--- title: "按口味选下一本书" date: "2026-08-16" canonical: "https://raytally.com/ideas/2026-08-16-idea-91a40471/" generator: "萤录 RayTally · dev-prompt-v4" signal: query: "i wish there was a reliable database to find books and broadly reliable ratings for them (ala Letterboxd) because GoodReads obviously isn’t shit coffee (@eventualforever) August 14, 2026" observed_at: "2026-08-16T00:34:12.603Z" sources: - url: "https://x.com/eventualforever/status/2088407418044825767" boundary: "发布于 2026-08-14T23:28:23.000Z。 观测于 2026-08-16T00:34:12.603Z。" - url: "https://www.thestorygraph.com/" boundary: "来源记录未提供发布时间。" - url: "https://www.goodreads.com/review/guidelines" boundary: "来源记录未提供发布时间。" - url: "https://openlibrary.org/developers/api" boundary: "来源记录未提供发布时间。" notice: "本任务书中的信号，是在所列时间点截取的有界观察（搜索关注、论坛分数或新品列表），不是市场验证、用户数量或持续需求证明。转述或据此行动时，必须保留这些时间边界与最强反方。" --- [在 RayTally 阅读原始页面](https://raytally.com/ideas/2026-08-16-idea-91a40471/) 使用声明：以下信号只是带时间边界的公开观察，不是市场验证、用户数量或持续需求证明；转述或执行时必须保留时间边界与最强反方。 你是资深产品工程师。请把下面这条产品灵感做成一个可以本地运行的 MVP。 ## 灵感 按口味选下一本书 读者选下一本书时，按相近口味人群的两两选择和完读情况判断它是否适合自己。 ## 产品概念 读者准备买书或开读一本长篇小说时，最难信任的往往是一个混在一起的五星均分：有人给经典的历史地位打分，有人讨厌题材，有人甚至只看过影视改编。产品不要求用户先写长书评，而是每次给出两本类型和篇幅相近的书，问一句“如果只能推荐一本给口味相近的人，你选哪本”。 用户建立少量选择后，书页会优先显示与自己阅读轨迹接近的人如何比较这本书。页面把读完、读到一半放弃、只看过改编作品的人分开统计，还把“读得愉快”“愿意重读”和“文化上重要”拆成不同指标。读者能看见一本书的低评价究竟来自节奏、文风，还是它本来就不适合自己的期待。 想找下一本时，用户选定最近喜欢的书和可接受的篇幅，系统从相近读者的成对选择中找出胜率高的候选，并展示与已读书的相似点和可能踩雷处。用户也可以声明自己是为了研究、消遣或重读而选书，让推荐不再假装所有阅读目的相同。 初期可从小说和非虚构的常见子类开始，重点积累可解释的两两选择。作者访谈、社交书评流和全品类百科式资料库并非必须，先让一页书能回答“像我这样读书的人，为什么会选它”。 ## 为什么是现在（有事实支撑） 8 月 14 日，一条 X 帖直接询问类似 Letterboxd 的可靠书籍数据库。 截至 8 月 16 日记录，发布后累计为“点赞 193 / 转发 2 / 浏览 10805”，让混杂评分难以辅助选书的问题获得了可见讨论。 ## 方向判断（以下为模型推断，未经独立验证） 目标用户：核心用户是准备购买或开读长篇作品，却不愿只看均分的人。这个时刻的试错代价很高，选错可能浪费数晚阅读时间。他们已有几本明确喜欢或弃读的书，也能快速完成二选一。类型小说读者、读书会成员和重读者会更早感到价值，因为他们常在相似候选之间犹豫。 最小切入点：先用 Open Library Search API 补齐书名、作者、版本、ISBN、篇幅与封面。 本地数据库把不同版本归到同一作品，再保留用户实际阅读版本。比较池只放同子类且篇幅相近的书，避免无意义配对。排序可采用 Bradley-Terry 模型，先输出整体胜率。数据足够后，再按完读状态和阅读目的分层计算。首版不生成长篇摘要，只展示胜负样本、常见理由和数据量。低样本书明确标记，并优先安排信息量较高的配对。 最强反方：成对选择需要足够重叠的书目，冷门作品很容易长期没有结果。配对若跨越类型或篇幅，胜率会被题材偏好主导。用户还可能凭封面、作者名或影视印象投票，污染真实阅读判断。拆分完读、弃读和改编经历后，每个分组会更加稀疏。解释理由若依赖自由文本，审核与归类成本会持续上升。错误的“相近读者”标签还会削弱信任。继续投入前，应先验证热门子类能否形成稳定的重复比较。 以上是模型基于灵感本身与已核验事实的推断，请当作方向假设与真实约束对待：不要默认「最强反方」已被解决，也不要据此在产品里写下确定性结论。 ## 以小博大（模型推断） 第一批用户更可能来自类型小说社群、读书会和年度书单讨论。可制作可分享的二选一页面，让参与者投票后立即看到同好结果。围绕热门系列、奖项候选和改编原著建立专题比较池，方便社群直接发起讨论。每次分享都带回新的成对选择，比发布泛化推荐榜更容易形成数据积累。 ## 竞品与缝隙（模型推断） - The StoryGraph：StoryGraph 已提供按心情、节奏和题材筛选的个性化推荐。它还支持 DNF、内容提醒和更细的星级记录。 这些能力能回答读者此刻想读什么类型。用户也能积累较完整的个人阅读轨迹。公开页面仍以单本评分、标签和算法推荐为主。它没有把同类书二选一作为主要评价单位。页面也未突出按阅读目的拆分推荐结果。完读者与弃读者的判断仍缺少直接对照。本产品可用可解释的成对胜率形成区分。 - Goodreads：Goodreads 以单本星级和文字书评承载读者评价。其规则要求评分者读过或尝试读过该书。 这意味着完读与中途放弃都可能进入评分。文字书评能补充理由，却要求用户投入更多表达成本。星级也把愉快程度、重读意愿和文化价值混在一起。读者需要自行翻阅评论，判断低分源自哪里。平台没有要求用户在相近书目之间直接取舍。产品的空间在于降低输入负担，并展示细分比较依据。 ## 怎么赚钱（模型推断） 采用免费基础版加会员订阅。免费用户可比较、记录和查看基础结果；会员按月付费，解锁细分人群筛选、完整踩雷分析和更深的个性化推荐。 ## 来源背景 主题：可靠的书籍评分与发现数据库需求 触发的网络趋势观察：X @eventualforever「i wish there was a reliable database to find books and broadly reliable ratings for them (ala Letterboxd) because GoodReads obviously isn’t shit coffee (@eventualforever) August 14, 2026」 有界观察：用户明确表示希望有一个类似 Letterboxd 的可靠书籍数据库和广泛可靠评分系统，因为认为 GoodReads 不够好。；点赞 193 / 转发 2 / 浏览 10805（发布后累计） 以上是带发布时间与观测时间的单条网络观察，不代表市场规模或广泛趋势；只用于理解「为什么是现在」。 ## 来源清单 - i wish there was a reliable database to find books and broadly reliable ratings for them（https://x.com/eventualforever/status/2088407418044825767） - The StoryGraph | Because life's too short for a book you're not in the mood for（https://www.thestorygraph.com/） - Rating and Review Guidelines（https://www.goodreads.com/review/guidelines） - APIs | Open Library（https://openlibrary.org/developers/api） ## 交付要求 - 开工前，先从上文的产品概念与最小切入点提炼 3–5 条可验证的完成标准并列出，交付时逐条对照说明。 - 先交付「最小切入点」描述的核心流程，让核心用户能走通；范围外的账号、支付、后台等通用系统，除非确有必要否则不做。 - 页面或接口里不要展示未经验证的市场数字。 - 关键文案保持克制、可验证；产品内若需要领域事实、安全指引类内容，从「来源清单」等权威来源取材改写并注明出处，不要凭通识编写。 - 若在已有项目里实现：先读 README、依赖与项目约定，遵循既有技术栈与风格，不重构无关代码。 - 若当前目录为空：选一套轻量技术栈，优先交付可运行原型。 - 完成后说明改了什么、如何运行、如何验证。 - 遇到真正会改变产品方向的歧义再提问，普通实现细节自行做工程判断。