收入 43 美元的拼豆 App，我把核心算法开源了
去年 9 月，我开始做一款拼豆 App。今年 7 月上线，到今天运营了三个月。
这是它三个月的全部收入：43 美元。
这篇文章不讲鸡汤，也不卖课。我会把 App Store 后台的真实数据全部贴出来，给所有想做独立开发的朋友当一个参考样本 ------ 一个普通的、没成的样本。文章最后，我会把这个项目里唯一真正沉淀下来的东西 ------ 图像转拼豆图纸的核心算法 ------ 开源出来。
这个 App 是干什么的
先一句话解释拼豆：把彩色塑料小豆按图纸一颗颗摆在模板上，熨斗加热定型，得到一幅实体像素画。成本不高，很解压，是个有真实爱好者的小圈子。
玩家的痛点很直接：想拼自己的照片、喜欢的角色、爱豆的图，但把一张图变成图纸很麻烦 ------ 真实的豆子只有几百种固定色号（不同品牌色卡不一样，常见的三百色上下），模板格子是有限的，照片却是几百万种颜色、几百万个像素。"把任意图片翻译成用真实豆子在有限格子上能摆出来的图纸"，就是这个小圈子的核心需求。
我做的 App「趣拼豆」就干这一件事：上传照片，生成拼豆图纸 ------ 网格、每格的色号、每种颜色需要多少颗豆，一目了然。
先上数据，全部真实
统计周期：2026 年 7 月 17 日 --- 10 月 14 日，约 90 天，App Store Connect 后台原始数据。
获客漏斗：
| 环节 | 数值 |
|---|---|
| 商店展示 | 245,000 次 |
| 产品页查看 | 6,950 次 |
| 首次下载 | 3,960 次 |
转化率：
| 转化 | 数值 |
|---|---|
| 展示 → 点进产品页 | 2.85% |
| 产品页 → 下载 | 57% |
| 下载 → 35 天内付费 | 0.8% |
收入：
- 应用内购买 30 次，销售额 US$43
- 定价 8 元/月，当前有效订阅 8 个 ，月度经常性收入 US$14
留存（最难看的一项）：
- 三个月内订阅方案生效 28 次，流失 26 次
- 也就是说，约 93% 的付费用户订完第一个月就走了
这些数据说明了什么
复盘这组数字，我的结论是：这不是一个"没人要"的产品，而是一个商业模式不成立的产品。拆开看：
1. 产品本身是合格的。 57% 的产品页转化率（常见区间是 30%--50%）说明看到页面的人认可它；0.8% 的下载转付费在工具类 App 里是正常水平。
2. 曝光端很弱。 24 万次展示只换来 2.85% 的点击率 ------ 绝大多数人在商店里直接划过去了。图标和前两屏截图没能在三秒内说清"这对你有什么用"。
3. 真正的死因是留存。 93% 的月度流失意味着：平均每个付费用户只付一个月，单用户终身价值（LTV）≈ 8 元人民币。而随便一个投放渠道的单次安装成本（CPI）都是几块钱起步 ------ 花 5 块钱买来一个用户，用户一辈子给你 8 块，扣掉平台抽成就是白忙甚至倒贴。 这个数学不改善，投流就是烧钱。
4. 所以"优化一下再投流"这条路，我在算账之后就放弃了。 把留存和定价修好，天花板大概是每月几百块；想把收入放大一个量级，需要的是我自己都不具备的投流预算和运营能力。继续投入，期望值为负。
十个月的开发复盘
2025 年 9 月动工，2026 年 7 月发布，十个月。
最开始我做的是网页版，后来判断真正的使用场景在手机上（玩家在茶几上拼豆，不会开着电脑），于是用 uni-app 重写成了 App。来来回回，等于做了两遍。
十个月里真正的大头时间花在算法上：照片 → 图纸这个转换，改了多少版我自己都数不清，到今天我也不能说满意。颜色怎么取、格子怎么降、豆色怎么映射，每个问题都没有标准答案，全是权衡。
一个人做产品的另一个真实体验是：写代码只占了三成时间。 剩下的七成是：图标和商店截图、隐私政策、支付接入、审核被拒再改、资质材料......这些事没有任何一件难，但它们不结束。
为什么把算法开源
这个项目我不会再投入了。但图像转拼豆图纸这个算法，是我这一年里真正沉淀下来的东西 ------ 它被我重写了无数遍，踩遍了该踩的坑。
拼豆、像素画、十字绣是个真实存在的小圈子，而"图片转图纸"这个轮子，值得有一个公开、能用、可以随便改的版本。与其让它烂在我的私有仓库里，不如放出来。
仓库地址：github.com/857god/pind...
算法到底难在哪
给想读代码的朋友一个导读。"图片转拼豆图纸"听起来一句话，做起来是三个互相打架的问题：
1. 网格降采样。 一张照片几百万像素，要压到比如 50×50 的格子上。每个格子取什么颜色？
这一步我走过弯路：老的那套降采样管线（pixelizeImageData）被一个硬编码的开关永远绕开了 ------ 代码还在，但那条分支永远进不去，所以抽取开源版时我把这 141 行直接删了。现在真正在跑的不是某个"高级采样核"，而是一串组合：降采样 → 区域合并 → 色彩简化 → 采样增强 → 空间平滑。质量不是靠单点聪明换来的，是靠把这五步的档位调对。
另一个我比较满意的决定是"方板"：格数恒等于「像素大小²」，源图等比缩放后居中，非等比的部分留白而不是拉伸，所以预览永远是正方形。拉伸会把一张竖构图的人物照压扁，留白只是损失边缘 ------ 这个取舍我认为后者更对。
还有两个工程上的教训。一是我曾经以为"不同图片该走不同策略"，写了一套图像特征分析（检测噪点、渐变、细节、人像）想让参数自适应；抽库时实测发现那些封装在运行时被调用 0 次，从来没接上，纯属自嗨，所以没搬进仓库。二是为了能在没有浏览器的情况下测试这套算法，我把 canvas 用纯 JS 打了个等价实现（含双线性重采样），于是整条链在 Node 里也能跑 ------ 这一步后来救了命，因为没有它，我根本做不了下面说的"删完代码逐格比对"。
2. 色彩量化。 几百个色号里挑"最接近"的那个 ------ 问题全在"最近"怎么定义。
仓库里这份色号匹配器是我把原实现修好之后的版本，支持三种度量：默认 CIEDE2000（sRGB → CIELAB(D65) → CIEDE2000，最贴近人眼感知）、ΔE76（CIELAB 空间欧氏距离，更便宜、排序大体一致）、以及红均值加权的 RGB 距离（只给预览或低端机兜底）。
最值得说的一个 bug：用 k-d 树加速最近色搜索时，剪枝依据是"查询点到分割面的距离"，这个量是 CIELAB 坐标差，只能和同量纲的距离比较 。而我原来的实现直接拿 CIEDE2000 的值去剪枝 ------ CIEDE2000 经过 SL/SC/SH 缩放，量纲不同，会剪掉真正更近的分支，实测在 418 色色卡、300 次随机查询里就能稳定复现错配。修法是从 ΔE00 公式本身推一个同量纲的下界（在 sRGB 色域上数值求得 SLmax=1.747、Smax=7.030、|RT|max=1.732，取 3% 安全余量后得到剪枝系数 1.8 / 20），于是 k-d 树的结果和全量扫描逐位一致，而不是"大概率一致"。
性能上留了三档：精确档（k-d 树）、fast 档（只取 ΔE76 下的 K 个最近邻，再用 CIEDE2000 重排 ------ 实测 418 色卡 2000 次查询里约 0.25% 与全局最优不一致，换来大量 CIEDE2000 计算被省掉）、加权 RGB 兜底。再加一层惰性 LUT 缓存（hex → 匹配结果），因为图像里重复色的命中率很高。
顺便一个隐蔽的坑：原实现会就地修改入参 ------ 对传入的色卡数组原地排序、并往色卡对象上写 lab 字段。同一个色卡对象被两个页面共享时，这种行为迟早会咬人，开源版改成了不改写入参。
3. 保真与可用的权衡。 严格取最近色，图纸会丢细节；加抖动（dithering）能保住观感，但玩家拼的时候会发现"一格一个色"极其痛苦。
抖动我实测过，然后删掉了 ------ Floyd--Steinberg 和 Atkinson 都实现过。它在拼豆场景是负优化：96 格下，孤立豆（四邻都不同色的格子）从 11 格涨到 350 格 ，耗时还多 3.5 倍。多出来的全是高频噪点，而玩家是要一颗一颗照着摆的 ------ 这等于把图纸变成一份不可执行的任务。
真正有效的反而是最朴素的一步：孤色清理。它把孤立豆从约 1.4% 降到约 0.2%，代价是被强改颜色的格子色差会变大。这是我认为整条链里最值的一个取舍。
最后说一个不太好听但真实的发现：结构层的"柔和降噪"、匹配层的"匹配层平滑"和"块面统一"这三个滑块，实测开到最大也几乎不改变结果。原因是它们判断的都是"邻域主色是否占优"，而在这之前区域合并已经把平面区域抹平了，主色就是格子自己 ------ 判断永远成立，等于空转。界面上我保留了这些控件（与原页面一致），但如果你拉它们发现没反应，那不是 bug，是我当时没想明白就把旋钮装上了。
（「肤色自然」这个开关是有的：检测到肤色像素后对它们做更温和的调整。但它只在自定义模式下可用，标准模式下恒为关闭。）
仓库地址：github.com/857god/pind... ，欢迎 issue 和 PR，尤其欢迎拼豆玩家来告诉我哪里不像。
接下来的打算
这个 App 进入维护状态，不再加新功能，订阅价格我会调整一次然后放着。手里还有两个项目的核心算法（一个匿名聊天的匹配算法、一套 AI 聊天的工程实现），我会陆续整理开源，并把过程写下来。
如果你也在做独立开发，或者正打算跳进来：希望这组真实的、不漂亮的数据，比那些"月入十万"的帖子对你更有用。这个游戏的难，不在写代码，在于代码之外的一切。
作者：一名工作四年的前端，业余时间做独立开发。以上所有数据来自 App Store Connect 后台，未做任何修饰。