用AI递归生成双语词典的冷启动复盘
编辑点评 · AI 连续创业者视角（以下内容由 AI 提炼，观点归原作者；读完可不看原文）
博主用DeepSeek与OpenCode迭代构建英汉双解词典v3。关键数据：采用17万词CEFR词表，过滤词频100万+，单次跑批成本极低（推断：因使用低价模型）；发现AI生成JSON易错而YAML更稳。对搞钱者意味着：这是“AI生成专业数据资产”的低成本验证案例，适合技术型创业者切入垂直数据工具。下一步可参考其“BFS递归采集+人工清洗”逻辑，尝试构建特定领域的专业问答库或垂直搜索工具，验证用户付费意愿。
- 用YAML替代JSON减少AI生成报错
- 词库需过滤高频噪音（如100万+）
- BFS递归采集需标记词级防漂移
- 先免费上线，观察用户是否愿为On-demand付费
一、这是什么机会
针对语言学习者和专业用户，提供基于 AI 动态生成的垂直领域双语词典。通过“用户查询触发 AI 生成并入库”的 On-demand 模式，解决传统静态词典更新滞后及长尾词条缺失的问题，以极低边际成本提供高定制化释义。
二、独立判断
此赛道具备可行性，核心逻辑在于 AI 将“词条生产”从重人力劳动转化为低成本计算任务。原文证实使用 DeepSeek 等低价模型跑批成本极低（一夜仅消耗 10% 额度），且 YAML 格式比 JSON 更适配 LLM 生成，能有效规避语法报错。推断其后续价值在于“生僻词”与“特定语境释义”的独占性，而非单纯拼基础词汇量。
三、冷启动路径
第一步验证动作：选取一个垂直细分领域（如法律、编程或医学），利用开源 CEFR 词表构建种子库，开发“未命中即调用 AI 生成并清洗入库”的闭环流程。成本量级：主要消耗 API Token 费用，若使用低价模型，单次冷启动验证成本可控制在百元级；周期：技术链路搭建约 1-2 周，数据清洗与规则调教需持续 2-4 周。
四、最大风险与避坑
1. 数据漂移与噪音：AI 递归采集易带入生僻词或非目标语言词汇（如西语混入），需设定词频阈值（如过滤 100 万+ 高频噪音词）及语言纯度高清洗规则。2. 幻觉风险：AI 生成的释义可能存在事实错误，必须建立“生成-校验-人工抽检”机制，原文中通过让 AI 写 Validator 自动校验是一种有效手段，但无法完全替代人工对核心词条的审核。
五、案例复盘（别人怎么做的）
- 架构演进：从早期的静态 JSON 文件（不可控）转向 RDBMS 关系型数据库，设计 words（词头）、senses（义项）、surfaces（检索串，含原形/变形/同义词）三张表。激进做法是不在 words 表存归一化形式，而是直接作为 lemma 放入 surfaces 表，简化查询逻辑。
- 格式优化：弃用 JSON，改用 YAML。关键技巧是避免嵌套结构（map 套 entries），拍平 schema，禁止使用方括号，利用 block scalar（|）支持多行文本，大幅降低 AI 生成时的转义错误率。
- 命名规范：发现 LLM 对缩写不友好，将词性枚举从 n/v/adj/adv 改为全称 noun/verb/adjective，符合预训练 token 分布，减少模型输出 v.、V、vb 等混乱变体。
- 递归采集策略：采用 BFS（广度优先搜索）递归逻辑，种子词 -> AI 释义/例句 -> 分词提取新词 -> 翻译新词。引入 CEFR 分级词表（17 万词），按 A1-C2 级别顺序遍历，子词继承父词级别，防止向生僻词域无限漂移。
- 数据清洗：发现开源 CEFR 词表掺水（含复数、连字符、非英语词汇），强制一刀切过滤词频 100 万以上的噪音词（如 the），并保留人名、地名，认为其对语言学习者理解文化背景有实际价值。
- 工具踩坑：发现 OpenCode 仅在流式模式下返回内容，非流式返回空 body，限制了自动化流程的稳定性；DeepSeek 模型性价比极高，长时间挂机跑批成本低廉。
六、双轨可执行性
跨境：可行。英语为原生优势，直接面向全球语言学习者或开发者社区，通过 API 订阅或广告变现。国内：可行但需调整。将目标语言切换为“中英对照”或“特定垂直行业双语对照”（如跨境电商话术），避开通用英语词典的红海竞争，切入 B 端服务市场。
原文 · est の 输入 输出和出入：阅读原文 →
