新产品地图热门赛道 成功条件失败条件
AI-NATIVE 产品市场复盘

哪些 AI 产品正在增长，哪些留不下来

数据范围与来源（先看清再读结论）
研究窗口2025 年 8 月—2026 年 8 月
主样本1,000 个近一年发布的 AI-native / AI-first 新产品
主样本来源Product Hunt 430、Hacker News 210、YC 180、GitHub 180
补充发现900 个产品，来自持续维护的 AI 产品 GitHub 目录
判断规则优先看用户、收入、持续采用和官方退出信息；Product Hunt 点赞与 GitHub 热度只作辅助
统计说明：新产品地图用于观察产品所处阶段，不计算市场份额或成功率。深研案例用于解释成功与失败机制，不与 1,000 个新品直接合并统计。 页面中的产品名称可点击：存续产品进入官网，已退出产品进入官方公告或公开记录。
当前最热 任务型 Agent 开发、办公、法律、客服和医疗先形成增长
成功条件 4 项 持续任务、完整交付、规模成本、使用积累
主要失败点 独立性 能力有用，不等于需要一个独立产品
01 / 产品地图

新产品地图

这张地图按产品所处阶段观察市场：哪些已经成熟，哪些还在增长，哪些刚刚冒头，哪些已经退出或被平台吸收。

成熟

已形成规模

有稳定市场位置、较大用户或收入规模，产品价值已经被持续使用验证。

通用 Agent 与模型入口

ChatGPT：通用 AI 助手，覆盖问答、写作、研究、编程和任务执行。
Claude：面向知识工作和复杂推理的通用助手，也提供编程与 Agent 能力。
Gemini：Google 的通用助手，连接搜索、Android 和 Workspace。
DeepSeek：通用助手与开放模型产品，以模型性价比和开发者生态见长。

AI 编程

Cursor：AI 代码编辑器，可理解代码库、修改文件并配合运行和测试。

办公与企业知识

Glean：企业知识与搜索平台，连接组织数据、权限和 Agent。
Clay：销售数据与工作流平台，用 AI 研究线索并触发销售流程。
Granola：AI 会议记录工具，整理会议内容并沉淀团队知识。

高价值垂直 Agent

Harvey：法律 AI 平台，处理法律检索、分析、文书和机构工作流。
Abridge：临床记录产品，把医患对话整理成医疗记录。
Sierra：企业客服 Agent，处理咨询并执行退款、改签等相关操作。

内容生产

HeyGen：AI 数字人与视频平台，制作多语言企业视频。
ElevenLabs：AI 语音平台，提供语音生成、配音和声音克隆。
Gamma：用 AI 生成演示文稿、网页和视觉内容。
增长

持续增长

近期出现明确的用户、收入、排名或组织采用信号，但市场位置仍在变化。

AI 编程与 Vibe Coding

OpenAI Codex：可以在代码库中执行开发任务的编程 Agent。
Lovable：通过自然语言生成并迭代 Web 应用。
Emergent：面向普通用户和小企业的全栈应用生成平台。
Base44：用对话方式创建带后端能力的应用。

办公与垂直 Agent

Legora：服务律所和企业法务的法律工作平台。
Decagon：企业客服 Agent，处理用户问题并连接后台操作。
Mercor：用 AI 完成人才匹配、筛选和用工交易。
Fyxer：嵌入邮箱的 AI 助手，处理邮件和会议安排。

研究、学习与工作助手

NotebookLM：围绕用户提供的资料完成研究、问答和音频总结。
Genspark：面向研究、搜索和任务执行的通用 Agent。
Manus：可在云端持续执行多步骤任务的通用 Agent。

内容与多模态

Hailuo AI：AI 视频生成产品，支持文本和图片生成视频。
PixVerse：面向大众创作的 AI 视频工具。

智能硬件与新入口

viaim 智能体耳机：把录音、转写、摘要和任务整理放进耳机入口。
冒头

刚刚冒头

概念和产品切口值得关注，但用户规模、付费和持续使用大多还没有得到验证。

Agent 运行与基础设施

AgentMail：给 Agent 提供独立邮箱、通信身份和回执。
AgentSky：托管长周期 Agent，并允许用户从消息渠道访问。
ClawSecure：面向 Agent 生态的安全检测产品。
ClawMetry：查看 Agent 轨迹、成本和故障的可观测面板。
Memmy Agent：在不同模型和 Agent 之间保存个人记忆。

营销与销售 Agent

NotFair：连接 Google Ads，诊断广告并执行用户批准的修改。
Lightfield：读取邮件、会议和电话，自动形成 CRM。

硬件数据与消息入口

Open Wearables API：用统一接口连接不同品牌的可穿戴设备数据。
Poke：让用户直接通过短信和消息把任务交给 Agent。
退出

已经没有或失去独立位置

包括产品关闭、静默下线、被大型平台吸收、团队收购后关产品和经营失败。

内容与多模态

Podium AI Podcast Toolkit：播客转写、章节和摘要工具，已静默下线。
MarketingCopy AI：通用营销文案生成工具，已静默下线。
Multilings：翻译与内容生成工具，已静默下线。
Sora 独立 Web/App：独立入口停止，视频能力被重新整合。
DALL·E 3 API：被后继图像模型替代。
SwapFans AI：换脸与粉丝内容产品，面临合规、支付和平台信任问题。

通用 Agent 与信息入口

Artifact：AI 新闻推荐产品，核心用户喜欢，但市场不足以支持继续投入。
OpenAI Operator 独立站：网页操作能力并入 ChatGPT Agent。
Rewind：桌面活动记录产品被收购后关闭，技术转向新的平台与硬件入口。

AI 编程与企业软件

subtl.ai：企业文档 RAG 搜索，关闭后反映出企业试点和持续经营之间的距离。
Builder.ai：软件交付高度依赖人工，自动化率和经营质量没有成立。
Orchids：Vibe Coding 产品，存在安全与迁移问题，团队被收购后关闭产品。

医疗 AI 与智能硬件

Olive AI：医院自动化产品，交付价值、扩张和组织复杂度长期存在争议。
Forward CarePods：同时承担硬件、医疗服务和线下运营，最终关闭。
Humane AI Pin：要求用户购买新硬件并改变操作习惯，体验、价格和云依赖问题叠加。
02 / 热门赛道

五个值得关注的赛道

01

AI 编程与 Vibe Coding

开发任务高频，结果能通过运行和测试验收；模型已经从代码补全扩展到修改文件、运行、测试和部署。在持续增长的产品池里，AI 编程产品占比较大。

产品：Cursor、Codex、Claude Code、Lovable、Emergent、Base44。
02

垂直任务 Agent

法律、客服、医疗和招聘的任务价值高、流程相对明确，企业有预算为效率和产能付费；高证据案例已经出现收入或组织采用。

产品：Harvey、Legora、Sierra、Decagon、Abridge、Mercor。
03

办公入口与知识工作

邮件、会议和资料处理每天都会发生；产品直接进入邮箱、会议和企业知识库，天然拿到上下文，用户不必反复复制材料。

产品：Glean、Fyxer、Granola、NotebookLM、Notion AI。
04

Agent 运行、验收与安全

Agent 从演示进入长期运行后，身份、记忆、轨迹、成本、审批和故障恢复会成为配套需求；目前只是多个早期产品重复出现，市场规模尚未验证。

产品：AgentMail、AgentSky、ClawSecure、ClawMetry、Memmy。
05

多模态内容与硬件入口

视频和语音模型降低了内容生产门槛，企业又持续需要营销视频、配音和会议记录；进入视频制作、开会和佩戴耳机等已有行为，比创造全新使用习惯更容易。

产品：HeyGen、Hailuo AI、PixVerse、ElevenLabs、viaim。
03 / 成功条件

二、AI 产品成功的条件

1

好用：第一次使用，立刻就有用

用户不需要先配置复杂流程，第一次交出任务就能拿到可直接使用或验收的结果。

Cursor 可以直接修改代码，并用运行和测试检查结果。
Granola 在第一次会议后就能生成可用的会议记录。
Abridge 把一次医患对话整理成符合临床流程的记录。
Sierra 不只回复客户，还能执行退款、改签等相关操作。
判断标准：用户第一次使用后，是否已经省下一段明确的工作？
2

好用：真实任务反复发生，需要持续使用

产品承接的是用户原本就会重复完成的工作，因此不用依靠新鲜感维持复访。

Cursor 承接开发者每天都会发生的代码编写、修改和调试。
Fyxer 处理持续进入邮箱的邮件和会议安排。
Granola 承接反复发生的会议记录和会后整理。
Abridge 承接医生每次问诊后都必须完成的病历记录。
判断标准：用户下周是否还会遇到这个任务，并再次把它交给产品？
3

好用：使用越多，下一次越好用

产品会积累用户的数据、规则、上下文和工作流程；即使更换底层模型，这些资产仍然存在。

Glean 积累企业知识、系统连接和员工权限关系。
Harvey 积累法律材料、机构流程和专业使用反馈。
HeyGen 积累数字人身份、声音和企业视频资产。
Cursor 持续利用代码库、历史修改和开发任务上下文。
判断标准：第 100 次使用是否优于第 1 次？
1

用户持续遇到同一个真实任务

Cursor 是 AI 代码编辑器，承接开发者每天都会发生的代码编写、修改和调试。
Granola 是 AI 会议记录工具，承接持续发生的会议记录和会后整理。
Abridge 是临床记录产品，承接医生必须完成的病历记录。
Harvey 是法律 AI 平台，承接成本较高的法律检索、分析和文书任务。

这些产品进入了用户原本就必须完成的任务。AI 能力服务于任务，而不是先有能力再寻找场景。

判断标准：用户下周是否还会遇到这个任务，并再次把它交给产品？
2

产品能够完整、稳定地交付任务

Sierra 不只生成客服话术，还要帮助客户解决问题和执行相关操作。
Clay 不只生成销售文案，还会获取客户数据、研究线索并触发销售流程。
Cursor 不只解释代码，还能修改文件，并通过运行和测试检查结果。
Abridge 不只转写对话，还要生成符合临床流程的记录。
判断标准：用户拿到结果后能直接验收，还是仍要自己完成大部分工作？
3

交付成本能够随规模下降

Glean 把数据连接、权限管理和知识检索沉淀为可复用能力。
Harvey 聚焦相对明确的法律材料和工作流程，使能力可以在不同机构间复用。
Sierra 围绕客服问题处理构建产品，不是为每个客户重新开发一套通用 Agent。

有客户和试点只能证明需求存在。规模化要看第二个客户能否更快上线、人工处理是否下降，以及收入增长是否必须同步增加实施人员。

判断标准：第 100 个客户上线时，交付速度和毛利是否优于第 1 个客户？
4

使用越多，产品价值越高

Glean 积累企业内部知识、系统连接和员工权限关系。
Harvey 积累法律材料、机构工作流程和专业使用反馈。
HeyGen 积累用户的数字人身份、声音、多语言表达和企业视频资产。
Cursor 持续利用代码库、历史修改和开发任务上下文。
判断标准：第 100 次使用是否优于第 1 次；更换底层模型后，已经积累的数据、流程和客户关系是否仍然存在？
04 / 失败条件

三、AI 产品为什么会失败

这里说的失败包括商业关闭、无法规模化和失去独立产品位置。被平台吸收不一定说明能力无用，它通常说明产品位置没有成立。

第一类：产品好用，但没有形成持续需求

1. 用户喜欢，但使用频率或市场规模不够

Artifact：AI 新闻推荐体验受到核心用户认可，但团队认为市场空间不足以支持持续投入。

产品可以很好用，但如果用户只是偶尔使用，或者愿意长期使用的人太少，仍然无法支撑独立业务。

第二类：能力好用，但不需要单独打开一个产品

2. 功能更适合存在于大型平台中

Operator：网页操作能力有价值，但最终被整合进 ChatGPT Agent。
Sora：视频生成能力成立，但不代表需要一个长期独立的 Sora 入口。
摘要、转写和通用文案工具：能力有用，但用户可以直接在 ChatGPT、Office、浏览器或内容平台中完成。

这里失败的不是能力，而是独立产品位置。

第三类：产品对部分用户好用，但无法规模化

3. 每个客户都需要重新定制

subtl.ai：企业文档搜索要适配不同客户的数据、权限和流程，融资失败可以确认，试点是否能规模化仍需更多经营证据。
Olive AI：医疗机构系统和流程复杂，实施、集成和扩张成本很高。

客户可能认为产品有价值，但公司每增加一个客户都要重新投入大量人力，业务就很难复制。

4. 用户得到结果，但交付成本过高

Builder.ai：用户可以获得软件，但真实交付依赖大量人工工程师，自动化率和经营质量没有成立。

产品能够交付，不等于交付方式能够形成健康业务。

第四类：产品本身还不够好用

5. 结果不稳定，用户不敢真正交付任务

常见问题包括：Agent 执行到一半失败；不知道任务是否真正完成；操作错误后无法撤回；关键动作缺少确认；用户仍要检查和重做大部分结果。

这类产品演示效果往往不错，但进入生产环境后，错误成本会迅速放大。

6. 使用门槛过高，需要用户改变原有行为

Humane AI Pin：要求用户购买新硬件、学习新的语音和投影操作，并持续依赖云服务。
Forward CarePods：要求用户进入新的医疗舱，公司还要同步改造线下医疗服务流程。

这类产品不是完全没有价值，而是用户和产业为获得价值付出的改造成本太高。

2026 AI-NATIVE PRODUCT REVIEW

真正增长的，不是“会生成”，而是“能把任务做完”

从 1,000 个 AI-native 新品、900 个补充发现样本和 94 个 B/D 核验案例， 拆解今天什么在增长、用户为什么愿意持续使用，以及产品为何失去独立位置。

更新于 2026-08-12 双数据源交叉分析 公开资料可审计 微信产品分析报告版
最强增长信号 任务交付 从回答问题，转向执行、验收与持续运行
B 组最大品类 51.5% 开发与软件生产，104 / 202
D 组关键误区 25% 12 / 48 是入口被平台吸收，并非简单“产品差”
01 / Executive summary

先看结论：市场在奖励“闭环”，淘汰“孤岛”

这批样本反映的不是“AI 还可以生成什么”，而是产品竞争已经后移： 谁能进入真实工作流、拿到上下文、完成任务、让结果可验收，谁才更可能从 C 走向 B。

增长

最热供给在开发，新增机会在运行层

B 组 202 个产品中，开发与软件生产占 104 个。构建工具已经拥挤，安全、维护、恢复、评估和 AgentOps 正成为下一层缺口。

好用

用户买的不是 AI，而是少做一步

持续使用来自三种动力：省掉高成本劳动、跨过专业门槛、把高价值任务更快做完。单纯“更聪明”不足以形成复访。

退出

好用，不等于值得独立存在

D 组最典型的失败不是功能完全不可用，而是低频、缺少持续需求、无需独立入口，或交付结构无法规模化。

一句话判断

下一阶段的 AI 产品，不应再以“模型能做什么”为起点，而应以 “用户有哪个持续任务、产品能接管到哪一步、结果如何验收、使用后沉淀什么资产”为起点。

真实任务高频，或单次价值足够高
既有入口不强迫用户迁移上下文
执行闭环从建议走到动作与交付
结果验收成功、返工、人工接管可确认
资产积累规则、数据、关系与反馈越用越厚
02 / Data & method

先把两个表的口径分开

两份数据互相补充，但不能直接相加。第一份更像“广泛发现 + B/D 证据核验”， 第二份完成了 1,000 个新品的互斥分组，并用深研案例解释边界。

A 成熟标杆292.9%
B 近期动量20220.2%
C 边缘创新76776.7%
D 当期退出20.2%
1,000 个新品的 A/B/C/D 构成
来源：AI-native 新产品 1000 样本表｜互斥分组｜2025-08 至 2026-08
A 成熟标杆 29 B 近期动量 202 C 边缘创新 767 D 当期退出 2
重要：“D 组深研 48 例”是另行补充的历史退出案例库，不是这 1,000 个新品中的 48 个。 因此不能计算“48 / 1,000 = 4.8% 淘汰率”。同理，900 产品发现池也不代表 900 个产品都完成了增长核验。

数据源一｜900 产品发现池

来自持续维护的 AI 产品仓库，覆盖面广，适合发现赛道；其中另有 B 组 46 个增长核验案例、D 组 48 个退出案例。

限制 目录收录不等于增长，自动推断的用户类型和入口只能用于启发。

数据源二｜1,000 个新品互斥分组

综合 Product Hunt 430、Hacker News 210、YC 180、GitHub 180 个结构化新品样本，形成 A29 / B202 / C767 / D2，并另附 142 个深研案例。

限制 B 全量中部分依据是发布动量，强度低于 B 深研的收入、用户与机构采用证据。

深研案例不是 1,000 样本的严格子集：A/B/C/D 深研库用于解释市场边界，其中包含外部补充标杆与历史退出案例。 它适合支撑机制判断，但不能与 1,000 个新品直接合并计算比例。

双源交叉结果

B 组交集

26 个

两份表都纳入的增长案例，包括 Codex、Lovable、Emergent、Base44、Manus、Decagon、Fyxer 等。

B 组差集

20 + 7

第一份多 20 个成熟/全球标杆，第二份多 7 个中国市场或新近 Agent 案例，反映研究边界不同。

D 组一致

48 / 48

两份表的历史退出深研库完全重合，因此失败机制按 48 个唯一案例统计，不重复计数。

B 组也要分层看

层级
样本
可支持的判断
不能支持的判断
B 全量候选
202 个
发布传播、跨源出现、早期动量
不能统一声称已形成稳定增长或 PMF
B 深研
33 个
近期用户、收入、排名或产品采用信号
公司自报与第三方估算仍需谨慎
B 核验补充
46 个
更广的增长标杆与赛道案例
与 A 的边界会因研究目的不同而变化
04 / Why users keep using

好用产品的统一特性：先有动力，再有体验

“好用”不是界面顺滑或模型回答漂亮，而是用户在真实任务中感到： 这件事现在更省力、更快、更确定，而且下一次还值得回来。

（a）用户的动力：为什么愿意开始、付费和复访

动力 1

省掉昂贵、重复、令人厌烦的劳动

用户不是追求“体验 AI”，而是想少写代码、少整理邮件、少录 CRM、少做会议纪要。

CursorFyxerGranolaLightfield
动力 2

跨过原本需要专业技能的门槛

不会编程也能做应用，不会剪辑也能做视频，不熟法律材料也能进入专业流程。

LovableEmergentHiggsfieldLegora
动力 3

把高价值任务更快做完

在医疗、法律、客服、招聘等领域，节约的不只是时间，而是案件、响应、成交或服务产能。

AbridgeHarveyDecagonMercor
动力 4

获得持续代理，而非一次性答案

当产品能记住偏好、后台执行、追踪状态并在异常时叫人回来，复访从“主动打开”变成“持续委派”。

Notion AgentsClaude/CoworkAgentSkyWorkBuddy

（b）为什么好用：体验与产品结构的共同点

共同点
用户感受
产品机制
代表产品
结果导向
不是“给我建议”，而是“替我完成”
动作、状态、交付物和成功标准明确
Codex、Decagon、Legora
进入工作流
不用搬运上下文，不需改变习惯
嵌入 IDE、邮箱、工作区、会议与消息入口
Cursor、Fyxer、Notion AI、viaim
小切口高价值
第一次使用就能看到明确收益
先接管一个具体任务，再向邻近流程扩展
Abridge、Harvey、Wispr Flow
可控与可验收
知道 AI 做了什么，也能及时纠正
预览、批准、轨迹、回放、人工升级
NotFair、AgentOps 类产品
越用越厚
下一次更懂我、更符合组织要求
积累规则、案例、关系图、反馈和历史状态
Glean、Clay、Harvey
渐进式复杂度
上手快，复杂任务又有足够深度
自然语言起步，逐步开放编辑、连接器和治理
Lovable、v0、Replit Agent
B 组比 C 组多出来的，往往不是一个更酷的功能

而是完整的使用条件：明确触发时机、已有上下文、可交付结果、失败处理方式、复访理由和分发入口。 C 组常常已经看见了需求，却还没有证明“用户下周为什么回来”。

05 / Why products exit

D 组不是“差产品墓地”，而是五种失去独立位置的方式

48 个历史案例中，仅 20 个被源表标为“真商业失败”，28 个属于否或不确定。 退出可能来自关闭、破产，也可能来自被平台吸收、团队收购、主动转型或后继模型替代。

D 组 48 个案例的原始机制分布
机制可用于解释退出类型，但部分案例证据等级较低；“证据不足”不应被强行归因
证据不足，不臆测因果
14
独立入口被平台吸收
12
通用单点能力商品化
6
融资结构错配
4
合规与外部依赖
3
硬件＋新行为＋服务
3
低频或市场不足
2
企业试点未产品化
2
自动化率与现金质量
2
（a）FREQUENCY好用，但不常用

产品能在某一刻解决问题，但任务触发频率低、使用周期短，单次价值又不足以支撑高客单价。 这类产品常获得“第一次很好用”的评价，却难形成周留存。

案例：Uptrends.ai（股票新闻监控）、Artifact（产品受喜爱但市场空间不足）、部分一次性摘要/生成工具。源表明确归入“低频或市场不足”的有 2 例，其他案例只能作为相邻机制，不能硬算数量。
（b）RETENTION好用，但没有持续需求

用户需要的是一次结果，而产品没有后续状态、数据和关系可以继续管理；或内容生成的新鲜感很强， 但没有稳定消费、协作、交易或分发循环。

案例：Sora 独立社交产品（爆发下载不等于社交留存）、Huxe（个性化播客被平台覆盖）、DaLMatian（数据问答未形成 PMF）、Dot（陪伴愿景与长期承诺中断）。
（c）ENTRY好用，但不需要单独打开

这是 D 组最确定、也最容易被误判的一类。能力有价值，甚至团队和技术很有价值， 但它更适合成为超级助手、操作系统、浏览器、工作区或模型平台的一部分。

量化：12 / 48（25%）归为“独立入口被平台吸收”。
案例：DALL·E 3 API、OpenAI Operator 独立站、Sora 独立 Web/App、ChatGPT Atlas 独立浏览器、Bud、Vercept Vy、Rewind、Limitless Pendant。
（d）SCALE好用，但无法规模化

Demo 或试点有效，不代表交付能复制。企业集成、人工兜底、硬件供应链、医疗责任、融资节奏与获客成本， 都可能让收入增长无法转化为健康现金流。

案例：Builder.ai（人工交付与收入质量）、FieldApps.ai / Subtl.ai / Noogata（试点到规模化）、K-Scale Labs / Humane AI Pin（硬件与资本）、Forward Health / Babylon Health / Olive AI（医疗服务与经营风险叠加）。
（e）CORE VALUE本身不好，或基本盘不成立

真正可以归为“本身不好”的，不应只凭关站推断，而要看到核心体验、信任、价值或单位经济存在结构性缺陷。 48 个案例中有 14 个明确标注“证据不足”，这部分不能为了故事完整而强判产品差。

较强证据案例：Builder.ai（AI 叙事掩盖人工交付与收入问题）、Humane AI Pin（新行为、价格、体验与云依赖叠加）、非自愿深伪与成人生成产品（支付、托管、法律和信任基础脆弱）。
五类可以重叠：一个产品可能同时低频、缺少独立入口且难规模化。 例如全天候记忆硬件既有隐私和新行为成本，也会被手机、眼镜与平台入口吸收。分析时应找“主导机制”，而不是强行一例只放一格。
06 / Product boundary

从 B/C/D 反推：什么样的产品更值得做

成功产品和退出产品之间，不是一条“技术先进程度”的线，而是五条产品边界。 每一条都能在立项前被验证。

更可能持续
  • 高频任务，或单次价值足够高
  • 交付结果可以被用户或系统验收
  • 进入用户已有入口与工作流
  • 使用后积累非模型资产
  • 自动化率、毛利和交付结构可复制
产品边界
更容易退出
  • 一次性惊艳，但下周没有复访理由
  • 只输出建议或内容，不承担结果
  • 要求用户为单点能力另开一个入口
  • 壁垒只来自当前模型能力
  • 靠人工、资本或重服务掩盖单位经济

立项前的八问

用户下周为什么回来？说不出明确触发事件，就先不要谈留存。
不使用产品的真实替代方案是什么？不是“没有 AI”，而是人工、Excel、微信、现有平台或干脆不做。
AI 最终交付什么可验收结果？定义成功、失败、返工和人工接管。
为什么必须成为独立产品？若超级平台内置后用户会直接迁移，说明入口不成立。
第一次使用多久看到价值？连接、配置和学习成本不能高于首次收益。
换一个更强模型后还剩什么？数据、规则、流程、关系、分发或品牌至少占一项。
第 100 个客户是否比第 1 个更好交付？若实施与人工成本线性增长，就不是软件规模化。
外部依赖中断后还能提供多少价值？平台权限、支付、托管、模型、云服务与硬件都要有退出预案。
值得优先验证的方向

① 一个可验收的垂直高价值任务；② Agent 的运行、评估、恢复与安全层； ③ Vibe Coding 生成后的监控、维护、迁移和安全；④ 嵌入邮件、消息、输入、工作区与硬件的低摩擦入口； ⑤ 跨设备、跨平台的数据与执行闭环。

07 / Evidence & sources

证据边界：这份报告能说明什么

本报告是对用户提供的两份 Excel 做的二次分析，不额外扩大样本宇宙。 产品数据主要来自 Product Hunt、YC、GitHub、a16z 榜单、Similarweb / Sensor Tower 聚合、 公司披露、媒体报道和官方公告。不同证据强度不可等量齐观。

  • 01一级：官方公告、帮助中心、监管文件或可核验经营披露。适合确认产品状态和部分经营事实。
  • 02二级：主流媒体、行业榜单、第三方研究或公司自报的转述。适合判断方向，不宜过度精确。
  • 03三级：目录、域名状态、GitHub 热度、Product Hunt 点赞等。适合发现和预警，不足以单独证明 PMF。
  • 04关于 A/B 边界：同一产品在“市场地位研究”里可以是 A，在“近期增长样本”里也可被纳入 B 核验。报告用它解释趋势，不强行统一旧表标签。
  • 05关于 C：767 个 C 组里既有已选边缘创新，也有大量待市场验证新品。C 代表值得观察，不代表已经好用或会成功。
  • 06关于 D：关站只能证明退出，不能自动证明产品差、需求不存在或创始团队失败；因果判断必须匹配证据等级。

部分公开参考

发现与榜单

Product Hunt 历史镜像
YC Companies 公开目录镜像
a16z Top 100 Gen AI Apps

增长与退出示例

Lovable 增长报道
Emergent 增长报道
OpenAI 产品停止说明