Ringkas: Penulis membuat RSS reader lokal AI untuk merangkum feed pagi tanpa harus menyalin-tempel ke NotebookLM. Sistem ini berjalan lokal, memakai model open-weight, dan tetap punya batasan kualitas model serta ukuran sumber.
Hampir setiap pagi, penulis memeriksa beberapa feed RSS yang sesuai dengan minat dan pekerjaannya. Jika ada yang relevan untuk proyek kerja, ia biasanya menempelkannya ke dokumen agar bisa dirujuk nanti.
Gemini Notebook, yang dulu bernama NotebookLM, memperkenalkan fitur menarik yang membantu menyaring feed RSS itu jauh lebih efisien setelah ditempelkan. Namun, ia tidak terlalu antusias memakai AI berbasis cloud jika ada alternatif lain.
Karena itu, ia memutuskan mengintegrasikan AI langsung ke dalam RSS reader supaya tidak perlu menyalin-tempel secara manual, dan seluruh proses berjalan secara lokal. Solusi ini tidak meniru seluruh fitur NotebookLM, tetapi meniru fitur favoritnya.
NotebookLM bagus, tetapi versi lokal lebih disukai
Bagi penulis, kekhawatiran terbesar dari layanan AI berbasis cloud, termasuk NotebookLM, adalah semua data melewati server Google. Google memang secara eksplisit menyatakan bahwa mereka tidak melatih AI mereka dengan apa pun yang diunggah ke NotebookLM kecuali pengguna ikut serta, tetapi file tetap diproses dan disimpan di server.
Dalam kasusnya, risikonya memang kecil karena ia terutama memakainya untuk riset yang tidak sensitif dan tidak rahasia. Namun, itu tetap kebiasaan yang ingin ia hindari. Jika ia mengerjakan sesuatu yang bahkan sedikit sensitif, ia kemungkinan besar akan langsung mengesampingkannya. Sebaliknya, untuk data yang tersimpan di PC-nya sendiri, ia bisa mengambil langkah yang diperlukan untuk mengamankannya.
Untuk feed RSS, kurangnya otomatisasi juga menjadi gangguan kecil. NotebookLM bersifat manual dan tidak memiliki opsi untuk menarik feed RSS dengan jadwal.
Terakhir, ada batasan di paket gratis. Batas harian untuk pembuatan laporan dan pertanyaan chat dibatasi, serta ada plafon 50 sumber per notebook. Itu cukup jika ia melakukan riset terfokus pada satu topik, tetapi tidak cocok jika ia ingin ringkasan yang bisa disimak setiap pagi dan briefing yang dibuat spontan sepanjang hari. Satu feed RSS bisa dengan mudah memiliki lebih dari 50 sumber berbeda yang terbagi ke dalam beberapa kategori.
Dengan batasan itu, ia ingin membangun sesuatu yang lebih sesuai dengan cara pakainya sendiri.
RSS digester AI lokal berbasis vibe coding
Untuk membangunnya, ia memulai dengan tiga syarat dasar:
- Semua harus lokal dan berjalan dengan model open-weight
- Harus bisa membuat ringkasan pagi dan digest sepanjang hari
- Harus bisa menangani sebanyak apa pun sumber yang ingin dipakai
Alih-alih menempelkan pembaca RSS FOSS yang sudah ada ke AI, yang menurutnya berfungsi tetapi boros, ia cepat membuat aplikasi dengan vibe coding yang menangani feed RSS secara native. Dalam praktiknya, ia bisa menambahkan feed RSS baru seperti pada RSS reader biasa.
Di balik layar, seluruh proyek memakai Gemma 4 12B yang berjalan dengan Ollama. Pilihan ini memberi keseimbangan yang baik antara kualitas dan penggunaan memori. Lagipula, ia tidak ingin prosesnya terlalu berat sampai PC jadi tidak bisa dipakai untuk hal lain saat berjalan.
Ia memperkirakan proyek ini akan butuh sedikit troubleshooting agar bekerja dengan benar, tetapi ternyata langsung berjalan dengan baik. Ia menambahkan feed RSS, prosesnya memakan waktu beberapa menit melalui Gemma, lalu ia mendapatkan ringkasan. Setelah ia mengutak-atik prompt agar nada output lebih sesuai selera, ia pun puas.
Model lokal punya trade-off nyata
Model 12 miliar parameter tidak akan pernah menjadi model frontier.
Satu-satunya kekurangan yang benar-benar terasa adalah kecerdasan model. Tidak ada model yang bisa dijalankan di perangkat konsumen rata-rata yang akan mengetahui sebanyak atau mampu “bernalar” sebaik model frontier dengan dukungan VRAM terabyte.
Secara praktis, model terkecil yang ia temukan untuk menghasilkan hasil yang layak adalah model 7B parameter, yang bisa dijalankan secara quantized dalam memori 8GB. Model itu bahkan bisa dijalankan di setup CPU-only, seperti laptop lamanya yang dijadikan node AI, tetapi akan berjalan sangat lambat.
Akan diintegrasikan ke bot Discord dan voice assistant
Belakangan ini, ia menjalankan bot Discord AI dan AI home assistant yang bisa diajak bicara. Dengan sedikit penyesuaian, ia bisa menggabungkan proyek-proyek itu dengan RSS Digester untuk membangun sesuatu yang jauh lebih menarik. Ia bisa menyalakannya dan membacakannya briefing pagi yang sudah dibuat untuknya, dan karena bot Discord serta voice assistant sudah bisa membahas file yang sedang diperiksa, ia juga bisa mengajukan pertanyaan spesifik.
Dengan penyempurnaan lebih lanjut, ia bahkan mungkin mengizinkannya untuk “menembus” dan secara spontan memberi tahu sesuatu yang ia tahu pasti ingin ia dengar.
Poin penting
- RSS reader lokal AI
- NotebookLM vs cloud AI
- Gemma 4 12B di Ollama
- Model 7B dan 8GB memori
- Integrasi Discord dan voice assistant
Meski tidak menyalin seluruh fitur NotebookLM, RSS reader lokal AI ini memenuhi kebutuhan utama penulis: ringkasan RSS otomatis, berjalan lokal, dan tanpa harus bergantung pada layanan cloud.
Sumber: How-To Geek
