本来只是把刷题工具当作一个练手项目，没想到上线一周之后，后台用户数停在了754。没有投过一条付费广告，没找过推广群，靠的就是用户一次次“不服再来一局”的对战分享。这款AI驱动的对战式刷题小程序，从第一版到自然裂变跑起来，我踩了不少坑，也想清楚了很多事情。这篇文章把我完整的设计思路、AI接入方式、裂变链路和数据复盘记录下来，给同样在做学习类小程序的人一个参考。
1. 痛点定位：刷题这件事为什么留不住用户
1.1 从四个反常现象说起
在动手写代码之前，我花了很长时间回答一个问题：市面上的刷题App那么多，为什么大部分用户用完就删？
我观察到的第一个现象是“学错题但不看解析”。很多刷题软件把解析藏在折叠页里，用户对完答案就退出，解析根本没被看见。第二个现象是“无法感知进步”。刷了一百道题，界面只是把正确率从68%变成69%，这种反馈几乎为零。第三个现象是“越刷越孤独”。刷题本质上是高强度重复劳动，没有任何社交属性，一个人坚持不了几天。第四个现象是“反馈延迟”。对完答案，如果解析写得不清不楚，用户想问又找不到人，问题就堆积了。
这四个现象其实指向同一个核心问题：刷题的即时反馈链路是断的。答对了没有爽感，答错了没有解释，坚持了没有荣誉。我当时的判断是，如果能在这四个点上同时做突破，一个轻量小程序就有机会跑出来。
1.2 对战不只是“加个计时”，你想清楚给谁用了吗
“对战式刷题”听起来就是把排行榜加进题库，但真正做起来远没那么简单。我最初犯的错是完全照搬游戏里的天梯匹配，结果发现刷题用户和游戏用户的心智完全不一样——游戏用户追求操作快感，刷题用户在意的是输了之后能不能学到东西，赢的时候有没有成就感。
后来我把目标用户想清楚了三类人：
- 备考冲刺型：距离考试还有1-3个月，每天有固定刷题时间，对错题解析极度渴求。
- 碎片充电型：上班族、学生党，通勤和午休时间刷几道题，不追求排名，但讨厌无聊。
- 竞技体验型：把刷题当游戏玩，享受连胜和段位晋升，这类人占比不高但分享意愿最强。
主力用户是备考冲刺型，但能主动拉人进来对战的反而是竞技体验型。这两类人的需求不一样，产品功能得同时照顾到：对战玩法负责制造紧张感和话题度，AI讲解负责真正帮人学会错题。
1.3 和传统刷题产品的差异对照
| 维度 | 传统刷题App | 我这版对战式刷题小程序 |
|---|---|---|
| 反馈速度 | 提交整组试卷后看结果，周期长 | 单局60秒结束，立刻出胜负和成绩单 |
| 错误讲解 | 静态文字解析，容易跳过 | AI按错误知识点生成讲解，自动定位薄弱点 |
| 社交关系 | 排行榜、好友PK等弱互动 | 实时对战、段位碾压、战绩卡分享 |
| 留存机制 | 打卡、连续登录天数 | 段位掉分威胁、连胜记录、被挑战提醒 |
| 学习路径 | 按题库顺序刷 | AI动态调整题目难度，围绕薄弱点出题 |
这个表做完以后，我立刻把“AI讲解”和“对战段位”确立为整个项目的两根支柱，后面所有开发都围绕它们展开。
2. 我的设计取舍：先定玩法规则，再写代码
2.1 对战的基本流程：从发起挑战到结果页
我对战的流程设计非常简单，刻意没做新手引导，用户点进小程序就能开打。完整链路是这样的：
- 用户选择题库分类（第一版放了考研英语、行测、时政、教师资格证四个科目）。
- 点击“随机匹配”或“邀请好友”进入房间。随机匹配用系统分配对手，邀请好友则生成一张带二维码的挑战卡。
- 双方同时进入60秒倒计时，6道题逐题弹出。每道题必须在10秒内作答，超时判错。
- 计分规则：答对基础分100分，用时越短额外加成越多，连击3题以上开始叠加连击系数。
- 回合结束立刻显示胜负，跳出战绩页，包含本题得分、对手分数、知识点诊断结果和段位变化。
- 战绩页是整局游戏的核心出口，承载分享按钮、错题讲解入口和复活赛入口。
我特意把整个对局压缩在60秒内，理由是：用户手持手机时的专注窗口极短，对战不能在心理上产生“额外的时间负担”。60秒刷6道题，既不会让人烦躁，又能制造足够的紧张感。
2.2 匹配体系和段位的“数值游戏”
匹配不能随机乱配，否则青铜用户遇到王者只会被秒杀一次，然后彻底卸载。我参考了常见游戏中的ELO思路，但做了简化处理——只用一个Hidden Rating值代表用户实力，每局结束后按下列公式更新：
// 简化版隐藏分更新逻辑 const K = 32; const expectedScore = 1 / (1 + Math.pow(10, (opponent.rating - my.rating) / 400)); const actualScore = win ? 1 : 0; my.rating = Math.round(my.rating + K * (actualScore - expectedScore));我从并不打算堆一个复杂的真ELO系统，上面这段代码在服务端就是一个普通函数，代码量不大，但它保证了两件事：
- 匹配等待时间不超过5秒。用户基数少时，我把匹配范围放宽到前后200分的差值内，5秒内找不到人就逐步扩大到400分、600分。
- 段位不掉穿地板。青铜段位输一局不掉星，白银和以上输了才扣星，这个设定对新手非常友好。
段位体系我设置了青铜、白银、黄金、铂金、钻石、王者六级。前两档是新手保护期，后三档才是真正的竞技场。后来复盘数据的时候发现，高段位用户的对战场次是低段位的2.4倍，因为掉分威胁会逼着人回来“保段位”。
2.3 题库结构里藏着的三个坑位
题库是开发过程中最容易被低估的部分。我第一版塞进去600道题，看起来不少，但用户连续玩三天就会遇到重复题。针对这个问题，我按“知识点-难度-错误率”三个维度给每道题打标签，结构大致是这样：
{ "id": "Q-10086", "category": "gk", "knowledge_point": "数量关系-工程问题", "difficulty": 3, "options": ["A", "B", "C", "D"], "correctAnswer": "C", "errorRate": 0.47, "aiExplainPrompt": "用户做错了一道关于工程问题的数量关系题，答案是C，用户选了A" }这里我踩了一个重要坑：一开始题库是平铺的纯文本，没有结构化标签，导致AI讲解时无法定位知识点，经常给出泛泛而谈的解析。后来给每道题补上了knowledge_point和errorRate标签，AI才知道该讲什么、讲到什么深度。所以如果你也想做类似产品，题库结构设计永远先于功能开发，标签比题目内容本身更值钱。
3. AI具体渗进了哪三处咽喉
3.1 AI讲解：把错题讲解从“没人看”变成“想看”
AI在这个项目里不是噱头，在最核心的错题讲解环节做了深度介入。传统刷题App的解析是编辑预设好的题目详解，用户答错了就展示一大段文字。但这有个问题：用户犯错的原因千差万别，有人是概念没搞懂，有人是计算失误，有人是审题没看清，预设解析只能覆盖“标准错误”。
我的做法是把错题解析交给AI动态生成。用户答错后，系统把题目本身、用户选择的错误答案、正确答案以及知识点标签组合成一条Prompt，请求大模型生成定制化解析。Prompt大致长这样：
你是一位擅长[考研英语]的辅导老师。学生做错了一道题： 题目：[题干内容] 正确答案：C 学生错选了：A 请完成三个任务： 1. 用一两句话直接指出学生最可能的错误原因 2. 给出完整且通俗的解题步骤 3. 出一道同知识点的变式题并附带答案 格式要紧凑，总字数控制在180字以内。这条Prompt看起来简单，实际调过才知道里面的门道很深。最初我没限制字数，AI回答动辄四五百字，用户在对战结果页根本看不下去，下一步按钮都被挤到屏幕外面去了。后来强制压缩到180字，只保留核心推理链和变式题，查看率反而提升了35%。
AI讲解的插入时机也很有讲究。结果页展示一个“错题诊断”浮层，用户点击才会展开AI讲解，而不是强制弹出。因为刚结束一把紧张的对战，用户正处于情绪高点，强制让他看解析会打断情绪流，而下一次他想复习错题时再打开，才是真正的学习时刻。
3.2 知识点画像：AI把错题归集变成了一份活地图
每个用户的错题不能简单堆在一个列表里，那样没有任何指导意义。我在服务端维护了一个轻量级“知识点画像”——每次对局结束后，AI返回的错题诊断结果会被解析成结构化的知识点记录。
画像数据精度不需要很高，但维度要足够清楚：知识点名称、错误次数、连续错误次数、最近一次错误时间。根据这些数据，系统给用户打上一个“薄弱标签”，比如“函数极限连续错3次，当前处于薄弱状态”。
这个画像的用处有两个。第一，给用户生成“短板卡片”。每周一早上，系统自动推送一张卡片，列出本周错误率最高的三个知识点，并附带AI生成的三道针对性变式题。第二，在对战匹配的时候，如果两名用户具有互补的薄弱点，系统会优先让他们的题目更偏向各自不会的知识点——这是对局时隐性照顾了学习收益，让赢家不至于永远靠吃老本。
技术上只是一个小存储结构加几条查询逻辑，但它在产品心智上非常重要。用户会觉得“这个App懂我的弱项”，这比任何“你已经连续打卡7天”的提醒都更有留存说服力。
3.3 动态难度调节与成本控制
AI动态调节题目难度，这部分很多人想做，但我必须提醒一个前提：小团队别碰自训练模型，直接调大模型API就够了。
我用的方案是“分区难度浮动”。用户画像算出历史正确率，如果正确率高于75%，下一局题库就多分配difficulty为4-5的题；正确率低于40%，优先出1-2级的送分题。这个逻辑不是AI实时生成的推荐，而是用规则引擎结合画像数据做决策，成本极低且稳定可解释。
真正调用大模型API的场景只有三个：错题讲解、短板卡片生成、胜负文案生成。胜负文案属于可做可不做的锦上添花，我把它合并进讲解调用里，不单独增加请求。每天的API费用控制在8-10元之间，600个日活用户完全养得起。
如果只强调AI而忽视成本控制，这个项目上线第二周就会因为账单焦虑被砍掉。AI产品在小体量阶段，核心是把有限的智能能力用在高频刚需场景上。
4. 自然裂变这套增长链路是怎么跑通的
4.1 分享动作的底层逻辑：给用户一个“体面”的分享理由
“自然裂变”是标题的关键词，它和“红包裂变”“签到裂变”完全不同。红包裂变是拿现金诱使用户转发，用户转发的目的不纯，带来的流量质量极低而且成本不可控。自然裂变的本质是用户发自内心愿意分享一张卡片，因为你让他看起来很棒。
我设计分享卡片时反复强调一个原则：卡片的主角是用户自己，不是我的小程序。比如：
- 胜方分享卡：标题写“我刚PK赢了××，胜率88%登上本区榜首”，配一张段位勋章大图。用户分享的是自己的战绩。
- 短板突破卡：标题写“今天连错三次的知识点终于整明白了”，配知识点诊断图。用户分享的是自己的进步。
- 被挑战卡：标题写“有人向我发起挑战，这道题你会吗？”制造围观感。
这些卡片都不带“快来下载”的催促，只强调用户个人的“高光时刻”。但卡片底部一行小字“用××小程序和我PK”，足够带来点击转化了。
4.2 在不同入口埋分享钩子
分享钩子不能只放在结果页，那样太依赖即时情绪。我在几个位置都埋了触发点：
- 对战结束60秒内，胜方情绪最高，跳出“炫耀战绩”引导按钮，这是转化率最高的位置。
- 段位晋升时刻，从黄金升到铂金时弹出“庆祝一下”浮层，分享后赠送一次“保护卡”（下一局输了不掉星）。
- 每日短板卡片，固定在周一早上生成，用户分享这张卡片可以额外获得一套变式题练习次数。
- 被挑战通知，小程序订阅消息触达后，用户回到小程序看到挑战列表，每有一条未处理挑战就显示红点。
实测下来，对战结果页的分享点击率最高，接近22%的胜利用户会点击分享；段位晋升浮层次之，约8%。但短板卡片带来的流量质量最高，因为能看到卡片的人大多也是备考党，注册后次日留存明显好于对战分享带来的用户。
4.3 为什么我没有做红包裂变
很多人问我，为什么不做红包裂变，拉人速度会快很多倍。真实原因是：红包裂变会招来一批“为钱而来”的羊毛用户，他们下完App或进完小程序领完红包就走，不具备刷题意愿，对后续对局生态是纯粹伤害。
刷题小程序的增长要先考虑“对局生态的健康度”。如果匹配池里全是受邀而来但水平参差不齐且不活跃的“一次性用户”，真正常玩的用户会被糟糕的匹配体验劝退。所以我宁可自然裂变慢一点，也要求每一个新增用户至少完成一局对战才算有效注册。
我不反对用诱饵，但诱饵应该锚定在目标行为上。在我小程序里，“分享晋升”“分享短板卡”才是合适的诱饵——用户要完成一局对战、达到晋升条件才能分享，这保证了进来的都是“知道这玩意是干嘛的”的人。
5. 上线一周的数据复盘：700+用户到底从哪来
5.1 核心数据一页纸
上线七天，我把后台数据导出来整理成了下面这张简表：
| 指标 | 数值 |
|---|---|
| 累计注册用户 | 754 |
| 有效对战用户（完成≥1局） | 671 |
| 总对战场次 | 2824 |
| 平均对局时长 | 82秒 |
| 次日留存率 | 43.7% |
| 分享卡片总点击量 | 391 |
| 分享带来的新用户 | 312 |
| 新用户完成首局对战率 | 68.4% |
| 每日活跃峰值 | 136 |
754这个数字是累计的，日活峰值只有136，说明大部分用户不是每天都在玩。但次日留存43.7%在工具类小程序里已经算相当不错了，说明对战玩法的“再来一局”钩子是有效的。
5.2 用户比我想象中更爱“下午茶时间”对战
从时段分布上看，对战高峰集中在12:30-14:00和21:00-23:00两个区间。中午那波好理解，午休摸鱼是碎片充电型用户的典型场景；晚上那波更像是备考冲刺型用户结束白天工作学习后的固定练习时间。
有意思的是，周五晚上的对局量比工作日高出60%，我猜是因为“明天不上班/不上课”带来的心理放松——人们愿意在放松前用刷题来做个收尾。这提醒我把活动运营的重心放在周四和周五，连续两天的高活跃能直接影响周末的分享量。
另一个反常识的点是，女性用户占比54%，略高于男性，这与“刷题对战=男性竞赛”的刻板印象相反。后来想想也合理，教师资格证题库和考研英语的用户以女性居多，对战的社交属性让她们更愿意拉朋友一起玩。
5.3 转化率最高的三个场景
按新增用户来源拆分，前三名是：
- 胜利战绩分享卡：贡献新增用户约37%，来源于段位高、胜负欲强的用户，转化率中等但基数大。
- 好友挑战邀请：贡献新增约28%，只要A用户向B发起挑战，B大概率会回来应战，转化率最高。
- 短板卡片分享：贡献新增约19%，量不大但次日留存最好，几乎是所有来源里质量最高的。
这组数据再次验证了我的判断：自然裂变不是靠运气，而是靠给每个情绪峰值设计一个分享出口。对战赢了的兴奋、被挑战的不服气、突破短板的成就感，才是用户真正愿意开口分享的理由。
6. 踩坑记录和下一版的方向
6.1 三个差点劝退我的问题
开发第一周我遇到三个特别崩溃的bug，值得单独记录。
第一个是匹配等待超时。用户量少的时候，随机匹配经常10秒以上没结果，直接劝退。我当时的解法是“AI陪练兜底”——等待超过8秒，系统自动匹配一个AI机器人，机器人按照用户隐藏分上下浮动10%的正确率来答题，既保证了开局速度，又不会让用户察觉异常。AI陪练不只解决了体验问题，还可以在没有真人对手时持续产生对局数据，帮画像系统积累信息。
第二个是讲解内容过长导致页面卡顿。最开始AI讲解没有字数限制，有些回答超过800字，在低端安卓机上直接卡死。后来除了在前端截断文本，我还给后端增加了token上限限制，并启用了流式输出。流式输出能显著提升心理上的加载速度——用户看到文字一点点蹦出来，会比干等一个转圈圈安心得多。
第三个是题库JSON文件首包加载太慢。600道题的完整题库打包进小程序包会让首包过大，启动速度变慢。我采用的方案是按分类拆分题库，用户选择对应科目时才下载对应题库，并在用户玩第一局时预先缓存下一分类的题库。这个优化让首包体积从2.8MB降到890KB，冷启动快了40%。
6.2 下一版先优化这三件事
数据跑通之后，下一版的功能优先级已经非常清楚了。
第一，沉淀长期学习报告。当前对战结果页是一次性的，用户看不到自己一周内的知识点掌握曲线。我想做一个“7日学习轨迹”页面，用AI生成每周评价并推给用户，让用户因为“数据积累”而留下来。这类带学习属性的小程序，一旦用户离开一周再回来，看到清晰的成长轨迹会比“重新开始”更有动力。
第二，做“熟人赛”“宿舍赛”等多人模式。数据证明好友挑战的质量最高，所以多人房间玩法是放大这个优势的自然路径。3-4人的熟人局天然自带传播属性，建立房间的人会把参赛卡发到宿舍群、家庭群里，这又是一轮高质量裂变。
第三，UGC题库方向。600道题还是太少，下一步需要开放用户上传题目，并让AI负责上传题目的“质量审核”和“解析生成”——用户填完题干、选项、正确答案，AI自动补上解析和知识点标签，再进入人工抽检环节。这是把内容生产从我的瓶颈变成社区机制的唯一路径。
6.3 给想做类似产品的人三条建议
如果你也打算做一个AI驱动的工具类小程序，我最大的三条经验是这样：
第一，AI功能别求全，找三个高频刚需场景打透。做讲解就讲解到让用户“看完豁然开朗”，做画像就画像到“每周能精准推一道变式题”，不要一上来就做一堆看似智能但没人用的功能。
第二，对战类产品要格外关注段位保护和匹配等待时间。这两点决定新手用户愿不愿意留下来。宁可做AI陪练兜底，也不要让用户陷入长时间匹配等待。
第三，自然裂变的本质是情绪出口。用户分享不是因为你做了分享按钮，而是因为他在产品里获得了值得炫耀的胜利、值得同情的不服、值得记录的进步。把这三个情绪峰值找到，再设计对应卡片，才是自然裂变的正解。
这款小程序目前还在持续迭代中。我也说不准它能走到哪一步，但至少有一件事被验证了：用AI解决学习中的即时反馈问题，再把对战做成情绪放大器，这条路是走得通的。如果你手头也有类似想法，从一个小题库、一个AI接口、一个简单的段位系统开始，不用等什么都想清楚再动手——先上线，让用户告诉你下一步该做什么。
