49个产品0销量：独立创作者的渠道分销教训

一位独立创作者在三个市场平台上线了49个产品，六个月后销量为零。这不是一个关于产品质量的故事，而是一个关于分销渠道的昂贵教训。作者在深夜复盘时写道："我花了六个月建造机器，却几乎没花时间问任何人是否想要这台机器造出来的东西。"

生产从来不是瓶颈，分销才是

作者的核心洞察很直接：生产是每个创作者都能做到、或者能自动化的事情。他搭建了一条完整的流水线——提示词引擎、批量渲染、打包封装——跑在一台1 vCPU、2 GB内存、无GPU的服务器上，单进程处理，每个素材后调用gc.collect()。这条流水线产出了39个产品、856 MB成品输出，背后是约19000行流水线代码和300多页研究资料。

这些数字说明了一件事：机器运转良好。但零销量说明另一件事：机器造的东西没人要。作者后来意识到，分销才是决定收入是否到账的环节，而他把几乎所有时间都投在了自己已经擅长的生产端。

为什么作者强调 1 vCPU、2 GB 内存、无 GPU

这段技术描述常被读者略过，但它实际上支撑了全文的核心论点。批量渲染图像或生成 PDF 通常让人联想到需要 GPU 加速的深度学习工作流，但作者使用的是模板化、规则驱动的生成方式——提示词引擎拼装文本，渲染器按固定版式输出，打包器压缩封装。这类任务属于 IO 密集和轻度 CPU 计算，单进程顺序处理即可完成，每个素材后调用 gc.collect() 是为了及时释放 Python 对象、避免长时间运行的内存膨胀。这个细节说明：生产端的门槛低到一台低配服务器就能跑通，因此它不构成竞争壁垒。真正的稀缺资源不是算力，而是对买家搜索行为的理解和跨平台元数据的正确交付。

市场平台是发现引擎，不是自动售货机

一个常见的误解是：把产品上传到Adobe Stock、Vecteezy和Dreamstime就等于完成了分销。作者最初的假设正是如此，结果发现这只是在"铺库存"。

平台对新上传内容的曝光极其有限，而且曝光逻辑基于元数据质量而非上传数量。这正是作者浪费数月的地方：Adobe的上传CSV是5列，Vecteezy要4列，Dreamstime要15列。一列搞错，文件在人工审核之前就被系统直接拒绝。作者因为表头错误浪费了整批素材，又因为缺乏追踪机制而重复上传，而重复发布恰恰是账号被标记的最快方式。

解决方案本身很无聊：一个只写平台所需表头、不多写一列的脚本，加上一个记录每次发布文件的台账，确保重跑时不会重复发布。这解决了机械问题，但没有解决销量——因为机械问题从来就不是真正的问题。

微库存（Microstock）平台的运作逻辑

Adobe Stock、Vecteezy、Dreamstime 属于微库存（microstock）平台：创作者上传素材，平台以订阅制或按件计费方式授权给买家，创作者按比例分成。这类平台的核心机制是搜索驱动的发现——买家通过关键词检索素材，平台算法依据元数据（标题、关键词、分类）的相关性、素材质量评分和账号历史表现决定曝光排序。因此上传数量本身几乎不产生流量，元数据质量才是排名的输入变量。不同平台的元数据规范差异很大（列数、必填字段、关键词数量上限、是否允许重复关键词），这也是为什么一个只输出平台所需表头的最小化脚本比通用打包器更可靠：多写一列或拼错表头都会在人工审核前被系统拒绝。

一个品类做49个，不如五个品类各做5个

最刺痛作者的是一组数字对比：49个产品本质上属于同一种视觉风格，面向同一类买家。当没有人搜索这种风格时，49个产品一起失败。

分散风险不只是多开几枪，而是让每一次尝试相互独立。贴纸包、模板合集、矢量素材各做十个，可以独立失败；而作者的做法是同一个赌注重复了49次。更糟的是，流水线放大了这个问题而非缓解它——自动化会忠实放大你喂给它的假设。作者的假设是"人们想要这种风格"，机器则忠实地产出了856 MB的证据，证明这个假设从未被验证过。

相关性与独立赌注

从概率角度看，49 个同风格产品的销量高度相关：它们共享同一组关键词、同一类买家画像、同一个审美假设。一旦该假设不成立，49 次尝试会同时归零，其期望收益等同于一次赌注。分散到贴纸包、模板合集、矢量素材等独立品类，则让每次尝试的关键词覆盖、买家需求和失败原因彼此独立，失败的教训才能转化为下一轮的有效信息。这也是 A/B 测试与组合投资中的基本原则：增加样本数量的价值取决于样本之间的独立性。流水线的问题在于它降低了单次尝试的边际成本，从而诱导创作者在同一个假设上不断加注，而不是去测试新假设。

分销在产品存在之前就开始了

作者改变方法后，哪些做法真正带来了变化？他总结了四条：

先验证搜索需求。 在生成任何东西之前，先查买家在各平台实际搜索什么。CSV里的关键词字段不是装饰，而是整个发现机制的核心。用标题大小写化的文件名当标题可以应付第一轮，但提交前必须换成真实的搜索词。

匹配渠道特性。 同一个素材在不同平台的可售性不同。Vecteezy、Adobe和Dreamstime的买家想要的东西和价格点都不一样。Dreamstime那个15列的CSV存在是有原因的——它的买家筛选更严格，所以平台需要更多信息。

保留你的研究资料。 作者的抓取日志和关键词笔记，那些他差点为了"整理干净"而删掉的东西，最终成了后来真正卖出去的产品原料。删掉研究文件夹，等于删掉下一个产品。

像产品一样包装，而不是像文件。 一个带真实1280×720封面和600×600缩略图的zip能转化，裸文件不能。这是个小动作，但效果可见。

给三月版自己的建议

作者的建议可以浓缩为一句话：建流水线值得，但时间预算应该是20%生产、80%验证与分销。在批量渲染一百个产品之前，先用真实搜索数据验证一个产品想法。把市场平台的CSV表头当作合同而非杂务。永远不要让脚本产出超过你已有证据证明人们想要的数量。

讽刺的是，失败反而逼作者补上了那些跳过的环节：元数据写入器、上传台账、把Markdown文档一键转成带样式PDF产品的打包器。这四个脚本make_metadata.py、upload_tracker.py、md2pdf.py和pack_product.py构成了最终让作者"正确发货"而非"只是生产"的打包层。其中两个只依赖Python标准库，另外两个只需要Pillow和reportlab。

它们不会替你做分销思考——没有任何工具能。但它们能消除"我做了东西"和"它被正确地列在三个平台上"之间的每一个机械借口。

对独立创作者而言，这个故事的价值不在于技术细节，而在于一个反直觉的比例：当你已经能造东西时，稀缺的从来不是产能，而是对需求的验证和对渠道的理解。