一篇五百字的中文，插件告诉我：0字
先说个我看到就一激灵的事。有位开发者在V2EX发帖，说他Joplin笔记库里有三千多篇笔记，大部分是中文。
他想知道自己到底写了多少字，翻遍社区里现有的四个字数插件，结果一篇五百字的中文笔记，四个插件都给他算成了0字。
0字。不是差几个字，是干脆当你没写。
原因他也说了，特别朴素：这几个插件都是按英文的方式拆词，只认空格隔开的字母和数字，汉字全被跳过。中文写作里几乎没有空格，一整段汉字在它眼里就是一坨「不认识的东西」，直接归零。
他后来自己写了个能数对的，叫Recall，汉字和日文假名一个字算一个，英文按单词算，中英混排也能数对，还顺手上架了官方插件库。
我盯着这条帖子看了半天，因为这根本不是Joplin一家的毛病。这是你让AI帮你写文本处理逻辑时，十次里有八次会踩的一个坑。
而且是那种跑起来不报错、数字照样蹦出来、你还以为一切正常的坑。
不是模型笨，是它默认你在写英文
我一开始也觉得，这不就是个bug嘛，让AI改一下不就完了。后来自己试了几次才想明白，问题比这个拧巴。
你随口跟AI说「帮我写个统计字数的函数」，它大概率给你甩一段用空格切分、然后数数组长度的代码。这套逻辑在英文世界天经地义——英文本来就是单词加空格。
AI是照着这个世界的默认假设在写代码，它没错，它只是默认你也活在那个假设里。
真正没说清楚的人是我们。我们脑子里想的是「数中文字」，嘴上说的是「数字数」，中间那个「中文」的前提，压根没递给它。
它当然按最主流的英文套路给你办了。
这事的坑点在于反常识：越是简单的需求，越容易出这种默认偏差。你让它写个复杂算法它会小心翼翼，你让它「数个字数」它反而随手就来，因为它觉得这太基础了不用想。
结果基础的地方翻车最狠。
同一个坑还藏在别的地方。文本截断——你想「留前100个字」，它按字符或字节切，中文一刀下去可能切出半个乱码字。
文本摘要、敏感词过滤、按长度分页，凡是涉及「一个字算几个」的地方，只要它默认按英文来，中文场景就悄悄出错。它不崩，只是数字全是错的，这才最要命。
一段代码，先看它到底数没数对
所以我现在养成个习惯：任何涉及中文长度的逻辑，跑真数据之前，先拿一句中英混排的话去试，别信它嘴上说的「已实现」。
验证的思路很土但有效。准备一句典型的脏数据，比如「今天写了500字，happy coding」，里面有中文、有英文单词、有数字、还有标点。
然后分别看:纯按空格分词会得几?按Unicode逐字符判断中日韩区间会得几?
两个数字一对比,是不是数对了一眼就知道。
这种验证不用搭环境,贴一段脚本用Python在线运行当场跑一下就行,几秒钟出结果。核心就一件事:把汉字、假名这类CJK字符单独识别出来一个算一个,英文单词按空格算,Markdown符号、链接、代码块这些不该算的排除掉——这几条恰好就是那位开发者列的Recall的处理规则,说明真正数对了的人心里都清楚该数什么、不该数什么。
我踩过的教训是:别让AI一次写完就直接上生产。让它先把「怎么判断一个字符算不算数」这步单独讲清楚,你核对完这步,后面才靠谱。
这个坑我修过两次才学乖。
一个小到没人做的能力,其实有人天天在找
聊到这我想说个更有意思的角度——这种「不起眼的小能力」,恰恰是独立开发者的机会。
你想想,一个能正确数中文的字数统计工具,听起来是不是特别没技术含量?可就是这么个东西,四个成熟插件都做错了,还得有人自己动手写。
这说明什么?说明需求真实存在,但大厂懒得管,现成轮子又不好使。
这中间的缝,就是小工具能钻进去的地方。
同一批V2EX的帖子里,还有人在纠结「我用AI搓个小工具开源出去,是不是在给GitHub添乱」,也有离职做独立开发的人上架了四个APP卖不动、想回去上班。这两种情绪其实指向同一个问题:大家不缺做东西的能力,缺的是找到那个「小到别人看不上、但确实有人需要」的具体点。
「正确数中文」就是这种点。它不性感,但精准。
做公众号的、写小说的、做知识付费的、甚至只是想统计自己日更字数的人,都可能随手搜「中文字数统计」。谁的工具数得准、粘贴就出数、不用注册,谁就接得住这波人。
粘贴就出数,怎么把它变成一个在线工具
那怎么落地?我的思路是别搞成插件,门槛太高,直接做成一个网页,打开就能用。
最轻的版本,一个输入框加一个结果区就够了。用户粘贴文本,实时显示:总字数、汉字数、英文单词数、标点数,甚至按你自己的规则区分。
这种纯前端的交互界面,用HTML在线运行边写边看效果,改一版刷一下,调到满意为止。中文计数这部分逻辑如果想放稳一点、以后好扩展,也可以挪到后端用Python处理,前端只管展示。
做好之后别停在自己电脑里。把它挂上去,用Web应用托管给它一个能分享的地址,你才能扔进那些「求一个能数中文的工具」的群里、评论区、问答帖下面。
工具的价值不在你本地跑通那一刻,在于别人搜到它、用上它那一刻。
至于能带来多少访问、能不能变现,我没数据,这块标「待核实」,不替谁吹。但逻辑是通的:一个真实痛点 + 一个粘贴就出数的低门槛入口 + 一个能分享的链接,这三样凑齐,至少有了被人发现的可能。
今天能做的一件小事
如果你手上正好有涉及中文长度的代码——字数、截断、分页、摘要,随便哪个——现在就干一件事:拿「今天写了500字,happy coding」这句去喂它,看它数出来的数对不对。
对了,你少踩一个坑;不对,恭喜你,可能刚好挖到一个别人都做错、你能做对的小机会。别小看这种小机会,那位数中文的插件作者,不就是从「一篇笔记被算成0字」开始的么。