我现在怎么追 AI 趋势：每天固定看的 6 个信号源
如果你现在每天还在靠社交平台热搜、群聊转发、零散收藏夹追 AI 趋势，最后大概率会遇到两个问题：第一，信息很多，但不知道什么值得记；第二，热点一个接一个，真正该看的更新反而被埋掉。我现在的做法已经比较固定了，不是到处刷，而是每天固定过 6 个信号源。它们不一定最全，但组合起来刚好能覆盖“产品面、模型面、工具面、开发者面、采用面”这几个关键层。
这篇不是给你列一个很长的 AI 资讯网站清单。那种文章的最大问题是，看完之后你还是不知道怎么用。这里我只讲我自己每天固定看的 6 个入口，以及每个入口到底拿来发现什么，哪些信号我会记，哪些我会直接跳过。
我现在固定看的 6 个信号源
先把名单放在前面：
- GitHub Releases / GitHub Trending
- Hacker News
- 官方 changelog 和 release notes
- 模型 / API 文档
- 产品发布页和官方 blog
- RadarAI 这种已经做过第一轮筛噪的聚合层
你会发现，这 6 个入口里没有“把全网消息都看一遍”这种做法。因为趋势判断最怕的不是信息少，而是信息太杂。真正有用的不是更多来源，而是每个来源只负责一个判断任务。
1. GitHub Releases / Trending：看生态是不是已经动起来了
我现在看 GitHub，不是为了每天找新仓库，而是为了判断某个方向是不是已经进入真实维护状态。
Trending 的作用很直接：帮我看社区注意力有没有突然集中到某一类项目上。比如某一周里，浏览器 agent、coding agent、向量数据库中间层、模型路由工具突然密集出现，你基本可以判断，这不是单个项目偶然冒头，而是一个方向开始被更多开发者一起盯上。
但 Trending 只解决“大家在看什么”，不解决“它值不值得你继续看”。所以我一定会补 Releases。因为 release 比 star 更像动作。一个项目有人看，不等于有人持续做；但 release、文档更新、issue 活跃度，通常更能说明它是不是开始进入真实采用。
我看 GitHub 时最关心这三件事：
- 有没有连续 release，而不是只红一次
- 有没有第三方开始接它、适配它、围绕它做插件
- issue 里是不是已经出现真实使用者的问题
如果一个方向在 GitHub 上只有热度，没有维护节奏，我通常不会把它记成趋势，只会记成一个短期话题。
2. Hacker News：看开发者是不是真的在讨论“怎么用”
Hacker News 对我来说不是新闻源，而是判断源。它最大的价值，不在首页，而在评论区。
一个趋势如果只是“看起来很新”，评论区一般是围观、转述、情绪和类比；但一个趋势如果已经进入真实使用，评论区里会很快出现这些东西：
- 我试了，哪里好用
- 我试了，哪里不行
- 我原来用什么，现在为什么考虑换
- 它在团队里会卡在哪一步
这类讨论非常值钱。因为它们直接告诉你，这件事已经从“大家知道”进入“有人在尝试接入”。
我自己判断一个方向是不是值得多看时，HN 上最有价值的不是点赞数，而是有没有大量围绕部署、成本、替代、失败边界的讨论。只要这类讨论开始多起来，这通常就不再只是资讯，而是在慢慢变成工作流信号。
3. 官方 changelog / release notes：看这是不是产品表面的真实变化
这一层我现在看得比以前重很多。因为过去一年里，我越来越明确一件事：很多看起来像趋势的东西，真正落到团队采用，关键根本不是营销文案，而是 changelog。
尤其是这些场景：
- IDE / coding 工具更新
- 模型 API 改行为
- 价格、quota、权限变了
- 新功能是 rollout 还是全量
- 企业版和个人版能力差很大
这些东西如果你不看 changelog，只看别人转述，很容易误判。
我现在看官方 release notes 时会重点标记三类变化：
- 会改变默认工作流的
- 会影响成本或接入方式的
- 会让旧判断失效的
比如一个产品只是 UI 变了，我不记；但如果它新增了 repo-native workflow、后台 agent、team rules、connector、配额策略，这种我一定记。因为它会直接影响 builder 的下一步动作。
4. 模型 / API 文档：看“能不能用”而不是“说得多强”
很多 AI 趋势文章都会把模型和 API 混着讲，但开发者最该分清的恰恰是这个。
模型强不强，和你现在能不能稳定接、能不能接受价格、有没有地区限制、支持不支持你要的接口，是两回事。真正会影响产品判断的，很多时候是 API 文档，而不是模型榜单。
我会固定看这些东西：
- SDK / API changelog
- pricing
- rate limits
- deprecation / sunset
- model access 条件
- function calling / tool use / structured output 这些行为层说明
为什么这层重要？因为很多看起来像“AI 趋势”的变化，最终对开发者真正有意义的部分，其实是“原来这个能力现在终于可用了”“原来这个接口要改了”“原来这个价格打下来了”“原来这个模型只有某些账户能用”。
如果没有这层，你很容易把模型话题当成产品机会；但很多时候，趋势真正落地的门槛恰恰在文档里。
5. 产品发布页和官方 blog：看它想把自己往哪类产品上推
很多人会跳过产品发布页，觉得那是营销材料。但我现在反而很看重这一层，因为它能帮我看出一个产品现在想把自己定义成什么。
同样是一项功能，放在 changelog 里是一条更新；放在发布页里，往往就是一个方向。
比如：
- 它开始强调 team workflow
- 它开始强调 enterprise control
- 它开始强调 research / citation / source grounding
- 它开始强调 coding agent 而不是单次补全
这类变化很重要。因为趋势不只是“多了一个功能”，而是“产品自我定义正在往哪里偏”。
我不会完全相信发布页，但我会把它当成一个很好的辅助层：看看它自己最想让市场记住哪件事，再回到 changelog 和文档确认这件事到底是真的大变化，还是只是包装话术。
6. RadarAI 这种聚合层：看最近几天到底哪几个方向在连续冒头
最后一层，我会看聚合层，但不会把它当最终结论。因为聚合层最适合做的是“把散的东西收回来”。
我现在越来越不愿意一上来就自己刷十几个源，原因很简单：很多原始信号都是真的，但太碎。聚合层的真正价值，不是替代原始来源，而是替我先做第一轮压缩。
我会拿它来回答两个问题：
- 最近两三天，到底哪几个方向在连续出现？
- 这些出现是偏产品、偏模型、偏工具、偏公司，还是偏开源项目？
只要一个方向连续出现两三次，而且分别来自不同类型的源，我就会回去看原始链接。这样做的好处是，节省精力，也不容易被单条热点带偏。
哪些信号我会记，哪些我会跳过
这一步很关键。因为趋势判断的能力，很多时候不在于你看了多少，而在于你敢不敢跳过。
我会记的信号，通常有这几个特点：
- 它会改变产品、内容或工具判断
- 它已经有真实动作，不只是口号
- 它和已有工作流有关系
- 它可能逼你重新检查旧结论
我会跳过的信号也很明确：
- 只有一条传播，没有后续动作
- 只是大厂放了个概念，但没有接入路径
- 只是媒体写了很多，但开发者和产品层没动
- 只是排名或榜单变化，但没有采用含义
我现在的原则很简单：不能影响下一步动作的趋势，通常不是优先级高的趋势。
最近三个我觉得“比新闻更重要”的信号例子
例子一：某个 coding 工具开始强调 repo-native workflow
这类信号的意义，不在于“又多了一个 AI 编程功能”，而在于开发者默认动作可能会变。以前是边写边补全，现在可能会变成“提任务 -> agent 改 -> 人 review -> CI 验证”。这比单条新闻更值钱，因为它会影响团队未来怎么分工。
例子二：某个模型 API 文档开始频繁改 pricing / access / rate limit
很多人会把这种东西当技术细节，但对做产品的人来说，这反而是趋势。因为趋势不只是模型能力在变，供应方式也在变。成本、权限、接入难度，只要一改，整个采用判断就会跟着变。
例子三：某类开源项目不只是涨 star，而是开始有更多适配和周边生态
一个项目火起来不稀奇，真正值得记的是：别的项目开始接它，教程开始围绕它写，插件开始支持它，issue 开始出现真实集成问题。到这一步，它才更像一个方向，而不只是一个热仓库。
如果你每天只有 15 分钟，我建议这样过
如果你时间很少，不要追求全。我的建议是：
前 3 分钟：看聚合层
先知道这两三天哪几个主题在反复出现。
接着 4 分钟：看 GitHub / HN
确认开发者圈有没有真实动作和讨论。
再用 5 分钟：看 changelog / API docs
确认这是不是会影响采用、成本、权限、工作流。
最后 3 分钟：记录 1 到 3 条
不要贪多，只记那些会影响你下一步动作的。
你坚持一两周之后，会明显感觉自己看的东西少了，但判断反而更稳了。
结尾
我现在追 AI 趋势，基本不靠热搜，也不靠随机刷屏。我固定看的 6 个信号源，其实就是 6 个不同的判断层：GitHub 看生态，HN 看开发者讨论，release notes 看产品表面，API 文档看采用门槛，产品发布页看方向包装，聚合层看最近几天的连续主题。
真正有用的趋势判断，不是最早知道谁火，而是更早知道哪些变化会真的影响你的产品、内容和工具选择。只要你把这 6 层分开看，信息会少很多，但结论会比以前清楚得多。