作为一个连 Hello World 都敲不利索的产品经理，我没写一行代码，却上线了一款目前 3.2K Star 的 GitHub 开源工具。这篇文章想聊聊：一个"只会提需求"的产品，是怎么用免费的 AI 额度，把一个自用的小玩意儿养成了一款持续迭代的产品。

先把结论摆在最前面，免得觉得我在贩卖焦虑：

• 我 不会写代码 ，真的，一行都不会；
• 我 没花一分钱 买 AI 会员，全靠各家大模型的免费额度”薅羊毛”；
• 我做的这个工具叫 GithubStarsManager，一个用 AI 管理 GitHub 星标仓库的应用，目前在 GitHub 上有 3.2K Star，还进过 Trendshift 榜单。

如果你也是一个”手比脑子慢”的产品——脑子里全是想法，手上却啥也做不出来——那这篇文章可能会给你一点不一样的启发。

01 起因：一个产品的”收藏焦虑”

做产品的人，多少都有点”工具癖”。

我尤其严重。每天最快乐的事，就是到处翻新工具、体验新产品。而 GitHub，简直就是开源世界的宝库 ——每天都有无数好玩的项目冒出来，看到喜欢的，手一抖就是一个 Star。

一开始很爽。但 Star 攒到几百上千个之后，问题就来了：

我经常清楚地记得“我肯定收藏过一个做 XXX 的工具”，但真要用的时候，翻遍星标列表就是找不到。

GitHub 原生的星标管理，说实话相当原始：

• 一个长长的列表，只能按时间倒序；
• 搜索只能匹配仓库名，你得记得它 叫什么 ，而不是它 能干什么 ；
• 想给收藏分个类？对不起，官方的分组体验一言难尽；
• 更别提“我关注的这个工具，什么时候发了新版本”——完全没有一个统一的地方能追。

于是我的星标列表，就变成了一个 只进不出、越堆越乱的黑洞 。收藏 = 阅后即焚，收了等于没收。

作为一个产品，遇到这种痛点，第一反应当然是—— 找个工具解决它 。

我找了一圈市面上的工具，要么太偏技术人员使用，而且需要大量手动整理工作，要么想追更新还得单独再配一套 RSS。 没有一个能顺手解决我这套完整流程的。

那怎么办？

没有，那就自己造一个呗。

问题是……我不会写代码。

02 转折：不会写代码？那就让 AI 来写

放在两年前，”不会写代码想做个软件”就是个笑话。但 2025 这个节点，事情变了。

Devpost 举办黑客马拉松，在一个周末可以免费使用 bolt.new，我抱着”反正免费，试试又不亏”的心态，打开了 AI：

我想做一个能自动同步我 GitHub 星标、用 AI 自动打标签分类、还能语义搜索的桌面应用，你帮我一步步来。

然后神奇的事情发生了——它真的开始一行一行地帮我把代码写了出来。

这里必须说透我的核心方法论，也是这篇文章最想分享的一点：

我不懂技术，但我懂需求。我把自己会的（描述清楚”要什么、为什么、给谁用”）发挥到极致，把不会的（架构、写代码、修 Bug）全部外包给 AI。

关于”白嫖”，我也不藏着掖着，说几个实在的经验：

1. 各家大模型经常有免费额度，模型厂商要发新模型上 openrouter 内测，模型发布后 opencode 渠道限免，自家 coding 工具免费额度……我把它们轮着用，额度用完了就换一家；
2. 各种公益中转站 ：有时候手头暂时没有免费的token用，应急一下还是可以的；
3. 更妙的是，我做的这个工具本身就设计成 “自带 AI 配置” ——它不绑定任何一家厂商，你填谁的 Key 就用谁的，这套”多模型白嫖”的方法后我在使用自己开发的软件时也一直在用。

就这样，磕磕绊绊，第一个能跑起来的版本诞生了。虽然丑（没有做UI，当时的模型审美也不太好），但 它真的能自动把我的星标分好类，还能用大白话搜出来 。那一刻的成就感，不亚于我做过的任何一个上线项目。

03 从”自己用”到”开源”：社区的第一个陌生 Star

最开始，这纯粹是个 自用工具 。做出来就是为了解决我自己的收藏焦虑。

用了一阵子，我在几个社区随手发了一下截图，本意就是分享一下”我用 AI 搞了个小玩意儿”。结果评论区居然有人问：

“这个能分享一下吗？我也有一堆星标找不到。”

那一刻我才意识到：原来这不是我一个人的痛点。

于是我把它开源了，扔上 GitHub，写了个简陋的 README。

接下来的事情，就有点滚雪球的意思了：

• 有人提 Issue 说“能不能支持自定义分类”——我照做了；
• 有人说“能不能管理 Fork 和 Gist”——我又加了；
• 有人说“能不能支持CLI” —— 于是我做了MCP；

产品就是在这样一轮轮真实反馈里，从一个“星标整理器 ，长成了一个 GitHub 资产管理中心”。 Star 数也从个位数，慢慢爬到了 3.2K。

说白了，我做对的其实只有一件事：认真对待每一条来自真实用户的反馈 ——这恰恰是产品经理的老本行。

04 产品全景：它现在到底能干什么

聊了半天故事，得上点干货了。下面结合具体使用场景，尽量完整地介绍一下 GithubStarsManager 现在的能力。它早已不只是”管理收藏”这么简单了。

场景一：几千个星标，一键同步 + AI 自动分类

痛点：星标太多，手动打标签能累死。

连接你的 GitHub Token，应用会**自动拉取全部星标仓库**。然后重点来了——点一下 AI 批量分析，它会：

• 自动读取仓库的描述和 README，生成一句话摘要；
• 自动提取标签、识别支持的平台；
• 自动把仓库归入合适的分类（内置 14 个预设分类，也能自定义）。分类侧边栏支持 拖拽排序、自定义颜色、锁定分类防止被 AI 覆盖 。批量分析还能 暂停 / 继续，几千个仓库慢慢跑也不怕中断。

场景二：只记得”它能干嘛”，记不住名字——语义搜索

痛点 ：想找”那个能把网页转成 Markdown 的工具”，但死活想不起它叫啥。

传统搜索匹配名字，而这里支持 按意图搜索 ：你直接用大白话描述需求，AI 帮你找出最匹配的仓库。

想要更极致的精度？还有 向量语义搜索：把仓库描述 / 完整 README 嵌入成向量（存进你自己的 Cloudflare Vectorize 索引），用自然语言查询做高精度语义匹配，还能让 AI 做二次重排序。支持 OpenAI、Gemini、Cohere、Ollama、硅基流动等多家 Embedding 服务。关掉或失败时，会自动回退到关键词 AI 搜索，用起来无感。

值得一提的是，之所以选择这个方案，是因为 cloudflare 的 worker 和 向量库 都可以免费白嫖。就连硅基流动的 Embidding 模型也是免费白嫖。

场景三：喜欢的工具发新版，第一时间知道——Release 追踪

痛点：关注的项目更新了都不知道，等发现时已经是好几个版本之后。

订阅 你关心的仓库，所有新版本会汇总到一条 统一的时间线 里，按时间倒序排列，还有 已读 / 未读 状态。

更贴心的是 智能资产过滤 ：一个 Release 里几十个安装包，它能按平台（macOS / Windows / Linux / ARM）和文件类型（dmg / zip / deb / rpm / apk）帮你筛出你要的那个， 一键下载 ，还能配合 aria2 **推送到远程下载**。

同时如果仓库频繁发版，还可以设置只显示最新版，不会被眼花缭乱的发版记录弄疯。

如果想了解更新了什么，也可以读原始更新日志，以及用AI总结更新内容。

场景四：主动发现好东西——发现中心

痛点：想跟上技术趋势，又懒得天天刷 GitHub Trending。

内置 五大发现渠道：趋势（今日 / 本周 / 本月）、热门发布、最受欢迎、话题、搜索。数据来自 GitHub 趋势源、每 30 分钟自动更新，支持按平台和编程语言过滤，看到喜欢的可以 一键 AI 分析 或 直接订阅 。

场景五：不只是星标——Fork 与 Gist 也一起管

• Fork 管理 ：自动列出你所有的 Fork，检测上游更新 ，一键把上游变更同步到任意分支，甚至能直接在卡片上 查看和触发 GitHub Actions 工作流 。上游有新提交的 Fork 会有脉冲提示。
• Gist 管理 ：自动同步你的 Gist 和收藏的 Gist，支持 多文件在线编辑 （带语法高亮）、 AI 摘要 、 语义搜索 、一键复制、Star / Unstar。散落的代码片段终于有地方归置了。

场景六：给 AI Agent 用的”星标检索接口”——MCP 服务

这是拖了很久的一个功能，本来社区用户想要cli，但是当前技术栈不太好实现。通过场景收集，我觉得 MCP 可以很好的解决用户的场景。

应用可以开启 MCP 服务（支持 Streamable HTTP / SSE），让 Claude Code、Cursor 这类 AI Agent 直接检索你经过 AI 加工后的星标数据 。

也就是说，你可以在写代码时直接问 AI：”我之前收藏过哪些做数据可视化的库？”——它能从你的星标库里给你答案。设置里一个开关就能开，不用额外装东西。

场景七：数据是我的——本地优先 + 灵活备份

隐私是我从第一天就坚持的底线：

• 默认 100% 本地存储，数据不上传任何服务器。作为白嫖党我也不可能自掏腰包买服务器；
• BYOK：API Key 用你自己的，AI 分析想用哪家用哪家，成本和数据都握在自己手里；
• 需要跨设备？可选 WebDAV 备份 （坚果云 / Nextcloud / ownCloud 都行）；
• 想要跨设备实时同步、加密存 Token、绕过浏览器 CORS？还能自己部署一个可选的 Express + SQLite 后端 （有现成 Docker 镜像）。
• 甚至连 网络代理（HTTP / SOCKS5，密码 AES-256 加密）都给你配好了。

顺带一提：下载即用，全平台覆盖

不想折腾环境？直接下 Windows / macOS / Linux 桌面客户端 ，开箱即用。技术栈是 React 18 + TypeScript + Electron，纯前端也能跑。

05 我的”AI 自动化工作流”：我只负责把控需求

做到后面，我逐渐”干中学”，摸索出了一套相对成熟的工作流。核心思想还是那句话—— 我只做我最擅长的那一环，其余全部交给 AI 自动化执行。

具体分工是这样的：

你没看错，从架构到发版到社区运营， 基本都是 AI 在自动跑，我只在关键决策点上“点头或摇头” 。

我最深的一个体会是：

在 AI 时代，产品经理最大的护城河，不是会不会写代码，而是能不能把一个模糊的需求，拆解成 AI 能精准执行的、清晰的指令。

会写代码固然好，但如果你能把”要什么”想得足够透彻、说得足够清楚，AI 完全可以补上”怎么做”这一环。这，恰恰是产品经理的天然优势。

06 写在最后：一点真心话

回头看，这个项目给我最大的收获，其实不是那 3.2K 个 Star，而是它彻底改变了我对”能力边界”的认知。

以前我总觉得，”想法很多但落不了地”是产品经理的宿命——因为我们不掌握生产资料（代码）。但现在我确信： AI 正在把“落地”这件事的门槛，降到前所未有的低。

如果你也有一个憋了很久、却因为”不会做”而搁置的想法，我的建议特别简单：

别等了，打开 AI，从描述你的第一个需求开始。

最坏的结果，也不过是”又白嫖了一次免费额度”而已，对吧？

项目地址：https://github.com/AmintaCCCP/GithubStarsManager

桌面客户端下载：GitHub Releases 页直接下，Win / Mac / Linux 全都有

官网：https://gsm.aminta.top

文档：https://zread.ai/AmintaCCCP/GithubStarsManager

如果这个故事或这个工具帮到了你，欢迎去 GitHub 点个 ⭐️——那是对一个”不会写代码的产品”最大的鼓励。