产品方向
赛道与品类组合
以「Education」为主（约 95.3% 应用），同时覆盖 4 个品类，属于较为集中 的组合策略。
- Education
- 81 款 · 95.3%
- Finance
- 2 款 · 2.4%
- Entertainment
- 1 款 · 1.2%
- Health & Fitness
- 1 款 · 1.2%
- 主品类「Education」占比 95.3%，长尾品类有助于分散单一赛道风险
- 品类分散度指数约 0.09（0=极度集中，1=极度分散），便于横向对比其他开发者。
85Apps
4.2Avg Rating
3.0KTotal Ratings
4Categories
开发者多维度分析
基于 App Store 公开元数据（品类、评分量、星级、上架时间、定价）自动归纳，便于竞品研究与产品规划。 下方「DeepSeek 解读」在配置 API 后由大模型生成；未配置时仅显示规则分析。
DeepSeek AI 解读
按需触发，避免页面初次加载时阻塞。
建议在浏览完规则卡片后再生成，通常耗时 10-40 秒。
产品数据
规模与商业化结构
全组合累计约 3.0K 条评分，体量偏小；免费应用 7 款，付费 78 款。
- 应用数
- 85
- 累计评分数
- 3.0K
- 免费 / 付费
- 7 / 78
- 按评论量，头部应用包括：《Learn Python Coding Offline》、《Sports Car Wallpapers Cool 4K》、《Learn JavaScript Programming》。
- 付费应用占比较高，更依赖单次下载转化与口碑积累。
评分与口碑
加权均值与头部效应
按评分量加权，组合整体约 4.60 星；简单均值约 4.18 星。二者差距可反映「头部应用是否显著拉高口碑」。
- 加权均分
- 4.60 ★
- 算术均分
- 4.18 ★
- 加权分与算术分差距明显：说明高评论量应用显著拉高或拉低了整体观感。
- 约 49 款应用暂无评分数据，在分析「尾部表现」时会被弱化。
口碑风险与差评代理
低分与样本不足（API 无评论正文）
iTunes Search API 不提供用户评论原文，此处用「低星 + 足够评论量」近似标出需重点关注的应用；并列出评论样本偏少的应用。
- 未发现「低星且评论量充足」的应用，或样本门槛未触发。
- 评论样本偏少（少于 50 条）：《Learn Python Coding with AI》、《Learn R Programming: AI Tutor》、《Learn Cloud Computing Offline》 — 星级波动大，需更多用户反馈再下结论。
发布与生命周期
上架时间跨度
最早上架《Learn Python 3 Programming PRO》，最近更新/上架节奏以《Learn NestJS - Node Framework》为参考；时间跨度反映团队持续迭代能力。
- 跨度
- 6 年+
- 库中最早记录：2019 年（Learn Python 3 Programming PRO）。
- 较新应用：2026 年（Learn NestJS - Node Framework）。
给其他开发者的参考
可复用的观察角度
以下基于公开元数据，便于你做竞品研究或产品线规划；深入结论需结合下载量、收入与评论原文。
- 研究品类组合：共 4 个品类，可复制其「主品类 + 延伸」结构是否匹配你的资源。
- 对比口碑结构：加权 4.60 星 vs 头部应用《Learn Python Coding Offline》的评分与评论量。
- 若做同类工具：优先阅读低分应用中用户提到的功能缺口（需商店评论或第三方数据）。
规则卡片数据来自 iTunes Search API。AI 解读由 DeepSeek 根据同一批公开数据生成，仅供参考。
团队 / 产品新闻
按需触发，默认不请求，减少 token 与外部调用。
将聚合团队与核心产品相关新闻，最多展示 20 条。