每天追踪100+开源项目：我的AI情报工作流
从创业第一天起，我给自己定了一个规矩：每天必须看 GitHub Trending。
这件事坚持了大半年，慢慢形成了一套方法论。
每天的信息源
固定的信息输入渠道：GitHub Trending、Hacker News、B站/YouTube技术UP主、即刻和X上的开发者动态、RSSHub聚合的AI媒体。
光看是不够的。真正有价值的是把看到的东西结构化——什么项目、什么赛道、什么人做的、涨星速度、商业化可能性。
举个例子：2025年3月看到Cline（当时叫Claude Dev）从每天5星涨到每天80星，再配合MCP协议的同步爆发，就能判断AI编程工具赛道正在加速分化。再比如Manus的Star增长曲线——4月初三天内从0涨到1万星，这种速度本身就是一个信号。
50秒判断法
一个项目最多花50秒判断要不要深入（试过30秒到2分钟不等的阈值，50秒是信息密度和筛选效率的平衡点）。看四样东西：
- README第一段——描述清楚问题是什么、怎么解决
- Star增长速度——新项目涨得快说明戳中痛点
- 技术栈——是否主流、是否便于二次开发
- 商业信号——有没有人在issue里问付费版
如果50秒看不出来，直接pass。一天能深入看的项目就那几个，别在不值得的事情上耗。
筛选漏斗
三层过滤：第一层每天扫100+个项目留下20-30个。第二层深度看README、源码结构、issue讨论。第三层最终3-5个进入"深度研究"池（过去半年每日实操的稳定均值，周末数据波动在±2个以内）。
这个漏斗保证我不会被信息淹死。
分类和归档
所有项目用Markdown手动维护分类：AI Agent、AI Video、TTS、DevTools、Frontend……分类的好处是当某个赛道出现大量同类项目时，能判断方向是不是过热了。
商业化的判断
判断三个指标：用户痛点的刚需程度、部署复杂度、目标客户的付费习惯。每天花1-2小时做这件事（大半年每日记录的实际耗时范围，含信息源浏览和归档整理）。半年后回头看，你对赛道的判断和只刷碎片信息的人完全不在一个层面。
反向思考
这套方法在几个场景下不适用：已成熟项目需要深度源码学习时，50秒判断法反而有害；如果你的工作不涉及技术选型或创业方向判断，日复一日的追踪ROI很低；信息摄入密度高但单项理解必然浅，不适合需要亲自build的深度学习期。
带走
- 每天固定时间扫GitHub Trending，不中断——连续性比单日时长重要得多。
- 强制用50秒判断法做第一层筛选，超时就pass，不恋战。
- 维护一份个人Markdown分类表，每周回顾一次，删除不再关注的类别。
- 大半年后回头看自己的分类表，你能看到技术趋势的完整脉络。