我如何在全职工作之余用3个月打造出一个功能基本完整的MVP

我如何在全职工作之余用3个月打造出一个功能基本完整的MVP

💡 原文英文,约3000词,阅读约需11分钟。
📝

内容提要

作者利用全职工作之余的约三个月时间,开发了内容创作社交平台Persumi的MVP。核心功能包括长短文发布、社区、私信、投票,以及“人格”分类、AI语音朗读和内容质量“Aura”系统。技术栈采用Elixir/Phoenix、LiveView、Tailwind和Postgres。搜索方案从Typesense、Meilisearch更换为Algolia;部署使用Fly全球多区域加Neon,后改用Fly Postgres解决延迟问题;TTS放弃本地Coqui,改用Google TTS,并接入PaLM 2实现摘要与写作辅助。

🔎

延伸解读

MVP 的取舍:核心功能与“英雄”功能

作者对 MVP 的定义是:包含所有必要功能,再加一两个能区别于竞品的“英雄”功能。Persumi 的必要功能覆盖长短文、社区、私信、投票等社交平台基础;英雄功能则是“人格”分类、AI 语音朗读和 Aura 内容质量系统。这种取舍让 MVP 在功能完整度和差异化之间取得平衡,而非追求大而全。

技术选型中的试错与切换

文章详细记录了多个技术组件的更换过程:搜索从 Typesense 换到 Meilisearch,最终因中文搜索效果和免费层变动转向 Algolia;TTS 从本地 Coqui 改为 Google TTS;数据库从 Neon 换到 Fly Postgres 以解决跨区域延迟。这些切换说明,MVP 阶段的技术决策不必一次到位,但需为替换留出余地。

基础设施的全球分布与成本平衡

Persumi 部署在 Fly 的 US West、澳大利亚和欧洲区域,配合 Fly Postgres 的读写分离,使数据库操作响应更快。作者提到整套设施月成本约 20 美元,并可通过垂直和水平扩展应对增长。这为独立开发者提供了一个可参考的低成本全球部署样本,但也需注意 Fly 文档不完整和部署策略偶发问题带来的维护成本。

本地运行机器学习的教训

作者最初计划在 CPU 上本地运行 TTS 模型,但 Coqui TTS 导致 Docker 镜像过大,难以部署到 Fly,最终改用 Google TTS 和 PaLM 2 等外部 API。他反思,不应在 MVP 阶段为了灵活性而承担本地推理的复杂度和运维负担,外部服务在效果、成本和可维护性上往往更优。

❓

Q&A

作者在全职工作的情况下,用了多长时间完成MVP?

作者用了大约三个月时间构建了MVP的大部分功能,再加上一两周的基础设施和一两周的打磨,总共约3-4个月。

Persumi的MVP包含哪些核心功能?

核心功能包括:短形式内容(如推文)、长形式内容(如博客文章)、RSS订阅、社区、私信、投票系统,以及一些CRUD基础功能。

Persumi的“英雄”功能是什么?

“英雄”功能包括:人格(persona)概念,允许用户拥有多个身份来分类内容;AI生成的文本转语音(TTS);以及Aura系统,通过视觉线索跟踪内容质量。

为什么作者选择Elixir作为技术栈?

作者选择Elixir主要是因为:Elixir和Erlang/OTP开箱即用地支持分布式系统;作者最近写Elixir更多,效率更高;想在生产环境尝试LiveView;更喜欢Phoenix的应用架构而非Rails。

作者在搜索方案上经历了哪些更换?最终为什么选择Algolia?

作者最初尝试Typesense,但发现其中文字符搜索有问题;然后转向Meilisearch,但Meilisearch取消了免费层且中文搜索有边缘情况;最终选择Algolia,因为其中文搜索结果更好,且有免费层。

作者在部署基础设施时遇到了什么数据库延迟问题?如何解决的?

作者最初使用Neon作为无服务器Postgres,但Neon仅在美国西部可用,而Fly实例分布在多个区域,导致跨区域数据库操作延迟高。后来改用Fly Postgres,并在多个区域设置读写副本,解决了延迟问题。

作者在机器学习方面犯了什么错误?后来如何调整?

作者最初想在本地CPU上运行TTS模型(使用Coqui TTS),但导致Docker镜像过大(4-5GB),部署困难。后来改用Google TTS外部服务,不仅音质更好,成本相当,还简化了基础设施。

🏷️

标签

➡️

继续阅读