AI 写了这么多代码，为什么 90% 都流向了没人点星的仓库？

有人统计了 Claude 关联输出所指向的 GitHub 仓库，结果发现：约 90% 流向了 0 星仓库，约 98% 流向了 0 到 1 星仓库。

看到这个结果，很多人的第一反应大概都是一样的：

AI 写出来的代码，果然大多数都只是“电子垃圾”。

但如果你顺着这个数字多想一步，会发现它真正值得写的，不是“AI 代码质量不行”，而是另一个更大的判断：

AI 编程最真实的落点，可能从来就不是那些会被围观、会被点星、会冲上 Trending 的仓库。

它真正改变的，是另一层世界——那些本来不会被写出来、不会被公开讨论、甚至不会被当成“软件产品”的小系统。

换句话说，AI 编程真正爆发的地方，也许不在舞台中央，而在后台。

···

一、0 星仓库，不等于 0 价值

先把一个最容易误判的点说清楚：GitHub stars 从来都不是质量指标。

它更像什么？ 更像一种社交信号、曝光信号，或者干脆就是“先收藏一下以后再看”的书签信号。

一个仓库 0 星，不代表它没用。 一个仓库几万星，也不代表它真的解决了几万个真实问题。

这点在 AI 时代会被放大。

因为 AI 把“写一个软件”的成本压低之后，最先冒出来的，不一定是更宏大的公共项目，而是大量小而私人的需求。

比如：

• 给自己做一个资料整理脚本
• 给团队做一个审批页面
• 把每天重复复制粘贴的工作流程自动化
• 做一个只给内部使用的小后台
• 做一个家庭账本、个人知识库、提醒面板
• 为某个客户临时搭一个能跑的系统

这些东西有个共同特点：

它们天然不需要 stars。

因为它们的价值，不靠传播来证明，而靠使用来证明。

有人的 0 星仓库，其实是 Claude 持续维护的日英词典； 也有人说，自己的 0 星仓库是个人知识图谱和推理系统，根本不是为了让别人来围观，而是为了自己每天真的在用。

这类项目在 AI 出现前不是不存在，而是常常死在同一句话里：

“算了，这个需求还不值得我专门写一套东西。”

AI 编程最先改变的，恰恰就是这句话。

它让很多过去“不值得做”的小需求，第一次变得“做一下也行”。

这不是小事。

这意味着以前沉默的大量长尾需求，开始被软件化了。

···

二、AI 编程的真实大盘，不在明星项目里

这也是我觉得这个数字真正有价值的地方。

它提醒我们：

我们一直在用“舞台视角”理解 AI 编程，但 AI 编程的大盘，可能其实是“车间视角”。

舞台视角关注的是什么？

• 谁又做了一个新的 agent 框架
• 谁的仓库又涨了几万 stars
• 谁做了一个 24 小时上线的爆款 demo
• 哪家公司又说开发效率提升了 10 倍

这些内容当然重要，因为它们最容易被传播，也最适合形成叙事。

但问题在于，可见度不等于需求密度。

一个项目很火，可能只是因为它适合演示； 一个仓库 star 很多，可能只是因为它踩中了情绪，比如上篇讨论的自动赚钱项目； 一个 demo 被疯转，可能说明它容易被截图，不一定说明它最能创造持续价值。

那些教你用 AI 自动赚钱的，最后到底赚了什么？

而软件世界真正的大盘，从来不是这些“台前项目”。

真正的大盘，恰恰是那些不性感、不好讲故事、很碎很窄但一直存在的需求：

• 某个部门一直靠 Excel 苦撑的流程
• 某个运营岗位每天都在做的重复动作
• 某个小团队一直想做却没预算做的内部工具
• 某个个人工作流里反复出现的小痛点

过去这些需求为什么没被满足？

不是因为它们不真实，而是因为软件生产成本太高。

你要拉人、排期、写需求、开发、测试、上线。 很多需求不是“没价值”，而是“价值还没高到足以启动一轮传统开发流程”。

AI 编程把这个门槛打穿了。

于是软件开始从“投资品”变成“消费品”。

以前，写一个小系统像开一家小工厂，要先判断值不值得； 现在，写一个小系统越来越像用 3D 打印机打个零件——只要你有一个具体问题，就会想试着做一个出来。

02-workflow

所以，“90% 流向低星仓库”在我看来不是边角数据，而是主信号。

它说明 AI 编程真正的主战场，不是帮助少数人做出更耀眼的项目，而是帮助大量普通人第一次把具体问题变成软件。

···

三、泡沫在哪？机会又在哪？

如果这个判断成立，那 AI 编程这条赛道里的泡沫和机会，其实也该换个坐标系了。

1）泡沫在台前

今天最容易膨胀的，是“可表演的 AI 编程”。

也就是那些特别适合发帖、截图、演示、融资、拿 stars 的东西。

这类项目通常有几个共同点：

• 一眼能看懂
• 演示效果很强
• 情绪价值很足
• 容易被包装成“下一个平台机会”

这并不是说它们没有价值。

而是说，它们太容易被高估。

因为在 AI 时代，表演成本下降得特别快。

一个看起来很惊艳的 demo，今天可能只需要更好的 prompt、更好的 UI 包装和更密集的社交分发； 但一个真正进入工作流、被持续依赖、被长期维护的系统，仍然需要理解场景、处理边界条件、持续迭代和承担责任。

前者容易热闹，后者才难。

所以如果你只盯着热榜、stars、融资、爆款截图，很容易误把“好讲故事”当成“有结构性价值”。

01-compare

2）机会在后台

真正更稳的机会，反而在那些不容易被看见的需求里。

比如：

• 行业垂直流程自动化
• 小团队内部工具
• 私有部署的 agent 工作流
• 数据清洗、内容处理、资料管理小系统
• 为一个组织量身定制的软件服务
• 个人长期使用的效率工具

这类方向有一个共同特征：

用户可能不多，但每个用户都很痛。

而这恰恰是 AI 编程最适合切入的地方。

因为它最大的价值，不是替你炫技写代码，而是把“原本做不起的软件”变成“现在做得起的软件”。

这意味着，未来最值钱的人，未必只是“最会让模型吐代码的人”。

更可能是这三类人：

1. 最懂具体场景的人：知道一个行业、一个岗位、一个流程真正卡在哪。
2. 最会把模糊抱怨翻译成软件需求的人：能把一句“这事太烦了”拆成可以落地的功能。
3. 最会收敛和维护的人：AI 能帮你起步，但最终能不能持续可用，还是靠人做判断、做取舍、做修补。

说得更直白一点：

以后“写代码”会继续贬值，“决定什么值得写成代码”会继续升值。

···

四、软件会越来越像制造品，而不是作品

我觉得这件事背后还有一个更深的变化。

过去很长时间里，我们默认把软件看成一种“作品”。

既然是作品，它天然追求被看见、被传播、被评价。 所以我们会关心 stars、forks、排行榜、社区热度。

但 AI 正在改变这个前提。

当软件生产门槛被打下来之后，软件越来越像一种“制造品”。

它不一定需要公共影响力。 它只需要对某个具体的人、具体的团队、具体的流程有用。

你不会要求一个自己打印出来的抽屉分隔件必须拿设计大奖。 同样，未来大量软件也不会再靠“公共热度”来证明价值。

它们证明自己的方式，会越来越朴素：

• 有没有省时间
• 有没有减少错误
• 有没有替代重复劳动
• 有没有被持续使用

这也是为什么，我不太认同一种很偷懒的判断：

“AI 写出来的大多数代码都是垃圾。”

当然，AI 会产生大量粗糙、短命、不可维护的代码。 这没有悬念。

但如果你只看到这一面，就会漏掉另一面：

很多所谓“上不了台面”的代码，本来就不需要上台面。

它只要对一个具体的人有用，就已经完成任务了。

问题不在于它有没有 stars，问题在于它有没有替一个真实需求干活。

···

五、这个数字真正告诉我们的，不是“AI 不行”，而是“叙事错位了”

当然，这个数据也不能被过度解读。

“Claude-linked output”不是全部 AI 编程； GitHub stars 有明显的基数问题； 大量低星仓库里也可能混着 fork、实验项目和半成品。

所以我们不能轻率地下结论说：AI 代码都没价值，或者开源世界已经被空心化。

但它至少把一个错位暴露得非常明显：

AI 编程的真实结构，和社交媒体展示出来的结构，不是一回事。

社交媒体看到的是冰山露出水面的尖角： 热榜、发布会、融资、爆款仓库、明星产品。

而真正巨大的那部分，藏在水下： 大量没人围观、没人讨论、没人点星，但每天都在替人节省时间、降低摩擦、跑通流程的小系统。

如果你只盯着台前那一点，就很容易误判行业。

你会以为机会都在“做一个更大的公共平台”， 但未来更稳定、也更广泛的机会，可能在“帮更多具体的人，把一个本来不会被软件化的问题，第一次软件化”。

这听起来没那么性感。

但往往真正不可逆的变化，就是先从这种不性感的地方开始。

AI 编程可能也一样。

它最先吞掉的，不一定是明星程序员的舞台； 它更可能先吞掉的是那些没人鼓掌、却到处存在的小问题、小流程、小系统。

而这，恰恰才是它最有商业价值的部分。

···

最后

所以，回到最初那个问题：

为什么 AI 写了这么多代码，90% 都流向了没人点星的仓库？

我的答案是：

因为 AI 编程真正服务的，不是“被看见”，而是“被使用”。

它正在把软件从少数人的公开创作，推向更多人的私有制造。

明星项目当然还会继续出现。 但决定这一轮 AI 编程到底能不能真正落地的，可能不是那些最热的仓库， 而是那一大堆 0 星、1 星、没人讨论、却每天真的在替人干活的小系统。

你最近一次用 AI 写的东西，是为了发出来给别人看，还是为了让自己真的省点事？

如果是后者，它现在是个 0 星仓库吗？