LiLink · 校园慢匹配社交

项目概览

LiLink 是一款已经上线的校园匹配社交产品。我从需求洞察、机制设计、MVP 开发到上线运营独立推进，希望解决的不是「让人认识更多陌生人」，而是一个更具体的问题：在信任基础薄弱、主动搭讪压力又很高的校园环境里，怎样让两个本来不会认识的人愿意迈出第一步。

产品主要面向中外合办、国际交流项目和大学城学生。传统滑动社交要求用户持续做即时判断，校园群聊又很难筛选真正合适的人；LiLink 因而把「随时刷人」改成一套有节奏的慢匹配机制。

核心机制：把匹配从即时消费变成每周事件

• 每周报名：用户主动确认本周是否愿意认识新人，减少无效供给。
• 统一揭晓：系统在固定周期集中匹配，让等待本身形成预期，而不是制造刷卡焦虑。
• 低压破冰：揭晓页不仅给出名字，还提供匹配理由、共同点和可直接使用的破冰话题。
• 身份门槛：学校邮箱域名构成主要真实性约束，校外用户通过引荐码进入，平衡增长与安全感。
• 安全治理：举报、拉黑和隐私边界进入核心闭环，而不是上线后的附加功能。

这套机制的关键不是「匹配更多」，而是控制社交密度和承诺成本：用户每周只需要做一次清晰选择，系统则负责在背后完成筛选、排序与解释。

可解释匹配系统

匹配不是把问卷分数简单相加。我设计了由约束、评分和全局优化组成的三层系统：

• 8 维硬约束规则引擎先排除不满足双方基本意愿的组合。
• 在可行候选中计算兴趣、背景和互动偏好的多维兼容分。
• 使用最大权图匹配从全局而非局部贪心地选择本轮配对。
• 将留存公平性写进权重：连续多轮未匹配的用户获得更高优先级，避免少数人长期落空。
• DeepSeek 只负责把结构化匹配证据转译成自然语言理由与破冰建议；即使模型调用失败，规则匹配和揭晓主流程仍可继续。

从 MVP 到可运营系统

第一阶段先完成注册、问卷、报名、匹配、揭晓的最小闭环；真实用户进入后，再围绕「为什么没有匹配」「怎样提高下轮成功率」「如何控制骚扰风险」补足产品治理。

为了让迭代不只依靠主观反馈，我搭建了「足迹—意图—结果」三层数据体系：

• 17 类关键事件覆盖访问、问卷、报名、揭晓与后续互动。
• Outbox 保证埋点与业务事实可靠落库，PII 白名单避免把敏感信息带入分析事件。
• 每日聚合看板追踪注册、问卷完成、报名和匹配漏斗。
• 使用逻辑回归分析未匹配概率，模型 AUC 为 0.802，帮助定位性别、年级、偏好供需不平衡等结构性问题。

截至简历最近一次统计，LiLink 已累计注册 309+ 人，问卷完成转化率 87%；经过 8 个揭晓周期，共送出匹配 337 次，整体匹配率 65.9%。

我的工作

这个项目由我独立完成从 0 到 1 的产品和工程交付：

• 访谈与需求收敛、核心机制和问卷设计、增长与运营节奏；
• Next.js 前端、NestJS API、PostgreSQL 数据模型和匹配任务；
• 111 个 API、38 张数据表，以及邮件队列、举报拉黑、备份与回滚等生产能力；
• 基于真实漏斗和用户反馈持续调整问卷字段、匹配权重与揭晓体验。