AI用量追踪工具近30天收入2125美元:用户为不中断工作付费

一个只帮用户查看 AI 工具剩余额度的 iPhone 应用，最近 30 天收到了 2125 美元。

它叫 Limits 。支付数据页面显示，截至 2026 年 10 月 5 日，产品累计收入 6134 美元，月经常性收入 261 美元，有 286 个活跃订阅，数据由 RevenueCat API 连接验证。这个口径比创始人晒截图更可靠，但仍不是财务审计。更重要的是，收入不是利润，公开资料没有披露开发者最终赚了多少。

这个案例值得看，不是因为金额惊人，而是它揭示了一类容易被忽略的 AI 生意：不做模型，不生成内容，只解决 AI 工具带来的新麻烦。

人物与痛点： AI 越常用，“什么时候停”越值钱

Limits 的开发者是 Pranav Karthik 。产品最初很具体：把 Claude Code 的使用额度和重置时间做成 iPhone 桌面与锁屏小组件，后来扩展到 Codex 、 Cursor 、 Grok 和 Antigravity 。

它解决的不是“怎么把代码写得更好”，而是“还能用多久”。

对偶尔聊天的人，这只是一个百分比。对靠 AI 编码交付的独立开发者、自由职业者和小团队，它影响的是工作安排。 Anthropic 的官方说明显示，订阅用户会遇到滚动用量窗口；达到上限后，工作会停下来，直到额度重置。用户如果不知道剩余量，就可能在演示、上线或赶交付时被突然打断。

客户付钱买的不是一张漂亮仪表盘，而是三件事：提前知道什么时候会停，决定把额度留给哪项任务，以及减少在多个产品页面之间来回查看的时间。

这是 Limits 最重要的商业判断： AI 本身越强，围绕 AI 的用量、权限、账单和稳定性问题就越像生产工具问题。

产品与 AI 作用： AI 负责开发加速，产品负责消除不确定

Limits 并没有训练自己的模型。它通过用户授权连接各家工具，读取用量、周额度和重置时间，再在手机上集中显示。 App Store 页面称，访问令牌保存在设备的 iOS Keychain 中，用量数据也缓存在本地；开发者官网进一步说明，产品没有自建后端、没有自有账号，也不做分析追踪。

这让它的交付结构很轻：不需要持续承担大模型推理费用，也不必保存大量用户数据。人工智能在这里有两个作用。一是开发者在首发帖中提到用 AI 开发工具辅助制作小组件；二是它寄生在 AI 编码工具快速增长的新需求上。

换句话说， AI 不是售卖的结果，工作连续性才是。

第一批客户：先去痛点正在发生的地方

Pranav 没有先做一套复杂的品牌投放。他把应用发到 ClaudeAI 社区，直接展示小组件如何查看额度，并提供免费下载。

这条帖子里很快出现了三类信号：有人说已经下载并付费；有人提出多账号、语言和计时方式的需求；也有人质疑 OAuth 权限和账号安全。后两类反馈同样重要。功能请求告诉开发者谁会持续使用，安全质疑则指出成交最大的阻力是什么。

TrustMRR 列出的渠道也很克制： Reddit 、 App Store 优化和口碑。它没有证明大规模增长公式，却说明了第一批客户从哪里来——不是泛流量，而是已经被配额问题困扰的开发者社区。

国内普通人最值得复制的是这个顺序：先进入问题最密集的社群，展示一个能用的最小解法，再根据真实反对意见修产品。不要先买广告验证一个还说不清的需求。

收费：免费入口，低价订阅，加一个买断选项

美国区 App Store 目前显示， Limits 免费下载，月付 1.99 美元、年付 6.99 美元、买断 14.99 美元。这个价格不高，原因也很清楚：用户要解决的是一个高频小麻烦，而不是把整个开发流程外包给软件。

三档价格分别服务三种决策：临时试用者可以按月付费；确认长期使用的人可以年付；讨厌持续订阅的人可以买断。免费入口则让用户先验证连接是否稳定、自己是否真的需要常驻小组件。

但收入结构也有隐患。近 30 天收入明显高于 MRR ，合理推断是一次性买断或年付贡献了较多现金。它能让早期收入好看，却可能削弱未来经常性收入。公开数据不足以计算续费率、退款率和利润率，因此不能把 2125 美元直接理解为稳定月利润。

成本、利润与护城河：轻资产不等于没有风险

从公开结构看， Limits 没有自建后端，大模型推理成本也很低，基础设施支出可能较轻。但仍有四类不能忽略的成本： Apple 的支付与上架规则、多个供应商接口变化、用户支持，以及 OAuth 安全与隐私维护。

它的护城河也不是代码。类似小组件并不难仿制，平台甚至可能原生补上用量展示。更难复制的是：持续跟上五家工具的规则变化，让连接足够稳定；用本地存储降低用户顾虑；积累商店评价；在目标社区里建立可信度。

最大的风险正来自依赖。供应商改变接口、权限或服务条款，产品就要立即适配；任何一次账号安全争议，都可能让用户停止授权。另一个风险是需求窗口：当 AI 厂商把配额展示做得足够清楚，第三方工具的价值会被压缩。

国内怎么借鉴：复制“配套层”，不要照抄用量小组件

照着做一个中文版 Limits ，未必是好生意。真正可复制的是结构：找到一个因为 AI 普及才出现、频繁发生、能测量、会打断工作的麻烦，然后卖“看得见、提前知道、及时处理”。

可以从三个方向找：多模型或多账号的用量与账单汇总；企业内部 AI 账号的权限和到期提醒；面向设计、跨境电商或内容团队的任务额度与交付排期。先不要开发完整平台，用表格、自动提醒和人工周报给 10 个目标客户试用。

最小验证可以这样做：找 10 名每天使用两种以上 AI 工具的人，记录一周内因额度、权限或账单造成的中断；挑出发生至少三次、且用户愿意立即解决的一个问题；用手工提醒或简易看板收第一笔钱；只有出现 3 个付费客户，再把重复步骤写成软件。

停止信号也要提前设好：用户嘴上抱怨却不愿授权或付费；平台原生功能已经足够；维护接口的时间超过客户愿意支付的价格。出现其中两项，就不要继续堆功能。

Limits 的启示很简单： AI 生意不一定要让 AI 替人完成大任务，也可以把 AI 带来的一个小而昂贵的不确定性消掉。

你每天使用 AI 时，最常打断工作的，是额度、权限、账单，还是交付衔接？欢迎留言。关注「 AI 生意试验场」，后续继续拆解有收入证据、也写清风险的 AI 项目。