30 天前，我只是想看看别人在 SOLO 比赛里写了什么。30 天后，我有了 7 个自己写的 Skill、一套跑通了 4000 个作品的竞品分析系统、和一份也许值得一看的榜单。

这不是一个技术大佬的炫技贴，是一个普通人用 AI 工具，认真做完一件事的记录。如果你也在 SOLO 比赛里摸爬滚打，或者好奇"一个人用 AI 到底能做出什么"，这篇可能对你有点用。

为什么要做这件事

我是一名独立开发者，平时主要做前端。SOLO 两场赛事接连进行——挑战赛 3400+ 个作品、技能创作赛 800+ 个技能——我一个个看根本看不完。光是把作品列表翻完一遍，就要花掉一个晚上。

但我又很好奇：这么多作品里，到底哪些是真正好的？评审有没有看漏的？公益赛道和主赛道比，质量真的更高吗？投票数高的项目，就一定值得看吗？

这些问题在心里憋了几天，越想越痒。于是我做了一个决定：写一套系统，让 AI 帮我看完所有作品。不是调用一个 API 就完事，而是从采集、评分、分析到审计，完整地走一遍。说实话，开始之前我也不知道能不能跑通。但我想，反正都是写代码，跑不通就当练手，跑通了就赚到了。

"不是调用一个 API 就完事，而是从采集、评分、分析到审计，完整地走一遍。"——这句话后来成了我整个项目的座右铭。

为了这件事，我写了 7 个 Skill

为了把这条流水线跑通，我前后写了 7 个 Skill，每一个都对应流水线上的一个具体环节：

  1. 反检测爬虫框架 — 数据采集利器，500+ 项目采集零封禁，断点续传不怕崩
  2. 规则评分引擎 — 可解释的评分系统，零 API 成本，每个分数都能追溯到具体关键词
  3. AI 批量任务编排 — 整个系统的数据处理核心，用 $8.5 的成本分析了 500+ 个项目，比直接调 API 省了 85%
  4. 数据审计工具箱 — 自动化数据检查，8 项自动检查，12 个碰瓷项目一键揪出
  5. PDF 导出解决方案 — 专业报告生成，一行代码解决 TailwindCSS v4 的 oklch 报错
  6. 后台认证系统 — 权限管理框架，JWT + RBAC + 操作日志，5 分钟接入
  7. 通用 Hooks 集合 — 常用交互组件，5 个高性能 Hook，数字动画零卡顿

它们不是孤立的小工具，而是串在一起的一套打法。爬虫框架解决"怎么拿到数据"，评分引擎解决"怎么给数据打分"，AI 编排解决"怎么让 AI 看完所有项目"，审计工具箱解决"怎么发现数据里的猫腻"。写到第三个的时候我就发现，Skill 这个东西，单个看不显眼，串起来威力很大——它逼着我把每一步都模块化、可复用，这其实也是工程思维的一种训练。

创作过程：五个模块，两个半小时

整个过程分五个模块走下来：

  • 模块一：全量采集（2 小时） — 用反检测爬虫框架采集 4000+ 个项目完整数据
  • 模块二：多维度评分（10 分钟） — 6 个维度评分：功能完整度 20%、创新性 20%、用户体验 20%、视觉设计 15%、技术难度 10%、实用性 15%
  • 模块三：AI 洞察分析（15 分钟） — 为每个项目生成一句话点评、SWOT 分析、改进建议
  • 模块四：数据审计（5 分钟） — 自动发现碰瓷项目、异常数据、质量问题
  • 模块五：报告导出（1 分钟） — React PDF 导出

最后总耗时约 2.5 小时，AI 成本 $8.5，代码量 63,600+ 行（前端 React 36,884 + Python 23,146 + Go ~2,100）。这里最有意思的是评分引擎。一开始我想直接用 AI 给每个项目打分，但跑下来发现两个问题：一是成本爆炸，二是分数不可解释——AI 给了一个 7.5 分，你不知道它是怎么算出来的。后来改成了关键词驱动的规则评分，每个维度的分数都能追溯到具体的关键词命中，整个系统的可信度一下子就上来了。

scoring_engine.py 
# 规则评分引擎 — 关键词驱动，可解释
SCORING_RULES = {
    "innovation":   {"weight": 0.20, "keywords": {"AI": 2, "LLM": 2, "独创": 3, "首创": 3}},
    "completeness": {"weight": 0.20, "keywords": {"完整": 3, "闭环": 3, "可用": 2}},
    "ux":           {"weight": 0.20, "keywords": {"交互": 2, "引导": 2, "动效": 2}},
    "visual":       {"weight": 0.15, "keywords": {"设计": 2, "配色": 2, "排版": 2}},
    "difficulty":   {"weight": 0.10, "keywords": {"算法": 3, "分布式": 3, "编译": 3}},
    "utility":      {"weight": 0.15, "keywords": {"实用": 2, "日常": 2, "高频": 2}},
}

def score(project):
    """每个分数都能追溯到具体关键词命中"""
    result = {}
    for dim, rule in SCORING_RULES.items():
        hits = [(kw, pts) for kw, pts in rule["keywords"].items()
                if kw in project.description]
        result[dim] = {
            "score": sum(pts for _, pts in hits) * rule["weight"],
            "hits": hits,  # 留痕，方便审计
        }
    return result

四个让我印象最深的坑

  1. TailwindCSS v4 的 oklch 颜色问题 — html2canvas 不支持 oklch，导出前遍历元素转 hex
  2. 爬虫被封 IP — 单 IP 采集 50 个请求就被封，引入 15 套浏览器指纹轮换 + 随机延迟 2-8 秒
  3. AI 分析成本超预算 — 500 个项目全量调用 API 成本 $50，先用本地洞察引擎筛选，只对有价值项目调用 AI，成本降到 $8.5
  4. 评分结果不可解释 — 改用关键词驱动的规则评分引擎，每个分数都有据可查

爬虫那个坑最深。最开始我以为加个 User-Agent 就够了，结果采集到第 50 个请求直接 403。后来才明白，现在反爬早就看指纹了——Canvas、WebGL、字体、屏幕分辨率，一组合就能识别你。上了 15 套指纹轮换之后，500+ 项目零封禁，这个 Skill 我觉得可以单独拎出来用很久。

anti_detect_crawler.py 
# 反检测爬虫 — 15 套浏览器指纹轮换
FINGERPRINTS = [
    {"ua": "Mozilla/5.0 ...", "canvas": "noise_1", "webgl": "vendor_a"},
    {"ua": "Mozilla/5.0 ...", "canvas": "noise_2", "webgl": "vendor_b"},
    # ... 共 15 套，覆盖 Canvas / WebGL / 字体 / 分辨率
]

async def crawl(urls):
    for i, url in enumerate(urls):
        fp = FINGERPRINTS[i % len(FINGERPRINTS)]
        await page.set_user_agent(fp["ua"])
        await spoof_canvas(page, fp["canvas"])
        await spoof_webgl(page, fp["webgl"])
        await asyncio.sleep(random.uniform(2, 8))  # 随机延迟
        await page.goto(url)
        if i % 50 == 0:        # 断点续传：每 50 个落盘一次
            await checkpoint.save()

成本那个坑也很关键。一开始我天真地以为 500 个项目全调 API 也就几十块，算了一下 $50，直接劝退。后来想了个办法：先用本地规则引擎做一轮粗筛，只对真正有看头的项目调 AI 做深度分析。这样一折算，成本降到 $8.5，省了 85%。这个思路我觉得对很多想做"AI 批量分析"的人都适用。

别一上来就全量 AI，先把脏活累活交给规则——这是这套系统给我最大的启发。

跑完之后，几个有意思的发现

跑完这套系统，有几个发现挺有意思：

  1. 公益赛道质量碾压主赛道 — 公益赛道平均分 5.2，Code-with-SOLO 4.8，More-than-Coding 4.5
  2. 展示图数量是胜负手 — A 级平均 18.5 张，B 级 12.3 张，C 级 4.2 张，D 级 1.8 张
  3. 创新性比实用性更重要 — 创新性与综合评分相关系数 0.72，六个维度里最高
  4. 教育类项目数量最多但质量最差 — 778 个，平均分 4.6
  5. 高票项目不一定高质量 — 投票 Top 10 中只有 2 个 A+，3 个 A，5 个 B

第一个发现让我有点意外。原本以为公益赛道是"情怀分"，没想到质量也真的更高。仔细想想也合理——做公益的人，往往更较真。第二个发现对所有做比赛的人都有用：展示图真的很重要。你辛辛苦苦写了一个月代码，最后因为展示图不够被埋没，太亏了。

第五个发现最"扎心"。投票 Top 10 里，只有 2 个是 A+，5 个是 B。说明人气和质量真的不是一回事。如果你想找真正好的作品，别只看投票榜。完整的双榜我放在了这里：https://soloscope-xd21y01q2.maozi.io/，感兴趣可以自己翻翻。

回头看这 30 天，最值钱的不是那 7 个 Skill，也不是那份榜单，而是"用一套系统把一件复杂事跑通"的体验。AI 不是万能的，但当你把它和规则、和工程、和较真结合起来，它能帮你做到的事，比你想象的多得多。