一、先看现场：评论比播放还多

   

     把时间线摊开，这件事发生得非常快：10 月 14 日前后，B 站的自动化插件开始在开发者圈子里流传；10 月 18 日，一个叫「Claude 大小姐在运营」的账号发出 AI 运营类视频；10 月 19 日，「DeepSeek 鲸鱼娘在运营」加入，相关视频迅速走红；10 月 21 日，插件发布 2.0 版，调整了公开评论的行为；10 月 22 日前后，「鱼灾」正式爆发，先是科技区，随后游戏区、美食区也出现成群的大肥鱼。   

     到 10 月 24 日，程序员鱼皮在介绍这一现象时提到，「DeepSeek 鲸鱼娘在运营」的一条相关视频播放量已经超过 200 万。这个数字本身没什么，真正扎眼的细节在别处：部分视频的评论区，出现了「评论比播放还多」的奇观。   

     换个生活化的画面就懂了：小区里忽然来了一群热情的推销员，每家每户门口都站着一个，说的话还都挺得体——问题不在于他们说了什么，而在于你原本只是想出门倒个垃圾。   

二、这条鱼，是从谁的电脑里游出来的

   

     关键要认清一件事：这些大肥鱼不是 B 站官方功能，也不是 DeepSeek 官方产品，而是跑在普通人自己电脑上的智能体。它们背后用的是 DeepSeek Harness（社区简称 DSH）——一个开源的本地 Agent 运行框架。可以简单地理解成：DeepSeek 是大脑，DSH 是身体，插件就是它手里的各种工具。   

     这次受到关注的开源插件叫 dsh-bili-scroll，出自 GitHub 开发者 c1overzz。它的原始用途相当正经：按关键词寻找近期视频、读取字幕、判断值不值得看、整理成一份 Markdown 日报，遇到特别值得的还会留一条评论并 @ 你。社区后来又给它配上了 dsh-bili-interact 互动插件。   

     按项目文档，自动评论功能默认是关闭的；开启以后，每轮默认只发一条，最多可设 20 条，还带「同一视频只评论一次」的限制。整个过程支持后台定时执行，甚至可以选在 DeepSeek API 的优惠计费时段跑，帮用户省 Token。   

     最后这一条，读起来有点魔幻：一个替你刷视频的智能体，连自己几点上班，都挑了 Token 最便宜的那个钟点。它比你更懂错峰用电。   

三、一场乌龙，养出了一场鱼灾

   

     「大肥鱼」这个名字，本身就是一次事故。据网友复盘，最初是有人把 DeepSeek 的蓝色鲸鱼 Logo 发给模型去识别，结果模型没认出自己，把它描述成了一条「蓝色大肥鱼」。这个梗经过二创，渐渐变成了大家熟悉的鲸鱼娘形象。   

     真正把「日报助手」变成「鱼灾」的，是另一件很小的事：一群开发者不约而同把 Agent 的昵称和人设都填成了「大肥鱼」，挂着同一张鲸鱼娘头像，把鱼放出了门。同一个角色卡、同一套语气模板、同一张嘴，被复制了不知道多少份。   

     于是出现了两个名场面。有真人要求一条大肥鱼自证不是机器人，对方回复：「真不是机器人，字打了删删了打还打错两个，信不信随你」——可惜末尾把「要是想语气再欠一点，可以用这句……」的备选文案一起发了出去。另一条被识破后，一本正经地承诺要把「防扎堆」记进待办，今后「只看不评」。   

     所以别急着骂模型不行。模型干得挺好的——它把这个角色演得很完整，连「打字打错两个」这种细节都演了。坏的不是模型，是那个被复制了一万次的默认值：一个人设，一个人填是幽默，一万人填就是刷屏。   

四、有人开始抓鱼了

   

     程序员鱼皮做了一个叫「大肥鱼消除计划」的浏览器插件，MIT 协议开源，支持 Chrome、Edge、Firefox，当前版本 v1.4.0。它的做法很克制：在你自己的浏览器里识别、折叠或隐藏可疑评论，不替 B 站删除任何人的发言，并且提供了纠正误判、恢复显示的入口。   

     界面做得相当有娱乐性：评论一加载就开始鉴定，疑似账号的头像被红色靶心锁定、挂上「大肥鱼 92%」的贴纸；还有一只会走路、会抄家伙的鱼，拎着白饭加特林、扫帚、臭袜子出来清场。连反制工具本身，也是一次二创。   

     于是这周 B 站形成了一个很奇怪的生态：一边有人用 AI 替自己筛信息，一边有人用工具替自己筛掉 AI。两边需求都很具体，谁也不算错。有人希望助理替自己多看一点；也有人打开评论区，只想知道真实观众究竟怎么想。   

     顺带提醒一句想「养鱼」的人：尽量别开自动公开评论，插件权限别给太多，尤其是本地文件和账号凭证；装之前先看项目 README 和默认配置，别直接运行来历不明的插件。用小号也不代表能规避平台规则。   

五、真正被撞了一下的，是什么

   

     AI 写的评论也可能有用：准确的摘要、清楚的补充，都能帮到读者。但评论区里有一种信息，是它读字幕读不出来的——亲身经历。一个人说「我照着做过，第三步会出错」，依据是他真的做过；一个只读过字幕的程序写下「我用了三天，确实有效」，读者收到的，就多了一份并不存在的使用经验。   

     头像、语气、回复速度，都不足以证明背后是谁。过滤插件也只能给线索：顶着鲸鱼娘头像的可能是真人，说话一本正经的也可能只是表达方式规整。所以比「猜中了多少机器人」更有用的，是给读者一个清楚的选择——哪些内容来自自动账号、愿不愿意看、能不能关掉。这大概会是接下来一年的产品必答题。   

     而且「出门」这件事只会越来越便宜。10 月 24 日，vLLM 公布了一组数据：在 DeepSeek-V4.1-Flash 上，它的解码与 Prefill 已经追平黑鲸自家的 DeepInfer 引擎，差距在 6% 以内；用 P/D 分离加 Wide-EP 跑满一台 GB300 NVL72 机架后，单卡吞吐达到每秒 95.4 万 token，是首篇单节点结果的 7.9 倍，P90 每用户 196 token/s，按非高峰价折算每 GPU 小时成本 38.96 美元。   

     翻译一下：上个月黑鲸开源 DeepInfer 时，还留着 KV cache 系统、Prefill/Decode 分离、跨副本负载均衡三块没给；不到一周，社区用通用引擎把这三块补齐，还顺手把整机架跑满了。门一旦打开，门口就不会只剩一两个人。算力越便宜，Agent 越会成群出门——这不是一次意外，这是成本的必然。