选一部电影比看完它还累——这个印度MCA学生用AI把平均23分钟的决策时间压到了4分钟。
2024年，印度流媒体用户平均订阅3.7个OTT平台。Netflix、Prime Video、Disney+ Hotstar、SonyLIV、Zee5……每个App都有自己的推荐算法，都像在喊"看我"。结果？用户像在机场转盘等行李，眼睛扫过十几个传送带，不知道哪件是自己的。
Abhishek（化名，MCA在读）受够了。他不是抱怨，而是直接动手：一个周末搭出原型，三周后CineVerse上线。
从"跳App"到"一站式"：产品经理的减法逻辑
CineVerse的核心设计很产品经理思维：不做又一个内容库，只做决策层。界面干净到近乎冷淡——搜索、AI摘要、对比推荐、讨论区，四个模块，没有瀑布流轰炸。
AI摘要功能直接解决痛点：把散落在各平台的影评抓过来，Gemini模型生成100字以内的情绪总结。不是取代深度评论，而是帮用户快速判断"这片子值不值得我点开预告片"。
推荐系统目前走逻辑路线，而非机器学习。Abhishek的解释很实在："冷启动阶段，规则比模型可靠。"两种模式并行：标准推荐带一句理由（"节奏快，适合周末晚上"），对比推荐用X→Y的映射（"喜欢《安德的游戏》，这部也会上头"）。
技术栈选得克制：Next.js做前端，Tailwind CSS管样式，Supabase包圆后端（认证、数据库、存储）。没有追新，只求稳。
被刻意限制的"全"
CineVerse有个反常识的设计：内容不全。Abhishek只做印度内容的精选集，而非全球片库的大杂烩。
这个选择暴露了他的用户洞察。印度OTT市场的特殊性在于——本土内容爆炸式增长，但国际平台的印度区推荐往往水土不服。一个泰米尔语用户打开Netflix，首页可能塞满印地语内容；反之亦然。语言、地区、类型的错配，是决策疲劳的真正来源。
精选集策略的本质是"预过滤"：帮用户先做一次质量筛选，再让AI做语义筛选。代价是长尾内容覆盖不足，收益是决策效率的跃升。
讨论区的存在也很有意思。不是社区野心，而是"确认偏误"的利用——用户需要看到同类人的选择，来验证自己的判断。这个设计让CineVerse从工具向轻社交滑了一步，但Abhishek控制住了边界：只讨论已入库影片，不开放UGC内容。
MCA作业如何变成产品实验
项目缘起很学生气：一门课程的期末作业。但Abhishek的执行超出作业范畴——部署到Vercel、写用户反馈收集流程、规划迭代路线。
他在技术复盘里列了三个收获：全栈开发的体感、数据库关系设计的踩坑、UI/UX的反复打磨。没有提"颠覆行业"或"改变格局"，这种克制在同类项目分享里反而少见。
当前的明确限制被诚实标出：推荐系统待升级、片库需要持续运营、AI摘要的准确性依赖源数据质量。没有画饼，只有待办清单。
Google AI Studio的"Build apps with Gemini"功能被用作开发加速器——文本 prompt 生成可部署的Web应用，把原型周期从周压缩到天。Abhishek的另一款作品SplitMalple（餐厅账单拆分App）同样走"解决具体麻烦"的路线，工具属性明确，没有功能蔓延。
印度开发者社区的一个细分趋势正在显现：不追大模型参数竞赛，专注把现有能力封装成解决本土痛点的工具。CineVerse是这个趋势的小型样本——没有融资新闻，没有增长黑客，只有一个学生用AI把选片时间从23分钟砍到4分钟的实测数据。
如果这套逻辑跑通，下一个被"减法"的会是什么？音乐发现、播客筛选、还是电子书试读？当每个垂直领域都长出这样的轻量决策层，OTT平台们的首页算法会不会被迫重做？
热门跟贴