这周 GitHub 上冒出两个新仓库，一个把模型自己写的 719 篇数学论文原样摆上架，另一个把自己找热点、自己写日报的整套引擎开了源。两个仓库都是两三周内冲到几千上万星，干的其实是同一件事：内容由 AI 量产，人只负责定标准。
一、openai/math：1.43 万星，OpenAI 把模型写的 719 篇论文摆上了架
10 月 6 日建仓，发稿时 14,283 星、1,609 个 fork，仓库描述干脆是空的，语言一栏标着 Lean。点开 README 才知道分量：这是 OpenAI 一个内部模型产出的数学手稿和配套证明材料，719 篇手稿，按结果归成 372 个「结果族」，配一份 overview.pdf 和一张按数学分支分类的手稿地图，CONTENTS.md 就是地图本体。
选题不是水货。编号 001 是 Milne 有理性猜想，002 是椭圆曲线的完整 BSD 主项公式，都是数论里挂着号的正经问题。README 里说得很直白：模型在既有的数学评测上饱和（考无可考）之后，公司把评估扩展到开放研究问题，这批结果就是这么来的。
验证方式也写清楚了：不是每篇都有 Lean 形式化，仓库在逐步补，README 直接承认「部分未形式化结果可能有问题，会尽快修」。所以它不是软件仓库，没有一行可跑的代码，就是 PDF 加 Lean 证明，你 clone 下来只能读。
二、AIHOT：7.3K 星，一个自己找热点、自己写日报的网站
9 月 28 日建仓，7,328 星、1,767 个 fork，TypeScript、MIT，线上站 aihot.news 就在跑同一份引擎代码。
它是一条完整流水线：六种信源（RSS、网页列表、JSON 接口、X 账号、微信公众号、脚本推送）抓进来，先判重再预筛，可能重要的条目用同一套标准独立打两次分，过门槛才写中文标题、答案先行的摘要和外文翻译；不同来源报道的同一件事聚成一个事件，热度按事件算，48 小时内一个独立来源只算一票、24 小时前的减半，一家媒体发十篇也只算一次；每天早上 08:00 出日报，周报月报从日报里汇编，编排这步干脆不调模型。线上实测页面中位数 10 毫秒，接口中位数 6 毫秒。
作者是设计师出身，README 里自己交代：「半年前还看不太懂代码，这套代码是我和 AI 一起重写的。」最值钱的部分他也没藏，每一步的提示词和入选门槛全在 industry/prompts/，改标准不用改代码，还能拿自己标注的样本跑 eval-selection.ts 校准选得准不准。想换成自己的行业，把仓库整个丢给 Claude Code 或 Codex，让它按 AGENTS.md 改 site/ 和 industry/ 两个文件夹就够，代码基本不用动。
跑起来要求不高：Docker + Node 24 + 一个 OpenAI 兼容的 Key（DeepSeek、千问、智谱都行），clone 下来 node scripts/init-env.ts --llm-key 生成配置，docker compose up -d --build，打开 localhost:3000，后台在 /admin。仓库自带 18 个海外 AI 示范源够你先跑通看效果，但作者说得很明白：信源和精选标准不换成你行业的，它就不是你的站。技术栈是 Node 24 + React Router 服务端渲染 + Fastify + PostgreSQL + pg-boss + Tailwind，对外还留了 RSS、公开 API、MCP 和 llms.txt，同一份内容人看和喂 Agent 是一份。名字和 Logo 不在 MIT 许可里，要开站自己换牌子。
顺带说一句，这类定时出稿的活我自己也在跑，套路差不多：定时任务加一个模型加一套筛选标准，区别只在标准写得细不细。上周那篇 9.98 万星的 claude-mem 讲的是让 Agent 记住你，这两个项目讲的是让 Agent 自己产出，都是同一条路上的零件。
实话
openai/math 别当定理引用。它自己都说了不是全部经过机器验证，数学圈的规矩是 Lean 跑通才算数，这批稿子只到「模型给了证明、人还没全审」这一步，1.43 万星说明大家是来看热闹的，不是来核对的。
AIHOT 也别当开箱即用。它是作者线上站的引擎导出，不是打磨过的通用产品，提示词里全是 AI 行业的口径，信源、门槛、出刊时间、模型每一步花多少钱都得你自己定，跑起来每一步都在烧你自己的 Key 额度（好在后台有预算熔断）。免费、开源、能用是三件事，它只占了前两件。
两条线放一起看就挺清楚：AI 早就能量产内容了，卡脖子的从来不是产量，是什么算数。OpenAI 拿 Lean 形式化兜底，还兜不全；AIHOT 拿你能随时改的评分门槛兜底，可门槛得你自己写对。仓库都是公开的，标准这活儿还是人的。
