vibecoded-design-tells

在“氛围编程”（Vibe Coding）盛行的今天，越来越多的网站呈现出一种令人不适的同质化和廉价感。用户往往一眼就能认出：“这又是 AI 生成的。” vibecoded-design-tells 是一个基于数据的开源研究项目，它通过挖掘 Reddit 上数百万条讨论，精准定位了那些让网站看起来像“AI 劣质内容”的设计线索，并提供了相应的 Claude Skill 来帮助用户清除这些痕迹。

核心发现：为什么你的网站看起来像“AI 生成的”？

该项目扫描了 320 万+ 条 Reddit 帖子，从 125 个权威讨论帖中提取了 3,033 条切题评论。研究发现，用户对 AI 生成内容的最大抱怨并非某个单一特征，而是**“它们看起来都一样”**。

在具体设计特征中，以下线索被提及频率最高，是造成“AI 劣质感”的元凶：

1. shadcn/Tailwind 默认样式：过度依赖未定制的组件库，导致界面缺乏个性。
2. “AI 紫”渐变 (AI Purple Gradients)：滥用紫色到蓝色的渐变背景，已成为 AI 产品的刻板印象。
3. 渐变英雄文本 (Gradient Hero Text)：标题使用廉价的渐变色填充。
4. 突兀的霓虹光效：不协调的高饱和度发光效果。
5. Emoji 作为图标：直接使用 Emoji 代替精心设计的 SVG 图标。
6. “居中英雄区 + 三张卡片”布局：极度泛滥的模板化排版。

趋势洞察：相关讨论在 2023 年至 2024 年间跃升了约 150 倍，表明随着 AI 生成内容的爆发，用户对“同质化设计”的敏感度正在急剧上升。

解决方案：Unslop 技能套件

基于上述数据，该项目构建了三个 Claude Skills，旨在帮助开发者和创作者移除这些“AI 线索”，强制做出有意的、针对项目的设计选择。

1. unslop-ui：清理网站视觉线索

• 目标：移除默认的 shadcn/Tailwind 外观、AI 紫色渐变、渐变英雄文本等。
• 功能：包含一个独立的扫描器，可以检查代码库，打印带有“vibe 分数”的发现，并根据退出代码控制 CI 流程。
• 理念：不强加某种特定外观，而是移除懒惰的默认值，迫使设计师做出 intentional 的选择。

2. unslop-text：清理写作中的 AI 腔调

• 目标：移除使文章读起来像 AI 编写的线索。
• 常见线索：
  • 滥用破折号。
  • “不只是 X，更是 Y”的句式。
  • 残留的助手模板（如“希望这对你有帮助”）。
  • 奉承式的开场白。
  • 高频词：delve, leverage, landscape。
  • “总之”式的机械收尾。

3. unslop-code：清理源代码中的 AI 痕迹

• 目标：移除使代码看起来像 AI 生成的线索。
• 重点：指出 Linter 通常会忽略的结构性问题，如过度注释、冗余的模式匹配、缺乏上下文的变量命名等。

如何重现研究与数据

该项目的全部数据和分析脚本均开源，无需 API 密钥即可复现。

运行步骤：

pip install -r requirements.txt
cd unslop-ai-ui

# 阶段 1-2：收集 subreddit 总数并按年份匹配
python3 collect.py            

# 阶段 3：收集相关帖子文本 -> corpus.jsonl
python3 harvest.py 3000       

# 从权威讨论帖中收集评论 -> comments.jsonl
python3 harvest_comments.py   

# 帖子级别的线索统计 + 前五个图表
python3 analyze.py            

# 评论级别的线索统计（更清晰的排名）
python3 analyze_comments.py   

# 生成诚实的评论级别 + 对比图表
python3 make_charts.py        

# 生成规模、原始计数、漏斗、集中度、共现、情感等图表
python3 make_charts2.py       

数据资产：

• 原始数据：corpus.jsonl.gz (320万+ 帖子), comments.jsonl (3000+ 评论)。
• 分析结果：comment_tell_counts.csv 等表格。
• 可视化：12 张 PNG 图表，涵盖增长趋势、线索集中度、情感分析等。

通过 unslop 系列技能，我们可以将这些数据洞察转化为实际的工作流约束，强迫自己和团队在每一个设计决策中注入意图（Intention）。毕竟，真正打动用户的不是完美的渐变，而是背后那个具体、鲜活的人。