一句话看懂：开发者 Sac（@Saccc_c）受 Karpathy 的 HackerTube 启发，做了一个名为 AnliBili 的网站，从知乎、小红书 16 年来的讨论中筛出 1132 个被反复推荐的 B 站视频，并用 Teamily AI 的多 Agent 循环持续更新。
事件核心：发生了什么
据作者 Sac 在 X 上的介绍，AnliBili 的定位是“消除信息噪音”的 B 站高质量视频集合。其数据来源是知乎与小红书 16 年来近 1000 万条讨论，经过整理分类后，最终筛选出 1132 个视频。筛选标准并不宽松：每个视频至少被 3 个不同用户、在 3 个不同月份推荐过，作者称其为“时间沉淀下来的绝对精品”。
在工程实现上，作者用 Teamily AI 的 team agents 搭建了一个 Loop 循环，设定好多 Agent 工作流后，Agent 团队持续执行“整理评论 → 筛选视频 → 分类上线”，几乎不需要额外手动操作。作者与所有 Agent 在同一个群聊中交互，共享上下文和目标；当反馈诸如“增添小红书的讨论数据源”时，Agent 会重新分工并再跑一遍循环。
为什么重要
这个项目值得关注的不是又一个视频导航站，而是它展示了一种内容筛选思路：用跨平台社区讨论作为“众包信号”，再用时间跨度和推荐人数过滤掉短期热度和营销噪音。对大模型应用而言，这更像是一个 AI 应用落地样本——多 Agent 工作流被用来做数据清洗、内容分类和持续运营，而非单纯生成内容。
目前公开信息显示，网站已提供访问地址 anlibili-site-bxlxh4ai.teamily.run，但数据覆盖范围、更新频率和筛选准确性均来自作者自述，尚无第三方验证。从 HackerTube 到 AnliBili，这类“社区共识驱动”的推荐工具正在形成一个小众但可复用的产品范式。
对用户/开发者/创作者的影响
普通用户获得的是一个低决策成本的视频入口，适合学习类、知识类内容；但 1132 个视频的规模和筛选口径意味着它更像精选片单，而非完整索引。对开发者而言，这套“多 Agent + Loop + 群聊共享上下文”的编排方式可以直接借鉴到其他数据聚合场景，例如产品评测汇总、论文推荐或招聘信息清洗。对 B 站创作者来说，被跨平台反复推荐本身就是一种长尾流量信号，也提示内容质量比短期推送更影响长期曝光。
AI 工具推荐
想把多个 AI 模型放在一个入口？
GamsGo AI 集成 ChatGPT、DeepSeek、Gemini、Claude、Midjourney、Veo 等常用模型，适合写作、绘图、视频和日常 AI 工作流。
推广链接：通过此链接购买，我可能获得佣金，不影响你的价格。
值得关注的后续
一是网站能否稳定更新，以及新增小红书等数据源后筛选标准是否保持一致；二是多 Agent 循环的错误率与人工介入成本，作者称“几乎不用操作”，但实际维护负担尚不明确；三是若类似工具增多，知乎、小红书等平台的数据获取与合规边界是否会成为约束。
来源：@Saccc_c
