关于与方法
这份榜单如何生成
HackerPods 阅读 Hacker News 上关于播客的评论，收录那些由不同的人跨越多年、反复推荐的节目，而非只在某个热门讨论串里昙花一现的节目。
本版：425 档节目 · 18 集 · 12,599 条已标注提及 · 数据截至
入选门槛
简而言之：三人，三个月。一档节目须至少由三位不同的人推荐，且推荐出现在至少三个不同的自然月，才会列入榜单。只有推荐才计入。随口提及、玩笑或批评仍保留在数据中，但不计入得分。主持人推广自己的节目，相关记录会保留，但永远不计分。
得分
得分 = 有推荐的月份数 + 0.5 × 有强烈推荐的月份数
按月份而非评论条数计算，意味着再热烈的单个讨论串，也不足以撑起一档节目的排名。十年来持续有人推荐的节目，会排在短暂风靡一时的节目之前。争议节目也遵循同样的规则；榜单不会人工移除任何节目。
如何阅读评论
我们从约 70,000 条提及播客或附有播客应用链接的评论开始。规则会先剔除没有点出任何节目名的评论。随后，语言模型分批阅读其余评论，优先处理带播客链接和推荐字样的评论（本版覆盖的正是这些；较普通的提及留待后续更新），记录其中提到的每档节目、评论是否构成推荐，并摘录一小段原文。节目名会与 Apple Podcasts 目录匹配，让不同拼写归并到同一词条。
标注有多准确
全量运行前，来自不同厂商的两个语言模型标注了同一组分层抽样评论，共 200 条。它们在 65.5% 的评论上直接达成一致；所有分歧随后都对照原评论重新阅读并裁定。以这组经裁定的样本为基准，本版所用标注模型的结果如下：
| 指标 | 结果 | 门槛 |
|---|---|---|
| 节目名精确率 | 96.9% | 90% |
| 节目名召回率 | 96.3% | 80% |
| 推荐判断精确率 | 91.9% | 85% |
注意：两个模型判断一致的行没有再次阅读，而是直接视为正确，这会让两者的成绩显得更好。请把这些数字看作底线检查，而非保证。
收听方式
播放按钮会直接通过节目自己的公开 RSS 源串流播放单集，读取的也是任何播客应用都会读取的同一份文件。HackerPods 不托管音频，也不做中转。被推荐的单集按标题与 RSS 源中的条目匹配；如果某集已离开公开 RSS 源，页面会明确说明，并改为链接到节目。
原文与翻译
中文版保留节目名与单集标题的原文。评论摘录是评论者自己的话，因此先展示英文原文，下方附上标注为“机器翻译”的译文；来自发布者 RSS 源的节目介绍使用机器翻译。如有差异，一律以原文为准。
来源与致谢
每段摘录都保留评论者的原话，并链接到 Hacker News 上的原评论。感谢每一位愿意花时间写下这些文字的人。HN 数据来自 ClickHouse SQL Playground，即官方 HN Firebase API 的镜像。封面图来自 Apple Podcasts 目录，版权归各节目所有。
带走这份榜单
数据 （节目、单集、每一条已标注的提及；ODC-By 1.0） · 下载 zip 压缩包 · DATA.md · 全部节目的 OPML · 单集 RSS
网站分析：Cloudflare Web Analytics，不设置 Cookie，也不追踪个人。收藏的节目只保存在你的浏览器中。