夜雨聆风今天翻 GitHub Trending,一个叫 taste-skill 的仓库冲到了 5.8 万星,一天涨了将近九百星。
点进去看,它没有一行模型代码,没有训练,没有微调。整个仓库就是几个纯文本规则文件,作用只有一个:让 Claude Code、Cursor、Codex 这些 AI 编程工具别再吐出那种一眼就能认出来的、模板味十足的界面。它给自己起的名字很直白——反 slop 前端框架。slop 就是英文里那种"糊弄出来的、泛滥成灾的低质内容"。
一个教 AI"有品味"的说明书,凭什么值五万多颗星?
顺着这个问题往下挖,会挖到一个大多数天天用 AI 的人都没想清楚的事:AI 默认给你平庸答案,是它的出厂设置,跟模型聪不聪明关系不大。 想清楚这一层,你对 AI 的用法会整个换一个档。
平庸是被数学锁定的默认值
先说 AI 生成一段文字或一段代码时,底层到底在干什么。
模型每吐出一个词,都在做同一件事:给所有可能的下一个词打分,把分数换算成概率,然后按概率抽一个。就这么一个词一个词地滚下去。
关键在于概率分布长什么样。towardsai 那篇讲"品味差距"的文章说得很干脆:在没有明确方向的冷启动状态下,熟悉的开头、安全的结构、显而易见的收尾,几乎总是坐在概率分布的最顶端。因为训练数据里它们出现得最多。你把提示词一丢、原样接住返回的东西,拿到的就是一个中位数答案,再被润色成干净漂亮的句子。
中位数是什么意思?就是"最像大多数人会写的那个版本"。
放到设计上更具体。有人统计过,LLM 学的网页设计,中位数大约停在 2019 年以来 Tailwind 那套默认配色和默认布局上。所以你让 AI 做个落地页,它默认交给你的,是全世界所有落地页取平均之后的那张脸——挑不出错,也毫无记忆点。
这不是模型偷懒,这是概率采样的必然结果。你不给方向,它就往人群最密集的地方走,而人群最密集的地方,按定义就是平均、就是平庸。 越强的模型只是把这张平均脸画得越精致,平均脸还是平均脸。
理解了这一点,很多现象一下子就解释通了:为什么大家一眼能认出 AI 写的公众号、AI 做的 PPT、AI 生成的配图——那种熟悉的、哪里都对又哪里都不对劲的味道,来源都是同一个,你看到的是概率分布的顶端,是被无数人写过的那个最安全的版本。
5.8万星买的,是一份把品味写成规则的说明书
回到 taste-skill。它做的事,说穿了不复杂。
它往 AI 的上下文里塞进一堆具体到近乎苛刻的约束。比如三个 1 到 10 的旋钮:设计变化度、动效强度、视觉密度,让你先把方向定死。比如一整套反重复规则,连"硬性禁止使用 em-dash 破折号"这种细节都写进去了,就因为这是 AI 文本最典型的口头禅之一。再比如预置好的动画代码骨架、重构前必须先审计现有代码的流程。
它一个字都没改模型的能力。它值钱的地方,是逼着 AI 离开"大多数人会怎么做"那个点。 把采样分布从中位数的山顶,硬推到某个具体的、有主张的角落里去。
同一个 Claude,冷启动跑出来是 slop,套上这份规则跑出来就像模像样。差别不在模型这一侧,在喂给它的方向这一侧。
5.8 万人抢着 star 它,与其说是要一个前端工具,不如说是有人替他们把"什么叫好看""什么叫不平庸"这些模糊的感觉,翻译成了 AI 能直接执行的硬规则。他们买的是一份现成的品味说明书。
一个可以搬到任何场景的框架:反中位数三问
taste-skill 只解决前端设计一个窄口子。但它背后那套逻辑,可以搬到你用 AI 的每一个场景——写文案、写代码、做方案、做决策。
每次 AI 给你的东西不对味,别急着骂模型笨,先过一遍下面三问:
第一问:我给的指令,是不是也是一条中位数指令?
泛泛的输入,必然换来泛泛的输出。你说"帮我写篇关于时间管理的文章",这条指令本身就落在人群最密集的地方,AI 只能还给你一篇最大公约数的时间管理文。指令有多具体、多有主张,输出才可能被推离平均多远。
第二问:我有没有拒绝第一版,逼它给几个不同方向再挑?
生成大量不同的候选,是模型最擅长的事,几乎零成本。而从一堆候选里说出"这个不行、那个有戏、为什么",是你的活。那篇"品味差距"文章观察到,真正拉开差距的人都在做同一个动作:否掉第一稿,要备选,比较,指出哪里不对,再把它逼进第二个形状。 大多数人拿到第一版就交差,而第一版永远是中位数。
第三问:我注入的约束,具体到能把它推离"大多数人会这么做"了吗?
方向不能停在"高级一点""专业一点"这种词上,那些词本身也是中位数。要给到具体的缺口、具体的角度、具体的参数、具体的禁令——就像 taste-skill 里那条"禁用 em-dash"。约束越具体,分布被推得越远,输出越不像别人。
这三问背后是同一件事:AI 负责提供范围和速度,你负责提供判断和方向。 少了你这一层,再强的模型也只会把你带回人群中央。
AI 时代,变贵的和变便宜的
把镜头拉远一点看这 5.8 万颗星,能看到一个更值得琢磨的信号。
产出能力正在快速变成白菜价。写一段通顺的文字、生成一个能跑的页面、拼一份格式规整的方案,这些事的边际成本已经趋近于零,谁都能让 AI 批量吐。
变贵的是另一样东西:在一大堆 AI 生成的候选里,一眼看出哪个对、哪个不对,并说得出为什么的判断力。 这件事 AI 替不了,因为它天然向中位数收敛,而判断恰恰是反中位数的——是敢于否掉那个"最安全的版本"。
所谓品味,过去被说得很玄,好像是天生的审美。但从 taste-skill 这件事上能看到它更朴素的一面:品味是把模糊的好坏,翻译成一条条可执行约束的能力。 你说不清为什么这版难看没用,你能说清"配色太饱和、间距太挤、破折号太多"才有用——后者才能喂给 AI,才能真正改变结果。
当然,借来的品味有它的天花板。一份通用规则能把你从平庸拉到中位数偏上,但真正的差异化——那个只属于你、别人复制不走的东西——还是得你自己往里注入。规则能帮你避开最烂的坑,替不了你形成主张。
所以下次 AI 又给你一个四平八稳、挑不出错也记不住的答案,先别急着怀疑模型不行。回头看看你丢给它的那句指令——它大概率,也正好落在中位数上。
Sources：Leonxlnx/taste-skill (GitHub) · The Taste Gap — towardsai.com · Taste Skill 官网 · GitHub Trending 2026-07-06
