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。
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
8 月 14 日，一条 X 帖直接询问类似 Letterboxd 的可靠书籍数据库。S1 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。S1
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。S4 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。
以小博大
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
怎么赚钱
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。
反方视角
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。