1. 首頁 > 生活百科 > >

大四畢設登頂GitHub，三月獲陳天橋3000萬投資，他是AI爽文男主

ai315晚會deepseek

大四畢設登頂GitHub，三月獲陳天橋3000萬投資，他是AI爽文男主

BaiFu 的現實開始暴走的那一周 ， 他還在準備畢業答辯 。
每天郵箱 99+未讀 ， 投資機構、創業團隊、大廠 HR、開源社區的開發者……所有人都在找他 。 起因是一個十天做完的畢業設計 ， 登上了 GitHub 全球趨勢榜 。 Star 數量以肉眼可見的速度往上跳 ， 有公司直接發來 offer ， 有開發者想合作 ， 有投資人想投他 。
BaiFu 看了一陣 ， 后來干脆全部已讀 ， 不看了 。
三個月后 ， 他的第二個項目 MiroFish 再次登頂 GitHub 榜首 。 這一次 ， 他拿了盛大創始人陳天橋給的 3000 萬 。
一個還沒畢業的大四學生 ， 沒有團隊 ， 沒有公司 ， 兩次登頂全球最大開發者社區的熱榜 ， 拿到了一張 AI 創業的入場券 。 他只有一臺電腦 ， 和一支由 Agent 組成的「數字團隊」 。
BaiFu 不是在做傳統意義上的 Vibe Coding ， 他像導演一樣指揮著這個 AI 劇組：驗證想法、優化邏輯 ， 然后快速生成產品——十天 ， 就完成了過去一個團隊幾周甚至幾個月才能做完的工作 。 從 BettaFish 的輿情分析 ， 到 MiroFish 的多智能體推演 ， 他試圖做的事越來越大膽：用 AI 模擬復雜社會 ， 甚至推演未來可能發生的事 。
但當「用 AI 預測世界」的宏大愿景被提出時 ， 質疑也隨之浮現——一個十天完成的 Demo ， 真的能承載這么大的目標嗎？
BaiFu 告訴極客公園：他對 MiroFish 的預期并不是「神諭式的預測機器」 。 它不追求每次都押中未來 ， 而是試圖把原本只能靠直覺想象的多種可能性 ， 變成一組可以被觀察、比較和迭代的情景推演——在重大判斷發生之前 ， 先把關鍵變量和博弈關系攤開在桌面上 。

01
十天寫出的畢設 ，
突然登上 GitHub 熱榜

故事要從去年年底開始說起 。
當時 ， BaiFu 還是一名大四學生 ， 正在為畢業設計找選題 。 他的技術背景其實算不上傳奇：計算機專業出身 ， 最早接觸編程是從前端開始——因為看到有人用代碼做出漂亮的網頁 ， 他被這種「用幾行代碼就能創造東西」的感覺吸引 。 后來 ， 他逐漸補齊了后端開發的能力 ， 開始學習 Python、Java ， 并接觸機器學習和深度學習 。
BettaFish 這個項目能被做出來 ， 靠的不是他的技術積累 ， 而是為了做畢設而做的一段密集調研 。
在動手寫代碼之前 ， BaiFu 花了大量時間思考三件事：為什么做、給誰做、怎么做 。
他注意到開源社區里出現了大量「AI + 新聞總結」的項目：有人做每日新聞摘要 ， 有人做信息篩選工具 。 但在更細分的領域——輿情分析——幾乎沒有真正結合大模型能力的開源項目 。 傳統輿情工具大多仍停留在數據看板層面 ， 而不是用 AI 去理解信息本身 。
「開源社區其實缺一個更 AI 化的輿情分析工具 。 」他后來回憶說 。
方向確定以后 ， 開發速度變得很快 。 BaiFu 把自己稱為「導演」 ， AI 則像一支執行團隊 。 他先用 demo 驗證想法 ， 再通過 AI coding 工具不斷生成代碼、調整邏輯 。 整個項目 ， 從概念到可運行版本 ， 只用了十天 。
最初 ， 他對這個項目的預期其實很低 。 「如果能有 1000 個 star ， 我就已經很滿足了 。 」
但事情的發展 ， 很快超出了他的想象 。
項目上線之后 ， BettaFish 很快登上了 GitHub Trending 。 Star 數量開始以肉眼可見的速度增長——幾乎每隔一兩個小時刷新一次榜單 ， 數字就會再往上跳一截 。
那段時間 ， 他幾乎每隔一個小時就會刷新 GitHub 頁面 ， 看著 star 數不斷增加 。 「剛開始是很激動的 。 」他說 。 但當數字漲到 1 萬 star 之后 ， 這種情緒逐漸「脫敏」了 ， 「到 10K 以后 ， 就有點沒有感覺了 。 」
對于一個還在準備畢業的學生來說 ， 這種突然到來的關注 ， 既讓人興奮 ， 也帶來某種程度的迷茫 。 各種機會同時出現 ， 反而讓選擇變得困難 。
「當選擇太多的時候 ， 其實會不知道該選哪一個 。 」他說 。
那一周 ， 他第一次真正意識到：這個原本只是十天做出來的畢業設計 ， 正在變成一件完全不同的事情 。

02
AI 讓「一個人做產品」成為現實

如果只看結果 ， BettaFish 十天開發完成 ， 似乎像是一場偶然的爆紅 。 但這個項目真正重要的 ， 是它背后的一種新的開發方式 ， 也就是近來討論甚廣的 Vibe Coding 。
在過去 ， 軟件開發通常是一條相對明確的流水線：產品經理提出需求 ， 架構師設計系統 ， 工程師按模塊寫代碼 ， 最后再經過測試和迭代 。 每一個角色都有明確分工 。
但在 AI 編程工具普及之后 ， 這條鏈路開始被重新壓縮 。
在 BaiFu 的描述里 ， AI 已經成為開發過程中的協作者 。 開發者不需要再逐行敲代碼 ， 而是更多通過自然語言描述功能、結構和邏輯 ， 讓 AI 生成代碼 ， 再根據結果不斷調整 。
在這個過程中 ， 人類開發者的角色也發生了變化 。
「人更像是導演 。 」開發者需要決定產品要解決什么問題、系統應該如何架構、每一步功能如何拆分 ， 而具體的實現部分 ， 則可以通過 AI 來完成 。 很多時候 ， 開發過程甚至更接近一種快速實驗：先生成一個 demo ， 驗證想法是否成立 ， 再不斷調整和迭代 。
這種方式看起來像是在「減少寫代碼」 ， 但實際上更像是在改變開發者的工作重心——從「寫實現」轉向「做決策」 。
這種變化帶來的最直接結果 ， 就是開發效率的大幅提升 。
BettaFish 的開發周期只有十天 。 在傳統的軟件開發流程中 ， 即便是一個小型工具 ， 從需求確認到產品上線 ， 往往也需要數周甚至數月時間 。 但在 AI coding 工具的輔助下 ， 許多原本需要大量重復勞動的工作被大幅壓縮 。
BaiFu 在與極客公園的交流中提到 ， 后續的一些嘗試中 ， 開發速度甚至比 BettaFish 還要更快 。
很多功能不再需要從零開始搭建 ， 而是通過 AI 生成基礎框架 ， 再進行調整優化 ， 開發者可以在不斷試驗新的組合方式 。
從某種意義上說 ， 這種開發模式正在改變個人開發者的生產力邊界 。
過去 ， 一個人往往只能維護小規模項目 ， 而完整產品的開發需要依賴團隊協作：前端、后端、設計、測試 ， 各自負責不同部分 。 但在 AI 工具的幫助下 ， 一個人也可以快速完成原型開發 ， 甚至推出可用產品 。
這也讓「超級個體」這個角色開始被頻繁提及 。
在 AI 出現之前 ， 創業往往意味著組建團隊、籌集資金、分工協作 。 但現在 ， 越來越多產品的第一版本 ， 已經不再來自團隊 ， 而是來自一個人 。
一個人完成需求定義、產品設計、技術實現 ， 再借助 AI 工具補齊能力邊界 。
BettaFish 的出現 ， 正好踩在這個變化的節點上 。
它既是一個開源項目 ， 也像是一種信號：在 AI 時代 ， 軟件開發的門檻正在被重新定義 。 當工具可以承擔越來越多執行工作時 ， 人類開發者的核心價值 ， 已經成為了提出問題、設計系統 ， 以及判斷什么值得被創造 。
而這正是「一個人做產品」的時代開始的地方 。

03
從輿情分析到「預測未來」

BettaFish 的走紅 ， 最初來自「十天寫完的畢業設計」 ， 真正讓開發者持續關注它的 ， 其實是產品本身 。
在功能上 ， BettaFish 的定位非常明確：一個 AI 驅動的輿情分析助手 。 簡單來說 ， 它解決的是一個很多人都會遇到的問題——信息太多 ， 但很難快速理解 。
在傳統輿情系統中 ， 用戶往往只能看到關鍵詞統計、數據圖表和輿論曲線 ， 真正的分析仍然需要人工完成 。 而 BettaFish 嘗試把這一過程交給 AI 。
它的工作流程大致分為三個步驟：
第一步是信息抓取 。
系統會自動從新聞網站、社交媒體、論壇等公開渠道收集信息 ， 并持續更新數據源 。
第二步是內容理解 。
大模型會對這些信息進行語義分析 ， 識別出關鍵事件、情緒傾向以及討論熱點 ， 并將分散的信息整理成結構化內容 。
第三步則是生成分析報告 。
用戶只需要輸入一個關注主題 ， 例如某家公司、某個行業或某個公共事件 ， 系統就可以自動生成一份輿情分析報告 ， 包括事件脈絡、觀點分布以及輿論趨勢 。
BettaFish 像是一個「AI 研究助理」：它幫用戶讀完互聯網 ， 然后把重點總結出來 。 這種產品形態 ， 也讓它在開源社區迅速獲得關注 。 很多開發者發現 ， 它展示了一種新的產品思路——用大模型替代傳統的信息整理流程 。
不過在 BaiFu 看來 ， BettaFish 本身只是第一步 。
在項目獲得關注之后 ， 他很快開始嘗試一個更新的方向：MiroFish 。 而這個項目同樣也是十天 Vibe Coding 的產物 。
BettaFish 的目標是理解現實世界的信息 ， MiroFish 的目標則更進一步——嘗試推演未來的可能路徑 。
在概念上 ， MiroFish 被設計為一個多智能體預測系統 。
系統首先會持續從現實世界獲取信息 ， 包括新聞事件、市場數據以及社交媒體討論等內容 。 這些數據會被輸入到一個模擬環境中 ， 用來構建一個不斷更新的「數字社會」 。
在這個環境里 ， 不同的 AI 智能體會被賦予不同角色 ， 例如企業、投資者、媒體或普通用戶 。 每個智能體根據自身目標和所掌握的信息做出決策 ， 并與其他智能體產生互動 。
隨著大量互動不斷發生 ， 系統會生成不同的發展路徑 ， 從而模擬某些事件可能的演化方向 。
例如 ， 當某個行業出現重大新聞時 ， 系統可以模擬市場參與者可能做出的不同反應 ， 從而觀察事件在不同條件下可能的發展趨勢 。
這種方式與傳統預測模型最大的區別在于 ， 它不只是做統計分析 ， 而是通過模擬社會行為來觀察系統如何演化 。

截至 3 月 13 日上午 ， MiroFish 在 github 已有 14230 stars｜圖片來源：極客公園

MiroFish 同樣登上了 GitHub 全球趨勢榜（GitHub Trending） ， 還曾一度位列榜首 ， 超越了其他機構和個人項目 ， 成為全球開源熱點 ， 到 3 月 13 日上午 ， MiroFish 在 github 已有 14230 stars 。
某種意義上 ， MiroFish 更接近一種「數字沙盤」 。 現實世界的數據不斷輸入 ， 而 AI 智能體在其中進行決策和互動 ， 從而不斷生成新的可能路徑 。
用 BaiFu 的一句話總結 ， BettaFish 是在分析現實 ， MiroFish 則是在「推演未來」 。

04
AI 創業窗口已打開

過去幾年里 ， 軟件創業往往需要一整支團隊：有人負責產品設計 ， 有人負責前端和后端開發 ， 還有人負責測試、運營和增長 。 即便只是做一個最初版本的產品 ， 成本和時間投入都不小 。
但 AI 工具的出現 ， 已經改變了這一切 。
在 BaiFu 的開發過程中 ， 很多過去需要大量時間完成的工作 ， 如今都可以借助 AI coding 工具快速實現 。 從代碼生成到功能調試 ， 再到系統框架搭建 ， 開發者可以把更多精力放在產品思路和系統設計上 。
這種變化帶來的一個直接結果 ， 是創業門檻正在明顯下降 。
一個人可以更快地做出產品原型 ， 驗證想法是否成立 ， 也能在更短的時間里推出可用版本 。 對于許多年輕開發者來說 ， 這意味著嘗試創業的成本變得更低 ， 周期也更短 。
某種意義上 ， AI 正在把軟件開發從一項「重工程」 ， 變成一項更接近快速實驗的過程 。
而資本也很快注意到了這種變化 。
在 BettaFish 項目爆紅之后 ， BaiFu 的郵箱幾乎被各種郵件填滿 ， 其中既有開發者的交流 ， 也有來自投資機構的合作邀請 。 最終 ， 這個最初只是畢業設計的項目 ， 吸引到了盛大創始人陳天橋的關注 ， 并獲得了約 3000 萬元人民幣 的投資 。
對于投資人來說 ， 這類項目的意義并不僅僅在于某個具體產品 ， 而是它所代表的一種新的創業形態 。
陳天橋說 ， 他選擇支持孵化 MiroFish ， 是因為它代表了自己一直看重的方向——讓 AI 從單純的「回答問題」走向真正的「求解問題」 。
在他看來 ， MiroFish 正在嘗試探索：如果打破對單一模型的依賴 ， 讓多個智能體以群體智能的方式共同探索問題空間 ， 會發生什么？通過多智能體從現實世界獲取信號并協同推演 ， 系統能夠嘗試預測復雜問題的可能演化 。 它可以幫助人在風險更低的環境里 ， 把不確定的未來變成可討論、可驗證、可迭代的假設 。
對盛大而言 ， MiroFish 這筆投資的核心邏輯是「投人」 。 MiroFish 的誕生讓陳天橋看到 ， 年輕創業者不僅能定義真實問題 ， 能借助 AI 快速迭代 ， 更能把想法扎實落地為可用的產品 。 他說 ， 「在這個全新的 AI 時代 ， 我會把這些年輕 AI 人才的成功 ， 視為我個人再次成功的最關鍵標志 。 」
而當 AI 可以承擔越來越多執行層面的工作時 ， 軟件產品的誕生方式也在發生變化——越來越多的項目 ， 可能會先從一個人的想法開始 。 也就是近期越來越被頻繁提及的「超級個體」 。
過去 ， 一個完整的軟件產品往往需要團隊協作；而現在 ， 借助 AI 工具 ， 一個人也有可能完成從想法到產品原型的大部分工作 。
BettaFish 與 MiroFish 的故事 ， 提供了一個典型樣本 。 當 AI 成為開發者的合作者 ， 一個人也可能做出曾經需要團隊才能完成的產品 。 AI 時代的新一輪創業窗口 ， 已經敞開 。

05
陳天橋眼里的超級個體創業

BaiFu 以及許多超級個體開發者的故事告訴我們 ， AI 時代 ， 一個人也可能做出原本需要團隊完成的產品 。 那么 ， 對于大學生創業群體來說 ， 這樣的機會意味著什么？
盛大創始人陳天橋對極客公園談到 ， 重要的是 ， 別把「第一份工作」當終點 ， 把它當成能力復利的起點——先把基本功做厚、把作品做硬、把學習速度做快 。
AI 時代大學生創業最大的機遇在于資源平權 。 一個人也能借助 AI 快速做出 MVP、快速迭代、快速觸達全球用戶 。 真正稀缺的品質不是「會用 AI」 ， 而是能定義真實問題 ， 并持續把技術變成可交付的產品價值 。
在他看來 ， 創業成敗關鍵——不是「用不用 AI」 ， 而是方向對（長期問題）+產品對（可交付價值）+組織對（持續迭代） 。 AI 只是加速器 ， 不是方向盤 。
那么 ， 盛大如何判斷一個年輕 AI 開發者是否值得投資？陳天橋對極客公園談到 ， 最核心是成長斜率：同樣時間里 ， 他能否拆清問題、做出產品、跑出結果 ， 并且每次迭代都更接近本質 。 底線是誠實（對數據、邊界和失?。┖晚g性（長期不確定下還能穩定產出） 。
至于怎么從越來越多的「超級個體」中選擇投資對象 ， 陳天橋說他會用三個「可驗證」來篩?。 ?可驗證的作品：不是 PPT ， 而是可用的 Demo、真實用戶、真實留存/付費； 可驗證的學習能力：一周一個版本、一個月一個臺階； 可驗證的價值觀與協作：能吸引同樣優秀的人一起打仗 。 超級個體很多 ， 但能把個人能力變成組織能力的人 ， 才是最稀缺的 。

06
直面質疑：在「預測未來」的
宏大愿景下 ， 硬幣的另一面

在熱度之外 ， MiroFish 也迎來了不少質疑 。
一種聲音認為 ， 現實世界的社會演化充滿偶然性 。 即便模型能夠模擬出 99% 的邏輯路徑 ， 真正改變走向的往往是那 1% 的「黑天鵝」事件——在人類面對極端壓力或復雜利益博弈時的非理性決策 ， 是否真的可以被模型捕捉？
另一類討論則集中在預測類產品的「信任困境」：如果預測恰好與現實一致 ， 很容易被解釋為概率巧合；而一旦出現偏差 ， 又可能被用戶簡單理解為某種「電子占卜」 。
在技術層面 ， 也有開發者在查看代碼后提出質疑：目前系統似乎主要通過大模型生成虛構角色 ， 再通過提示詞構建仿真環境 。 如果只是圍繞 prompt 進行角色推演 ， 那么模擬結果是否會受到模型幻覺的影響？
甚至有人認為 ， 當前展示的 demo 更像是對單份 PDF 的結構化拆解——觀點圖譜中缺少明顯的對立視角和多方博弈結構 ， 與真實輿論場的復雜度仍有明顯距離 。
對于這些質疑 ， baifu 并不回避 。 他反復強調的一點是：MiroFish 從來不是一個「神諭式的預測機器」 。
在他的設想中 ， 這套系統真正的價值并不是「押中未來」 ， 而是把原本只能靠直覺想象的多種可能性 ， 變成一組可以被觀察和比較的情景推演 。
「黑天鵝當然無法被消滅 ， 但如果原本只有 1% 的概率提前意識到風險 ， 通過模擬能把這個概率提升到 5% 或 10% ， 那這套系統就已經具備現實價值 。 」
至于「電子占卜」的質疑 ， 他認為這幾乎是所有預測產品都會面對的挑戰 。
在 baifu 看來 ， MiroFish 需要證明的并不是「每一次都預測準確」 ， 而是能否持續提供一種更系統化的判斷框架：
在事件真正發生之前 ， 把關鍵變量、傳播路徑和參與方的博弈關系提前攤開 。
「我們其實不是只做預測 ， 更是在做深度推演和輔助決策 。 」
對于外界提出的技術質疑 ， 他也承認目前版本距離真正的社會模擬仍有距離 。
MiroFish 當前仍處于 0.1 版本階段 ， 很多能力都還在持續迭代 ， 包括角色去重、多方對立關系建模 ， 以及更復雜的群體行為機制 。
「如果有人說它離真實世界的模擬還很遠 ， 我其實是認同的 。 但如果簡單把它歸結為『套了個前端的 AI 幻覺』 ， 那就忽略了我們真正試圖搭建的讓所有人都可以低門檻上手的整條鏈路——從現實輸入、圖譜構建 ， 到 Agent 生成、群體演化 ， 再到報告輸出 。 」
至于算力成本問題 ， baifu 認為外界可能高估了對單個 Agent 能力的要求 。
在他看來 ， 模擬世界并不需要每一個角色都「極度聰明」 ， 關鍵是整體行為是否足夠接近真實人群的反應模式 。
「高價值決策本來就不應該只用單次調用成本來衡量 。 如果一次模擬能幫助避免一次重大判斷失誤 ， 它帶來的收益往往會被放大很多倍 。 」
對于 BaiFu 而言 ， 拿下 3000 萬投資只是拿到了入場券 ， 如何帶著這支「AI 軍團」跨越從 Demo 到可靠產品的距離 ， 才是真正的挑戰 。
【大四畢設登頂GitHub，三月獲陳天橋3000萬投資，他是AI爽文男主】*頭圖來源：github

    推薦閱讀