判定方法论 —— 什么算「起飞」,凭什么这么判 · KanonAgent

这一页写的是我们凭什么说一个 AI agent「起飞」了。判据、阈值、我们做不到的事,全部印在这里。

把标准公开有代价 —— 它让我们没法事后找补。这正是重点:一个不肯说清自己怎么判的榜单,和一份广告位没有区别。

一、什么算「起飞」

我们不看发布当天的声量,只看公开信号里的真实牵引。每个来源按各自量级单独校准 —— GitHub 的 300 星和 Product Hunt 的 300 票不是一回事,用同一个数字卡两边只会得到噪音。

↑ 这张表的数字由系统实时输出,不是手写的。阈值调整时本页自动跟随,不会出现「页面写一套、实际跑另一套」。

二、为什么要求「够新」

一个三年前就有一万星的项目今天仍然有一万星,这不是起飞,是存量。所以每个来源都带时效窗口(上表末列):信号必须发生在窗口内才算数。我们要抓的是「开始涨」的那一刻,不是「现在很大」这个状态。

三、档位与去重

每个来源设多级阈值。同一个产品每档最多记录一次 —— 否则一个持续上涨的项目会把整个档案刷屏。首次发现某产品时设为基线档、不记为起飞:刚被我们采集到不等于它刚开始涨。

四、起飞记录只增不改

这不是承诺,是数据库层面的约束。breakout_event 表上有两个触发器,任何试图修改或删除已有起飞记录事实列(时间、数值、档位、来源)的写操作会被直接ABORT:

CREATE TRIGGER trg_breakout_no_edit BEFORE UPDATE ON breakout_event
  ... BEGIN SELECT RAISE(ABORT, 'breakout_event is append-only'); END

为什么值得做到这一步:一个会偷偷修改历史判断的雷达,没有任何参考价值。判断错了也留着 —— 你可以拿它检验我们的准确率,这正是我们希望你做的事。

五、拆解里的判断怎么来的

每个 agent 的拆解(解决什么场景、目标市场、定价、自主度等)由模型阅读公开资料后产出,规则有三条:

• 必须带原文引文 —— 判断和它的依据一起存,你能当场核。
• 读不出就留空,绝不编 —— 空字段是诚实的,猜出来的字段是污染。
• 数值一致性守门 —— 文本里的牵引数字会和结构化数据比对,超出一个数量级即判定为编造并整句留空(不做「删掉数字保留句子」的修补,半真的句子更危险)。

六、我们不做什么

• 不注册、不跑任务、不动手试。我们衡量的是公开信号,不是实测评分 —— 所以我们从不写「实测」二字。
• 不卖榜单位置。没有推广位、没有竞价、没有「合作伙伴优先」。
• 不靠感觉推荐。排序来自指标,不来自编辑偏好。

七、这套方法的已知局限

说清能做什么,也得说清做不到什么:

• 只看得见公开信号。企业私有部署、销售驱动的增长、闭门合同 —— 这些真实但不公开的牵引,我们看不到。榜上没有不等于它不行。
• 阈值是宽档。当前档位刻意放宽(「先圈进来」),宁可多圈也不漏,代价是会有噪音。收窄交给后续的复核环节。
• 采集是周期性轮询,不是实时流。所以我们写「持续追踪」而不是「实时」。
• 没有结构化锚点的数字,我们无法证伪。此时选择放行而不是删除 —— 我们不编数据,也不能凭「我查不到」就删掉可能真实的数据。

八、数据来源

Product Hunt · Hacker News · GitHub · HuggingFace Spaces · Reddit · Lobsters · TrustMRR,外加开放的社区提交。全部为公开可访问的来源;各来源的具体触发阈值见上表。

起飞记录可在起飞档案逐条查看:什么时候判定的、当时多少、现在多少。

继续看

• 首页 · 正在崛起的 AI agent 榜 —— 按崛起动能排序,每天更新
• 按用途选 agent —— 写代码、研究、客服、营销、销售等场景各自最好的 agent
• 赛道合集 · 本周精选 · English
• 起飞档案 —— 本方法论的全部判定结果,逐条可查