夜雨聆风我用 AI 两天写完产品，上线后最安静的是后台数据。
这个小工具不复杂：输入一段内容，AI 帮你改写成更适合 SEO 的标题、摘要和页面描述。技术上很顺，前端页面、接口封装、模型调用、登录态、额度限制，基本都靠 AI Coding 一路推过去。
周日晚上部署完，我还挺兴奋。结果接下来几天，访问少，注册少，使用更少。最尴尬的是，连骂的人都没有。
这次经历让我重新意识到一件事：AI 把“做出来”的成本打下来了，但它没有降低“做对”的难度。
开发变快之后，真正暴露的是选题质量
以前做一个小工具，我会先想半天：后端怎么搭，队列要不要上，用户系统怎么写，支付后面怎么接。现在不一样了。
有了 Cursor、Claude、ChatGPT 这一类工具后，一个有经验的后端开发者做 MVP，很多工程问题都能被压缩。
我的大致流程是：
1.用 AI 拆需求
•把功能拆成页面、接口、数据表和提示词模板
•让它给出一个最小可用版本范围
2.快速搭工程
•前端用现成组件
•后端只保留用户、任务、调用记录、额度几个模块
•模型接口先做一层简单抽象，方便后面替换
3.补基础体验
•加 loading、错误提示、结果复制
•做简单的历史记录
•给免费用户一个试用额度
4.部署上线
•域名、数据库、日志、埋点都用轻量方案
•不追求完美架构，只求能跑通闭环
从工程角度看，这个过程没什么大问题。甚至可以说，AI Coding 的体验挺好。
问题出在另一个地方：我把“自己觉得有用”误判成了“别人愿意主动找来用”。
下面这个表，是我复盘时拆出来的矛盾点：
| 问题 | 表面现象 | 真正影响 |
|---|---|---|
| 功能可用 | 能生成标题和描述 | 用户没有强动机专门打开一个工具 |
| 页面完整 | 有登录、额度、历史记录 | 这些不等于产品有分发能力 |
| 模型效果不错 | 输出看起来像样 | 替代方案太多，差异感不明显 |
| 上线很快 | 周末就能完成 | 选题验证时间被我省掉了 |
开发快了以后，最容易产生一种错觉：既然实现成本这么低，不如先做出来看看。
这句话没错，但后半句经常被忽略：看什么？怎么看？从哪里来的人看？
如果没有渠道，没有搜索入口，没有明确用户群，产品上线其实只是从本地跑到了公网，并不等于进入了市场。
AI 小工具没人用，通常不是因为少一个功能
我一开始的反应也很典型：是不是首页不够好？是不是生成效果还要优化？是不是应该接更强的模型？是不是要加批量处理？
后来我把自己当成用户重新走了一遍，发现真正的问题不是功能少，而是使用理由不够硬。
我把这次失败归成四类。
| 原因 | 我的具体表现 | 用户视角 |
|---|---|---|
| 需求弱 | 解决的是“优化一下文案” | 有空就用，没空也不影响工作 |
| 入口浅 | 只发了朋友圈和几个群 | 用户根本不知道它存在 |
| 替代成本低 | ChatGPT 直接能做类似事 | 没必要注册一个新网站 |
| 场景不连续 | 单次生成后就结束 | 没有形成每天或每周的使用习惯 |
这里最值得说的是“替代成本低”。
很多 AI 小工具都卡在这里：功能看起来成立，但用户已经有了一个通用入口，比如 ChatGPT、Claude、Gemini，或者公司内部的 AI 助手。
你做一个“更垂直”的工具，必须回答一个问题：
用户为什么不直接在通用聊天框里复制粘贴，而要打开你的网站？
这个答案不能只是“我提示词调得更好”。
因为普通用户很难感知提示词差异，尤其在低频、轻量、非刚需场景里。他们更在意的是：少点一步、少注册一次、少切一个页面。
我这次的小工具，本质上更像一个“Prompt 包了个壳”。它不是完全没价值，但价值不够厚。
对独立开发者来说，这种产品很诱人，因为它好做、好展示、好发截图。但它也很危险，因为它很容易停在“Demo 很顺，增长很空”的状态。
我复盘后会重做的 3 件事
如果再做一遍，我不会先打开编辑器。
我会先做三件更慢、更不舒服，但更接近结果的事情：先发内容，先找渠道，先验证付费意愿。
先发内容，而不是先做产品
这个方向如果要做 SEO 工具，我应该先写内容。
不是写“我们上线了一个 AI SEO 工具”，而是写用户会搜索的问题，比如：
•产品页 title 怎么写更容易被点击
•独立站 meta description 有没有必要优化
•Product Hunt 发布页文案怎么准备
•AI SaaS Landing Page 常见文案问题
内容的作用不是宣传产品，而是验证问题是否存在。
如果一篇文章没人搜、没人点、没人收藏，说明这个问题可能不够强，或者表达方式不对。这个反馈比我闷头做功能更早、更便宜。
更理想的流程应该是：
1.写 3 到 5 篇问题型内容
•围绕具体场景，而不是围绕工具名称
•看搜索、点击和评论反馈
2.把内容里的手工步骤做成小表单
•不急着做完整账号系统
•先让用户完成一次核心动作
3.观察用户是否愿意留下邮箱
•邮箱比浏览量更接近意愿
•主动提需求的人，比围观的人重要
4.再决定是否产品化
•有重复问题再做工具
•没有重复问题就继续换角度
这听起来没有 Vibe Coding 那么爽，但更像是在做产品，而不是做作品。
先找渠道，而不是等用户发现
我之前对渠道的理解太天真：上线、发群、等自然流量。
但对一个新的 AI 小工具来说，这基本等于把摊位摆在地下室。
Product Hunt、Reddit、Twitter、SEO、公众号、开发者社区，每个渠道都有自己的语言。不是把同一个链接复制过去就行。
| 渠道 | 适合验证什么 | 不适合期待什么 |
|---|---|---|
| Product Hunt | 产品包装、英文受众第一反应 | 稳定长期转化 |
| SEO 内容 | 问题是否有人持续搜索 | 短期爆发 |
| 开发者社群 | 技术人群的真实吐槽 | 泛用户规模 |
| 公众号文章 | 复盘、过程、判断传播 | 直接大量付费 |
我现在更倾向于把渠道也当成产品的一部分。
不是产品做好了再推广，而是在选题阶段就问：这个东西未来靠什么被发现？
如果答案只有“我发一下朋友圈”，那就要谨慎。朋友圈反馈通常很友好，但不一定真实。朋友会点开看看，不代表陌生用户会在搜索结果里选择你。
先验证付费意愿，而不是先设计套餐页
AI SaaS 很容易让人提前兴奋。
你会开始想：免费版每天几次，Pro 版多少钱，团队版怎么卖，Stripe 怎么接，订阅状态怎么同步。
这些都重要，但太早做会分散注意力。
我这次真正应该验证的是：
•用户会不会为了这个结果付费
•用户愿不愿意把它放进工作流
•用户现在用什么替代方案
•用户对结果不满意时，是放弃还是继续调整
•用户是否愿意为了节省时间而不是为了尝鲜付钱
一个更轻的验证方式，是在产品早期加入明确的“付费信号”，不一定马上收费。
比如：
| 验证方式 | 观察点 | 判断价值 |
|---|---|---|
| 等待名单 | 是否愿意留下邮箱 | 判断兴趣强度 |
| 手动交付 | 是否愿意描述具体需求 | 判断问题复杂度 |
| 付费按钮 | 是否有人点击价格入口 | 判断付费意愿 |
| 咨询入口 | 是否愿意沟通场景 | 判断是否有真实业务 |
我以前会觉得这些有点“虚”，不如写代码实在。
现在看，代码是交付能力，付费验证是生存能力。对个人开发者来说，后者经常更稀缺。
AI Coding 适合加速交付，但不能替代市场判断
这次并没有让我否定 AI Coding。相反，我更确定它会成为独立开发者的基础能力。
它能帮我快速完成很多过去很耗时间的事情：
| 环节 | AI Coding 的帮助 | 仍然需要人判断 |
|---|---|---|
| 需求拆分 | 快速生成 MVP 清单 | 哪些功能根本不该做 |
| 工程实现 | 补接口、页面、状态处理 | 架构边界和长期维护 |
| 文案生成 | 提供多版本表达 | 哪种表达匹配用户语境 |
| Bug 修复 | 快速定位常见问题 | 是否值得继续修这个产品 |
但它也会放大一个问题：当实现太容易时，人会更容易跳过思考。
以前做错一个产品，至少会被开发成本拦一下。现在不一样了，周末就能做一个，连续几个周末就能做一堆。
这听起来像效率提升，其实也可能是更快地制造无人使用的页面。
对我来说，AI Coding 最适合的位置是：
•已经明确问题后，加速 MVP
•已经有用户反馈后，加速迭代
•已经确定工作流后，加速自动化
•已经知道渠道后，加速落地不同版本
它不适合替代这些事情：
•判断用户是否真的痛
•判断渠道是否可持续
•判断竞品替代成本
•判断用户是否愿意付费
•判断这个产品是否值得继续做
如果只是为了练手，随便做，没问题。练手项目不需要背商业目标。
但如果你把它当 AI SaaS 或独立产品，就不能只问“能不能做出来”，还要问“谁会在什么场景下反复用它”。
最近最值得写的，不是我做成了什么
我现在越来越喜欢看失败复盘，而不是成功故事。
成功故事当然有价值，但很多变量不可复制：时间点、渠道资源、已有影响力、运气、团队背景。失败复盘反而更接近普通开发者每天会遇到的问题。
尤其是 AI SaaS 这一波，很多人都进入了同一个阶段：
产品能做了，模型能接了，页面能上线了，但用户没有来。
这时候最值得写的，不是“我又做了一个工具”，而是：
•为什么这个工具没人用
•我在哪一步误判了需求
•哪个渠道其实不适合我
•哪些功能只是自我感动
•下次我会提前验证什么
这篇文章也是我给自己的提醒。
AI 让开发者拥有了更强的交付能力，但独立开发不是交付能力比赛。它更像是在一堆不确定里，找到一个足够具体、足够持续、有人愿意付费的问题。
我后面还会继续做小工具，但节奏会变一下：少一点“周末冲完上线”，多一点“先把问题放到真实人群里”。
如果你也做过类似的 AI 小工具，尤其是上线后没人用的那种，欢迎交流。很多时候，真正有价值的不是那个产品本身，而是我们终于看清了自己上一次为什么判断错。