20 歲大學(xué)生靠 Vibe Coding，把課程作業(yè)卷上 GitHub 熱榜第一

　　大數(shù)據(jù)文摘受權(quán)轉(zhuǎn)載自夕小瑤科技說

　　今天翻 GitHub Trending 的時(shí)候，看到一個(gè)不怎么眼熟的項(xiàng)目占據(jù)榜單第一。

　　仔細(xì)一看，是個(gè)多 Agent 輿情分析助手，名字叫「微輿 BettaFish」。

　　再往下拉，發(fā)現(xiàn)它 star 已經(jīng)過萬了，而且還是最近十幾天突然暴漲。

　　這我一下子就好奇了。

　　去小紅書上搜了下這個(gè)項(xiàng)目的名字，結(jié)果還真刷到了作者自己寫的復(fù)盤文章。點(diǎn)開一看，他居然只是個(gè) 20 歲的大學(xué)生。。。

　　而做這個(gè)項(xiàng)目的初衷也很單純，只是為了完成課程作業(yè)。。。

　　交一個(gè)作業(yè)，卷進(jìn) GitHub 熱榜第一。

　　太強(qiáng)了，果然山外有山，人外有人人人人人。

　　那它到底做了什么？我們來拆一拆。

　　聽到“輿情分析”，我第一時(shí)間腦子里浮現(xiàn)的，是那種常見的「可視化儀表盤」「評論詞云」「情緒熱力圖」。

　　所以，看到“微輿”這個(gè)名字時(shí)，我也以為不過是又一個(gè)數(shù)據(jù)看板項(xiàng)目——幾張折線圖、幾朵詞云、幾塊熱力圖，最后再套一層 ChatGPT 自動摘要，差不多就那樣。

　　但我錯(cuò)了。

　　它做的遠(yuǎn)遠(yuǎn)不止這些。

　　你可以把它理解成：一個(gè)帶搜索 + 分析 + 寫作能力的 AI 輿情顧問。

GitHub 地址： https://github.com/666ghj/BettaFish?tab=readme-ov-file

　　它不僅能全自動刷社交媒體、收集數(shù)據(jù)，還能自己提煉觀點(diǎn)、撰寫報(bào)告，最后打包成一份像模像樣的分析文檔交給你。

　　而且，全流程幾乎不用人工干預(yù)。因?yàn)樗澈筮\(yùn)行著一整套多 Agent 協(xié)作機(jī)制。

　　來看看它是怎么工作的：

　　Insight Agent：相當(dāng)于團(tuán)隊(duì)里的“數(shù)據(jù)分析師”，負(fù)責(zé)處理數(shù)據(jù)庫里的結(jié)構(gòu)化信息，提煉關(guān)鍵詞、熱點(diǎn)走勢和聲量變化。

　　Media Agent：像一個(gè)“外勤記者”，打開瀏覽器爬微博、抖音、小紅書等內(nèi)容，自動提取帖子和評論，并做多模態(tài)內(nèi)容分析。（注意這里的多模態(tài)結(jié)果信息，也就是說它甚至可以爬取卡片信息）

　　Query Agent：負(fù)責(zé)深度搜索，比如追蹤事件最初的爆點(diǎn)、識別傳播源頭、驗(yàn)證不同平臺的說法差異。

　　Report Agent：最后登場的“主編”，整合所有中間結(jié)果，確定邏輯結(jié)構(gòu)和版式風(fēng)格，把分析結(jié)果寫成一份正式報(bào)告。

　　四個(gè) Agent 之間還會通過一個(gè)叫Agent Forum的“虛擬會議室”互相交流。

　　最后形成的，是一份能自圓其說、可復(fù)查溯源的完整分析報(bào)告。

　　當(dāng)然，作者并不滿足于現(xiàn)在的成果。

　　從項(xiàng)目首頁的手繪圖可以看出，他們把“輿情分析”分為三步：

　　輸入話題，啟動全網(wǎng)搜索

　　自動分析，輸出結(jié)論報(bào)告

　　預(yù)測未來走勢

　　現(xiàn)在，前兩步已經(jīng)跑通了，且基本實(shí)現(xiàn)了「人類全程躺平」的自動化體驗(yàn)。

　　第三步，預(yù)測，還在路上。

　　作者沒有選擇直接讓大模型“編”一個(gè)預(yù)測結(jié)果，因?yàn)槟欠N方式并不可靠，也不具備說服力。他們更希望用過去積累的大量話題數(shù)據(jù)，來建立真正的數(shù)據(jù)模型，預(yù)測一個(gè)話題在未來是否會繼續(xù)發(fā)酵，還是很快冷卻。

　　接下來，他們計(jì)劃引入時(shí)間序列、圖神經(jīng)網(wǎng)絡(luò)、多模態(tài)分析等技術(shù)，讓“微輿”具備真正的趨勢判斷力。

　　目前跑出來的效果究竟如何？

　　我們拿這份“武漢大學(xué)品牌聲譽(yù)分析”為例拆解一下。

　　整個(gè)文檔一共 25 頁。看下來只有一個(gè)感受：信息密度和沖擊力都遠(yuǎn)超預(yù)期。

　　首先是宏觀指標(biāo)部分，直接懟出一組極具殺傷力的對比數(shù)據(jù)。

　　這可不是那種“貼個(gè)大號標(biāo)題 + 幾個(gè)虛熱詞”的吹風(fēng)數(shù)據(jù)。它結(jié)合上下文，把這些數(shù)字背后的社會情緒做了解剖。

　　比如我們熟悉的“圖書館事件”和“甲醛宿舍”，在這份報(bào)告里都被單獨(dú)抽出來，做了非常規(guī)深度的解剖。

　　比如“圖書館事件”，不僅列出核心時(shí)間點(diǎn)，還把每個(gè)節(jié)點(diǎn)的情緒波動、傳播路徑一一還原。

　　而“甲醛宿舍事件”的分析，情緒圖表是整個(gè)報(bào)告的亮點(diǎn)。

　　細(xì)分成“憤怒”“恐懼”“焦慮”“憤懣”四種情緒流向，并在四個(gè)時(shí)間節(jié)點(diǎn)下做出對比：曝光、校方回應(yīng)、第三方報(bào)告、問題解決。

　　每一步，情緒如何升溫、如何轉(zhuǎn)換、如何拐頭，通通能看到。

　　就像看熱搜一樣爽，但背后有數(shù)據(jù)支撐。

　　最后甚至還有 SWOT 分析。市場營銷的 DNA 動了。

　　傳統(tǒng)的輿情監(jiān)測，頂多告訴你：哪個(gè)關(guān)鍵詞熱了，哪個(gè) KOL 發(fā)了帖，哪個(gè)微博被轉(zhuǎn)了幾萬次。

　　但這份報(bào)告里，你能看到的是：哪一階段的情緒最極端？是什么事件觸發(fā)了情緒結(jié)構(gòu)的轉(zhuǎn)變？司法介入的時(shí)間點(diǎn)與輿情是否同步？校方在什么地方做錯(cuò)了，錯(cuò)得有多嚴(yán)重，又給個(gè)體帶來了多大后果？

　　如果未來能將這種模型遷移到更多高校、品牌或城市輿情中，我們或許真的能在“情緒沸騰”之前，提前發(fā)現(xiàn)那一點(diǎn)最危險(xiǎn)的溫度上升。

　　最后，再回到那個(gè) 20 歲的大學(xué)生。

　　還是很難相信，這是他一個(gè)人干出來的事。

　　但這，正是 AI 時(shí)代的底色：奇跡，開始由普通人書寫。

　　為了交一份作業(yè)，他從零做了個(gè)項(xiàng)目，開了源，也寫了幾篇小筆記分享自己的踩坑和思路。他沒精力刷秋招題庫，甚至一度覺得自己可能趕不上這波機(jī)會。但最后，拿到了一份心儀的實(shí)習(xí)，全靠這個(gè)項(xiàng)目自己闖出來的分量。

　　寫代碼的過程里，他是真的和 AI 并肩作戰(zhàn)。靠著 Claude Code、Cursor、Codex 一步步摸索出一個(gè)像樣的產(chǎn)品雛形，一邊踩坑一邊磨合。

　　項(xiàng)目做完了，他沒有等人來發(fā)現(xiàn)，而是主動出擊，在小紅書、B 站、Linux Do 等平臺宣傳推廣。沒人幫他推流量，他就自己一點(diǎn)點(diǎn)推。

　　你能看到的每一顆星星，都是他親手點(diǎn)亮的。

　　這種從 0 到 1 的過程，是清醒的，是完整的，是具備方法論的。甚至可以說，是值得被復(fù)制的。

　　AI 不只是讓強(qiáng)者更強(qiáng)，它正在讓那些被低估的人，有機(jī)會被看見。