AI Agent 如何维护一个经过来源核验的 AI 工具目录

大多数“AI 工具目录”本质上是 SEO 列表，评分凭空捏造，链接常年失修。一位开发者用约 120 行 Node 代码、一个 JSON 文件和一只 AI Agent，做出了另一种可能：只陈述事实、每条可溯源、每天自动核验。

项目是什么：四条事实，不做评分

这个名为 annuaire-agents.com 的站点定位是面向法语用户的 AI 工具目录，目前收录 65 个工具、生成 18 个对比页面。它刻意放弃了行业惯用的“综合评分”和“编辑推荐”，每个工具只展示四条可核验的事实：

• 界面是否提供法语
• 是否有永久免费层（而非一次性试用额度）
• 厂商是否声明数据托管在欧盟
• 官方公布的定价

每条事实都链接到厂商官方页面并标注日期。作者在发布帖中直言，多数同类目录是“带虚构评分的 SEO 列表”，他想验证另一种假设：用户是否真的只需要事实。

这个设计选择值得注意。工具目录的信任危机由来已久——评分不可复现、免费层描述与实际不符、价格半年不更新。把“判断”交还给用户、把“事实”交给可溯源的链接，是一种把编辑成本转化为核验成本的做法。

技术栈：一个 JSON 文件撑起的静态站

整个站点的架构极简：约 120 行的自定义 Node 静态生成器、单一 JSON 数据文件、由该数据自动生成的对比页面，托管在 Vercel 免费层。

这种“单文件数据源”模式有几层实际好处。数据与呈现彻底分离，对比页面不是手工维护的独立页面，而是同一份 JSON 的衍生视图——新增一个工具，相关对比页自动更新，不会出现数据不一致。静态生成也让托管成本趋近于零，且没有数据库和后台管理界面需要维护。

代价则在于写入路径。既然没有 CMS，数据的增删改就必须由脚本或 Agent 完成，这对数据格式的稳定性提出了更高要求：JSON 结构一旦变动，生成器和 Agent 的写入逻辑都要同步调整。对于一个个人项目而言，这个权衡是合理的；对团队协作场景则需要额外的校验层。

静态站点生成器（SSG）是一种在构建时而非请求时生成 HTML 页面的工具。与 WordPress 等动态 CMS 不同，SSG 在部署前将数据和模板预渲染为静态文件，托管时无需数据库或服务器端逻辑。这使得托管成本极低（如 Vercel 免费层），且页面加载速度快、安全性高。本项目中的自定义 Node 生成器仅约 120 行，正是利用了 SSG 的核心优势：数据变更后重新构建即可，无需维护运行时环境。

AI Agent 的每日例行：核验而非创作

这个项目最有参考价值的部分，是 Agent 承担的工作内容。它每天执行四类任务：

1. 链接检查——发现失效或跳转异常的官方页面
2. 价格复查——比对已收录价格与厂商当前公布价格
3. 新增工具——只收录能找到官方来源的工具
4. 联系厂商——发邮件请对方更正目录中的信息

这四类任务有一个共同点：都是核对，而不是生成。Agent 不负责写工具描述、不打分、不做推荐，它只回答“这条事实现在还成立吗”。

这是当前 AI Agent 落地中一个被低估的方向。相比让模型生成内容，让模型执行有明确对错标准的核验任务，错误更容易被约束，产出也更容易被信任。链接是否 200、价格是否一致、页面是否存在“法语界面”的声明，这些判断都可以用规则加模型辅助的方式收敛。

第四项任务尤其有意思：Agent 主动发邮件给厂商要求更正 listing。这把 Agent 从“信息采集者”推进到了“对外沟通者”的角色，也意味着需要处理回复、判断更正是否落实——这一环目前仍是半自动的。

在 AI 领域，Agent 通常指能自主规划、调用工具并执行多步任务的智能体。与单纯生成内容的模型不同，Agent 可以循环执行“感知-决策-行动”流程。本项目中的 Agent 被限定在核验任务上：通过 HTTP 请求检查链接状态、解析页面提取价格、发送邮件等。这种设计将 Agent 的能力约束在可验证的范围内，降低了错误传播风险，也更容易评估其表现。

诚实的数字：一个刚起步的副业项目

作者给出的数据相当坦率：10 月 14 日上线，截至 10 月 18 日，收录 65 个工具、18 个对比页，累计约 10 位访客（大部分是自测），尚未被 Google 收录。

这组数字说明不了产品是否成立，但说明了一个更实际的问题：来源核验型目录的冷启动，靠的不是收录量，而是核验密度。65 个工具乘以四条带日期的来源链接，构成了一份可被引用的结构化数据；而 SEO 型目录即使收录上千个工具，单条信息的可信度依然为零。

作者在帖末抛出的问题才是重点：一个“只有事实、没有评分”的目录，对你是否有用？还是说人们其实就是要看排名？这个问题没有标准答案，但它决定了这类项目的产品方向——是做决策辅助工具，还是做流量入口。

冷启动指新产品或项目在初期获取第一批用户和数据的阶段。对于目录型产品，冷启动通常面临“鸡与蛋”问题：没有足够内容就吸引不到用户，没有用户又难以激励内容生产。本项目选择以高密度的可溯源事实作为初始内容，而非追求收录数量，旨在通过信息可信度建立早期口碑。作者公开的访客数据（约 10 人）和未被收录状态，客观反映了这一阶段特征。

对 AI 工具目录这一品类的启示

把这个项目放到更大的背景下看，它触碰了工具目录的三个结构性问题。

评分不可复现。 任何没有公开方法论的评分，本质上都是编辑偏好。四事实模型放弃了评分，换来了每条信息可点击验证。

信息衰减。 免费层、定价、数据托管地都是高频变动字段，静态目录天然会过期。把核验做成每日例行的 Agent 任务，是把“维护”从人力预算变成了自动化流程。

单一数据源的可扩展性。 一个 JSON 文件在 65 个工具的量级上毫无压力，但当收录规模上升、字段增多、多语言需求出现时，单文件会碰到协作和校验的瓶颈。届时是引入 schema 校验、拆分为多文件，还是迁移到轻量数据库，是这个架构必须回答的下一步。

如果你正在做类似的目录或数据型副业项目，这个案例最可迁移的部分不是技术栈，而是那条设计原则：让 Agent 去做可验证的事，把不可验证的判断留给用户。