vibecoded-design-tells

该数据集通过挖掘Reddit公开讨论，收集了关于AI构建网站视觉特征的数据，包括扫描了3,214,533个帖子，覆盖47个AI和SaaS相关子版块，并提取了46,971个相关帖子和3,033条评论，用于分析人们识别AI网站的共同视觉特征。

This dataset collects data regarding the visual characteristics of AI-constructed websites by mining public discussions from Reddit. It scanned 3,214,533 posts across 47 AI and SaaS-related subreddits, and extracted 46,971 relevant posts and 3,033 comments from these materials, with the purpose of analyzing the common visual features that people employ to identify AI-built websites.

原始信息汇总

数据集概述

该数据集来源于 Reddit，旨在分析用户如何识别“AI 构建”（vibe-coded）网站的设计特征。通过对大量 Reddit 帖子和评论的挖掘，数据集揭示了哪些视觉特征最常被提及为 AI 网站的标志。

核心数据规模

• 扫描帖子数量：3,214,533 条，覆盖 47 个 AI 和 SaaS 相关 subreddit，时间范围为 2020 年至 2026 年。
• 相关帖子数量：其中 46,971 条帖子讨论了 AI 构建的网站，占扫描总数的 1.46%。
• 核心评论数量：从 125 个高度相关的主题帖（如“为什么 AI 网站看起来都一样”）中提取了 3,033 条评论，被视为最干净的信号。
• 验证结果：在 12 个被发现的设计特征中，有 11 个通过了独立验证。其中一个特征（“网格/斑点/极光背景”）因关键词误报被剔除。

核心发现

• 最主要的不满并非针对某个具体特征，而是网站“一眼就能被认出是 AI 做的”。“它们看起来都一样”和“看起来像 AI/垃圾”等说法在相关帖子中约占比 13%。
• 最受关注的具体特征排名如下：
  1. shadcn/Tailwind 默认样式和“AI 紫”渐变位居前两位。
  2. 常见的 Twitter 梗图特征（如 bento 网格、玻璃拟态、极光渐变）位列末尾或被拒绝。

时间趋势

关于此话题的讨论在 2024 年前几乎不存在。从 2023 年到 2024 年，相关讨论在帖子中的占比增长了约 150 倍。

数据内容与文件

该仓库包含了完整的脚本、原始数据、分析表格、图表和引用库。

• 脚本：包括数据采集、分析、图表生成和验证工作流（collect.py, harvest.py, analyze.py, make_charts.py, post_workflow.js 等）。
• 原始数据：
  • corpus.jsonl.gz：包含 46,971 条相关帖子。
  • comments.jsonl：包含 3,033 条核心评论。
  • 数据字段包括：ID、subreddit、创建时间、分数、标题/正文、永久链接。未收集用户名。
• 表格：comment_tell_counts.csv（评论级别的特征排名）、tell_counts.csv（帖子级别的特征排名）、扫描统计表、增长统计表等。
• 引用库：tell_examples.md 和 comment_tell_examples.md，包含带有永久链接的原始引文。
• 图表：十二张 PNG 格式的图表。
• 完整报告：DATA_AND_GRAPHS.md 包含完整的特征排名表、增长表和图表索引。

方法论与注意事项

• 计数方式：基于帖子或评论的占比（share），而非原始数量。一个在多个帖子中反复出现的特征排名会高于在单个帖子中突然出现的特征。
• 特征检测：通过同义词词典进行关键词匹配。
• 排名可靠度：评论级别的数据被视为主要排名，因为相关主题帖的讨论高度相关。
• 局限性：该分析是网络舆论的代理指标，相对排名比具体百分比更值得信赖。小规模 subreddit 可能存在噪音，关键词匹配可能遗漏讽刺或误判词义。每个特征的假阳性说明详见 DATA_AND_GRAPHS.md。

许可

• 代码：采用 MIT 许可。
• 数据：采集的文本为 Reddit 公开内容，版权归原始作者所有。

搜集汇总

数据集介绍

构建方式

该数据集源自对Reddit社区中关于AI构建网站视觉特征讨论的系统性挖掘。研究团队利用Arctic Shift公共存档，扫描了2020至2026年间47个AI与SaaS子版块中的3,214,533篇帖子，从中筛选出46,971篇相关讨论。通过识别125个核心话题线程，进一步提取了3,033条高度聚焦的评论，并采用同义词词典对设计特征进行标注与统计。为确保结果可靠性，团队对每一项高频特征进行了对抗性验证，最终排除了一个因关键词噪声导致的误判项，形成以评论级数据为主体的最终排名。

特点

该数据集最显著的特点是聚焦于用户识别AI构建网站时的直观视觉线索，而非抽象的技术指标。核心发现显示，“千篇一律”和“AI痕迹明显”是最普遍的抱怨，分别出现在约13%的相关帖子中。在具体设计元素上，shadcn/Tailwind默认风格和“AI紫”渐变位居前列，而社交媒体上流行的玻璃态、弯曲网格等元素反而排名靠后。数据还揭示了讨论热度的时间跃迁，相关内容在2023至2024年间增长了约150倍，反映了AI建站浪潮的爆发式影响。

使用方法

用户可通过按序运行Python脚本复现完整分析流程。首先使用collect.py统计帖子总量与年度分布，随后运行harvest.py和harvest_comments.py分别抓取主题帖与评论内容。接着执行analyze.py和analyze_comments.py进行特征标注，最后通过make_charts.py与make_charts2.py生成可视化图表。所有脚本支持断点续传，并依赖标准库与matplotlib，无需API密钥。预抓取的corpus.jsonl.gz压缩包可直接用于分析，解压后即可跳过采集环节。附带的数据表与引文档案为深入检验结论提供了完整支撑。

背景与挑战

背景概述

在人工智能辅助编程蓬勃发展的浪潮中，由AI生成的网站（即“vibe-coded”网站）在视觉上呈现出高度同质化的特征，这一现象引发了社区内的广泛讨论。该数据集由独立研究者于2025-2026年间创建，通过对Reddit上47个AI与SaaS相关子版块中超过320万条帖子的大规模挖掘，系统性地识别了用户用以识别AI构建网站的视觉“标志”。其核心研究问题在于量化并验证那些被频繁提及的设计特征，如shadcn/Tailwind默认样式和“AI紫”渐变，从而揭示技术与用户感知之间的张力。该发现对Web设计与AI人机交互领域具有重要影响，为理解AI生成内容的可识别性提供了首个大规模实证基准。

当前挑战

该数据集所面临的挑战主要来自两个层面。其一，在领域问题层面，核心挑战在于如何从海量、嘈杂的网络讨论中精确捕捉并分离出针对“AI网站外观”的特定信号，而非泛化的设计批评，这要求同时处理主题过滤与语义消歧。其二，在构建过程中，数据集需克服关键词匹配的局限性，例如“网格/模糊/极光背景”等术语因关键词噪声而被剔除，而讽刺性表达与实际指涉的区分对自然语言理解构成了严峻考验。此外，小规模子版块数据带来的统计噪声，以及时间跨度内讨论热度的剧烈波动（从2023至2024年增长约150倍），都使得趋势分析的稳健性与可复现性成为需要审慎应对的挑战。

常用场景

经典使用场景

在人工智能辅助设计与用户体验研究交叉领域，vibecoded-design-tells数据集为探究用户如何从视觉层面辨识AI生成网站提供了量化依据。经典使用场景聚焦于从海量Reddit讨论中抽取用户对AI建站外观的负面感知特征，通过扫描超过321万条帖子与46,971篇相关讨论，识别出如shadcn/Tailwind默认样式和“AI紫”渐变等高频视觉线索。研究者可借助该数据集进行视觉特征频次统计、跨子版块的热度对比分析，以及基于时间序列的公众关注度演进追踪，从而构建关于AI生成界面审美疲劳的理论框架。

解决学术问题

该数据集有效解决了两个核心学术问题：首先，它量化了公众对AI生成网站同质化现象的具体抱怨，通过对3,033条高度相关评论的对抗性验证，将“看起来都一样”和“AI味浓厚”等抽象感受转化为可测量的视觉特征排名；其次，它揭示了这一讨论从2023到2024年间约150倍的话题热度跃升，为理解技术扩散过程中用户审美感知的突变提供了时间序列证据。其意义在于首次用大规模自然语言语料佐证了AI工具在界面设计中引发的视觉趋同问题，推动了人机交互与计算美学领域的实证研究范式。

衍生相关工作

该数据集衍生出的经典工作包括基于多智能体验证的视觉线索确认流程（如后处理工作流post_workflow.js），以及通过同义词词库与对抗性验证提升关键词匹配精确度的分析方法。在学术层面，它启发了关于AI生成内容审美同质化的跨平台比对研究，例如将Reddit讨论与设计社区评论或用户测试数据进行关联分析。同时，该工作的可复现框架——使用标准库与公开存档即可再现完整流程——也为后续社交网络语料挖掘研究提供了低成本的方法论模板，鼓励更多关于技术审美感知的实证探索。