Pain
搜索框太理性
“爱情 / 犯罪 / 9 分以上”是数据库语言，不是人的观影语言。用户真正说出口的往往是“今天有点累”“想看点不费劲的”。
01 · Product taste
它解决的不是“找电影”，而是“我说不清自己想看什么”。
传统推荐经常从类型、榜单、评分开始，默认用户已经知道需求。VibeRecs 反过来：先接受用户的模糊，再把模糊变成机器能理解的检索语言。
Insight
心情是更好的入口
电影消费有很强的场景性：天气、疲惫程度、孤独感、今晚时间，都比单一类型更接近真实决策。
Taste
克制比热闹高级
页面不抢电影的戏。纸白底、衬线标题、海报作为唯一色彩来源，让产品像一个懂电影的人，而不是信息流机器。
02 · Product logic
核心不是“接了 AI”，而是把 AI 放在正确的位置。
LLM 负责理解人话和生成解释，搜索系统负责可控检索，规则层负责兜底。这样既有温度，也不会变成玄学推荐。
Input
接住模糊表达文字、emoji、天气、个人硬偏好都可以进入语境。
产品价值降低表达成本，扩大可用场景。
Rewrite
把感觉拆成检索轴情绪、节奏、范围、题材词、气质词被结构化输出。
产品价值让用户知道“它读到了什么”，建立信任。
Search
用 TMDb 参数做硬检索类型、年代、时长、热度、评分、地区被组合成可解释条件。
产品价值推荐结果可复现，可调优，可测试。
Relax
结果不足时逐级放宽先放时长年代，再放关键词，再放地区和小众档位。
产品价值既尊重主题，又避免空结果。
Pick
少量精选 + 可继续调默认 6 张卡片，支持更小众、更轻一点、换一批。
产品价值保留控制感，不把用户困在一次推荐里。
03 · Interface thinking
界面像一本安静的影迷笔记，而不是一个功能堆满的工具。
真正的美商不是装饰，而是知道什么该消失。VibeRecs 把注意力留给三件事：当下心情、AI 的理解、电影本身。
“它不急着给答案，先把你说不清的状态翻译出来。”
这就是信任感：不是 AI 很聪明，而是用户能看见它为什么这么推荐。04 · Technical understanding
技术判断：让模型做“理解”，让系统做“约束”。
一个好 AI 产品不应该把所有责任都交给模型。VibeRecs 的关键是把不确定性收束在前半段，后半段用确定规则保证质量。
Prompt contract
改写有输出契约
模型必须产出结构化 JSON：情绪轴、中文关键词、题材词、气质词、TMDb 参数。禁止空泛词，避免“看起来懂了，其实没法搜”。
产品意义：AI 的灵感变成可检查的中间结果。
Guardrails
用户硬偏好高于模型
不看的类型、可接受时长、老片接受度都在规则层强制应用。模型可以建议，但不能覆盖用户底线。
产品意义：尊重用户比“推荐惊喜”更重要。
Search quality
检索放宽有顺序
结果少时不是粗暴重搜，而是按产品优先级逐级放宽。主题信号比时长和年代更晚被牺牲。
产品意义：保持“对味”，而不是只保证“有结果”。
Reliability
代理、降级与测试
TMDb 通过服务端代理规避网络问题，OMDb 评分失败不阻断主流程，核心解析、设置、放宽策略都有测试覆盖。
产品意义：demo 不是截图，而是可持续迭代的真实产品。
05 · Business value
它的商业价值，不止是搜片，而是一套可迁移的兴趣理解能力。
真正有价值的不是“推荐电影”这个垂类结果，而是把用户当下状态、偏好边界和内容库结构连接起来的能力。它可以迁移到很多 App 里，做兴趣匹配、内容推荐、商品推荐、活动推荐，甚至人与人的连接。
可迁移能力这套链路不是电影专属：把“模糊表达”翻译成“结构化偏好”，再去匹配内容、商品、活动、社群或人，都成立。
App 接入价值任何有内容池或供给池的产品，都可以把它作为一个轻量推荐层：用户说状态，系统返回更贴合当下的选择。
兴趣匹配它沉淀的是场景化意图，而不只是点击历史。比“你看过什么”更进一步，回答“你此刻为什么需要这个”。
商业转化当推荐理由可解释、偏好边界可控，用户更容易信任结果，也更容易从犹豫进入播放、购买、报名或连接。
品牌资产克制、懂情绪、懂审美的调性，本身就是一层差异化：它让推荐能力不只是效率工具，也变成产品气质。
06 · Try it
打开它，输入你现在的状态。
不要想类型，不要想片名。直接说“今天很累但不想睡”“想看点漂亮又残酷的”“雨天，想被轻轻托住”。
1
输入一句心情文字或 emoji 都可以。
2
看它读到了什么情绪、节奏、范围会被解释出来。
3
从 6 张卡片里挑一部不对味就继续调小众度和轻重。
https://vibe.he.cn