用 Vibe Coding 实现 GitHub Star 智能分类

Axiss

2026-01-24

技术 ai

背景与问题

作为一名开发者，我习惯将 GitHub 当做一个"网站"来浏览——关注"逛逛 GitHub"、"GitHub Daily"等自媒体账号，看到感兴趣的项目就随手点个 Star。久而久之，这个习惯带来了一个实际问题：

我的 GitHub Star 数量已经接近 700 个，其中很多项目已经遗忘在收藏夹中。

上周末我花了好久时间清理，最终保留了 312 个仓库。但这些项目涵盖了不同的技术栈、用途场景，不加以管理的话很快又会陷入混乱。

核心痛点

收藏容易，检索困难：Star 的时候只有简单印象，后续想用时很难找到
分类缺失：GitHub 原生没有提供 Star 分类功能
维护成本高：手动整理几百个仓库不现实

解决方案

受到 GithubStarsManager 项目的启发，我决定用 "Vibe Coding" 的方式快速构建一个自动化解决方案：

利用 LLM 的理解能力，自动分析每个 Star 仓库，每天定时运行，生成结构化的分类和标签。

技术选型

组件	技术方案	说明
开发语言	Python	生态丰富，适合快速开发
AI 分析引擎	DeepSeek API	性价比高，中文理解能力强
自动化调度	GitHub Actions	免费的 CI/CD 服务，支持定时任务
数据存储	GitHub 仓库	直接提交到仓库，版本可控
认证方式	GitHub Token	访问 Star 数据和提交更新

系统架构

┌─────────────────┐
│  GitHub Actions │  ◄─── 定时触发 (每天)
│   Cron Trigger  │
└────────┬────────┘
         │
         ▼
┌─────────────────┐
│   Python 脚本   │
│  - 拉取 Stars   │
│  - 调用 DeepSeek│
│  - 生成分类/标签│
└────────┬────────┘
         │
         ▼
┌─────────────────┐
│  DeepSeek API   │  ◄─── 分析仓库信息
│   (LLM 分析)    │
└────────┬────────┘
         │
         ▼
┌─────────────────┐
│  更新 README    │  ◄─── 自动提交
│   生成索引页面  │
└─────────────────┘

实现细节

1. 数据获取

使用 GitHub REST API 获取用户的 Star 列表：

import requests

def get_stars(token):
    headers = {"Authorization": f"token {token}"}
    stars = []
    page = 1

    while True:
        url = f"https://api.github.com/user/starred?page={page}&per_page=100"
        response = requests.get(url, headers=headers)

        if not response.json():
            break
        stars.extend(response.json())
        page += 1

    return stars

2. LLM 分析

设计 Prompt 让 DeepSeek 分析仓库信息并返回结构化数据：

def analyze_repo(repo_name, description, language):
    prompt = f"""
    分析以下 GitHub 仓库，返回 JSON 格式的分类和标签：

    仓库名: {repo_name}
    描述: {description}
    语言: {language}

    返回格式:
    {{
        "category": "一级分类",
        "tags": ["标签1", "标签2"],
        "summary": "一句话描述"
    }}
    """

    # 调用 DeepSeek API
    response = call_deepseek(prompt)
    return parse_json(response)

3. 定时任务

GitHub Actions 配置文件 .github/workflows/update.yml：

name: Update Stars

on:
  schedule:
    - cron: '0 0 * * *'  # 每天 UTC 0:00 运行
  workflow_dispatch:      # 支持手动触发

jobs:
  update:
    runs-on: ubuntu-latest
    steps:
      - uses: actions/checkout@v3

      - name: Set up Python
        uses: actions/setup-python@v4
        with:
          python-version: '3.10'

      - name: Install dependencies
        run: pip install requests

      - name: Run analyzer
        env:
          GH_TOKEN: ${{ secrets.GITHUB_TOKEN }}
          DEEPSEEK_API_KEY: ${{ secrets.DEEPSEEK_API_KEY }}
        run: python main.py

      - name: Commit changes
        run: |
          git config user.name 'github-actions[bot]'
          git config user.email 'github-actions[bot]@users.noreply.github.com'
          git add .
          git commit -m "Auto update stars" || exit 0
          git push

效果展示

分类统计

最终生成的 README 包含完整的分类统计：

分类	数量	分类	数量
AI/机器学习	37	Web开发	17
移动开发	28	框架	6
数据库	5	工具/库	138
DevOps/基础设施	11	游戏	22
教育	6	其他	4

仓库详情

每个仓库都会生成详细的信息卡片：

### ultralytics/ultralytics

⭐ 51917 | Python

这是一个基于 PyTorch 的 YOLO 目标检测框架，提供训练、验证和部署功能。

**标签**: `目标检测` `计算机视觉`

**使用场景**: 用于图像和视频中的目标检测、实例分割、姿态估计等计算机视觉任务。

标签导航

支持按标签快速筛选，比如：

自动化测试 (17 个)
Android (12 个)
逆向工程 (11 个)
性能测试 (9 个)

项目地址

完整的代码实现已开源：https://github.com/FanLu1994/my-star

总结

通过这个项目，我实践了"Vibe Coding"的理念：

快速原型：从想法到可用代码，仅用了几个小时
AI 赋能：利用 LLM 的理解能力，自动化原本繁琐的分类工作
云端运行：借助 GitHub Actions，零成本实现定时任务

现在我的 274 个 Star 仓库已经被自动整理成 10 个分类、383 个标签，检索效率大大提升。

最后更新: 2026-01-24 | 项目仍在持续优化中