AI对战刷题小程序两周冷启动：零预算裂变700+用户的技术与产品复盘

从三月底立项到四月初上线，我用两周时间做了一款AI驱动的对战式刷题小程序，上线一周靠自然裂变涨了700多个用户，没有投一分钱推广。这篇文章把这套玩法的产品定位、技术方案、裂变设计和上线后的数据复盘一次性讲清楚，适合正在做小程序、教育产品，或者想用AI能力做增长模型的开发者参考。

先说结果：上线第7天，用户总量743，次日留存38%，人均对战局数5.2局，单用户分享率21%。这个数据放在刷题类工具里不算炸裂，但考虑到是零预算冷启动，且完全靠用户主动分享带来的新增，我觉得背后的机制比数字本身更有参考价值。

1. 为什么我从“刷题工具”转向“对战式刷题”：场景洞察与产品定位

在动手写代码之前，我先花了两天调研市面上的刷题产品。传统刷题工具的功能结构几乎一样：题库列表、章节练习、模拟考试、错题本。它们的共同问题是——用户打开一次就再也不想打开第二次。原因很简单：刷题是一个高认知负荷、低即时反馈的行为，人脑天然抗拒这种枯燥的重复。用户下载时以为自己需要自律，实际上产品需要替用户完成动机维持。

对战式刷题本质上是在刷题这个行为外面套了一层游戏化壳，核心解决三个问题：

• 即时反馈：每道题作答后立刻知道对错、排名变化、对方反应，不再等一套卷子做完才看到结果。
• 竞争动机：匹配一个活人或者拟人机器人，胜负欲会驱动用户把“做题”变成“比赛”。
• 损失厌恶：对战中途退出的心理成本远高于关闭一个普通练习页面，用户的单次时长天然拉长。

我锁定的目标用户是备考人群：准备考公、考研、考资格证的，以及高中生物理化学这类需要大量刷题记忆的知识点。这类用户的共同特征是：备考周期长、每天有碎片时间、对“进度感”极度敏感。传统刷题工具只能告诉他们“你做了100题”，对战式刷题可以告诉他们“你打败了80%的同级对手”，后者显然更能让人坚持。

在产品形态上，我刻意做了几个减法：

• 不做账号密码注册，微信手机号一键登录。
• 不做复杂的主页导航，打开就是“开始对战”按钮。
• 不做长题组，一局5题，全程控制在90秒以内。
• 不做付费解锁，前期所有功能免费，靠分享换次数。

核心逻辑是：让用户从点击到进入对战的路径尽可能短。每多一步操作，都会流失一批没有耐心的新用户。后来数据也验证了这一点，第一版因为有多余的引导页，新用户对战转化率只有43%，砍掉引导页后提升到了71%。

2. 从零搭建的技术方案：AI出题、实时匹配与数据存储

整个项目的技术选型我考虑了很久。单人开发，预算有限，还要在两周内上线，所以原则是：能用云服务解决的绝不自己搭服务器，能缓存的绝不多调AI接口，能走消息队列的绝不做复杂长连接。

2.1 技术栈选型与核心架构

最终的技术栈如下：

为什么不用传统的关系型数据库？因为初期数据量小，云开发自带的文档型数据库读写简单，不需要写建表语句，前端同学也能直接看懂数据逻辑。我预估即使做到一万用户，这个数据库也扛得住。

2.2 AI出题模块：不只是调接口，关键是可控性

AI出题是整个项目的技术核心。我需要AI能做三件事：根据知识点生成题目、生成干扰项、判断用户答案对错。

一开始我直接用大模型的Completion接口生成题目，很快发现两个问题：一是题目质量不稳定，偶尔出现题干和答案不匹配的情况；二是接口成本太高，每局对战都是实时出题的话，一个月光API费用就能吃掉我全部预算。

我的解决方案是三级缓存策略：

1. 第一级：热门知识点的高频题，提前用AI批量生成后存入数据库，用户请求时直接读取，不调接口。
2. 第二级：用户自定义知识点，采用“热度低于阈值时实时调用AI生成，生成后缓存24小时”的策略。
3. 第三级：极端冷门知识点，实时调用AI并同时触发异步校验，校验不通过就直接丢弃该题。

Prompt设计也踩了不少坑。最开始我的Prompt是“生成一道关于勾股定理的单选题”，结果AI经常输出题干里包含太多无效信息，或者选项长度差距过大，用户一眼就能猜出正确答案。

反复调了几版后，我总结了一个相对稳定的结构：

你是一名资深命题老师。请生成一道关于【知识点】的单选题。 要求： 1. 题干不超过50个字，场景化，尽量贴近实际生活。 2. 提供4个选项，每个选项长度接近，避免出现明显错误答案。 3. 正确答案随机分布在A/B/C/D中。 4. 输出格式为JSON：{"question": "...", "options": {"A": "...", "B": "...", "C": "...", "D": "..."}, "answer": "B", "explanation": "..."} 5. 必须在explanation中给出完整的解题思路。

JSON结构化输出这一条非常重要，它让我可以直接解析响应并入库，不需要再做字符串清洗。你能想象没有结构化输出时，我要从一堆自然语言里抠出题目和答案有多痛苦吗？

判题逻辑反而简单。选择题的判题不需要AI介入，用户提交选项，后端直接比对答案字段就行。真正需要AI的是主观题场景，但第一版我全部做成选择题，就是为了降低技术风险和成本。

2.3 实时对战匹配：从排队机制到半拟真机器人

对战匹配是最容易出问题的环节。两个用户同时点击“开始对战”，后端如何在3秒内为他们建立房间？我的实现逻辑是先入先出队列加超时兜底。

// 伪代码：匹配队列核心逻辑 const queue = []; const MATCH_TIMEOUT = 8000; // 8秒内没匹配到真人，填充机器人 async function joinMatchQueue(userId) { // 如果队列里有人，优先匹配 if (queue.length > 0) { const opponent = queue.shift(); return createRoom(userId, opponent.userId); } // 否则入队并等待 queue.push(userId); setTimeout(() => { const index = queue.indexOf(userId); if (index !== -1) { queue.splice(index, 1); return createRoom(userId, null); // null代表机器人 } }, MATCH_TIMEOUT); }

这里有个非常关键的细节：机器人不能太聪明，也不能太蠢。第一版我让机器人以80%的正确率作答，结果几乎所有真人用户都输，用户流失严重。后来改成根据真人的实时正确率动态调整机器人的正确率，保持对决胜率在50%上下，用户就会觉得“差一点就能赢”，从而不断再来一局。

为什么我会想到这个？因为我在测试时发现，当我连续赢3局后就开始无聊了。人需要的是“有赢有输的紧张感”，不是压倒性的胜利。对战游戏的核心魅力永远在于旗鼓相当。

2.4 数据库设计与答题状态同步

数据表一共四张，我花了半天时间设计：

用户表：openid、昵称、头像、当前段位、总胜场、总场次、今日挑战次数、邀请码。

对战记录表：roomId、用户A、用户B、胜利者、双方得分、用时、题目列表快照、创建时间。

题目缓存表：知识点、题目JSON、答案、出题来源（AI还是人工）、缓存过期时间。

分享记录表：谁分享的、分享给了谁、对方是否注册、是否完成了对战。这张表是裂变分析的核心，后面讲数据时你会看到它的价值。

答题状态同步用WebSocket实现。用户在客户端每做完一题，客户端向后端发送answer事件，后端更新房间内的双方进度，再向双方推送opponent_progress事件。这样用户能看到对方比自己快还是慢，这个“进度可视化”是对战中紧张感的来源之一。

// 伪代码：答题进度广播 socket.on('answer', (data) => { const room = rooms[data.roomId]; room.answers[data.userId] = data.answer; room.answeredCount += 1; if (room.answeredCount === 10) { // 双方共10题已答完，进入结算 calculateResult(room); return; } // 向房间内两人广播对方进度 io.to(room.roomId).emit('opponent_progress', { opponentAnswered: room.answeredCount, yourAnswered: room.answers[data.userId] ? room.answeredCount : room.answeredCount - 1 }); });

WebSocket断线重连也是个坑。真机上用户切后台超过30秒，小程序会被系统挂起，WebSocket断开，如果没做自动重连，就会出现用户回来看到“对战已结束”的空白页。我的处理是：断线后保留房间状态5分钟，用户重连后自动恢复对局快照，超过5分钟则判定对方获胜。

3. 让用户愿意分享的裂变设计：邀请机制、战报卡片与排行榜

技术做完了，产品只能算是“能用”，离“用户愿意分享”还差得远。这700多用户是怎么来的？答案是裂变。而裂变不是玄学，它是一套可以拆解和设计的机制。

3.1 分享的本质：给用户一个分享的借口

用户分享一个东西到朋友圈，核心动机就三种：展示优越感、表达身份认同、帮助朋友获得利益。对战式刷题小程序天然具备第一个动机——我赢了，我比对方厉害。但光有动机不够，用户没有“分享入口”也没用。

我的设计思路是在对战结算页面做文章。对战结束后，用户会看到三样东西：

• 胜负结果大字展示（赢家金色“胜利”标记）。
• 本局胜率变化（例如：“你的胜率从68%提升至70%”）。
• 知识薄弱点标签（例如：“函数单调性掌握欠佳，超过62%的用户”）。

然后是一个醒目的按钮：“生成战报分享战绩”。点击后，后端生成一张带小程序码的战报卡片，用户保存图片或直接调起微信分享。

那张战报卡片我改了三版。第一版是简单的截图，分享出去点击率一般。第二版加入了段位图标和排名百分比，点击率提升了不少。第三版加入了“与好友的成绩差距”，比如“你击败了78%的玩家，好友平均正确率57%”，这个变化让分享转化率从9%提升到了17%。

为什么“好友平均正确率”比“你击败了78%的玩家”更有效？因为前者制造了“比较”，让人产生“我比他强”或者“我不服”的情绪。情绪，是分享行为的直接燃料。

3.2 邀请机制：用利益杠杆撬动关系链

相比战报卡片这种“被动分享”，我更看重“主动邀请”。玩法是：新用户每天只有3次免费对战机会，但每邀请一位好友注册并完成一局对战，双方各获得2次额外机会，上限10次。

这个设计有两个深意：

第一，把“邀请”和“对战”捆绑在一起。好友不能只是注册，必须完成一局对战，邀请者才能拿到次数。这就保证了被邀请来的用户不是“僵尸用户”，而是真实进入产品体验过一轮的人。

第二，新用户得到额外次数，老用户也得到次数，双方都有正向激励。刚开始邀请5个人时，新用户几乎每邀请一个人就能立刻多打两局，这种即时反馈会刺激他持续分享。

实践中我发现一个有意思的现象：通过小程序自带的“分享给好友”按钮，转化率并不高。真正高转化的是“一段精心设计的文案加一个小程序卡片”发到微信群。所以我提前内置了五套分享文案，用户点击分享时随机选择一套，避免每个人分享出去都是一模一样的话，降低“广告感”。

3.3 排行榜：让竞争蔓延到社交关系之外

对战是短期的，排行榜是长期的。我做了两个榜单：日榜和周榜。日榜按当日胜场数排名，周榜按累计积分排名。每日零点结算，周榜冠军会获得一个“本周题霸”的专属头像框，头像框是可以展示在下次对战界面的。

排行榜的最大价值不是奖励本身，而是让用户在非对战时间也能打开小程序。我在上线后观察到，每天晚上11点到12点是日榜冲刺高峰，很多用户差一两场就能挤进前十，宁愿多打几局也要上榜。这个“临近截止时间的紧迫感”也是我设计的：日榜只展示前20名，但会显示“当前第21名与你仅差1胜场”，刺激排名靠后的用户再打一局。

榜上有名和榜上无名之间的差距，往往就几次分享的次数限制问题。用户为了多打几局冲榜，会更积极地邀请好友，这实际上形成了一个“对战→冲榜→分享→获得次数→再对战”的闭环。

3.4 裂变链路的数据追踪

光设计机制不追踪数据，等于盲人摸象。我在每个关键节点都埋了埋点：

上线一周后的数据是：战报卡片分享率21%，分享后好友点击率34%，点击后注册率62%，注册后完成首局对战率81%。也就是说，每100个对战用户大约会产生7个新注册用户。这个转化效率在社交裂变里算相当不错了。

而让我惊讶的是，真正贡献了45%新增用户的分发渠道，不是朋友圈，而是微信群。原因是：朋友圈的曝光确实大，但刷到的人不一定有刷题需求；而同一个备考群或者同学群里的用户，需求高度匹配。这也给了我一个启发：下次做分享引导时，针对微信群场景单独设计一套引导文案，而不是只盯着朋友圈。

4. 上线一周的真实数据与三个关键教训

数据是最诚实的产品经理。上线一周的复盘，我整理了以下关键数据：

这些数字里，最让我意外的是单局时长73秒。我原以为90秒的时长设计足够宽裕，实际上大部分用户在30秒内就完成了前3题，最后两题才是拉长时间的关键。这说明AI出的题目难度分布不够均匀，简单题太多。用户赢了没有成就感，输了会委屈。这直接影响了留存。

于是上线第三天我做了一次紧急调整：提高题目难度中位值，让5道题里至少有2道“稍有挑战”的题。调整后的数据是：单局时长提到了92秒，分享率从21%提升到26%。为什么分享率会提高？因为用户赢得更有成就感了。当用户觉得胜利是因为自己厉害，而不是题目太简单时，他才愿意炫耀。

4.1 教训一：机器人难度系数不是拍脑袋定的，要跟真人胜率挂钩

这个坑我前面提到过，但值得单独展开。第一版机器人的正确率被我设定为80%，结果真人胜率只有28%。用户玩了两局就卸载了，因为他们觉得“每次都输，这游戏不适合我”。

后来我改成动态调整逻辑：机器人不再是一个固定的正确率，而是根据真人前5题的正确率动态计算。具体算法是：

机器人目标正确率 = max(0.45, min(0.85, 真人正确率 - 0.05))

也就是说，机器人永远比真人稍弱一点，但差距不大，保证真人胜率在55%左右。这个55%不是拍脑袋得出的，而是我查阅了好几种博弈类的游戏数据，发现55%的胜率最能激发玩家的“再来一局”冲动。胜率太高人会觉得无聊，太低人会挫败，55%刚好制造“差一点就输了”的刺激感。

这个调整上线后，人均对战局数从3.1局提升到了5.2局。效果立竿见影。

4.2 教训二：AI生成的内容必须前置校验，上线后翻车代价太高

上线第二天，一位用户在某备考群里截图吐槽：一道题问“下列哪个选项是正确的”，四个选项全是错的，而系统给出的“正确答案”也是错的。这条吐槽被群友传播，差点成为一次负面危机。

这是我当时设计的一个漏洞：AI出题模块的校验只做了格式校验，也就是检查返回是否是可解析的JSON，没有做语义校验。AI偶尔会产生题干与选项不匹配、选项重复、三个选项明显错误等问题。最可怕的是这类题会随机出现在对战里，一旦有人截图传播，对产品口碑的伤害极大。

我的修复方案是加了两层机制：

第一层：每道AI题目在入库前，交给第二个独立的AI实例做审查，Prompt是“判断这道题是否适合作为选择题，检查题干与选项一致性”。审查不通过直接丢弃。

第二层：用户在对战过程中如果对题目点击“题目有误”按钮，题目会被标记为“待复核”，累计3人标记后自动下架，不再出现在任何对局中。

这两层机制上线后，题目错误投诉率从1.2%降到了0.1%左右。虽然后续偶尔还是有争议题，但至少有用户在使用的题目至少是经过双重检查的。

4.3 教训三：新用户引导必须是“一键直达”，不能有多余的思考

第一版的新用户流程是这样的：点击小程序 → 登录授权 → 阅读玩法介绍 → 选择备考科目 → 选择知识点 → 点击开始对战。一共6步，每一步都会有流失。

我看了一下漏斗数据：从点击进入到真正开始第一局对战的转化率只有43%，这意味着超过一半的新用户进来后根本没有体验核心玩法就走了。48小时后，这些未体验用户里只有2%会再次打开小程序。

砍掉所有多余步骤后，流程变成：点击小程序 → 登录授权 → 自动匹配默认科目和知识点 → 直接进入对战等待页。整个流程从6步缩到2步，第一局对战转化率提升到了71%。

你可能觉得“选择知识点”这一步很重要，但在冷启动阶段，产品还没有积累足够的用户口碑，任何一步多余的操作都是在赶人走。后期用户量起来后，可以再在设置里提供精细化的知识点选择。

其实这不仅是对战类小程序的原则，所有工具型产品都一样：第一屏永远只放一个核心动作，所有选择都放到次级页面。

5. 下一步这样做：内容生态、算法优化与反作弊

一周跑下来，产品的基本盘已经验证了：对战机制能驱动用户留存，分享机制能驱动用户增长。但我也清楚地知道，700+用户只是验证阶段的成果，要让产品持续增长，还有几个关键问题需要解决。

5.1 高质量题目的沉淀：从AI生成到人工精选的内容飞轮

AI生成题目只能解决“从无到有”的问题，不能解决“从有到优”。长期看，用户的段位会越来越高，简单的选择题无法再满足他们的需求。我计划分三步走：

第一步：通过用户的“题目有误”反馈和正确率数据，给每道AI题目打质量分。正确率高于85%或低于30%的题都会被重点审查，因为前者可能太简单没区分度，后者可能存在歧义。

第二步：引入人工命题。去年一起做教育的某位朋友愿意兼职帮我出题，按照每道题一定的报酬收购优质题目，这些题目会打上“人工”标签，在高端对局里优先出现。

第三步：开放UGC。等用户量到5000以上，允许资深用户自己创建题目集并发布到题库广场。对战模式会优先匹配同一知识点下的题目集。这一步做好了，内容生态才能真正转起来。

5.2 匹配算法升级：从随机匹配到段位制

目前的匹配算法是“队列里有人就匹配”，没有考虑段位差异。这个在一周内还能靠小流量运行，但用户量上来以后，青铜段位遇上传奇段位的挫败感会毁掉新人体验。

我的计划是引入ELO评分制，每个新用户初始分1500分，赢一场加20分，输一场扣20分，对手分数越高，赢得到的分数越多。匹配时优先找分差在100以内的对手，如果30秒内匹配不到，逐级放宽范围，直到找到对手或触发机器人兜底。

段位等级则用分数段划分：1200以下为青铜，1200-1399为白银，1400-1599为黄金，1600-1799为钻石，1800以上为大师。每个段位内部再分小级，胜利时显示“即将晋级”的进度条。

段位制的最大价值不是让产品更专业，而是给用户提供一个“长线目标”。刷题很枯燥，但如果你的一局对战分数影响到段位升降，你就有理由去刷题了。

5.3 反作弊：别等出了问题再设计

上线一周里已经出现了刷分行为。具体表现为：有人注册多个小号，用机器人兜底时故意输给主号，帮助主号刷胜率。我一开始没处理，是因为觉得量级小无所谓。后来发现一个小号可以在半小时内刷10场胜场，严重破坏了排行榜的公平性。

初步的反作弊策略是：

• 同一设备注册超过3个账号，后续注册直接拦截。
• 单局答题时间低于3秒钟的，判定为作弊，该对局结果作废。
• 对局中切后台超过2次的，警告一次；超过5次的，该局判负并冻结当日对战资格。

这些策略在技术实现上都不难，难的是在误伤真实用户和拦截作弊者之间找平衡。比如切后台这个指标，真实用户会因为他来电话、回微信而切后台，一刀切容易误伤。所以我加了一个缓冲：只有“切后台且最终获得胜利”的行为才会被重点审查，因为正常对战途中的切后台通常会导致失败。

坦白说，反作弊这部分的方案还比较基础。但如果不在这个阶段打下基础，后面用户规模扩大再想处理，就要面对大量历史数据清洗的麻烦。宁可现在损失一小撮刷分用户，也要保护大多数正常用户的公平体验。

5.4 商业化路径：先从虚拟权益做起

整个项目上线至今是零收入，广告主也暂时没有接洽。我的商业化想法是稳扎稳打：

• 第一阶段：出售“无限次对战卡”，月卡定价9.9元，买断当月的挑战次数限制。这个定价符合学生群体的消费能力。
• 第二阶段：出售限定头像框、称号、战报卡片皮肤。这类虚拟权益没什么成本，但能拉动一部分高粘性用户付费。
• 第三阶段：开放精品题库订阅。这需要内容生态建立起来之后再做，按科目或考期订阅，提供高频考点专项训练。

我比较警惕的是把商业化做重，影响了当前的增长逻辑。这款产品的核心增长引擎是“分享换次数”，如果付费用户跳过分享也能无限玩，分享动力就会迅速衰减。所以比较理想的路径是：付费解锁的是皮肤、称号这类社交炫耀型权益，对战次数本身依然要靠分享换。这样既不影响裂变机制，又能赚到一些不算少的基本收入。

现在回想起来，这次上线的最大收获还不是700多用户这个数字，而是验证了一个判断：AI在教育工具里最大的价值不是替代真人老师，而是降低内容生产的边际成本。对战式刷题里面，AI承担了选题、出题、判题中95%的重复劳动，我才有精力和成本去做游戏化设计和裂变机制。如果题库完全由人工编写，以我的个人精力和预算，根本撑不起一周700用户的增长速度。

最后再分享一个小技巧：设计分享文案时，别用“快来和我一起刷题”这种平淡的话，试试“我刚刚击败了XX%的玩家，你能超过我吗”。把分享变成一个挑战，转化率会明显提升。我实测过，挑战型文案比邀请型文案的点击率高出了40%左右。下次做任何带社交传播的产品，你都可以直接用这个思路。