DEEPSEEK HARNESS · DOWNLOAD NUMBERS · 0.1.11
怎么看自己的下载数:三种形状,一种信号
写这份东西的原因是:这个生态系统里每一个新作者都会看到自己的下载数上涨,然后高估它。包括我。这份文档给的是一个能自己跑的判别方法,不是安慰,也不是劝退。
所有数字都可以用文末的命令复现。测于 2026-11-10 至 11-18。
一、先知道底噪有多大
对目录里随机抽 200 个包,取 30 天的日下载序列,按形状分类:
| 形状 | 2026-11-10(随机 200 包) | 2026-11-15 复测 | 2026-11-16 复测 |
|---|---|---|---|
| 停在底噪带(≤40/天) | 58.6% | 60.1% | 63.8% |
| 静默(≤10/天) | — | 24.7% | 26.1% |
| 发布日爆发形 | 19.7% | 28.3% | 20.6% |
三个时间点的底噪带占比在 58.6%–63.8% 之间。也就是说:目录里大约六成的包,日下载长期停在 20–40 次,和有没有人用无关。
那一层是镜像同步、索引器、CI 缓存。它们的共同特征是跨包均匀——下一节就是怎么用这一点。
二、三种形状
拿到一个包的日下载序列,先看形状,再看总量。
形状 A:发布日爆发 → 衰减到尾
2026-11-10: 302 2026-11-11: 15 2026-11-12: 10 2026-11-13: 8
一天吃掉大半周量,然后掉到个位数。这是发布日索引器:镜像拉了一次、索引器扫了一遍、某个聚合服务缓存了 tarball。它不是使用。
判据:单日最大值 / 全周总量 ≥ 50%,且尾部落在底噪带内。
形状 B:平坦底噪
七天全部在 20–40 之间,没有尖峰。这是被持续扫描,不是被持续使用。判据:尾部三天均值 ≤ 40/天。
形状 C:持续高于底噪带
尾部三天都在 100 以上,且没有单日占掉一半。这是第一种可能是人的形状——但先别下结论,看下一节。
三、第三种形状里最容易犯的错:不看分散度
2026-11-18 实测我自己的九个包(发布 8–10 天),尾部三天均值:
117 119 121 122 164 171 178 180 /天 变异系数 CV = 0.186
九个不同的工具,速率落在彼此的 19% 以内。
这个数字本身就是答案:人们真正选择使用的九个工具,不会彼此相差 19% 以内。 有用程度不同的工具,用量应该分开——一个查合同的工具和一个查 LICENSE 的工具,受众规模差几个量级。落得这么均匀,只有一个解释:一个自动客户端在同时拉取它们,每包每天同样几次。
判据:跨工具的尾部速率变异系数 < 0.25 → 按自动化处理,不管水位多高。
一条推论值得记住:均匀性比水位更有说服力。 100/天 且九个包都在 95–105 之间,几乎一定是自动化;40/天 但两个包是 120 而七个是 8,反而可能是真实使用。
三b、同一条判据用在别人的数字上:反面校验
把这条判据用在目录头部,结果推翻了我原本的悲观。取周下载前 12 名,14 天日序列:
| 指标 | 目录前 12 | 我自己的 9 个包 |
|---|---|---|
| 尾部速率变异系数 | 1.617 | 0.186 |
| 日变化相关系数中位数 | 0.299 | — |
| 强相关(≥0.5)的包对占比 | 12.1% | — |
前 12 名的尾部速率从 billion-context 的 173,007/天 到 cc-safety-net 的 5,755/天,跨 30 倍。只有 12% 的包对同步波动。 这是十二个受众规模不同的工具应该有的样子。
结论:目录头部不是一台机器。 它们的水平是独立的,所以榜单头部的数字不能被一句「都是自动化」抹掉。
而我自己的 26 个包才是那个异常集合——九个工具落在彼此 19% 以内,而目录头部跨 30 倍。这个均匀性是「有人按作者维度批量拉取」的特征,不是生态的特征。
仪表指向生态,然后发现我自己的数字可疑——这是它正确的失败方向。所以:我的下载数在分散度变宽之前,不能被我当成任何事情的证据。 我最想拿来邀功的那个数字,恰好是测量最先取消资格的那个。
四、那什么才算信号
这个项目现在只认两个能被验的东西:
- 人工决策数:有人读完一份成果、写下证据、点了通过。这个数字不能自动化,也不能靠下载刷出来。
- 验收单摘要可核对:导出的验收单带被审文件的 SHA-256,文件事后被改动,同一份验收单会明确提示重新审阅。
两者都不是下载数。下载数是输入(有多少机器看过),不是结果(有多少人因此做了什么)。
五、自己跑一遍
# 目录分布的底噪带(约 10 分钟,全目录)
node scripts/ecosystem-snapshot.mjs --package 你的包名
# 抽样看形状(30 天序列,200 个包)
node scripts/ecosystem-snapshot.mjs --shapes 200 --seed 20261110
# 按周下载排名分层(回答「榜单有没有被发版日抬高」)
node scripts/ecosystem-snapshot.mjs --shapes-rank 200
# 自己的全部包:周量、发布天数、日形状、尾部三天、跨包分散度
node scripts/portfolio-signal.mjs
# 把分散度判据用在目录头部(回答「榜单是不是一台机器」)
node scripts/spread-check.mjs --top 12 --days 14
最后一条是本文第三节那个判断的实现。它会在输出里直接说结论,包括对自己不利的那种。
六、我因为这个方法改过什么
写下来是为了说明这套东西不是事后合理化:
- 撤回过一份提案。 我向官方市场提过「下载列加发布日标记」的建议。维护者说:如果你的数据能说明发版日形状在排序上造成排错,我们可以重新看。我跑了排名分层测量:TOP-200 的爆发形占比 10.8%,全目录 28.0%——方向相反,榜单没有被发版日抬高。数据不支持自己的提案,撤回了。
- 推翻过自己的一个读数。 一度以为 82% 集中两天是榜单常态,分层测量后发现自己的包才是那 10.8% 的例外。
- 改正过测量工具的一个 bug。 采样脚本有一个把数组索引当成包名的回归,产出过 63 和 66 个「名为 0、1、2 的包」的废数据。发现后修掉、重跑,并把废跑写进记录。
方法是自己的,就得对自己的结论一样苛刻。否则它不是方法,是修辞。
原始数据与命令:docs/ECOSYSTEM-BASELINE.md · docs/metrics/ · 本文所有数字均可用第五节命令在本机重跑。
方法与原始数据:docs/READING-DOWNLOADS.md · 本文数字全部可用第五节命令在本机重跑