与得分
lib/dedup.js	入库唯一入口 putDraft：insert / update / skip_seen / duplicate
lib/prefilter.js	本地闸门与 summarizeGaps（丢弃统计）
lib/jobs.js lib/runner.js	计划与编排，游标只成功才写回
lib/scheduler.js	时段窗（含跨零点）、文件锁单实例、triggerNow
lib/preference.js	偏好读取、逐字段校验、bumpTuning 只写 tuning
lib/diag.js	脱敏（家目录、盘符路径、凭据值）与 jsonl 日志

还没做

• 小红书通道（扫码 MCP 方案，需先做代码审查）
• 汇报的图文排版（当前是 Markdown，图片位留白）

名字提示

"Baleen" 在 NLP 圈已有同名 RSS 摄取项目（DistrictDataLabs/baleen 等），带 dsh- 前缀才是这个插件。

安全

本插件读本地库、只出只读路由，但它会替你持有 B 站 cookie。凭据怎么存、发现漏洞往哪报，见 SECURITY.md。

参与

改了代码想提上来，先看 CONTRIBUTING.md——里面有本机实测过的坑（CRLF、生成产物、宿主装配）和提交规范。

许可

Apache License 2.0，全文见 LICENSE。

第三方代码：无。B 站通道的 vendor 方案（BiliStalkerMCP）已在 M4a 落地前废弃，源码未进本仓库——现在的 B 站适配器是自研的纯 fetch 直连。设计参考（DSH 插件形态、面板写法）来自本机已验证的 dsh-study-desk，属于思路借鉴而非代码复制。