夜雨聆风Fiverr 上搜 github stars，最便宜的报价能低到几美分一颗。
这听起来像段子。
但它更像一个开发者世界里的小型批发市场：低价星、保活星、一个月留存星，明码标价，按量出货。你以为自己在看开源社区的掌声，有一部分其实是外包来的背景音。
如果只是几个项目买点面子，这事没那么值得写。
麻烦在于，GitHub Star 早就不只是面子了。VC 会拿它筛项目，创业公司会拿它讲融资故事，企业客户也会用它判断一个开源工具是不是“大家都在用”。
一个指标开始换钱，它就会被污染。
AI/LLM 项目，正好站在污染最划算的位置上。
1. Star 过去为什么有用
早期创业最尴尬的地方，是没什么东西能看。
收入还没起来，客户名单还不好看，留存数据也不够长。投资人要在一堆不完整信息里判断一个项目有没有势能，总得找个外部信号。
对开源项目来说，GitHub Star 就成了最顺手的那个信号。
它公开、可比较、能画曲线，还能塞进合伙人会议的 PPT。一个项目一周涨了几千颗星，至少说明“有人在看”。这些人是不是用户，是不是开发者，会不会真的把代码跑起来，那是后面的事。
这一步很关键。
VC 不需要一个完美真实的指标。他需要一个足够早、足够便宜、足够容易扫描的指标。于是 Star 从“我喜欢这个项目”，慢慢变成了“这个项目看起来有势能”。
再往前走一步，就有人发现：势能可以买。
原文里有一笔很刺眼的账：如果一个开源创业公司在种子轮需要几千颗星做外部热度背书，买到这个量级的成本，可能只是几十到几百美元。相比可能撬动的融资金额，这个 ROI 高得离谱。
放在这个结构里，刷星就不只是虚荣。
它是一门套利生意。
2. AI/LLM 为什么成了重灾区
所有开源项目都可能买 Star，但 AI/LLM 项目更容易这么做。
原因不复杂：同样一颗星，放在 AI infra 项目上，更能撬动后面的资源。
过去两年，AI 基础设施、Agent 框架、模型工具链、开发者平台都处在融资和曝光的高压锅里。一个普通工具项目涨星，可能只是多一点关注；一个 AI/LLM 项目突然涨星，可能会触发投资人主动联系、媒体报道、开发者试用、榜单收录。
这就是杠杆。
赛道足够热的时候，市场会自动把“看起来被开发者关注”翻译成“可能是下一代基础设施”。Star 又是最容易被机器扫到的注意力单位。
所以 AI/LLM 项目的刷星，很少只是为了让页面好看一点。
它是在投喂市场的 FOMO。
一个项目头一周只有几十颗星，很多人连点进去的耐心都没有。一个项目头一周冲到几千颗星，哪怕里面掺了水，也可能吸引第一批真实用户。真实用户来了，真实贡献者才有机会出现。
冷启动最难看的地方就在这里：假信号有时会把真关注引进来。
尤其对非硅谷背景的团队，这个诱惑更大。硅谷创始人可以靠校友网络、前同事、投资人圈层和 Twitter 关注者拿到第一波合法 Star。深圳、杭州、班加罗尔的团队，可能没有同样的英语分发网络。
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个数字。
这不是替刷星洗白。更硬的一层事实是：当一个指标被拿来分配机会，它也会把原本不平等的分发关系一起带进来。
3. 现在变了：StarScout 把信息差打薄了
过去，判断一个项目有没有刷星，是一件麻烦事。
你要看 stargazer 列表，抽样账号，翻注册时间、关注者、活动记录，再看 Star 增长曲线有没有异常。懂安全的人能看，普通投资经理和企业采购很难看。
现在门槛在下降。
卡耐基梅隆、北卡州立和 Socket 的研究团队把 StarScout 做成了开源工具，用来识别 GitHub 上疑似异常的点星行为。论文被 ICSE 2026 接收，研究范围里识别出约 600 万次疑似假星，涉及近两万个仓库和三十多万个账号。
StarScout 不只是多了一个“抓作弊”的工具。
它把 GitHub 尽调从看总数，推到了看行为。
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来的。
比如：
• Star 是自然增长，还是短时间集中爆发？ • 点星账号有没有自己的仓库、关注者和近期活动？ • Star 增长以后，fork、issue、PR、贡献者有没有同步增加？ • 项目是否只有热度曲线，没有使用曲线？
GitHub 自己的 API 也提供了基础材料。stargazers 可以拉取，配合特定媒体类型还能拿到点星时间。再加上 fork、issue、PR、贡献者、release、dependency 等公开数据，一个严肃的尽调人员已经可以拼出相当多的信号。
刷星的成本没有立刻消失。
但验假的成本在下降。
这对 AI 开源项目尤其关键。AI 项目的外部热度太容易变成融资叙事，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”变成“很怪”。
很火是资产。
很怪就是风险。
4. VC 和企业客户应该换一套尺子
Star 当然还有用。
它仍然能表示一个项目被多少人看见、收藏、标记。麻烦的是，它不能单独用，更不能直接当成开源项目的可信度证明。
如果我是 VC 或企业客户，今天看一个 AI 开源项目，至少会拆成四层。
第一层，看真实使用。
有没有明确的生产环境案例？有没有企业用户、集成方、插件生态、部署文档、社区问答？如果一个项目有十万颗星，却几乎找不到真实使用者留下的问题、案例和迁移经验，这个热度要打折。
第二层，看持续贡献。
Bessemer 在开源社区指标里提到，他们更关注用户和贡献者，尤其是月度独立贡献者活跃度。这个指标比 Star 难刷得多，因为它要求持续产生 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，但放在一起会形成画像。
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，最常见的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。如果大量账号像一次性账号，或者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的验证。
5. 对创始人来说，最危险的是把假热度当真资产
刷星的短期收益很清楚。
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。
如果 Star 曲线先跑起来，贡献者曲线、使用曲线、商业曲线没有跟上，假热度会变成一张越来越难解释的欠条。
种子轮可以讲故事，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 个月有没有真实开发者持续进入，有没有组织用户留下使用痕迹，有没有 issue 和 PR 的质量变化，有没有从围观变成采用。
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个数字骗了。
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，少问客户为什么不用。
假信号最坏的地方，不是骗外人。
是让自己少面对真实问题。
6. 三类人各问三个问题
这件事最后不能只落在“刷星可耻”上。
道德批判很容易，指标治理更难。
对 VC 来说，至少问三个问题：
第一，Star 增长以后，月度独立贡献者有没有同步增长？
第二，项目有没有真实用户留下的 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，而不是一批低活跃、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，这个项目的生产使用证据在哪里？
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，如果明天 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，如果下个月投资人用 StarScout 或类似工具看我的项目，我希望他看到什么？
GitHub Star 曾经是开源世界里很漂亮的信号。它轻、公开、直观，像一个社区递过来的眼神。
但 AI 让这个眼神变贵了。
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容易购买的那个数字上。
