副业故事看多了容易麻木，但这个样本的反常之处在于：他没有辞职、没有梭哈单一产品、也没有追最热的风口——全职数据科学家之余连续做出 3 个 AI 工具，累计 250 万注册用户、月入约 7000 美元。真正值得学的不是"多做产品"，而是那套"用低成本实验不断寻找有效需求"的 Micro SaaS 方法论——尤其适合白天还要上班的人。
一、三个产品的家底
主角是印度的 Ramsri Goutham Golla，目前仍是全职数据科学家，同时运营三个 AI 产品：AI 自动出题工具 Questgen.ai、AI 表情包生成器 Supermeme.ai、AI 动态视频生成器 AiArtist.io。累计注册用户超 250 万，每月经常性收入约 6000-7000 美元。拆开看：Questgen 上线 4 年累计收入超 15 万美元、注册用户超 15 万；Supermeme 超 200 万注册用户、发布当天拿下 Product Hunt 日榜第一；最新的 AiArtist 刚上线不久，已有 20 多名付费用户。这不是"辞职梭哈孤注一掷"的故事，更像普通人可借鉴的路径：不急着赌一个终极项目，而是在工作之外持续做实验，让有效产品自然跑出来。
二、不追最热方向，押注一个"会变好的问题"
2021 年 Ramsri 开始研究 AI 和教育的结合。当时生成式 AI 远没有今天成熟，但他注意到一个具体问题：老师和教育机构制作试题非常耗时——要根据文章、PDF、课程材料生成选择题、判断题、填空题，再经多轮审核，一些机构甚至把出题外包给专门的题库公司。他与多位教育从业者沟通后判断：如果 AI 能提高出题质量，教育机构就能让内部团队完成更多工作、降低外包成本。于是做了 Questgen：用户输入文字、PDF 或网址，系统生成单选、判断、填空等各种测验。这个选择值得学习——2021 年的 AI 出题还不够完美，但 Ramsri 判断模型能力会持续进步。他不是只看"今天能不能做到"，而是在押注：当底层技术越来越强，这个产品会不会自动越来越有价值？2023 年之后文本生成试题的市场明显升温，Questgen 吃到了这波增长。好的 AI 创业方向，不一定是今天效果最惊艳的，而是模型每进步一次、你的产品价值就自动提高一次的。
三、第一版用无代码，但别被工具限制住
Questgen 最初用 Bubble 等无代码工具搭建，让他能快速做出可用版本、验证用户是否愿意使用。但随着功能深入，无代码的局限显现：它把底层代码和技术细节隐藏起来，早期提速，可当你需要更复杂的流程、更高性能、更灵活的 AI 能力时，抽象层就变成束缚。于是他开始学全栈开发，用 Next.js 重搭正式产品，现在的主力栈是 Next.js、Supabase 和 Claude Code 等 AI 开发工具。合理路径是：用最快的工具完成验证，再根据产品成长阶段升级技术。MVP 阶段最重要的是速度，业务跑起来后才需要考虑性能、成本和扩展性。
四、从按次付费改成订阅，收入才开始复利
Questgen 最初按次付费——生成多少内容付多少费，看起来合理（AI 调用本身有成本），但很快改成了订阅：套餐每月 10-15 美元起、高使用量计划约 50 美元，年付比月付便宜约 40%，扣除大模型成本后毛利率约 60%-70%。为什么订阅更合适？因为出题不是一次性需求：老师、培训机构、教育公司会持续制作课程和测验，只要用户长期从事教育工作，需求就会反复发生。一次性收费的问题是今天产生收入、明天又要重新找客户；订阅让过去积累的客户持续贡献。这也是 Micro SaaS 重要的选题标准：不要只找有人愿意付钱的问题，更要找会反复发生的问题——需求只发生一次很难形成稳定 MRR，每周每月都出现的需求，订阅才有长期价值。
五、开源不是放弃赚钱，是先换信任和流量
Questgen 早期一个重要的增长动作是开源：把产品模型和部分能力做成 GitHub 仓库，用户可以下载自己部署。很多创业者怕开源——担心别人免费使用、代码被复制、无法商业化。但 Ramsri 看到另一面：开源项目更容易被开发者分享，GitHub 本身能带来流量、讨论、外链和信任。他同时持续写"AI 自动出题""问题生成"相关的博客积累 SEO 流量，等项目有稳定访问后，在 GitHub README 里加入 Web 版链接——有技术能力愿意折腾的人自己部署；不想维护服务器配置环境的人，直接付费用官方 Web 版。这就是经典的开源商业化逻辑：开源负责传播、信任和验证，云服务负责省时间和赚钱；真正付费的用户很多时候不是不能自己做，而是不想自己维护。
六、Product Hunt 第一不是靠运气
第二个产品 Supermeme（输入一段文字生成适合社交媒体的多格表情包）发布时拿到 Product Hunt 当日第一，但不是提交后自然发生的，团队做了四件事：一是找到合适的 Hunter——他们没有巨大粉丝基础也没有发布经验，于是在 X 上主动联系 Hunter 直到找到愿意帮发布的人；二是踩中技术和内容趋势——纯文本 AI 工具已经很多、AI 开始快速进入图片生成，"一句话生成表情包"既符合趋势又天然适合社交传播；三是提前积累公开构建的关注者——Ramsri 一直在 X 和 LinkedIn 分享产品进展，发布当天这批人成了第一批支持者；四是提前备好全部素材——截图、文案、落地页都围绕一个信息：输入文字立刻生成 AI 表情包，用户几秒钟就能理解。发布不是上线当天临时发一条帖子，而是一场提前准备的集中传播——而且产品本身必须足够容易被看懂、演示和分享。
七、ChatGPT 开始做类似功能，小产品怎么活
Questgen 和 Supermeme 后来遇到典型问题：ChatGPT、Anthropic 等大模型开始推出更多原生功能，用户似乎可以直接让 ChatGPT 生成试题和图片，产品流量和订阅增长一度趋平。很多 AI 工具都会遇到：今天你做了一个 AI 功能，明天大模型平台自己集成了。小产品还有机会吗？Ramsri 的答案是：不要只提供生成能力，要提供专业输出格式和完整工作流。教育机构生成试题后，并不是只需要一段文字——还需要把试题导入不同的学习管理系统，不同系统需要不同文件格式、字段结构和导出方式，这些细节大模型原生产品通常不深入解决。ChatGPT 可以生成一道题，但未必能输出符合特定 LMS 标准、可立即导入使用的完整文件。这就是小产品的差异化空间：巨头提供通用能力，小团队必须解决最后一公里。真正有壁垒的 AI 产品不是"我也能生成"，而是生成之后用户可以直接完成工作。
八、250 万注册用户为什么只有 7000 美元 MRR
这组数据值得所有创业者冷静看待：250 万注册用户，MRR 只有约 6000-7000 美元。说明用户多不等于收入高——尤其 B2C 和轻量 AI 工具，很多用户只是尝鲜：可能用一次就离开、可能只用免费额度、可能被其他免费工具替代。Supermeme 有 200 多万注册用户，不代表 200 万人都会持续付费。真正要看的是：用户是否重复使用、免费到付费转化率、客单价、流失率、大模型调用成本、每用户毛利、是否存在自然扩展收入。流量可以制造热闹，订阅和留存才能构成生意。
九、为什么同时做三个产品而不是押一个
传统创业建议强调聚焦：一个产品、一个市场、一个核心目标。但 Micro SaaS 有另一种可能：通过多个小实验建立产品组合。Questgen 服务教育、Supermeme 服务内容和营销人群、AiArtist 尝试文字变动态视频——三个产品不完全相同，但共享一批能力：AI 模型调用经验、产品开发、SEO、公开构建、支付订阅、增长和传播。这意味着他不是每次从零开始，每做一个产品，技术、渠道和认知都可复用。当然有风险：产品过多会分散注意力，每个都需要维护、客服、内容和迭代。多产品策略成立的前提是：产品足够轻、系统能够复用、创始人能快速判断哪些值得继续投入——不是为了显得忙而同时做很多项目，而是用低成本实验提高撞上有效机会的概率。
十、普通人怎么复制这套方法
- 关注新模型带来的新能力：每次新模型发布都问——以前做不到的事现在能做到吗？以前质量很差的任务现在可用了吗？
- 找具体职业场景：不做泛泛的"AI 生成内容"，问老师怎么用、营销怎么用、创作者怎么用、企业最终需要什么格式。
- 做轻量 Demo：先做能展示核心结果的小产品，不上来就开发完整平台。
- 公开发布并观察反馈：在 X、LinkedIn、YouTube 展示过程和结果，看用户是否主动询问、转发和使用。
- 只对有效信号加倍投入：没人关心的 Demo 就停，明显获得反馈的内容就继续迭代。
这套模式最重要的不是"同时做三个产品"，而是：持续试验、快速发布、观察信号、只对有效方向加倍投入。AI 时代产品开发越来越快，创业者最大的优势不再是"一次就猜对"，而是能否比别人进行更多高质量实验。真正的机会往往不是在脑子里想清楚的，而是在一次又一次发布之后、被市场筛选出来的。
我的总结：这个案例给"在职副业"画了一条可执行的中线——介于辞职梭哈和纯粹观望之间。多产品组合的另一极看8 个月 28 个 App 的发布就跑，"边上班边做、何时全职"的边界问题参考卖掉一人公司后的实话。