是什么
AI 生成代码有个共性痛点：外观正常、逻辑注水——没证据就下结论、凑数重复、克隆他人的低质量模式。这种代码过了编译、能跑，但经不起长期维护。随着 AI 占代码比例上升，这个"质量负债"成了团队真实烦恼。
两个项目精准戳中它：
- anti-slop（2.6k 星）：把"反注水"写成 Opinionated Oxlint 规则，自动拒绝低证据的 TS/JS 模式——让 AI 写的"样子货"在 CI 阶段就被拦下
- avouch（Show HN）：作者"取消了付费 AI code reviewer，自己写了个免费的本地版"，只审你改过的那部分而不是继承下来的旧代码
两个信号指向同一结论：AI 时代的代码质量审查是刚需，且从"人工审"转向"规则引擎 + 本地审查"。对个人服务商来说，这是门槛低、需求明确的接单入口。
商业模式
B2B 服务：给团队搭'反 AI 注水'质量体系。工具免费开源帮你验证需求，你卖的是"搭建/定制/持续维护"这个工程能力，而不是工具本身。
变现方法
- 一次性搭建费：帮团队把 anti-slop/Oxlint 接入 CI，定制针对他们技术栈的规则集（见 Code 的单、几千到几万元不等）
- 订阅式规则/审查服务：持续更新规则库、定期 AI 代码审计，按月收费
- 模板/规则包售卖：把通用反注水规则集打包成"企业版规则包"多次售卖
- 配套咨询：AI 代码规范的培训 + 落地辅导
- 私有化审查：企业不想用云审查，做本地/私有部署的 AI 代码审查
门槛
- 技术门槛低中：核心是 Lint 规则 + CI 集成，属工程常用技能，一线工程师即可
- 需求已验证：anti-slop 2.6k 星 + avouch 上 HN → 需求真实
- 工具免费：无需自研核心，站在开源工具之上
所需技能
- 工程能力：Lint/静态分析、CI/CD（GitHub Actions 等）
- 逻辑：能把"注水代码"特征转成可配置规则
- 售前：能跟技术负责人讲清 ROI（省多少 Review 工时/少多少坑）
变现周期
1-2 个月。第一单从"帮一个认识的团队搭起来"开始，1-2 周可交付；转订阅后形成经常性收入。
投入成本
几乎全时间成本。初期 ¥200-1,000（域名/示例服务器），规则引擎全部开源免费。
可行性
4/5。AI 代码占比注定持续上升，"谁给 AI 代码把关"的问题只会更痛；工具链已现成，个人即可交付首单，无需重资源。
实操步骤
- 本地跑通 anti-slop + avouch，理解"注水代码"典型模式（高置信断言无依据、重复克隆块、过量 TODO/FIXME）
- 搭一个公开 demo 仓库：展示"一条 AI 注水代码 → 规则拦截 → 报错信息"
- 写 2-3 篇短文："AI 写的 JavaSc/TS 为什么又慢又脆——反注水规则实战"，发技术社区
- 找到 1 个在用 AI 编程的团队（大概率周围就有），免费帮他们在 CI 接上规则集，换取 case study + 转介绍
- 把通用规则包产品化，开始按项目/按月收费
- 扩展到其它语言栈和框架（Go/Python/前端框架规则）
风险与坑
- 规则误伤：规则太激进会误拦正常代码，惹恼团队——先从小步、白名单开始
- 需求被大厂抢：GitHub/Cursor 可能在编辑器里内置反注水——锁定"On-Prem + 定制"护城河
- 度量难证明：要能量化"拦截了多少坏代码/省了多少审阅"，否则客户难续费
- 别只卖工具：卖免费工具不赚钱，一定要走到"搭建/订阅/定制"的服务层
证据/验证
- anti-slop：https://github.com/dmmulroy/anti-slop（HTTP 200，2.6k 星）
- avouch：https://github.com/mukundzha/avouch（HTTP 200，Show HN）
- 数据来源：GitHub API + Hacker News Show HN，2026-08-19 验证