做了个小程序叫“对战答题”，本质就是一个 AI 驱动的对战式刷题工具，用户匹配一个虚拟对手或者真人玩家，限时答题、按正确率和速度得分，赢了拿段位积分。上线第一周我没有投一分钱推广，靠着对战邀请、排行榜挑战和几轮小活动自然裂变，用户量到了 700 多。这篇文章把这个项目从定位、功能设计到增长玩法和踩坑经验完整拆一遍，给想做小工具、小游戏或者在线教育产品的朋友做参考。

1. 项目是怎么定位的：为什么非要做成“对战式”

1.1 传统刷题产品的三个痛点

市面上已有的刷题工具我基本都测过，题库型产品几乎没有留存。原因很直接：一个人对着题目列表往下刷，反馈只有“对了”和“错了”，情绪曲线近乎一条直线，新鲜感撑不过三天。

我最初做的是一个很普通的题库小程序，题目从列表里选，答完显示得分。上线两周只有一百多个用户，大部分是朋友捧场，留存率不到 10%。后来跟几个真实用户聊，反馈集中在三个地方：

• 刷题过程太孤独，没有紧迫感，容易刷着刷着切去短视频。
• 选项之间没有代价，错了也没有损失，对错全靠自觉。
• 题库是固定的，刷完一轮就失去了继续打开的理由。

这些问题靠“加更多题”解决不了。所以我把想法改成了对战式：答题不再是对着空气输出，而是有一个对手在逼你，你错一题对方就领先一步。这种即时反馈带来了竞争压力，也带来反复重试的动机。

1.2 对战机制给用户带来的心理驱动

对战式刷题本质上就是把“测评”变成了“比赛”。我觉得有三个心理机制非常关键：

一是损失厌恶。普通刷题做错只是扣分，对战做错会让对方得分，这种“失去领先优势”的感觉比扣分难受得多，逼着人认真读题。

二是比较心理。打完一局看到自己和对手的准确率对比，特别是某类知识点正确率比对方低，用户就会主动去打同样的题型扳回一局。

三是有限的及时奖励。我设计了三段式段位体系：青铜、白银、黄金，每次升段会有奖励提醒和排行榜变化。段位本身不值钱，但“上一局差 2 分升段”这种距离感很有效，能驱动用户立刻再打一局。

1.3 目标人群与使用场景

实际跑下来的用户构成比较集中。主力是备考群体，包括准备各类资格考试的职场人和准备期末考的学生，占比超过六成。他们刷题有明确目的，缺的是坚持的动力。

第二类是“碎片时间玩家”，工作间隙或者通勤时打开小程序打两局，不打算系统性学习，只想动动脑子顺便娱乐。这类用户是自然裂变的放大器，因为他们会主动转发邀请好友对战。

第三类是内容消费者，喜欢看题目评论区里的解析和讨论，对战打不好但喜欢围观排行榜。这个群体虽然不是对战主力，但承担了社区氛围的角色，会在排行榜和分享页里带来额外曝光。

核心使用场景我总结为三个：通勤 5 分钟快打一局、睡前和好友约战三局、考前一天集中冲刺模拟赛。三个场景对应不同的玩法模式，后续章节会拆开讲。

2. AI 到底嵌在哪：不是噱头，是三个实打实的环节

2.1 AI 对手：等不到真人时不让用户干等

对战类产品最大的坑是匹配等待。用户点“开始对战”，如果 3 秒内没有反应，流失率会直线上升。但冷启动阶段同时在线用户就是少，真实匹配经常凑不齐人。

我的方案是做了一个 AI 对手池，用户进入匹配后如果 5 秒内找不到真人，自动匹配一个 AI 模拟对手。AI 对手的答题速度和准确率不是固定值，而是根据用户的段位实时生成。

实现上用了简单的动态参数模型：先取用户最近 20 局答题的平均用时和平均正确率，生成一个“理论对手能力值”，然后在这个值上下浮动 8% 随机生成一个 AI 对手实例。对手的答题节奏按照预设的概率分布模拟，比如正确率 75% 的 AI，会在每 4 题里故意答错 1 题，错题速度模拟成人脑阅读时间而不是瞬时提交。

从用户感知角度讲，AI 对手打得越像真人，用户越不会因为“匹配到机器人”而失去兴趣。我在对战界面隐藏了 AI 标识，只在结算页用“虚拟对手”弱提示，实测用户对这类对局的满意度没有明显下降。

2.2 AI 智能出题：题库的“千人千面”不是靠搬运

如果所有用户面对同一套固定题库，对战就会变成记忆比赛——背答案的人赢，理解的人反而输。为了避免这个，我把 AI 用在题目推荐上。

用户每打完一局，系统会记录该局中每道题的对错情况和耗时。AI 层根据这个数据做两个判断：

• 哪些知识点是用户的薄弱项（连续答错、反应时间过长）。
• 哪些题目难度适合当前用户（正确率在 40% 到 80% 之间是最佳学习区间，太难打击信心，太简单没有训练价值）。

下一局对战出题时，AI 会从题库里抽出 60% 的基础题、30% 的薄弱项强化题、10% 的创新题。这个比例不是固定的，用户连续答对薄弱项题时，AI 会把比例提高到 40% 引导集中巩固，全部答对则提升难度档位。

这套逻辑最大的好处是让不同水平的用户都“有话可说”。新手遇见的多是基础概念题，高手遇到的多是综合应用题，对战双方感觉不到题目不对称，因为两个人面对的题目本来就是基于各自能力定制的。

2.3 自动答案解析：降低运营成本的关键

题库型产品最重的运营成本是解析内容。一个高质量的解析需要写解释、配图、划重点，人力做的话基本就是无底洞。

我用了一个折中方案：答案判断交给静态规则，解析内容交给 AI 生成。系统拿到用户答错的题目后，调用预训练的模型生成一段解释，包括正确思路和陷阱点提示，再结合题库里已有的知识点标签做裁剪。

这个方案跑下来，解析生成成本从每条几元降到了几分钱，而且覆盖了 90% 以上的错题场景。虽然有少量生成内容需要人工抽检，但工作量完全可控。我会在第四章详细说这里踩过的坑。

3. 上线一周自然裂变 700+ 用户，功能是怎么设计的

3.1 分享卡片：把“邀请”设计成比赛的一部分

自然裂变最重要的一环是分享动机。通常的做法是分享得积分，但我观察过很多产品的实际效果，用户为了拿积分转发的分享通常很勉强，打开率也低。

我换了个思路：分享不是为了拿奖励，而是为了“约战”。小程序里专门做了一个“好友对战”入口，用户创建房间后可以把卡片分享到群里，卡片上写着“我已连胜 3 局，敢来挑战吗”。收到卡片的人点击后不是直接进入小程序，而是先看到一句游戏化的挑战宣言，然后进入房间等待开局。

这种设计把分享行为包装成“下战书”，而不是“求点击”。一周跑下来，单次分享带来的新用户打开率在 22% 左右，远高于普通福利型分享的 5% 到 8%。

关键细节是卡片封面上不能只有小程序名称和二维码，一定要有一个动态数字。我放的是发起人的当前连胜场次或段位图标，这两个数值会随对局变化，每个用户分享出去的卡片都不一样，降低了审美疲劳。

3.2 排行榜与段位挑战：让强者想赢，让弱者想看

自然裂变光靠好友互相邀请是不够的，还需要一个“陌生人也能看到的展示面”：排行榜。

我做了两个排行榜：好友榜和全服榜。好友榜展示微信好友之间的积分排名，这个榜的作用是激活熟人竞争，谁都不想在好友列表里垫底。全服榜展示全体用户的排行，这个榜的作用是制造刺激——看到第一名有 8000 分，而自己只有 200 分，用户会产生追赶的冲动。

排行榜还承担了一个隐性的传播功能：我在每周日晚设置“段位保护战”，排名靠前的用户会收到系统消息，提示当晚如果再赢一局就能保住段位，若输了会掉段。这种临界的紧张感会让高分用户主动开赛，而且通常会邀请朋友观战或者对战。观战功能带有一个简单的弹幕系统，观战者发送的加油消息会实时显示在对战双方界面上。

经过这几套组合，一周数据是：好友对战邀请占比 42%，排行榜触动回流占比 26%，群分享卡片占比 18%，其余是搜索和自然流量。700+ 用户里，真正由“主动搜索进来”的可能不到 5%。绝大部分是靠对战邀请和排行榜挑战带来的。

3.3 裂变链路埋点：怎么知道用户是从哪来的

如果只统计“新增用户数”而不追踪来源，裂变复盘就是抓瞎。我在小程序里做了完整的埋点链路，核心是三个参数：

• share_campaign：区分邀请卡片、排行榜分享、组队分享。
• share_game_id：绑定到具体的对局或房间。
• inviter_id：记录分享人。

用户点开分享卡片后，系统会记录三步行为：进入落地页、授权登录、完成第一局对战。从这三个步骤的转化率能很快定位问题。比如某个渠道进入落地页有 300 人，但授权登录只有 80 人，说明落地页展示的信息说服力不够；如果登录了但没完成对局，说明新手引导出了问题。

第一周的实际数据是：落地页到授权转化率 68%，授权到完成首局转化率 55%。综合算下来，从点击分享到完成首局的完整转化率 37%。这个数据在工具类小程序里算比较健康的。后面我把分享落地页优化过一次，把“立即挑战”按钮从页面底部提到首屏，转化率从 68% 涨到 79%，这是整个裂变链路里性价比最高的一处调整。

3.4 做活动不送实物，送的是“对局权益”

很多小程序拉新靠红包，但红包会吸引羊毛党。我观察到一个现象：参与对战的用户里，最活跃的动机集中在“赢”和“变强”，而不是“得钱”。

于是我把活动奖励全部设计成对战相关权益：

• 邀请 3 个好友注册：获得“双倍积分卡”一天，当天对局积分翻倍。
• 完成 5 次好友对战：解锁专属角色头像框。
• 达到黄金段位：获得“模拟冲刺赛”入场资格，和全服前 50 名玩家同场竞技。

这些权益的成本几乎为零，但对目标用户有足够的吸引力。双倍积分卡尤其有效，它让用户在有效期内疯狂开赛，因为积分的边际效用提高了。活动期间的日活数据比平时提升了 40%。

有一个教训是关于任务门槛的。最初设定“邀请 3 个好友注册”时，我以为挺简单，结果好多用户邀请了两个就停在原地。后来发现是进度反馈不够，用户看不到“差 1 人”的紧迫感。加了进度条和“还差 1 人”的提醒后，这个任务的完成率提升了近一倍。

4. 实操过程中踩过的坑与技术方案调整

4.1 WebSocket 连接池：多人对战的并发隐患

对战类小程序最核心的实时通信是 WebSocket。我最初用单机部署的 WebSocket 服务，用户量在 200 以内没有任何问题，但到 500 人之后就出现高峰期连接不稳定，部分用户掉线重连后对局状态丢失。

排查下来问题出在三个地方：

• 单机连接数达到 2000 个长连接时，内存占用明显上升。
• 断线重连逻辑不完善，用户掉线后服务端没有等待重连，直接把房间关闭了。
• 没有心跳检测，大量僵尸连接占着资源。

我当时的调整方案是在两端做优化：

客户端加了心跳机制，每 30 秒发一次 ping，连续三次没收到 pong 就主动重连，重连时带上 gameId 和 sessionId，服务端通过这两个参数恢复房间状态。

服务端做了房间超时机制：对局开始后如果一方掉线，房间不会立即销毁，而是等待 60 秒。60 秒内重连成功则继续对局，超时才判定对方获胜。这个机制对用户体验的改善非常明显，掉线导致的战败投诉从每天 15 次降到了 2 次。

更远期的方案是把连接层单独拆成服务，和业务逻辑层分离。但这个工作量大，我目前只是把连接层换成了更成熟的网关组件，还没有完全重构。我觉得对于早期项目，优化现有架构而不是推倒重来是更务实的路径。

4.2 题库难度失衡：AI 把一部分用户喂偏了

题库系统上线后我发现一个怪现象：用户 A 的用户对局时长越来越短，而且正确率异常高，但去访问他的对战记录会发现，他其实是靠某个知识点反复刷分。原因是 AI 出题模块的薄弱项强化逻辑有漏洞——如果用户对某一类题反复答对，AI 会把同类题的出题权重继续提高，因为系统认为这是“优势项”，但优势项的过度出题会给用户造成虚假的强项感觉，同时对战平衡被破坏。

修复方式是给 AI 推荐策略增加了两个约束：

• 单个知识点的出题占比上限是 45%，防止过度集中。
• 引入“遗忘曲线”参数，用户超过 5 天没有练习某类题，AI 会重新插入基础题测试，确认是否真的掌握了。

这个调整对整体的公平性帮助很大，对战双方胜率从“高手碾压新手”变成了 52% 比 48%，对抗感强了很多。

4.3 AI 生成解析内容的质量控制

AI 生成的解析虽然便宜，但第一版效果惨不忍睹。主要问题是：

• AI 会用错误的逻辑解释某些陷阱题，误导用户。
• 有时生成了太长的一段话，用户根本没耐心看完。
• 对图片题和图表题完全没有解析能力（因为输入限制）。

后来我加了“解析模板 + AI 填充”的方案：每道题录入时人工写好关键点标签，AI 根据标签和模板生成解析，而不是完全自由发挥。这样既保留了个性化生成的优点，又限制了 AI 的自由度，错误率降到了 5% 以下。

关于这个环节我建议任何做 AI 辅助内容的产品都不要完全信任生成结果，一定要有“人机结合”的兜底机制。我现在的做法是：所有解析先过一遍 AI 自检（对照题库中已知的正确答案和知识点），再对高风险题（错误率超过 30% 的题）进行人工抽检。

4.4 排行榜实时更新：计算量从指数级降到线性

排行榜如果按用户每次打完就立刻全量排序，数据量大了会慢。初期 1000 用户还好，到了 8000 用户后每次排序都会卡几十毫秒。

我的优化思路是分级聚合：万人以内的排行榜，只实时维护前 200 名；200 名之后的数据每隔 10 分钟做一次批量重排。这样前 200 名的刷新延迟控制在 1 秒内，后段排名允许 10 分钟延迟，用户基本感知不到差异。

如果你也在做类似的功能，我的建议是：不要一开始就用复杂算法，就用最简单的“定时任务 + 缓存排序”，性能足够支撑万级用户，等规模大了再上真正的分布式排序方案。

5. 常见问题与排查实录

5.1 对战匹配不到人就一直转圈，怎么办

线上版本发布后接到最多的问题就是“开始对战后一直转圈”。定位后发现是匹配逻辑里的一个超时参数设置得太长，默认 30 秒后才降级到 AI 对手，普通用户根本等不了那么久。

修改方案：5 秒内匹配不到真人就直接分配 AI 对手，同时在前端提示语上写“正在为你匹配实力相近的对手”，不区分真人和 AI。改完后开始对战的跳出率从 35% 降到 8%。

5.2 用户分享的卡片被折叠或无法正常跳转

小程序分享卡片在部分安卓机型上偶发跳转失败，排查结果是分享参数传递时把空值传给了后台。原因是用户从“好友对战”页面分享时，gameId 还没生成成功，前端就触发了分享动作。

修复方式是调整分享按钮的触发条件，必须等到后台返回 gameId 后才允许分享，同时在分享失败时增加 toast 提示“对局创建中，请稍后再试”。

这个问题提醒我一个很重要的点：分享链路的参数一定不能依赖前端动态数据，最安全的做法是分享时先调接口后端生成一条分享记录，返回一个稳定的 shareId 作为参数。

5.3 小程序在低端机上明显卡顿

对战过程中，答题倒计时、积分滚动、双方实时比分动画同时运行，在低端安卓机上帧率掉到 20 帧以下，用户体验很差。

做了一轮性能优化：

• 把积分滚动的逐帧动画改为 CSS transform 动画。
• 倒计时数字用纯文本渲染，避免频繁创建视图节点。
• 对局结束后立即销毁对局页面实例，防止内存堆积。

优化后低端机帧率提升到 50 帧左右，基本流畅。如果你的项目也是小程序，建议从一开始就避免大量 setData，尽量用 wxs 或者纯 CSS 来处理高频更新。

5.4 自然裂变中一个容易被忽略的决策点：分享路径的默认文案

小程序分享的默认文案系统会给“xx 邀你一起玩”，但实测这种文案的点击率很低。后来我把默认文案改成了系统动态生成的，包含当前用户的对战胜负数据，比如“我刚刚 5 比 0 赢了对手，敢来试试？”

这个“带战绩的挑衅式文案”在不同场景下的点击率都比默认文案高 30% 以上。如果你也在做裂变设计，我特别推荐测试一下不同文案的表情符号和问句结构，效果差别很大。

6. 关于数据留存与后续规划，我的个人体会

6.1 七天留存为什么停在 28%，以及怎么破

整个产品第一周的 7 日留存是 28%，对工具类小程序来说不算差，但也没到惊艳的程度。我拆了留存曲线，发现第 1 天到第 2 天跌得最狠，接近一半用户首日玩完就丢了。

仔细看数据才发现，首日用户大多是被好友邀请过来“打一场试试”的，他们打完一场后如果输了，挫败感会掩盖新鲜感，第二天就不会再来了。

针对这个，我计划在下个版本做一个“首战保护”机制：新用户的前三局对战匹配到的对手统一是 AI，而且 AI 的难度从低到高缓慢增加，确保前三局体验是“赢一局、平一局、再赢一局”，把正反馈节奏建立起来。这和很多游戏的新手引导区本质上是同一个逻辑，但我在第一版忽视了。

6.2 对战公平性是一个需要不断调优的长期课题

对战的公平性决定了用户之间的信任感。AI 匹配分区、出题难度平衡、网络延迟处理、掉线判定规则，每个环节都会成为用户质疑公平性的来源。

我现在采用的做法是把“匹配机制透明化”做成一个提示：对局开始前显示“本局匹配区间：同段位 ±3 级”，用户能看到自己是和差不多水平的人对战。这个提示显著减少了对不公平的抱怨。

但有一个场景我至今没有完美解决：如果双方一个是真人一个是 AI，真人输了之后看到对方是 AI，就会觉得“我竟然输给了机器人？”进而怀疑是系统故意安排。我目前的处理是在结算页显示 AI 提示时，语气调整为“对方的隐藏高手身份已揭晓”，把输给 AI 包装成一种游戏彩蛋而不是实力碾压。说实话这个方案不算完美，但我暂时没有更好的替代方案。

6.3 后续想做的事

短期我会把精力放在三件事上：完善新手保护和首战体验，增加“错题本导出”功能，让用户可以把对战中的薄弱知识点整理成笔记；然后优化实时排行榜的社交互动，让好友之间可以送“鼓励”而不是只有胜负情绪。

中期目标是探索一个更轻量的主题赛系统，比如“本周知识点：排列组合”“本周冷知识”，每周一个主题，用户围绕主题对战，这样既可以降低出题压力，又能在社区里形成话题讨论。

长期来看，刷题类产品的核心竞争力还是内容质量和用户成长体系。AI 可以解决个性化和对局体验的问题，但如果没有持续更新的高质量题库，对战模式就只是一个空壳。

说到最后，我个人对这类产品最大的体会是：AI 驱动的对战式刷题，听起来像一个技术项目，但实际增长和留存的关键往往不在 AI 有多聪明，而在用户有没有理由打第二局。第一局靠好奇心，第二局靠胜负心，第三局以后靠什么，这才是产品真正需要回答的问题。我的 700 多用户只是第一步，留存和复购才是后面真正的考题。