AI开源项目过热，或许是最大的危机
在 Fiverr 上搜索 github stars，最低报价甚至能压到几美分一个。
这听起来像个笑话。
但这更像开发者圈子里的小型批发市场：廉价星、保活星、月留存星，明码标价，批量出货。你以为看到的是开源社区的喝彩，其实有一部分是花钱买来的背景音。
如果只是个别项目买点门面，这事不值得大书特书。
问题在于，GitHub Star 早已不只是门面。VC 用它筛选项目，创业公司用它讲融资故事，企业客户也用它判断开源工具是否“流行”。
一旦指标能变现，就会被污染。
AI/LLM 项目，恰好处于污染性价比最高的位置。
早期创业最尴尬的，是没什么可看的。
收入没起色，客户名单难看，留存数据不足。投资人要在不完整信息中判断项目势能，总得找个外部信号。
对开源项目，GitHub Star 便成了最顺手的信号。
它公开、可比较、能画曲线，还能放进合伙人会议 PPT。项目一周涨几千星，至少说明“有人在看”。这些人是不是用户或开发者，会不会跑代码，那是后话。
这一步至关重要。
VC 不需要完美真实的指标。他需要足够早、便宜、易扫描的指标。于是 Star 从“我喜欢这项目”，变成了“这项目看起来有势能”。
再进一步，有人发现：势能可以买。
原文有笔刺眼的账：若开源创业公司种子轮需几千星做热度背书，买到这量级的成本可能仅几十到几百美元。相比撬动的融资金额，这 ROI 高得离谱。
在此结构下，刷星不只是虚荣。
它是套利生意。
所有开源项目都可能买 Star，但 AI/LLM 项目更易如此。
原因简单：同样一颗星，放在 AI infra 项目上，更能撬动后续资源。
过去两年，AI 基础设施、Agent 框架、模型工具链、开发者平台都在融资和曝光高压下。普通工具涨星可能多点关注；AI/LLM 项目突然涨星，可能触发投资人联系、媒体报道、开发者试用、榜单收录。
这就是杠杆。
赛道够热时，市场会自动把“看似被开发者关注”翻译成“可能是下一代基础设施”。Star 又是最易被机器扫到的注意力单位。
所以 AI/LLM 项目刷星，很少只为页面好看。
它在投喂市场的 FOMO。
项目首周仅几十星，很多人没耐心点进去。首周冲到几千星，哪怕掺水，也可能吸引首批真实用户。真实用户来了，真实贡献者才有机会出现。
冷启动最难看就在这：假信号有时能引来真关注。
尤其对非硅谷团队，这诱惑更大。硅谷创始人靠校友、前同事、投资人圈和 Twitter 粉丝拿首批合法 Star。深圳、杭州、班加罗尔团队，可能没同样英语分发网络。
一个用社交资本换 Star，一个用现金买 Star。
平台最后只显示同一数字。
这不是替刷星洗白。更硬的事实是：当指标被用来分配机会，它也会把原本不平等的分发关系带进来。
过去，判断项目是否刷星，是件麻烦事。
你要看 stargazer 列表，抽样账号，查注册时间、关注者、活动记录，再看 Star 增长曲线是否异常。懂安全的能看，普通投资经理和企业采购难看懂。
现在门槛在降。
卡耐基梅隆、北卡州立和 Socket 团队把 StarScout 做成开源工具，识别 GitHub 疑似异常点星行为。论文被 ICSE 2026 接收，研究范围识别出约 600 万次疑似假星，涉及近两万仓库和三十多万账号。
StarScout 不只是多了个“抓作弊”工具。
它把 GitHub 尽调从看总数，推到看行为。
总数只能告诉你有多少 Star。行为会告诉你，这些 Star 像不像真实开发者留下的。
比如：
GitHub 自己 API 也提供基础材料。stargazers 可拉取，配合特定媒体类型还能拿点星时间。再加 fork、issue、PR、贡献者、release、dependency 等公开数据，严肃尽调人员已能拼出相当多信号。
刷星成本未立刻消失。
但验假成本在降。
这对 AI 开源项目尤其关键。AI 项目外部热度太易变融资叙事，一旦尽调开始看行为曲线，只有 Star 跑得快、真实贡献不跟上的项目，会从“很火”变“很怪”。
很火是资产。
很怪是风险。
Star 当然还有用。
它仍能表示项目被多少人看见、收藏、标记。麻烦的是，它不能单独用，更不能直接当开源项目可信度证明。
若我是 VC 或企业客户，今天看 AI 开源项目，至少会拆成四层。
第一层，看真实使用。
有无明确生产环境案例？有无企业用户、集成方、插件生态、部署文档、社区问答？若项目有十万星，却几乎找不到真实使用者留下的问题、案例和迁移经验，这热度要打折。
第二层，看持续贡献。
Bessemer 在开源社区指标提到，他们更关注用户和贡献者，尤其是月度独立贡献者活跃度。这指标比 Star 难刷得多，因它要求持续产生 issue、评论、PR、commit 等行为。
道理很朴素。
真正在用的人，会提问题、改文档、报 bug、发 PR、催 feature。只有围观的人，通常只会点一下星就走。
第三层，看行为结构。
fork/star 比例、贡献者/star 比例、issue 响应速度、PR 合并质量、release 节奏，这些指标单看都不完美，但放一起会形成画像。
一个真实项目不一定每项都漂亮，但通常会有几条线互相支撑。
被刷起来的项目，最常见问题是只有一条线特别漂亮：Star 很漂亮。
第四层，看账号质量。
随机抽一批 stargazer，看注册时间、关注者、公开活动、自己是否参与过其他项目。若大量账号像一次性账号，或在相近时间批量出现，至少要继续追问。
这不是把每个项目都当嫌疑人审。
只是一个数字既然被市场拿来定价，就必须接受更高强度验证。
刷星短期收益很清楚。
它能让项目过第一道注意力门槛。它能让投资人点开。它能让开发者觉得“好像有人在用”。在冷启动阶段，这些都不是小事。
长期的账也很清楚。
若 Star 曲线先跑起来，贡献者曲线、使用曲线、商业曲线没跟上，假热度会变成越来越难解释的欠条。
种子轮可讲故事，A 轮就要对账。
到那时，投资人看的不会只是“现在有多少 Star”，而是过去 6 到 12 个月有无真实开发者持续进入，有无组织用户留下使用痕迹，有无 issue 和 PR 质量变化，有无从围观变采用。
AI 创始人最该警惕的，不是别人发现你买过星。
而是团队自己先被那数字骗了。
一旦内部也相信“Star 涨了就是市场验证”，产品就会少做很多笨功夫：少找真实用户访谈，少修部署文档，少经营贡献者，少盯留存，少问客户为何不用。
假信号最坏的地方，不是骗外人。
是让自己少面对真实问题。
这事最后不能只落在“刷星可耻”上。
道德批判容易，指标治理更难。
对 VC 来说，至少问三个问题：
第一，Star 增长后，月度独立贡献者有无同步增长？
第二，项目有无真实用户留下的 issue、PR、部署经验和迁移讨论？
第三，点星账号画像是否像目标开发者群体，而非一批低活跃、短历史、行为高度相似的账号？
对企业客户来说，也问三个问题：
第一，这项目生产使用证据在哪？
第二，核心维护者是否稳定，issue 响应是否正常，release 是否持续？
第三，若明天 Star 清零一半，我还会不会把它放进技术选型名单？
对创始人来说，更要问三个问题：
第一，我现在追求的是开发者注意力，还是可验证的使用？
第二，我有没有把 Star 增长拆成真实用户、真实贡献者和真实商业机会？
第三，若下个月投资人用 StarScout 或类似工具看我项目，我希望他看到什么？
GitHub Star 曾是开源世界里很漂亮的信号。它轻、公开、直观，像社区递过来的眼神。
但 AI 让这眼神变贵了。
一旦变贵，就会有人批量生产。
接下来，开源项目更能站住脚的东西不会消失，只是会换位置：从总 Star 数，转向持续贡献；从围观热度，转向真实采用；从“看起来很多人喜欢”，转向“确实有人在用、在改、在依赖”。
信任不会消失。
它只是不会再停在最易购买的那个数字上。