费城问询报自研AI工具Scrape：挖掘超本地新闻的新思路

当传统媒体开始自己造AI工具

费城问询报（The Philadelphia Inquirer）推出了一款名为 Scrape 的AI工具，用于发现和挖掘超本地（hyperlocal）新闻线索。这一动作在新闻行业引发了讨论——当越来越多媒体担忧AI会取代记者时，老牌报纸选择了另一条路：把AI变成自己手里的采编利器。

超本地新闻一直是传统媒体难以覆盖的领域。社区委员会会议、学区决议、地方政府公告、小范围的治安动态——这些信息分散在无数网站、PDF文件和会议记录中，人工追踪成本极高，却又是地方居民真正关心的内容。Scrape 的核心价值，正是把记者从这些繁琐的信息采集工作中解放出来。

Scrape 想解决什么问题

从工具的命名和定位看，Scrape 的本质是一个结合了网页抓取与AI理解能力的新闻线索发现系统。它能够自动扫描大量本地信息源，识别其中具有新闻价值的内容，并将其推送给编辑团队做进一步判断。

这类工具的意义在于改变了新闻生产的入口环节。过去记者需要主动盯着几十个信息源，现在AI可以7×24小时监控更广的范围，发现人工容易遗漏的线索。对于资源日益紧张的地方新闻编辑室来说，这相当于用技术手段扩充了采编的覆盖半径。

值得关注的是，这是报社自建的工具，而非直接采购第三方AI产品。自研意味着费城问询报可以根据自身的报道重点、地理范围和编辑标准来定制抓取逻辑和筛选规则，这对于强调本地化的新闻机构尤为重要。

网页抓取（Web Scraping）技术本身已发展多年，但传统爬虫只能按规则提取结构化数据，面对格式各异的政府公告、会议纪要PDF或非结构化文本时往往力不从心。Scrape 将大语言模型的语义理解能力叠加在抓取层之上，使系统不仅能"取回"内容，还能判断其是否具有新闻价值——例如识别出一份学区预算文件中隐含的裁员信息，或从冗长的治安报告中提炼出值得跟进的事件。这种"抓取＋理解"的组合，正是此类工具区别于传统RSS聚合器或关键词监控服务的关键所在。

AI在新闻业的角色之争

Scrape 的出现，折射出AI与新闻业关系的一个关键转向：AI不一定是内容生成者，也可以是信息发现者。

当下关于AI写新闻的争议集中在准确性、幻觉和伦理问题上。而把AI用在线索发现这个环节，恰恰规避了最敏感的部分——最终的新闻判断、核实和写作依然由人类记者完成。AI负责"大海捞针"，人负责"去伪存真"，这种分工让技术更容易被编辑室接受。

在 Hacker News 的讨论中，这一话题吸引了一定关注。社区对传统媒体主动拥抱AI工具的做法整体持观望态度，既有对技术提升效率的认可，也有对信息抓取合规性、来源可靠性的疑虑。

对地方新闻的潜在影响

地方新闻的衰退是过去十余年媒体行业最严峻的问题之一。大量社区失去了专职报道的记者，形成所谓的"新闻荒漠"。如果像 Scrape 这样的工具能够有效降低超本地新闻的采集门槛，理论上有助于缓解这一困境。

不过工具本身并不能解决根本的商业模式问题。AI可以帮助发现更多线索，但报道的核实、写作和分发仍需投入人力，而地方媒体的收入压力并未因此减轻。Scrape 更现实的意义，是让有限的编辑资源用在更有价值的报道上，而不是耗费在信息检索的重复劳动中。

"新闻荒漠"（News Desert）是学界和业界用来描述缺乏本地新闻报道的地理区域的术语。美国西北大学本地新闻研究所的数据显示，2005年至2023年间，美国约有三分之一的报纸停刊，超过两百个县已没有任何专职新闻记者覆盖。这一趋势的根源在于数字广告收入向谷歌、Meta等平台集中，使依赖广告的传统地方媒体陷入收入断崖。在此背景下，Scrape 所代表的技术路径具有特殊意义：它无法凭空创造广告收入，但能让一名记者产出相当于过去两到三名记者的线索覆盖量，相当于在不增加人力成本的前提下扩大了报道半径。

一次值得观察的行业试验

费城问询报的做法提供了一个样本：传统媒体不必被动等待被AI颠覆，也可以主动把AI嵌入自己的工作流，强化而非替代核心的新闻能力。

这款工具能否真正提升报道质量、能否被更多媒体借鉴，还需要时间验证。但它至少展示了一种务实的思路——让AI做它擅长的事（规模化信息处理），把需要判断力和责任感的部分留给人。对于正在探索AI落地的新闻机构而言，这个方向或许比盲目追逐AI写稿更具可持续性。