当 AI 成为情绪垃圾桶:一个脏话统计工具背后的集体焦虑

最近 GitHub 上冒出一个很有意思的项目，叫 maleme（骂了么）。

作者用 Rust 写了个小工具，专门干一件事：扫描你和 AI 编程助手的聊天记录，统计你说了多少句脏话，然后生成一份可视化报告。

支持的对象包括 Codex、Claude Code、OpenCode 这些主流编程 AI。

报告里有什么？每日脏话频率曲线、脏话强度指标（SBAI）、高频脏话词云……

听起来像个笑话，但仔细一想，有点心酸。

为什么需要统计这个？

官方 README 写得很克制：

“deterministic detection and aggregation of profanity usage across multilingual user input”

翻译成人话就是：看看大家在跟 AI 说话时，到底有多暴躁。

项目用了个非常直白的词库文件，叫 profanity_lexicon.txt，里面一行一个脏话。作者甚至没打算做什么高级的 NLP 分析，就是简单的字符串匹配——你骂了，它就记下来。

然后告诉你：哥们，你今天骂了 47 次，比昨天多了 12 次。

AI 成了最安全的情绪垃圾桶

为什么会有人需要这个工具？

因为跟 AI 说话，真的没有负担。

你跟同事发脾气，可能被 HR 约谈；跟朋友抱怨，可能被截图转发；在社交媒体上发泄，可能被网暴。

但跟 AI 说话？

• 它不会评判你
• 不会告诉别人
• 不会记仇
• 甚至不会生气（它根本没情绪）

于是，AI 成了现代人最安全的情绪垃圾桶。

代码跑不通？骂。
需求改来改去？骂。
AI 理解错了？骂。
AI 理解对了但代码还是跑不通？继续骂。

我们不是在跟 AI 交流，我们是在跟 AI 发泄。

这个项目为什么火了？

maleme 的 README 里有个”Star History”图表，曲线蹭蹭往上涨。

为什么？

因为它戳中了一个集体痛点：大家都在用 AI 干活，也都在用 AI 发泄。

只不过以前没人统计过，大家以为就自己这样。

结果一看报告：好家伙，原来大家都一样。

这个工具的本质，不是”脏话检测”，而是一面镜子。它让你看到：

• 你在什么时间段最容易暴躁（可能是 deadline 前）
• 你骂得最多的词是什么（可能是某个反复报错的函数）
• 你的情绪波动和代码质量有没有关系（大概率有）

本地优先，隐私安全

作者特意强调了”local-first”——所有数据都在本地处理，不上传任何服务器。

这很关键。

想象一下，如果你的脏话记录被上传到某个云端，然后某天泄露了……那画面太美不敢想。

所以这个项目的设计很克制：

• 不依赖远程服务
• 生成单个 HTML 报告，存在本地
• 词库文件你自己可以改（想加什么脏话都行）
• 开源，WTFPL 许可证（字面意思：想干嘛就干嘛）

这不是一个笑话

表面上看，这是个搞笑项目——谁会专门统计自己骂了多少次？

但往深了想，它反映了一个真问题：我们在 AI 时代的情绪出口在哪里？

以前写代码遇到问题，可以问同事、查 Stack Overflow、在群里吐槽。

现在？直接问 AI。

AI 随叫随到，不会烦，不会累，不会说你”怎么这都不会”。

于是，我们越来越依赖 AI，也越来越习惯在 AI 面前暴露最真实的情绪——包括最脏的那部分。

maleme 不是在统计脏话，它是在统计焦虑。

最后

这个项目我看了挺有感触的。

不是因为我也用 AI 发泄（虽然确实会），而是因为它让我意识到：

我们以为自己在”使用”AI，其实也在”依赖”AI。

依赖它干活，也依赖它当情绪垃圾桶。

哪天 AI 没了，可能不只是工作效率下降，连情绪出口都没了。

所以，下次你对着 AI 骂脏话的时候，不妨想一想：

你是在骂 AI，还是在骂这个操蛋的世界？

项目地址：https://github.com/Yeuoly/maleme

许可证：WTFPL（是的，你没看错）