想法来自上个月以及之前有体验产品的习惯，然后就做了一个叫 SonarPing 的小产品。
最开始只是想解决我自己的一个问题：
每天有太多新的 AI 产品出现，但真正值得花时间研究的其实很少，Vibe 时代，迭代的太快了。
Product Hunt 、GitHub 、Hacker News 、Reddit 、Hugging Face 、X ，每天都会产生大量新的 AI 项目。
问题已经不是：
“哪里还能发现更多 AI 产品？”
而是：
“哪些产品其实根本不值得看？”
所以我做了 [SonarPing]( https://www.sonarping.fyi/)。
SonarPing 从 MVP 到现在大概运行了 46 天。
目前积累的数据大概是：
追踪产品：2,429
已淘汰：1,032
产品快照：63,365
检测到死亡产品：86
已评分：423
进入榜单：412
人工实测：191
这也是我做到现在觉得比较有意思的地方。
最开始我以为自己是在做一个 AI Product Directory 。
做了一段时间以后发现，真正有价值的东西可能不是 Directory ，而是时间。
一个产品今天看起来还不错，不代表 30 天以后它还活着。
所以 SonarPing 现在会持续给产品生成 Snapshot 。
不是只保存：
产品叫什么
官网是什么
一句 Description
而是持续观察：
产品是否还在线
产品定位有没有发生变化
功能有没有变化
评分有没有变化
GitHub 是否还活跃
是否出现融资或者重要事件
是否停止维护
是否最终死亡
46 天下来，现在已经累计产生了 63,365 个 Snapshot 。
并且已经观察到 86 个之前进入视野的产品死亡。
这个数据可能还很早，但我越来越觉得：
AI 产品研究真正有价值的数据不是一个静态数据库，而应该是一条时间序列。
另外一个我刻意做的设计是：
SonarPing 不追求“收录越多越好”。
现在已经淘汰了 1,032 个产品。
原因可能包括：
高度同质化
明显 Wrapper
功能不可用
项目已经停止维护
产品完成度太低
信息和证据不足
没有形成足够差异化
被淘汰以后也不是直接从数据库消失。
我把它做成了一个 Rejection Ledger 。
因为我后来发现：
“什么正在大量失败”，本身就是一种市场信息。
比如某段时间突然出现几十个高度类似的 AI Meeting 产品，或者几十个差不多的 AI Coding Wrapper 。
单独看一个产品可能没有什么意义。
但是把这些产品放到时间序列里面看，你会发现：
某个赛道正在突然变拥挤。
某种产品形态正在大量复制。
某类产品开始快速死亡。
某些产品则活过了第一轮淘汰，并且持续迭代。
SonarPing 目前还有一个相对重的环节：
人工实测。
到现在大概实际测试了 191 个产品。
我不太想让系统变成：
爬虫抓 Description → LLM 总结 → 自动打分 → 发布。
这种系统虽然可以非常快地扩充到几万个产品，但实际上很容易产生一种“数据库看起来很大，但没有多少信息增量”的状态。
所以现在很多产品在真正进入研究层之前，会尝试验证：
官网是不是能打开。
产品是不是真的存在。
核心功能是不是真的能用。
宣传的能力和实际能力有没有明显差异。
有没有只是 Landing Page 。
是不是实际上已经停止维护。
AI 模型这部分目前主要使用 DeepSeek 。
成本也比我最开始预想的低。
现在日常 Radar 、分类、整理、评分这些任务，每天模型费用大概只有 3 RMB 左右，后来发现没必要每天运行，所以现在改成了每周 3 次，顺便蹭了一下 dp 周末低谷。
所以从工程成本来说：
持续运行一个 AI Product Radar 本身其实并不贵。
真正贵的是深度 Research 。
我现在内部还在测试另外一层：
Product Research 。
也就是发现一个值得关注的产品以后，不只是给一个 Description 和 Score ，而是进一步研究：
它解决什么问题。
目标用户是谁。
竞争对手是谁。
产品差异化是什么。
商业模式是什么。
技术路线是什么。
市场里是否已经高度同质化。
过去一段时间发生了什么。
它到底值得继续追踪，还是只是短期热点。
目前按照现在的实现方式，一次比较完整的 Product Research ，模型成本大概在 30 RMB 左右，如果自动化体验可能会更贵。
这个成本还是明显偏高，所以 Research 这部分我还没有正式上线。
最近也还在继续优化模型调用、上下文压缩、缓存和研究流程。
我希望最后它不是：
“用更贵的模型写一篇更长的总结”。
而是真的能够产生信息增量。
目前我对 SonarPing 的理解也发生了一些变化。
最开始是：
AI Product Directory
然后变成：
AI Product Radar
现在我更倾向于把长期方向理解成：
AI Product Intelligence Database 。
因为未来真正有价值的问题可能并不是：
今天又发布了哪些 AI 产品？
而是：
过去 90 天什么方向正在大量出现？
哪些产品活过了第一轮？
哪些赛道死亡率特别高？
哪些产品连续几个月都在迭代？
一个产品第一次出现时是什么样？
30 天、90 天以后变成了什么？
哪些产品从 Demo 走向了真正的 Product ？
哪些产品从 Product 走向了 Company ？
AI 把“做出一个软件”的成本压得越来越低之后，我觉得 Product Discovery 也会发生变化。
以前的问题是：
产品太少，如何发现？
现在的问题正在变成：
产品无限多，如何过滤？
所以 SonarPing 目前更想做的事情其实是：
少推荐一些。
多淘汰一些。
持续追踪剩下的。
然后用时间去验证第一次判断是不是正确。
iOS 版本最近也已经上线。
目前除了中国大陆和欧盟地区，其他我开放的 App Store 地区已经可以下载。
App 本身目前比较简单，主要还是作为一个随时查看 Radar 的客户端。
**没有广告，也暂时没有做复杂的付费系统。**
产品现在大概就是这个阶段。
46 天其实还非常短。
很多想法也还没有被验证。
但 63,365 个 Snapshot 开始积累起来以后，我第一次感觉这个东西真正有了一点“复利”。
因为今天重新抓一个 Product Directory 很容易。
但是重新生成过去 46 天一个产品每天发生过什么，就没那么容易了。
接下来我比较想继续验证几个方向：
第一，产品生命周期数据到底有没有价值。
第二，Rejection Ledger 能不能反过来帮助判断一个赛道是不是已经过度拥挤。
第三，Product Research 能不能把单次成本从现在的约 30 RMB 明显压下来，同时保证研究质量。
第四，能不能从“发现产品”进一步走到“发现产品趋势”。
也想听听 V2EX 大家的意见。
如果你每天都会接触新的 AI 产品：
你现在最大的问题是发现得不够多，还是已经看不过来了？
你会不会关心一个产品过去 30 天、90 天到底发生过什么？
如果让你看一个 AI 产品，你最希望 SonarPing 帮你验证哪几个问题？
以及如果是 Product Research ，你觉得什么样的信息才真的值得为一次研究付费？
欢迎直接拍砖。
SonarPing：
https://www.sonarping.fyi/
iOS：
https://apps.apple.com/app/sonarping-ai-product-radar/id6809859221
