什么值得做
GitHub 开源项目 · 11-12 写
zaxiu88888/issue-rag · zaxiu88888

339 个星,没有一个真人说话:一个求职项目的「刷星 + 好 README」

它是什么 一个拿 vite 的 GitHub issue 做 RAG 问答、把评测做成一篇论文的 Python 项目,作者在仓库里写明是给中文面试官看的求职作品。

为什么火了 星多半是刷量网络按天匀速刷上去的(6 个 fork 全是机器人号,同一批号在给二三十个中文小库刷星);涨速又让按涨速挑库的 AI 资讯站和搬运号自动收录,看起来像火了。

C你可以怎么跟 不要照抄题目,也不要照抄刷星;把它的 README 写法(反直觉数字、报区间、逐条可查的结果页、写明局限)搬到一个还没人测过的问题上,比如它自己承认做不了的中文检索,再从 Show HN、V2EX、X 拿第一批真人星。

C 级:它的星不是内容挣来的,照着做同题目大概率只有几十星,而 issue 问答和 RAG 评测两头都已被 DeepWiki、ragas、DeepEval 这类项目占满;能学的是 README 写法,刷星会被清、在面试官面前也站不住。 还没什么人知道
数据(每天更新) · 建库 2026-11-01 · 482 星 · 7 天 +153
GitHub · 星数
020040011-0611-1011-1311-1611-20482
数据 2026-11-06 → 2026-11-20(15 天,15 次观测)。10-28 以前的点来自 deeply / 存档补录,不是每天都有

11 月 1 日注册的一个 GitHub 新账号,12 天拿到 339 个星,被几家 AI 资讯站写成「GitHub 趋势」。拆开看,这些星几乎可以判定是买来的,作者要的是面试官看一眼;但它的 README 写得确实好。下面说清楚:星从哪来,哪部分能学,想靠同类项目拿星值不值得。

一个才注册 4 分钟的账号建的库

2026 年 11 月 1 日 11:28(UTC),GitHub 上多了一个叫 zaxiu88888 的账号,简介只有一句「Maybe I'm still human after all」。4 分钟后,它建了 issue-rag 这个库。33 个 commit 的作者都叫「ccb」,最早一条是 10 月 27 日,也就是本地先做完了才推上来。11 月 4 日之后,代码再没动过。

星却一天没停过:11-06 48 → 11-07 101 → 11-08 130 → 11-09 146 → 11-10 188 → 11-11 233 → 11-12 285 → 11-13 329,当天 GitHub 页面显示 339。一周涨了 281 个,最多的一天 +53,没有哪天暴涨,每天匀速涨四五十个。同一时间:0 个 issue,0 个 watcher,作者 0 个粉丝。

它做了什么:一篇写成评测论文的 README

题目不新:拿 vitejs/vite 的 issue 做 RAG 问答。用真实 issue 的标题当问题,用维护者关 issue 时的回复当标准答案,人工复核了 95 条,比较闭卷、BM25、向量、混合、混合加重排五种做法。

不一样的是写法。README 第一屏是一张三行的表:

不检索检索(最好的配置)
判为正确8.4%64.2%
加权准确率0.2210.700
被判为编造1.1%20.0%

最抓眼的是最后一行:加了检索,编造率反而从 1.1% 涨到 20%,模型从「老实说不知道」变成「自信地答错」。接着它不报一个最好看的倍数,而是报区间:换更严的判分模型是 2.3 倍,原来的判分模型是 3.2 倍,30 条人工盲评是 5.2 倍,「所以机器测的是下界。不是 4 倍。」它还审计了判分器本身,从四个方向:换模型、同一个模型跑两遍、换评分标准、人工盲评(一致率 70%,κ=0.816)。局限也自己写了出来:检索只支持英文,用中文提问会被拒答。最后配一个 GitHub Pages 结果页,95 条可以逐条搜、逐条筛。

这些方法在评测圈不算新,但很少有个人项目把它们写成一份数据完整、能逐条复核的文档。

它写给谁看:作者自己说了

这一点不用猜。一条 commit 的说明写着:「The repo is going to be read by Chinese-speaking interviewers… the first thirty seconds decide whether anyone reads the measurement at all.」(这个库会被说中文的面试官看……头 30 秒决定了有没有人往下看评测。)另一条 commit 加了一份中文的 NOTES.zh-CN.md,标题叫「面试速记」,第一句是:

AI 辅助做出来的项目有一种典型死法——代码能跑,你讲不出来,面试官 90 秒就发现了。

下面是「30 秒讲清这个项目」「必须能辩护的取舍」(为什么用混合检索、为什么用 RRF……)。还有一条 commit 专门给「面试官最可能问的六个函数」加了中文注释。同一个账号 11 月 4 日、9 日又建了两个库,一个是 Spring AI 做的 agent 平台,一个是 Spring Boot + React 的刷题笔记社区,凑成一套典型的中文求职简历项目。

所以这个项目的「用户」是招聘方,339 这个数字是给简历用的。这一条是推断,但仓库里的证据很直接。

339 个星从哪来

GitHub 现在不公开谁点了星,没法一个个查。但 fork 是公开的,6 个 fork 像是一个模子刻出来的:

fork 账号fork 日期账号注册简介
gritbugaboo8m11-052026-10-05Akua Mthembu / Software Engineer — running, coffee
outlets-flops-5611-052026-08-27Jürgen Bertrand / DevOps Engineer. Love reading & astronomy.
swath-bastion-8w11-062026-08-08Luna Hill / running lover. kayaking…
bronzer-cornel1f11-082026-10-22Drew Allen / Software Engineer \coffee \hiking
dragmailer1u11-092026-08-08Liam Anderson / cycling and astronomy. Architect.
reveriemasted9f11-102026-09-24Sandrine Lefebvre / gardening · coffee · Nurse

用户名都是「两个英文词 + 两位随机字符」,配一个西方人名和套话式的爱好,0 粉丝,公开仓库全是 fork,公开动态几乎只有点星和 fork,点的清一色是中文作者的小库。fork 一天一个,均匀摊开,让 fork 和星的比例看起来正常(6 比 339,不到 2%)。

顺着这 6 个账号点过星的库往下看,有 24 个库被其中 4 个以上的账号同时点过星。挑几个正在涨的放在一起:

库建库开涨后每天的星数单日最多
zaxiu88888/issue-rag2026-11-0148 → 101 → … → 32953
TngSHoO/agentcase-lab2026-11-0428 → 41 → 99 → … → 34458
qiaoranlaodou-cpu/your-next-point2026-11-0697 → 127 → … → 38971
BDiff/BDiff2025-09-30162 横盘几周 → 193 → … → 45463
madong-code/madong-admin2025-07-23194 横盘 → 243 → … → 68572
AnomalyNTE/Anomaly2026-07-2995 → 138 → … → 57064

有刚建的新库,也有横盘了几周、建了一年多的老库,可一开涨就是同一条线:一周三百上下,每天匀速四十到七十。issue-rag 混在里面分不出来。

还有一个细节:11 月 6、7 日前后,这批库集体掉了一点星,其中 zcbacxc/mcd-party-planner 一天掉了 211 个(1593 → 1387)。这像是 GitHub 在清理假账号。「星是买的」是从 fork 账号、曲线的样子、看不到一个真人这三点推出来的,没有逐个核实;但 6 个 fork 全是机器人号,这一点是确定的。

那些「报道」是怎么来的

搜它的名字,能搜出好几篇介绍,看着像是火了。按时间排一下:

时间谁写的当时星数
11-05 起机器人号开始 fork不到 48
11-07amazingindex「向上研究所」日报,推荐指数 68102
11-07reveneau.com 英文资讯,页面写着「This item was written by an AI system」102
11-08Threads、LinkedIn 上的「🚀 Trending on GitHub … ⭐121」模板帖121
11-10「AI旗页」收录—
11-11X 上 @xqliu 一条中文长推246
一直在trendshift 的 RAG 话题榜339

每一篇都在涨星之后。这些站和号是按「新库 + 涨得快」自动挑库的,刷出来的涨速正好触发了它们,它们又几乎原样照着 README 转述。reveneau 那篇直接写着「The author's own README is the source for every number below」(下面每个数字都来自作者自己的 README)。

唯一一条像真人写的,是 @xqliu 11 月 11 日的推:「有人拿 vite 的 GitHub issue 做了个问答助手…」,584 次浏览、3 个赞、0 转发。这个号最近两周几乎每天都发一条「有人做了个 xxx」介绍新库,顺带推自家的产品。他发推之后,issue-rag 每天还是 +45、+52、+44,曲线没有任何拐点。Hacker News、Reddit、Product Hunt 上都找不到它。

这就是刷星的第二层好处:花钱买一条涨速曲线,换回一叠「被报道过」的截图。

同一个题目,别人拿到多少星

「问开源仓库的 issue」早就有成熟产品了:Dosu 是一个装进仓库、自动回 issue 的 GitHub App;Kapa.ai 由 CNCF 免费提供给所有托管项目;Cognition 的 DeepWiki 2025 年 4 月一上线就索引了 3 万多个仓库,它的开源仿品 deepwiki-open 有 1.8 万星。「RAG 评测」这一头是大框架的地盘:

项目上线star和 issue-rag 的区别
promptfoo2023-042.7 万prompt、RAG、agent 的测试与红队
DeepEval2023-081.95 万,一周 +146通用评测框架,自带 LLM 判分
ragas2023-051.63 万,一周 +58通用 RAG 评测指标
RAGChecker(Amazon)2024-061.1 千论文配套的细粒度诊断
vectara/open-rag-eval2024-11423不需要标准答案的评测
knowflow-ai/KnowEval2025-1153中文企业文档的端到端评测,同样是方法论型小库

最该看的是最后一行。KnowEval 也是一个讲方法论的小评测库,建了一年,53 个星(GitHub,11-12)。方法扎实得多的大框架,一周涨 58 到 146 个星。一个 12 天的个人评测作业拿到 339 个星,还没有一条真人讨论,和内容本身对不上。

能学的,和不能学的

能学的是 README 的写法:

  • 第一屏放一个反直觉的数字(编造率 1.1% → 20%),不放功能清单;
  • 报区间,不报最好看的那个数,并且说清为什么;
  • 配一个能逐条查的静态结果页,让人自己验证;
  • 主动写出局限,中英双语。

这种写法很容易被别人照搬着转述,AI 资讯站和那条推都是直接抄它的数字。

不能学的是星:

  • 买来的星会被清,同一批库里已经有一天掉 211 个的;
  • 面试官点开就能看到:0 个 issue、0 个 watcher、作者 0 粉丝、fork 全是假人号、代码停了星还在每天匀速涨。懂行的人一眼就看得出来,比没有星更伤;
  • 同一个刷量网络正在同时包装二三十个中文小库,这不是什么独门打法。

如果是你

一句话:能学到东西,跟着做不太划算。 这个项目的星不是内容挣来的,照着做同一个题目,多半拿到的是 KnowEval 那样的几十个星;而且这个题目两头都挤满了:问 issue 有 DeepWiki、Dosu,做评测有 ragas、DeepEval。

适合谁:准备 AI 应用、RAG 岗位面试的开发者,要一个讲得清、经得起追问的作品集项目。把它的 README 结构和「面试速记」当模板,很值得。

不适合谁:想靠一个开源项目攒下真实 star 和关注者的人。照抄题目拿不到星;照抄刷星,星会掉,名声也会掉。

怎么做:别做第 N 个「vite issue 问答」。把这套写法搬到一个还没人拿数据回答过的问题上:大家都在争、没人认真测过的东西,比如某个流行框架新版本的真实表现,或者中文场景。它自己承认中文检索是个漏洞,这就是一个现成的空位。交付时照样是「一个反直觉的数字 + 区间 + 能逐条复核的结果页 + 写明局限」。

怎么让人看到:先走真人渠道,Hacker News 的 Show HN、V2EX、X,开头就放那一个反直觉的数字。头几天有了真实的星,那些按涨速挑库的聚合站和榜单会自己找上门来(推断)。

什么时候之前:没有硬窗口;如果是为了求职,赶在 2027 年春招之前做完(推断)。

什么情况说明看错了:issue-rag 不再匀速涨之后,还有真人来提 issue、发 PR,或者在 HN、V2EX 上讨论它;或者 KnowEval 这类没刷过量的方法论小库,开始单靠内容一周涨上百个星。那就说明「好 README」本身就能换来星,值得认真跟。

GitHub 仓库 ↗

研究底稿:竞品表、获客证据、完整研究报告
竞品
名字在哪上线规模它和这家不同在哪
Dosu其他2023商业 GitHub App,Apache Superset 等大项目在用(官网案例)真的装进仓库自动分拣、回答 issue;issue-rag 只是离线实验
Kapa.ai其他2023CNCF 给所有托管项目免费提供把文档、issue、论坛一起接进来做技术支持问答;issue-rag 只测一个仓库
DeepWiki(Cognition)大厂功能2025-04起步就索引了 3 万多个仓库;开源仿品 deepwiki-open 有 18.4k star任意公开仓库都能问代码和文档,免费,而且是产品级
HF Cookbook:GitHub issues 上的简单 RAG其他2024HF 官方教程同一个题目的入门示例,没有评测
ragas开源2023-0516.3k star,7 天 +58通用 RAG 评测指标框架;issue-rag 是一次具体实验加一份写法
DeepEval开源2023-0819.5k star,7 天 +146通用评测框架,自带 LLM-as-judge
promptfoo开源2023-0427.1k starprompt / RAG / agent 测试与红队工具
RAGChecker(Amazon)开源2024-061.1k star论文配套的细粒度 RAG 诊断框架
vectara/open-rag-eval开源2024-11423 star不需要标准答案的 RAG 评测
knowflow-ai/KnowEval开源2025-1153 star同样是方法论型小库(中文企业文档端到端评测),star 却只有它的六分之一,说明 issue-rag 的星数不是内容挣来的
用户从哪来
  • 推断 刷 star / 刷 fork 服务:6 个 fork 账号(gritbugaboo8m、outlets-flops-56、swath-bastion-8w、bronzer-cornel1f、dragmailer1u、reveriemasted9f)都是「词+词+随机字符」用户名、西方假名、模板简介、0 粉丝、库全是 fork,每天匀速 fork 一个;同一批账号 star 过的二三十个中文小库,刷量期间的曲线和 issue-rag 一样;stargazer 列表被 GitHub 隐藏,无法逐个核实 star
  • 查实 为被收录而写的 README(反直觉数字当钩子、中英双语、在线结果页):reveneau 写明「The author's own README is the source for every number below」;@xqliu 的推文几乎是照着 README 中文摘要转述的
  • 查实 按涨速选品的自动聚合站和榜单:amazingindex 日报 11-07(102 星)、reveneau 11-07(AI 撰写)、Threads/LinkedIn「Trending on GitHub ⭐121」模板帖 11-08、aiqipage 11-10、trendshift RAG 榜;全部晚于涨星
  • 查实 X 中文 KOL:@xqliu 11-11 发推时仓库已经 246 星;这条推 ❤3 🔁0 👁584;推完之后曲线没有拐点(+45/+52/+44);这个号每天都在介绍别人的新库,顺带推自家产品 Orbi

issue-rag(zaxiu88888/issue-rag)为什么能跑出来

渠道:GitHub;研究日期 2026-11-13(数据卡刷新日)。数据来自我们的 github / x / hackernews 库、GitHub API 现查、x-radar 和 X 现查、网页搜索(Jina / Exa)。

一句话结论

这是一个求职用的作品集项目:作者在仓库里明写了要给「中文面试官」看,还附了一份「面试速记」。它的 star 曲线和来源基本可以判定是买来的:

  • 6 个 fork 全部来自同一个刷量账号网络;
  • 这批账号同时在给二三十个中文小库刷 star / fork,那些库的曲线和它一模一样(一周 +300 左右,每天匀速 +40~60);
  • 网上能找到的「传播」(AI 自动写的资讯站、「Trending on GitHub」模板号、trendshift 榜、@xqliu 一条 584 次浏览的推)全都是跟着 star 涨速来的,时间上都晚于涨星,而且没有一条带动过曲线。

内容本身确实有料:README 写得像一篇评测论文,开头就是一个反直觉的数字(加了检索,编造率从 1.1% 涨到 20%),还有可以逐条翻看的在线结果页。所以星数一起来,自动聚合站就愿意收它。它不是一个跑出来的产品,而是一次「刷星 + 好 README」的简历包装。

1. 基本数据

  • 2026-11-01 11:32 建库;作者账号 zaxiu88888 在建库前 4 分钟才注册(GitHub API:账号 created_at 2026-11-01T11:28)。账号 0 粉丝、0 关注,简介写「Maybe I'm still human after all」。
  • star(数据卡和我们的 github 库):11-06 48 → 11-07 101(+53)→ 11-08 130 → 11-09 146 → 11-10 188 → 11-11 233 → 11-12 285 → 11-13 329;GitHub API 现查 339。近 7 天 +281,单日最多 +53,没有单日暴涨。
  • fork 6,watchers(subscribers)0,open issue 0,没有 Release。最后一次 push 是 11-04,之后再没动过代码,star 却每天匀速涨。
  • 33 个 commit,作者名都是「ccb」,最早的是 10-27(本地先做好,11-01 才推上来)。commit 信息很长、很规整,一看就是 AI 写的风格。
  • 同一个作者另外两个库:spring-agentforge(11-04 建,Spring AI 做的 agent 平台,1 star)、notehub(11-09 建,刷题笔记社区,Spring Boot + React,0 star)。都是很典型的中文求职简历项目。
  • 我们的 github 库给它的 suspect 是空的(没碰到任何自动规则),status 是「新冒出来」;没上过 trending(建库不满 60 天本来就上不了)。

2. 它是什么:一个写给面试官看的项目

  • 内容:在 vitejs/vite 的 issue 上做 RAG 问答。用真实 issue 标题当问题、用维护者关掉 issue 时的回复当参考答案,人工复核了 95 条,对比闭卷、BM25、dense、hybrid、hybrid+rerank 五种配置;再从四个方向审计判分器本身:换模型、同一模型跑两遍、换 rubric、30 条人工盲评(κ=0.816)。最后给的是增益区间(2.3×–3.2×),不是一个最好看的数。还有一个 GitHub Pages 结果页,可以搜索、筛选。(README)
  • 作者自己写明了用途:
    • commit「Add a Chinese README next to the English one」:「The repo is going to be read by Chinese-speaking interviewers… the first thirty seconds decide whether anyone reads the measurement at all.」
    • commit「Add Chinese interview notes」:「NOTES.md is the document you rehearse from before an interview」。NOTES.zh-CN.md 的标题就是「面试速记」,第一句是「AI 辅助做出来的项目有一种典型死法——代码能跑,你讲不出来,面试官 90 秒就发现了。」
    • commit「Clean up dead front-end code and add Chinese comments」:给「面试官最可能问的六个函数」加了中文首行注释。
  • 也就是说,这个项目的「用户」是招聘方,star 是简历上的信号。作者要换的是 offer,不是流量,也不是收入(这是推断,但仓库里的证据很直接)。

3. star 从哪儿来:证据指向刷量网络

3.1 6 个 fork 全是机器人账号

GitHub API 列出的 6 个 fork(时间都是 UTC):

fork 账号fork 时间账号注册特征
gritbugaboo8m11-05 11:032026-10-05「Akua Mthembu / Software Engineer — running, coffee」
outlets-flops-5611-05 15:362026-08-27「Jürgen Bertrand / DevOps Engineer. Love reading & astronomy.」
swath-bastion-8w11-06 18:162026-08-08「Luna Hill / running lover. kayaking…」
bronzer-cornel1f11-08 14:152026-10-22「Drew Allen / Software Engineer \coffee \hiking」
dragmailer1u11-09 13:432026-08-08「Liam Anderson / cycling and astronomy. Architect.」
reveriemasted9f11-10 13:032026-09-24「Sandrine Lefebvre / gardening · coffee · Nurse」

共同点:

  • 用户名都是「两个英文词拼起来 + 2 位随机字符」;
  • 都配一个西方人名和模板化的爱好简介;
  • 都是 0 粉丝、0 关注,公开库全是 fork;
  • 公开动态里几乎只有 WatchEvent(点 star)和 ForkEvent,对象清一色是中文作者的小库(BDiff/BDiff、TngSHoO/agentcase-lab、madong-code/madong-admin、qiaoranlaodou-cpu/your-next-point……);
  • fork 时间一天一个,匀速摊开。

3.2 同一网络的其他「客户」,曲线是同一个模子

6 个账号公开 star 的库里,被 4 个以上账号同时 star 的有 24 个。拿其中正在被刷的几个,和 issue-rag 放在一起比(我们的 github 库,11-01 起每天的星数):

库建库每日星数gain_7d单日最大
zaxiu88888/issue-rag11-0148,101,130,146,188,233,285,32928153
TngSHoO/agentcase-lab11-0428,41,99,142,192,214,269,305,34430358
qiaoranlaodou-cpu/your-next-point11-0697,127,179,250,296,366,389—71
BDiff/BDiff(2025 年的老库)2025-09-30162 横盘几周 → 193,219,242,305,345,403,45429263
madong-code/madong-admin(老库)2025-07-23194 横盘 → 243,266,330,361,406,456,490,562,589,637,68532472
AnomalyNTE/Anomaly2026-07-2994,95 → 138,181,245,302,330,387,406,462,514,544,57026864
vladimirrott/mojo-dllm2026-10-04244,280,295,339,402,436,469,504,514,520,52618778

这些库有的新、有的已经建了一年,可是一开刷就是一周 +300 左右、每天匀速 +40~70,而且大多是单库作者。issue-rag 的曲线和它们分不出来。

  • 这批库在 11-06/07 前后集体小幅掉星。zcbacxc/mcd-party-planner 一天掉了 211(1593→1387),其余几个各掉 4–10。这符合 GitHub 清理假账号的特征,说明这个网络已经被平台盯上;issue-rag 以后也有被清掉一截的风险。
  • 局限:GitHub 现在对所有库都隐藏了 stargazer 列表(REST 返回 404,GraphQL 返回空。拿 0xsline/OpenChatCut 试过也一样),所以没法逐个检查 339 个 star 是谁点的。这 6 个账号公开的 starred 列表里也没有 issue-rag,也就是说给它点 star 的是这个网络里别的号。「star 是买的」是强推断,不是逐条核实过的结论。 但 fork 6/6 是机器人这一点是实锤。

3.3 「传播」都是跟着涨速来的,时间上全部滞后

时间事件当时星数能不能带量
11-05 起机器人 fork 开始(两天前账号才建库)<48—
11-06 22:52 UTCamazingindex「向上研究所」日报 NO.003,「推荐指数 68」(自动选品 + AI 点评)102自动聚合站,看涨速选库
11-07 00:40 UTCreveneau.com 英文资讯,页面自己写着「This item was written by an AI system」102同上
11-08Threads / LinkedIn 账号 Arthi Rajendran,用「🚀 Trending on GitHub … ⭐121」模板发帖121模板化搬运号
11-10aiqipage「AI旗页」收录—自动收录
11-11 10:45 北京时间@xqliu(Larry 🍀 Orbi)中文长推「有人拿 vite 的 GitHub issue 做了个问答助手…」246❤3 🔁0 💬5 👁584(X 现查)
持续trendshift RAG 话题榜收录(339 星)—按涨速排的榜
  • @xqliu 不是这个项目的推手。他近两周几乎每天都发「有人做了个 xxx」来介绍新库(PyLings、lot-map、Lightpanda、MACaQ……),大多 300–600 次浏览、0–4 个赞,目的是给自家产品 Orbi 带一笔(这条推的第二条回复就落到「Orbi 交付时版本号由人来定」)。他发推之后 issue-rag 每天还是 +45 / +52 / +44,曲线没有任何拐点。数据卡里「KOL 用中文长文在 X 上投放」的说法,和发推时间、浏览量、曲线对不上。
  • HN(我们的库 + Algolia)、Reddit、Product Hunt 都没有它。x-radar 本地语料里也没有任何一条帖提到它。
  • 结论:涨星在先,聚合站在后。聚合站、搬运号、榜单都是按「新库 + 涨速」自动选品的。刷星正好触发了它们,它们又给项目带来一层「被报道过」的外观。这是刷星常见的二次收益。

4. 竞品:做同一件事的都有谁

「对开源仓库 issue 做 AI 问答」早就是成熟功能,「RAG 评测 / LLM 判分」也有一堆大项目。issue-rag 在两边都谈不上产品竞争力,它的定位是「一份评测作业」。

名字形态上线规模和 issue-rag 的不同
Dosu(dosu.dev)商业 SaaS,GitHub App2023Apache Superset 等大项目在用(官网案例)真的装进仓库,自动分拣、回答 issue;issue-rag 只是离线实验,不接 GitHub App
Kapa.ai商业 SaaS2023CNCF 给所有托管项目免费提供(kubernetes/website 讨论帖)把文档、issue、论坛一起接进来做技术支持问答;issue-rag 只测一个仓库
DeepWiki(Cognition / Devin)免费网页 + MCP2025-04起步就索引了 3 万多个仓库;开源仿品 AsyncFuncAI/deepwiki-open 有 18.4k star任意公开仓库都能问代码和文档,大厂级免费功能
HF Cookbook「GitHub issues 上的简单 RAG」教程2024HF 官方教程同一个题目的入门示例,没有评测
yanchuk/github-issues-rag开源不详不到 50 星(我们的库里没有)同名同题的个人项目,没有评测和判分器审计
ragas(vibrantlabsai/ragas)开源评测框架2023-0516.3k star,7 天 +58通用 RAG 评测指标库;issue-rag 不是框架,是一次具体实验
DeepEval(confident-ai)开源评测框架2023-0819.5k star,7 天 +146同上,而且自带 LLM-as-judge
promptfoo开源2023-0427.1k starprompt / RAG / agent 测试与红队
Arize Phoenix / TruLens / RAGChecker(Amazon)开源2020–202412.3k / 3.6k / 1.1k star可观测性、细粒度诊断;RAGChecker 是论文配套
vectara/open-rag-eval开源2024-11423 star不需要标准答案的评测
knowflow-ai/KnowEval开源2025-1153 star中文企业文档端到端 RAG 评测,同样是「方法论」型小库
  • 它真正不一样的地方在写法,不在功能:用维护者回复当标准答案;评测时排除源 issue;把「自信地答错」判成 incorrect;审计判分器;只报区间。这些方法论在评测圈不算新(RAGAS、LLM-as-judge 偏差的论文都讲过),但很少有个人项目把它整理成一篇数据完整、可复核的 README。
  • 这个差异化不是它拿到 star 的原因。 方法论更扎实的大项目在每周 +58 到 +146 的速度涨,方法论相近的 KnowEval 只有 53 星。issue-rag 12 天 339 星,还没有任何真人讨论,和内容质量对不上。

5. 增长手段拆解

  1. 刷 star / 刷 fork(主手段,强推断):刷量网络按天匀速投放,一周约 300 star,另加每天 1 个 fork,让 fork/星比看起来正常(1.8%)。成本是外部服务费;回报是简历上「12 天 300+ star」的数字,外加聚合站自动收录带来的「被报道过」截图。
  2. 为被收录而写的 README(真实,也有效):标题、简介、第一屏都按「一个反直觉数字 + 区间 + 可验证的结果页 + 主动承认局限」来组织,中英双语。正因为这样,AI 资讯站和 @xqliu 都愿意照着 README 转述,几乎没加工(reveneau 原文写「The author's own README is the source for every number below」)。
  3. 自动聚合站、榜单承接(被动):amazingindex、reveneau、aiqipage、trendshift、Threads/LinkedIn 模板号,都是按涨速选库。
  4. 没有发现:作者自己在 X / 小红书 / 知乎 / V2EX / HN / Reddit 上发帖(作者账号没绑任何社交号;搜索也没找到)。

6. 现在有多少人知道

小圈子都谈不上。能找到的全是自动聚合和一条低互动的推(584 浏览、3 赞),没有真人讨论帖、没有 issue、没有 PR、watchers 是 0。它不涉及收入。

跟风者:没有发现照着它做「issue RAG + 判分器审计」的新库。不过同一个刷量网络在同时包装二三十个中文小库,「刷星 + 简历项目」这个打法本身已经很多人在用。

7. 能借鉴的

  • README 的写法值得学:一个反直觉的数字当钩子;报区间,不报最好看的那个数;放一个可以逐条复核的静态结果页;把局限主动写出来。这种 README 很容易被 AI 资讯站和 KOL 原样转述。
  • 「按涨速自动选品」的聚合站(amazingindex、reveneau、trendshift、模板搬运号)可以被一个人工造出来的涨速触发。这既是一种分发手段,也是我们数据召回的盲区:单看 star 曲线,分不出刷的和真的。
  • 给召回加规则的建议:查 fork 账号。用户名是「词+词+2 位随机字符」、0 粉丝、公开库全是 fork 的账号占比高,就标成可疑;同一批账号 star 过的库,曲线常常一模一样,可以按「共享 star 账号」把一整批客户库抓出来。

8. 还不确定的

  • star 本身没法逐个核实:GitHub 隐藏了 stargazer 列表。「买的」是根据 fork 账号、同网络库的曲线指纹、零真人信号推出来的。
  • 不知道是作者自己买的,还是有人替他买的(比如培训班、简历包装服务)。
  • 「ccb」是谁、仓库在多大程度上是 AI 生成的,都没法确认;NOTES 自己说是「AI 辅助做出来的项目」。
  • 有没有以后被 GitHub 清掉一截:同网络的库 11-06/07 已经有被清的。

出处

文章由 AI 根据公开数据和我们每天采集的数据写成,数字带出处,推断已标明