毕设登顶Github、三个月后拿下陈天桥3000万投资……

超级个体时代，正在加速到来。

作者｜连冉

编辑｜郑玄

BaiFu 的现实开始暴走的那一周，他还在准备毕业答辩。

每天邮箱 99+未读，投资机构、创业团队、大厂 HR、开源社区的开发者……所有人都在找他。起因是一个十天做完的毕业设计，登上了 GitHub 全球趋势榜。Star 数量以肉眼可见的速度往上跳，有公司直接发来 offer，有开发者想合作，有投资人想投他。

BaiFu 看了一阵，后来干脆全部已读，不看了。

三个月后，他的第二个项目 MiroFish 再次登顶 GitHub 榜首。这一次，他拿了盛大创始人陈天桥给的 3000 万。

一个还没毕业的大四学生，没有团队，没有公司，两次登顶全球最大开发者社区的热榜，拿到了一张 AI 创业的入场券。他只有一台电脑，和一支由 Agent 组成的「数字团队」。

BaiFu 不是在做传统意义上的 Vibe Coding，他像导演一样指挥着这个 AI 剧组：验证想法、优化逻辑，然后快速生成产品——十天，就完成了过去一个团队几周甚至几个月才能做完的工作。从 BettaFish 的舆情分析，到 MiroFish 的多智能体推演，他试图做的事越来越大胆：用 AI 模拟复杂社会，甚至推演未来可能发生的事。

但当「用 AI 预测世界」的宏大愿景被提出时，质疑也随之浮现——一个十天完成的 Demo，真的能承载这么大的目标吗？

BaiFu 告诉极客公园：他对 MiroFish 的预期并不是「神谕式的预测机器」。它不追求每次都押中未来，而是试图把原本只能靠直觉想象的多种可能性，变成一组可以被观察、比较和迭代的情景推演——在重大判断发生之前，先把关键变量和博弈关系摊开在桌面上。

01

十天写出的毕设，突然登上 GitHub 热榜

故事要从去年年底开始说起。

当时，BaiFu 还是一名大四学生，正在为毕业设计找选题。他的技术背景其实算不上传奇：计算机专业出身，最早接触编程是从前端开始——因为看到有人用代码做出漂亮的网页，他被这种「用几行代码就能创造东西」的感觉吸引。后来，他逐渐补齐了后端开发的能力，开始学习 Python、Java，并接触机器学习和深度学习。

BettaFish 这个项目能被做出来，靠的不是他的技术积累，而是为了做毕设而做的一段密集调研。

在动手写代码之前，BaiFu 花了大量时间思考三件事：为什么做、给谁做、怎么做。

他注意到开源社区里出现了大量「AI + 新闻总结」的项目：有人做每日新闻摘要，有人做信息筛选工具。但在更细分的领域——舆情分析——几乎没有真正结合大模型能力的开源项目。传统舆情工具大多仍停留在数据看板层面，而不是用 AI 去理解信息本身。

「开源社区其实缺一个更 AI 化的舆情分析工具。」他后来回忆说。

方向确定以后，开发速度变得很快。BaiFu 把自己称为「导演」，AI 则像一支执行团队。他先用 demo 验证想法，再通过 AI coding 工具不断生成代码、调整逻辑。整个项目，从概念到可运行版本，只用了十天。

最初，他对这个项目的预期其实很低。「如果能有 1000 个 star，我就已经很满足了。」

但事情的发展，很快超出了他的想象。

项目上线之后，BettaFish 很快登上了 GitHub Trending。Star 数量开始以肉眼可见的速度增长——几乎每隔一两个小时刷新一次榜单，数字就会再往上跳一截。

那段时间，他几乎每隔一个小时就会刷新 GitHub 页面，看着 star 数不断增加。「刚开始是很激动的。」他说。但当数字涨到 1 万 star 之后，这种情绪逐渐「脱敏」了，「到 10K 以后，就有点没有感觉了。」

对于一个还在准备毕业的学生来说，这种突然到来的关注，既让人兴奋，也带来某种程度的迷茫。各种机会同时出现，反而让选择变得困难。

「当选择太多的时候，其实会不知道该选哪一个。」他说。

那一周，他第一次真正意识到：这个原本只是十天做出来的毕业设计，正在变成一件完全不同的事情。

02

AI 让「一个人做产品」成为现实

如果只看结果，BettaFish 十天开发完成，似乎像是一场偶然的爆红。但这个项目真正重要的，是它背后的一种新的开发方式，也就是近来讨论甚广的 Vibe Coding。

在过去，软件开发通常是一条相对明确的流水线：产品经理提出需求，架构师设计系统，工程师按模块写代码，最后再经过测试和迭代。每一个角色都有明确分工。

但在 AI 编程工具普及之后，这条链路开始被重新压缩。

在 BaiFu 的描述里，AI 已经成为开发过程中的协作者。开发者不需要再逐行敲代码，而是更多通过自然语言描述功能、结构和逻辑，让 AI 生成代码，再根据结果不断调整。

在这个过程中，人类开发者的角色也发生了变化。

「人更像是导演。」开发者需要决定产品要解决什么问题、系统应该如何架构、每一步功能如何拆分，而具体的实现部分，则可以通过 AI 来完成。很多时候，开发过程甚至更接近一种快速实验：先生成一个 demo，验证想法是否成立，再不断调整和迭代。

这种方式看起来像是在「减少写代码」，但实际上更像是在改变开发者的工作重心——从「写实现」转向「做决策」。

这种变化带来的最直接结果，就是开发效率的大幅提升。

BettaFish 的开发周期只有十天。在传统的软件开发流程中，即便是一个小型工具，从需求确认到产品上线，往往也需要数周甚至数月时间。但在 AI coding 工具的辅助下，许多原本需要大量重复劳动的工作被大幅压缩。

BaiFu 在与极客公园的交流中提到，后续的一些尝试中，开发速度甚至比 BettaFish 还要更快。

很多功能不再需要从零开始搭建，而是通过 AI 生成基础框架，再进行调整优化，开发者可以在不断试验新的组合方式。

从某种意义上说，这种开发模式正在改变个人开发者的生产力边界。

过去，一个人往往只能维护小规模项目，而完整产品的开发需要依赖团队协作：前端、后端、设计、测试，各自负责不同部分。但在 AI 工具的帮助下，一个人也可以快速完成原型开发，甚至推出可用产品。

这也让「超级个体」这个角色开始被频繁提及。

在 AI 出现之前，创业往往意味着组建团队、筹集资金、分工协作。但现在，越来越多产品的第一版本，已经不再来自团队，而是来自一个人。

一个人完成需求定义、产品设计、技术实现，再借助 AI 工具补齐能力边界。

BettaFish 的出现，正好踩在这个变化的节点上。

它既是一个开源项目，也像是一种信号：在 AI 时代，软件开发的门槛正在被重新定义。当工具可以承担越来越多执行工作时，人类开发者的核心价值，已经成为了提出问题、设计系统，以及判断什么值得被创造。

而这正是「一个人做产品」的时代开始的地方。

03

从舆情分析到「预测未来」

BettaFish 的走红，最初来自「十天写完的毕业设计」，真正让开发者持续关注它的，其实是产品本身。

在功能上，BettaFish 的定位非常明确：一个 AI 驱动的舆情分析助手。简单来说，它解决的是一个很多人都会遇到的问题——信息太多，但很难快速理解。

在传统舆情系统中，用户往往只能看到关键词统计、数据图表和舆论曲线，真正的分析仍然需要人工完成。而 BettaFish 尝试把这一过程交给 AI。

它的工作流程大致分为三个步骤：

第一步是信息抓取。

系统会自动从新闻网站、社交媒体、论坛等公开渠道收集信息，并持续更新数据源。

第二步是内容理解。

大模型会对这些信息进行语义分析，识别出关键事件、情绪倾向以及讨论热点，并将分散的信息整理成结构化内容。

第三步则是生成分析报告。

用户只需要输入一个关注主题，例如某家公司、某个行业或某个公共事件，系统就可以自动生成一份舆情分析报告，包括事件脉络、观点分布以及舆论趋势。

BettaFish 像是一个「AI 研究助理」：它帮用户读完互联网，然后把重点总结出来。这种产品形态，也让它在开源社区迅速获得关注。很多开发者发现，它展示了一种新的产品思路——用大模型替代传统的信息整理流程。

不过在 BaiFu 看来，BettaFish 本身只是第一步。

在项目获得关注之后，他很快开始尝试一个更新的方向：MiroFish。而这个项目同样也是十天 Vibe Coding 的产物。

BettaFish 的目标是理解现实世界的信息，MiroFish 的目标则更进一步——尝试推演未来的可能路径。

在概念上，MiroFish 被设计为一个多智能体预测系统。

系统首先会持续从现实世界获取信息，包括新闻事件、市场数据以及社交媒体讨论等内容。这些数据会被输入到一个模拟环境中，用来构建一个不断更新的「数字社会」。

在这个环境里，不同的 AI 智能体会被赋予不同角色，例如企业、投资者、媒体或普通用户。每个智能体根据自身目标和所掌握的信息做出决策，并与其他智能体产生互动。

随着大量互动不断发生，系统会生成不同的发展路径，从而模拟某些事件可能的演化方向。

例如，当某个行业出现重大新闻时，系统可以模拟市场参与者可能做出的不同反应，从而观察事件在不同条件下可能的发展趋势。

这种方式与传统预测模型最大的区别在于，它不只是做统计分析，而是通过模拟社会行为来观察系统如何演化。

截至 3 月 13 日上午，MiroFish 在 github 已有 14230 stars｜图片来源：极客公园

MiroFish 同样登上了 GitHub 全球趋势榜（GitHub Trending），还曾一度位列榜首，超越了其他机构和个人项目，成为全球开源热点，到 3 月 13 日上午，MiroFish 在 github 已有 14230 stars。

某种意义上，MiroFish 更接近一种「数字沙盘」。现实世界的数据不断输入，而 AI 智能体在其中进行决策和互动，从而不断生成新的可能路径。

用 BaiFu 的一句话总结，BettaFish 是在分析现实，MiroFish 则是在「推演未来」。

04

AI 创业窗口已打开

过去几年里，软件创业往往需要一整支团队：有人负责产品设计，有人负责前端和后端开发，还有人负责测试、运营和增长。即便只是做一个最初版本的产品，成本和时间投入都不小。

但 AI 工具的出现，已经改变了这一切。

在 BaiFu 的开发过程中，很多过去需要大量时间完成的工作，如今都可以借助 AI coding 工具快速实现。从代码生成到功能调试，再到系统框架搭建，开发者可以把更多精力放在产品思路和系统设计上。

这种变化带来的一个直接结果，是创业门槛正在明显下降。

一个人可以更快地做出产品原型，验证想法是否成立，也能在更短的时间里推出可用版本。对于许多年轻开发者来说，这意味着尝试创业的成本变得更低，周期也更短。

某种意义上，AI 正在把软件开发从一项「重工程」，变成一项更接近快速实验的过程。

而资本也很快注意到了这种变化。

在 BettaFish 项目爆红之后，BaiFu 的邮箱几乎被各种邮件填满，其中既有开发者的交流，也有来自投资机构的合作邀请。最终，这个最初只是毕业设计的项目，吸引到了盛大创始人陈天桥的关注，并获得了约 3000 万元人民币 的投资。

对于投资人来说，这类项目的意义并不仅仅在于某个具体产品，而是它所代表的一种新的创业形态。

陈天桥说，他选择支持孵化 MiroFish，是因为它代表了自己一直看重的方向——让 AI 从单纯的「回答问题」走向真正的「求解问题」。

在他看来，MiroFish 正在尝试探索：如果打破对单一模型的依赖，让多个智能体以群体智能的方式共同探索问题空间，会发生什么？通过多智能体从现实世界获取信号并协同推演，系统能够尝试预测复杂问题的可能演化。它可以帮助人在风险更低的环境里，把不确定的未来变成可讨论、可验证、可迭代的假设。

对盛大而言，MiroFish 这笔投资的核心逻辑是「投人」。MiroFish 的诞生让陈天桥看到，年轻创业者不仅能定义真实问题，能借助 AI 快速迭代，更能把想法扎实落地为可用的产品。他说，「在这个全新的 AI 时代，我会把这些年轻 AI 人才的成功，视为我个人再次成功的最关键标志。」

而当 AI 可以承担越来越多执行层面的工作时，软件产品的诞生方式也在发生变化——越来越多的项目，可能会先从一个人的想法开始。也就是近期越来越被频繁提及的「超级个体」。

过去，一个完整的软件产品往往需要团队协作；而现在，借助 AI 工具，一个人也有可能完成从想法到产品原型的大部分工作。

BettaFish 与 MiroFish 的故事，提供了一个典型样本。当 AI 成为开发者的合作者，一个人也可能做出曾经需要团队才能完成的产品。AI 时代的新一轮创业窗口，已经敞开。

05

陈天桥眼里的超级个体创业

BaiFu 以及许多超级个体开发者的故事告诉我们，AI 时代，一个人也可能做出原本需要团队完成的产品。那么，对于大学生创业群体来说，这样的机会意味着什么？

盛大创始人陈天桥对极客公园谈到，重要的是，别把「第一份工作」当终点，把它当成能力复利的起点——先把基本功做厚、把作品做硬、把学习速度做快。

AI 时代大学生创业最大的机遇在于资源平权。一个人也能借助 AI 快速做出 MVP、快速迭代、快速触达全球用户。真正稀缺的品质不是「会用 AI」，而是能定义真实问题，并持续把技术变成可交付的产品价值。

在他看来，创业成败关键——不是「用不用 AI」，而是方向对（长期问题）+产品对（可交付价值）+组织对（持续迭代）。AI 只是加速器，不是方向盘。

那么，盛大如何判断一个年轻 AI 开发者是否值得投资？陈天桥对极客公园谈到，最核心是成长斜率：同样时间里，他能否拆清问题、做出产品、跑出结果，并且每次迭代都更接近本质。底线是诚实（对数据、边界和失败）和韧性（长期不确定下还能稳定产出）。

至于怎么从越来越多的「超级个体」中选择投资对象，陈天桥说他会用三个「可验证」来筛选： 可验证的作品：不是 PPT，而是可用的 Demo、真实用户、真实留存/付费； 可验证的学习能力：一周一个版本、一个月一个台阶； 可验证的价值观与协作：能吸引同样优秀的人一起打仗。超级个体很多，但能把个人能力变成组织能力的人，才是最稀缺的。

06

直面质疑：在「预测未来」的

宏大愿景下，硬币的另一面

在热度之外，MiroFish 也迎来了不少质疑。

一种声音认为，现实世界的社会演化充满偶然性。即便模型能够模拟出 99% 的逻辑路径，真正改变走向的往往是那 1% 的「黑天鹅」事件——在人类面对极端压力或复杂利益博弈时的非理性决策，是否真的可以被模型捕捉？

另一类讨论则集中在预测类产品的「信任困境」：如果预测恰好与现实一致，很容易被解释为概率巧合；而一旦出现偏差，又可能被用户简单理解为某种「电子占卜」。

在技术层面，也有开发者在查看代码后提出质疑：目前系统似乎主要通过大模型生成虚构角色，再通过提示词构建仿真环境。如果只是围绕 prompt 进行角色推演，那么模拟结果是否会受到模型幻觉的影响？

甚至有人认为，当前展示的 demo 更像是对单份 PDF 的结构化拆解——观点图谱中缺少明显的对立视角和多方博弈结构，与真实舆论场的复杂度仍有明显距离。

对于这些质疑，baifu 并不回避。他反复强调的一点是：MiroFish 从来不是一个「神谕式的预测机器」。

在他的设想中，这套系统真正的价值并不是「押中未来」，而是把原本只能靠直觉想象的多种可能性，变成一组可以被观察和比较的情景推演。

「黑天鹅当然无法被消灭，但如果原本只有 1% 的概率提前意识到风险，通过模拟能把这个概率提升到 5% 或 10%，那这套系统就已经具备现实价值。」

至于「电子占卜」的质疑，他认为这几乎是所有预测产品都会面对的挑战。

在 baifu 看来，MiroFish 需要证明的并不是「每一次都预测准确」，而是能否持续提供一种更系统化的判断框架：

在事件真正发生之前，把关键变量、传播路径和参与方的博弈关系提前摊开。

「我们其实不是只做预测，更是在做深度推演和辅助决策。」

对于外界提出的技术质疑，他也承认目前版本距离真正的社会模拟仍有距离。

MiroFish 当前仍处于 0.1 版本阶段，很多能力都还在持续迭代，包括角色去重、多方对立关系建模，以及更复杂的群体行为机制。

「如果有人说它离真实世界的模拟还很远，我其实是认同的。但如果简单把它归结为『套了个前端的 AI 幻觉』，那就忽略了我们真正试图搭建的让所有人都可以低门槛上手的整条链路——从现实输入、图谱构建，到 Agent 生成、群体演化，再到报告输出。」

至于算力成本问题，baifu 认为外界可能高估了对单个 Agent 能力的要求。

在他看来，模拟世界并不需要每一个角色都「极度聪明」，关键是整体行为是否足够接近真实人群的反应模式。

「高价值决策本来就不应该只用单次调用成本来衡量。如果一次模拟能帮助避免一次重大判断失误，它带来的收益往往会被放大很多倍。」

对于 BaiFu 而言，拿下 3000 万投资只是拿到了入场券，如何带着这支「AI 军团」跨越从 Demo 到可靠产品的距离，才是真正的挑战。

*头图来源：github

本文为极客公园原创文章，转载请联系极客君微信 geekparkGO