Klar 是一个 AI 备考工具：学生上传课程材料和历年真题，它生成练习题、闪卡、预测卷，还输出一份音频播客版。
它被讨论最多的是「三个不会写代码的瑞典大学生靠 Lovable 做出产品」这个角度。但把「不会写代码」当卖点会错过真正的工程问题。这类产品的能力上限不在界面，而在三件事上：输入是脏的（教授给的 PDF、扫描的真题、口述范围）、产出是要被判对错的（题目错了用户立刻知道）、同一份内容要被渲染成四种形态（题、卡、卷、音频）。这三件事跟有没有人写代码关系不大，跟数据管道设计关系很大。
据 Lovable 官方创始人档案（数字由创始人方提供）与 ARR Club 信号双源收录，产品上线 30 天做到年化 13 万欧元，上线两天 2,500 注册、4,000 人排队，全程零付费广告。联合创始人 Isabel Storgårds（CEO）、Andreas Melander（产品）、Eric Götborg（商务）都是乌普萨拉大学学生，两人已休学。
数据时点 ｜ 截至 2026 年（Lovable 官方创始人档案口径）｜收入口径：年化经常性收入（ARR），由创始人方提供给平台方，非审计数字
一、输入侧：课程材料是脏的
「上传课程材料」这句话掩盖了最难的一步。真实的学生材料大概长这样：
- 教授发的讲义是 PDF，但里面公式是图片，不是文本；
- 历年真题是学长传下来的扫描件，有手写批注、有倾斜、有遮挡；
- 考纲是学校网站上的一个表格，科目代码和课程名对不上；
- 有些科目的「重点」只存在于课堂上，没落在任何文件里。
任何生成管道的第一道工序都是把这些东西变成可检索的结构化片段。工程上的分歧点在于切分粒度：
- 按页切：实现最简单，但一道跨页的题目会被切成两半，检索到的上下文是残缺的；
- 按语义切（章节、题目边界）：效果好，但需要先识别版面结构，扫描件上这一步错误率最高；
- 按固定字数切：最省事，也最容易把「条件」和「问题」分到两个块里——对生成题目来说这是致命错误，因为条件缺失会让模型编造条件。
这个选择会一路传导到用户看得见的地方。切分错了，生成出来的题目会出现「题目本身不成立」的情况：条件不全、单位丢失、图表引用了一个不存在的图。用户对这类错误的容忍度极低，因为它直接对应考试失分。
所以这条链路的验收标准不是「能生成」，而是每个生成物都能回溯到具体片段。留不下这个映射，用户报错时你无法判断是检索错了、模型编了，还是原始材料本身就缺。
二、生成侧：题目质量有三个互不相关的维度
「AI 出题」听起来是一个任务，实际是三个必须分别验证的维度：
- 答案正确性。这是硬错误，用户一眼能看出来。它取决于模型是否真的做了推导，而不是套了模板。同一个知识点换个数字，模型可能对一次错一次。
- 干扰项质量。选择题的错误选项必须「错得合理」——太离谱等于送分，太接近正确答案等于出废题。这一维最难自动判定，因为它要求判定者理解「学生可能怎么错」。
- 考纲对齐。题目考的是不是这门课要考的范围。生成质量再高，超纲的题对学生也是负价值。
三者的验证成本完全不同。答案正确性可以靠「换数字重算」做交叉校验；干扰项质量只能靠人工抽检加用户反馈；考纲对齐需要一份可信的考纲数据，而这恰恰是最难拿到的。
一个实际的做法是把生成和校验分开：生成用强模型，校验用「另一遍独立推导」。同一道题让模型在「不看答案」的前提下重算一次，两次不一致就标为待复核，不直接给用户。这不能消灭错误，但能把「静默错误」变成「可统计的错误率」——后者可以改进，前者只会毁掉口碑。
三、一份内容，四种形态
产品的四个输出——练习题、闪卡、预测卷、音频播客——看起来是四个功能，工程上应该是一个中间表示加四个渲染器。
如果每个形态各自调一次模型，会出现三个问题：同一知识点在不同形态里说法不一致（用户会觉得产品不严谨）、成本随形态数线性上涨、任何修正都要改四处。
合理的形态是先产出一份结构化内容：知识点、题干、答案、解析、难度、来源片段。然后：
- 练习题 = 渲染题干 + 选项；
- 闪卡 = 压成「正面问题 / 背面答案」，去掉选项；
- 预测卷 = 按难度和知识点分布采样 + 排版；
- 播客 = 把解析改写成口语稿再走 TTS。
播客这一支还有额外的工程约束：TTS 读不了公式和符号。一份数学解析直接丢给语音合成，出来的是噪音。所以中间还要一层「口语化改写」——把公式读成句子、把符号读成词。这层改写必须由模型做，但它同时是幻觉风险最高的一环：改写过程可能把「不等于」读成「等于」。对音频形态来说，错了用户听不出来，这是最隐蔽的错误类型。
四、零代码平台的真实边界
用 Lovable 这类工具搭产品，前 90% 的速度优势是真的：界面、表单、鉴权、支付、部署这些「跟产品逻辑无关但必须存在」的部分，从几周压到几天。
边界出现在三处，而且是可预期的：
- 数据处理管道。文件解析、切分、向量化、批处理重跑，这些不是「页面」而是「作业」。可视化搭建工具擅长前者，不擅长后者。
- 成本控制。生成一次题目要调多次模型，学生一次上传可能触发几百次调用。没有队列、限流、缓存的时候，一次恶意上传就是一张账单。
- 质量校验。前面说的交叉校验、错误统计，本质是要写自定义逻辑和存储中间结果，属于「写代码」范畴。
这也是为什么这个案例真正可复制的部分不是「用 Lovable」，而是三个人分工的方式：一个管产品、一个管商务、一个管技术落地，遇到平台边界时不硬撑，而是把需要写代码的部分单独做。对非技术创始人来说，认清「哪 10% 必须自己写」比选哪个平台重要。
五、纯自然增长意味着没有归因系统
上线两天 2,500 注册、4,000 人排队，零付费广告。这个成绩在数据上很好看，但在工程上意味着一个缺失：你没有归因系统。
付费投放至少会告诉你「哪条素材带来了多少注册」。纯自然增长时，你只知道总量在涨，不知道是校园口碑、某个群的转发、还是搜索引擎带来的。后果是：
- 无法判断该加大哪个渠道，因为没有渠道；
- 用户来源只能靠注册时问一句「你怎么知道我们的」，而这个字段的填写率通常很低；
- 增长一旦停滞，没有可调参数——投放能加预算，口碑不能。
所以这类产品在自然增长阶段真正需要建的不是营销工具，而是可观测性：留存曲线按注册批次分群、功能使用路径、付费转化的时点分布。这些不需要广告系统，但需要从第一天就把事件埋进去。等增长停了再补埋点，历史数据就永远缺了。
六、从学生订阅到高校合作，等于换了一个产品
案例里提到与瑞典商科学生联合会的高校合作，管线价值最高 750 万欧元年化——注意这是管线潜力，不是已实现收入，不能计入营收。
从工程视角看，这一步不是「多一个销售渠道」，而是换产品：
- 账号体系：B2C 是个人邮箱注册，B2B2C 要接学校的身份体系（学号、班级、课程）；
- 数据隔离：不同学校的学生材料不能互相看见，这是硬要求，不是权限开关；
- 合规：学生数据在欧盟属于敏感范围，机构采购会要求数据处理协议、删除机制、审计记录；
- 计费：从「学生自己刷卡」变成「学校集中采购、按席位结算」。
这四条每一条都不是小改动。很多 B2C 工具在签下第一个机构客户时才发现，自己要做的是一个几乎独立的产品。这也是为什么「管线价值」和「已实现收入」必须分开说：管线里的数字要跨过这道工程门槛才变成钱。
七、口径提醒
- 13 万欧元 ARR 是上线 30 天的节点数据，来自平台方创始人档案（数字由创始人提供）；它不等于当前收入，也不等于利润。
- 750 万欧元年化是「管线潜力」，未计入收入，不能与 ARR 相加。
- 第三方流传的更高 ARR 数字（含某招聘平台个人贴文）无创始人确认，本文不采用。
- 上线日期在不同来源有出入，本文只引用「上线 30 天」这个相对口径。
