🌙 Reverie · 织梦

AI 情绪日记 iOS App — 用 Vibe Coding 从零独立交付一款完整产品

产品截图

产品定位

一句话：选一张图定氛围、语音碎碎念替代键盘、多模态大模型理解图+音，生成沉浸式诗意日记。

差异化：AI 不是让你更快，而是让你的情绪有出口。行业追逐效率时，Reverie 做体验。

🎯 目标用户

心理成长高敏感人群(30%) — 付费主力，愿意为情绪容器付费
习惯养成轻记录用户(50%) — 规模主力，每日打卡型
职场压力轻疗愈用户(20%) — 留存主力，小红书“情绪价值”受众

💡 Core Loop (4步闭环)

视觉锚定 — 选大图定氛围
语音碎碎念 — 自然倾诉替代键盘
多模态融合 — 大模型理解图+音
沉浸式生成 — 具象化诗意日记

市场规模 (Bottom-up 推演)

🌍 漏斗模型

全球智能手机用户：~65亿
18-44岁核心人群：~36亿（情绪记录需求集中年龄段）
TAM：36亿 × 5%（情绪记录/心理成长需求渗透率）= 1.8亿
SAM：1.8亿 × 10%（实际会用日记/情绪 App）= 1800万
AI-SAM：1800万 × 10%（愿意接受 AI 生成+沉浸式）= 180万
SOM (2-3年可争取)：180万 × 0.5% = 9万核心用户

💰 变现潜力

付费率 3%-5%（情绪类 App 行业基准）
潜在付费用户：5.4万 - 9万
定价 9.9元/月 → 年收入天花板 ~1000万

📊 关键假设

5% 情绪需求渗透率：参考 Calm/Headspace 用户规模
10% App 转化：有需求≠会下载，保守估计
10% AI 接受度：AI 生成内容仍有信任门槛
0.5% 可触达：无资本独立开发者的现实上限

技术架构

极致实用主义 · MVP 最短路径

UI层: SwiftUI (骨架) + WKWebView (如梦似幻的 WebGL 视觉)
存储层: SwiftData + @Attribute(.externalStorage) 外置高清图
AI层: 智谱 GLM-4V (多模态理解) + 阿里云 Qwen3-TTS (语音生成)
语音层: 原生 SFSpeech (零延迟本地识别)

Trade-off 1 视觉 vs 性能

引入 WKWebView 跑 WebGL → 性能代价换取"一眼惊艳"的梦境视觉

判断依据：情绪日记的第一印象决定用户是否愿意倾诉

Trade-off 2 云端 vs 本地

语音识别走本地 SFSpeech，不走云端 → 零延迟上屏的安全感

判断依据：情绪倾诉时 2 秒延迟 = 信任崩塌

Trade-off 3 存储策略

高清照片外置存储，数据库只存元数据

判断依据：日记 App 的照片会无限增长，数据库不能被撑爆

Trade-off 4 交互次数

锁死 turnCount >= 3，放弃无限闲聊框

判断依据：每次交互 = Token 真金白银，体验和成本必须平衡

算力账本与定价

0.2元单用户单日封顶 API 成本 6元 Worst-case 月度天花板 99% 成本来自 GLM-4V 多模态 9.9元/月引流定价（小微开发者税15%）

成本控制策略

智谱 GLM-4V 多模态处理：最高 4000 tokens ≈ 0.2 元/次
阿里云 Qwen TTS 语音：130字 ≈ 0.00169 元（可忽略）
风控熔断：每日 5 篇日记 + 20 次交互的物理上限
超额引导内购代币包（织梦石），不直接拒绝用户

产品决策

为什么做情绪日记而不是效率工具？

AI 效率工具赛道极度拥挤（Copilot/Cursor/Notion AI）。但"AI 作为情绪容器"几乎空白——技术的理性与体验的感性交织，才是差异化壁垒。

为什么选智谱 GLM-4V 而非 GPT-4V？

中文情感理解 + 诗意表达是核心体验。GLM-4V 中文生成质量更好，成本低一个数量级，且无需翻墙——用户体验的每一毫秒延迟都会破坏情绪沉浸感。

为什么 TTS 用 Qwen3 而非系统声音？

系统女声毫无感情，会瞬间打破"织梦"的沉浸氛围。但接入 Qwen TTS 踩了大坑——AI 助手死磕 REST 接口频繁报错，最终人工翻阅文档发现强制要求 SSE 流式协议。

视觉描述无法传达审美怎么办？

用千字长文描述"如梦似幻的流体质感"→ AI 输出硬邦邦的玻璃粒子。解法：停止废话，直接喂参考图。多模态 > 千言万语。

核心 Learnings

Learning 1 Vibe Coding 重新定义 PM 角色边界

从"写 PRD 然后等工程师做"变成"我来 drive AI 写代码，AI 盲区我 override"。PM 成为产品的全栈操盘手——审美判断、技术选型、成本控制、用户共情一肩挑。亲手做过之后，和工程师的对话质量完全不同。

Learning 2 AI 的盲区 = PM 的价值区

AI 不懂 SSE vs REST 的 API 演进（知识库过时）、不懂"这种 vibe"需要喂图而非文字描述、不懂用户对零延迟的心理安全感需求。这些需要人类判断力的地方，正是 PM 的不可替代性。

Learning 3 妥协是产品力的核心体现

每个 trade-off 背后是"用户最在乎什么"的优先级判断。选 WKWebView 不是因为它好用，是因为用户第一眼的惊艳感 > 后台性能数字。PM 的价值在于做对取舍，而不是什么都要。

Learning 4 成本意识是 AI PM 的必修课

每一次用户交互 = Token 成本。"包月体验无限"和"系统绝对可控"必须同时成立。定价不是拍脑袋，是从单用户 API 成本倒推 → 叠加平台抽成 → 再加风控熔断。AI PM 必须懂算力经济学。

Learning 5 警惕 Vibe Coding 的致幻剂效应

极易沉迷于"一个人做出一款 App"的虚幻爽感，忘记市场定位和商业可行性。产品经理的第一性原理永远是：解决真问题，并让它活下去。造梦很爽，但要在现实中醒来。

Emily Wu · Side Project Portfolio · 2026