打开 Hacker News（以下简称 HN）首页，刷到第八个标题，你越来越容易产生一种感觉：这个帖子的标题和内容，到底是不是真人写出来的？
这不是什么“AI 焦虑症”发作，而是越来越多技术读者的真实体感。HN 在技术信息链路上位置特殊：独立博客作者希望文章被推上首页，创业团队指望一条 Show HN 带来第一批用户，招聘方甚至会顺藤摸瓜看到候选人的讨论质量。这个页面上的头条一旦被 AI 内容占据，影响的不只是“某条帖子有点水”，而是整个技术社区的信息筛选机制正在失灵。
最近，一位作者用两次抽样调查的方式，专门统计了 HN 头条里有多少内容疑似由 AI 生成。这个调查的价值，不在于它给出一个“30% 还是 60%”的精确数字，而在于把一件人人都在抱怨、却很少有人认真验证的事情，变成了可以重复检验的分析流程：怎么抽样、怎么判定、如何避免误伤真人作者。
所以这篇文章不打算复述或搬运某个具体百分比，而是想把这件事拆开来看：HN 头条的 AI 含量为什么值得关注，两次抽样调查应该怎么做，判定标准为什么难建立，以及作为普通开发者，我们该如何在这个越来越“嘈杂”的社区里继续找到高质量信息。
1. HN 头条的 AI 含量，为什么值得追问
HN 是由 Y Combinator 运营的科技社区，用户群体以工程师、创业者、产品和技术研究者为主。它的排名机制并不复杂：用户投票、评论、时间衰减共同决定一个帖子能不能出现在首页。这种机制看起来公平，实际上对“短期集中投票”非常敏感。
过去，要把一个帖子在短时间内冲到首页，需要相当真实的社群认可，或者较强的运营能力。现在，AI 内容生产者可以在几秒钟内生成一篇标题工整、结构完整的技术文章，再用脚本或群组在短时间窗口内投票。信息生产从“人写文章、人筛选”变成了“机器生产文章、机器投票、人工审核事后补救”。
HN 头条的商业价值也没有降低。一个独立博客帖子如果能进入首页，常常能带来单日数万次访问，这对广告收入、产品下载、邮件订阅都是不小的刺激。对内容农场来说，这样的流量回报足以覆盖批量生成内容的技术成本。AI 恰好把“生成一批表面上专业的技术文章”的门槛拉到了几乎为零。
所以，统计 HN 头条的 AI 含量，本质上是在观察一个依赖社区信任的推荐系统，在内容生产成本急剧下降之后，信息质量还能不能维持。
2. 两次抽样调查的设计思路
标题里“两次抽样调查”这几个字，比最终数字更值得琢磨。一次抽样只能得到一个时点上的快照，两次抽样才能观察变化趋势。
一次合格的抽样调查，至少要回答四个问题：
- 抽样的时间窗口：选工作日还是周末？连续几天还是随机选几天？
- 抽样的范围：是抓取首页前 30 条，还是前 50 条，还是包含 Ask HN 和 Show HN？
- 判定标准：什么算“AI 生成”？是使用检测工具、人工复核，还是统计标题和文本中的常见模式？
- 误差控制：不同判定标准之间的一致性如何？人工复核会不会受到个人偏见影响？
两次调查之间的间隔也很重要。间隔太短，检测方法不变，只能看到短期波动；间隔两到三个月，就可以对比“AI 工具更新之后”和“社区治理调整之后”的变化。更合理的做法是第一次采用宽松标准筛查一遍，第二次改用严格标准并加入人工复核。如果两次得到的结果差异很大，说明标准选择的影响比真实变化更大。
我强调这四个问题的原因在于，很多公开讨论里“AI 含量”最容易被吐槽的部分，恰恰是判定标准不统一：有人把“有 AI 味”等同于“一定是 AI”，有人用收费检测工具看一条 50 个词的新闻标题，得出毫无意义的结论。这种讨论注定很难有共识。
2.1 先定义“AI 内容”
调查最难的一步，不是抓数据，而是定义“什么是 AI 内容”。
严格定义是指整篇文章由大模型自动生成，未经人类有效编辑。但现实中有三种常见情况：
- 整篇文章由 AI 生成，人只做了发布动作。
- 人用 AI 辅助起草，自己改过结构和细节。
- 人写的文章被 AI 工具“润色”，改到连作者自己都不确定哪些是自己写的。
这三种情况边界非常模糊。如果以“全文自动生成”为标准，会漏掉大量改写后发布的内容；如果以“使用过 AI”为标准，会误伤正常使用辅助工具的作者。所以调查通常只能给出“疑似 AI”的比例，而不是“确定 AI”的比例。这个“疑似”本身就带着不确定性。
2.2 抽样时间与样本量
HN 首页内容在一天内变化很快，不同时间段采样结果差异会很明显。比较常见的设计是：在某几天里，每天定时抓取 topstories 列表，取出前 30 条，记录标题、链接、作者、发布时间、评论数等字段。之后把几天数据合并去重，得到一个样本集。
第二次抽样最好选择相差一到两个月的同一类时间窗口。比如第一次选在周二到周四，第二次也选在周二到周四，避免周末内容较少带来的偏差。至于样本量，技术调查通常不需要特别大，几百条帖子足够观察到稳定的比例区间；再大的样本就要考虑人工复核的成本。
两次抽样真正的价值，不是算出两个数字，而是看两个数字之间的差。如果第二次结果明显高于第一次，需要考虑是不是 AI 工具普及、内容农场加大投入、或者社区治理开始失效；如果结果基本持平，则说明当前生态处于一个相对稳定状态。
2.3 一次调查容易踩的坑
调查里最常被质疑的点是“样本偏差”。比如有人只在某个下午抓了一次首页，就得出“HN 一半内容是 AI”的结论，这当然不严谨。首页前 30 条在任何时刻都可能被一两条新闻热点占据，比如某巨头发布新产品、某开源项目爆火，这会稀释 AI 内容的占比；反过来，某些内容农场集中投放时，AI 内容占比又会异常升高。
另一个坑是只看标题不看正文。HN 上很多帖子是外链，头条位置展示的是外部链接的标题，正文在另一个网站。如果只看标题，很容易把标题风格类似 SEO 的真人帖子也判成 AI。严谨的调查需要抓取链接正文，至少抽取前几段进行分析。
3. 用 HN 公开 API 拉取头条数据
HN 提供了 Firebase 风格的公开 API，不需要申请 key，直接请求 JSON 就能拿到首页、新帖、单条留言等数据。做抽样调查的第一步，就是从这套 API 拿数据。
3.1 Python 获取首页前 30 条帖子
# 文件路径：hn_sample.py import requests API_BASE = "https://hacker-news.firebaseio.com/v0" def fetch_top_stories(limit=30): """获取 HN 当前首页讨论最热的前 limit 条帖子元数据""" top_ids = requests.get( f"{API_BASE}/topstories.json", timeout=10 ).json() stories = [] for story_id in top_ids[:limit]: item = requests.get( f"{API_BASE}/item/{story_id}.json", timeout=10 ).json() if item and item.get("type") == "story": stories.append(item) return stories if __name__ == "__main__": for story in fetch_top_stories(5): title = story.get("title", "") url = story.get("url", "") author = story.get("by", "") score = story.get("score", 0) print(f"{score}\t{author}\t{title}\t{url}")这段代码做的事情很简单：获取当前首页热帖 ID 列表，再逐个请求完整信息。topstories.json返回的是按热度排好的 ID 数组，直接取前 30 个即可。字段里的score是当前点赞数，by是投稿用户名，url是外部链接；如果帖子本身是 Ask HN 或文字帖，则可能没有url，只有text。
3.2 用 curl 快速查看单条帖子
如果只是想快速验证 API 返回结构，用 curl 更方便：
# 查看当前首页热帖 ID 列表前 20 条 curl "https://hacker-news.firebaseio.com/v0/topstories.json?print=pretty" | head -n 20 # 查看某一条帖子的完整字段 # 将 41100000 替换成实际帖子 ID curl "https://hacker-news.firebaseio.com/v0/item/41100000.json?print=pretty"第一次跑通这个 API，大概就能理解为什么 HN 的数据可以作为调查样本：所有头条 ID、标题、作者、分数、评论数都在公开 JSON 里，不需要登录，也不需要 OAuth。这对做抽样调查来说非常友好。
3.3 一个简单的标题模式统计脚本
抓回数据后，可以先做最简单的标题模式分析。AI 生成的文章标题往往带有明显的 SEO 模板特征，比如“如何在 2025 年提升 XX”“十个最佳 XX 实践”“终极 XX 指南”。这类模式不能当作定义 AI 的充分条件，但能作为第一轮筛选用。
# 文件路径：compare_surveys.py import requests AI_HINTS = [ "how to", "ultimate", "best practices", "top 10", "tips", "guide", "in 2025", "boost", "deep dive", "everything you need", ] def collect_top_stories(limit=30): top_ids = requests.get( "https://hacker-news.firebaseio.com/v0/topstories.json" ).json() items = [] for sid in top_ids[:limit]: data = requests.get( f"https://hacker-news.firebaseio.com/v0/item/{sid}.json" ).json() if data and data.get("type") == "story": items.append(data) return items def title_hit_rate(items): if not items: return 0.0 hit = 0 for it in items: title = (it.get("title") or "").lower() if any(h in title for h in AI_HINTS): hit += 1 return hit / len(items) if __name__ == "__main__": stories = collect_top_stories() rate = title_hit_rate(stories) print(f"当前首页 {len(stories)} 条帖子中，{rate:.2%} 的标题命中常见模板") for it in stories: title = it.get("title", "") if any(h in title.lower() for h in AI_HINTS): print(" -", title)运行这个脚本，你会看到一些标题命中模板，比如“How to build X in 2025”。但请注意，这个数字只是“标题模板命中率”，不等于“AI 内容占比”。真正要下结论，需要把这个脚本扩展到正文分析、作者历史、域名历史、人工复核，才能得到相对可信的结果。
4. 判定一篇内容是否由 AI 生成并不容易
从抓数据到做判断，中间隔着一道最难越过的坎：判定标准。
如果只看标题，误判率会很高。真人作者也会用“How to”“Guide”“Best practices”这类标题，因为它们在 SEO 上确实有效。反过来，AI 生成的标题也不一定都是模板，好的大模型可以写出与真人几乎无法区分的标题。
看正文会有更多信息。AI 生成的英文技术文章通常呈现几个特征：
- 段落结构过于整齐，几乎没有口语化表达。
- 大量使用 “delve into”“unlock the power of”“fast-paced world” 这类高频连接词和套话。
- 描述问题时缺少“当时我调试了多久”“这个报错在版本升级后出现过”这类真实经验。
- 代码示例往往逻辑正确，但缺少边界条件、错误处理和对特殊情况的解释。
这些特征都是弱信号，不是铁证。我在前面脚本里做的标题模式统计，也只是弱信号之一。真正可靠的判定，需要综合多个信号：
| 判定维度 | AI 生成内容的常见表现 | 人类专业内容的常见表现 |
|---|---|---|
| 标题风格 | 模板化、高 SEO 浓度 | 有具体背景、有个人视角 |
| 正文结构 | 章节平均、转折少、缺少意外 | 有重点、有偏离、有反思 |
| 经验细节 | 缺少真实报错和调试记录 | 会提到环境、报错、妥协方案 |
| 代码质量 | 示例简单、缺少边界处理 | 代码更破碎但贴近真实 |
| 作者历史 | 账号新建、只有少数文章 | 有连续更新、评论和回复 |
| 外部信号 | 域名注册时间短、无 About 页 | 有个人主页或项目背景 |
这里真正容易踩坑的地方是：把一个非英语母语作者写的短文章，误判成 AI 生成。因为检测工具和人工判断，都容易把“表达简洁、直白、缺少修饰”与“AI 生成”混淆。这在 HN 社区中已经引发过多次误伤。
5. 检测工具的准确率没有那么高
现在市面上有不少 AI 检测工具，比如 GPTZero、ZeroGPT，还有一些基于困惑度（perplexity）的检测模型。理论上，它们通过统计文本的“惯性程度”来判断内容是否由大模型生成。问题是：
- 大模型输出变得越来越连贯，检测模型的特征空间也在不断变化。
- 改写工具、翻译工具、人工润色，可以轻松绕过一部分检测器。
- 对非英语内容、短文本、非正式表达，误报率会明显偏高。
所以，合理的使用方式是：用检测工具作为第一轮筛选的辅助，不能在没有任何人工复核的情况下，把检测工具的分数直接当成结论。在调查类文章里，更稳妥的做法是建立一套“多信号综合评分 + 人工抽检”的流程，把工具输出当作证据之一，而不是唯一凭证。
对于普通开发者来说，也没有必要信任某个单一工具给出的“AI 概率”。如果你在 HN 上遇到一篇可疑文章，不用急着给它贴标签，先看评论区有没有人质疑，再看作者历史，最后再尝试从正文里找那些“只有真人才能写出来的细节”。
6. AI 内容为什么会持续涌入 HN
仅仅讨论检测方法还不够，背后还有一个更实际的问题：为什么 AI 内容会持续涌入 HN？
第一个原因是商业回报。HN 的外链对独立博客和产品页面能带来可观流量，高权重链接本身也有 SEO 价值。只要这个位置还存在，内容农场就会想办法批量生产文章并投放到 HN。
第二个原因是生产成本已经趋近于零。在 ChatGPT 等大模型普及之前，批量生成专业的英文技术文章需要写手，有成本、有门槛。现在，一篇 1500 词的技术文章可以在几十秒内生成，即使只有万分之一的帖子能冲上首页，整体 ROI
