Single Product Report · Product Strategy · 2026 截至 2026-03-08

扇贝单词英语版
全方位深度分析

从「背单词工具」进化为「备考型智慧学习平台」:以 AI 精简任务 + 动态抗遗忘排程 + 真题语境与题型训练 + iPad 同屏书写,构建「从会背到会考」的闭环。

单产品深度报告 考试导向闭环 抗遗忘排程 iPad 同屏书写
8.0
整体推荐度
¥98
iOS 年卡(公开)
2亿+
累计注册(官方口径)
Contents · 报告目录
01

核心结论

用一句话把产品本质说清楚 + 4条关键判断

02

产品概览与定位拆解

痛点-解法矩阵 + 方法论结构化还原

03

公司档案与创始故事

可核验公开信息 + 叙事资产提炼

04

方法论 / 技术能力

精简→排程→语境→题型→输出 的备考流水线

05

体验评测与量化评分

维度条形图 + 可信度标注(可核验 vs 推测)

06

增长与商业模式

订阅/内购/广告的组合,以及摩擦点与价格锚

07

政策、里程碑与风险

双减与教育App监管的边界判断 + 风险清单

08

来源与研究缺口

数据可信度分级 + 缺口项列表(DAU/留存等)

核心结论 Executive Summary

扇贝单词英语版的关键差异不在「有没有抗遗忘」,而在于把背词做成一条可交付的备考生产线:先精简,再排程,再放进真题语境与题型里,最后可导出成刷题资产(PDF)

🧠

产品本质:备考 OS

研究者一句话:“以单词为入口的考试备考 OS”。 通过 AI 精简任务、动态抗遗忘、词文串学与短文填词,把「会背」推向「会在题里得分」。

⚙️

差异化链路:精简 → 题型化

官方叙事最硬的组合是:“先筛熟词(少背)+ 再把剩余词放进真题语境/题型训练(更有效)”。 它更像「资源配置」而非纯记忆工具。

📝

沉浸抓手:iPad 同屏书写

同屏手写与试卷字体把「笔记/做题」合并到学习页,降低切换成本、保护心流。 对重度备考用户(iPad + 手写笔)是一条高辨识度的体验路线。

💳

商业化两面:年卡友好 vs 能力付费摩擦

iOS 年卡公开价 ¥98/年 在同类里很有杀伤力; 但「词根等进阶能力需付费(贝壳/功能锁)」是典型争议点,容易触发“工具应不应另收”的心理冲突。

2011
公司成立(公开)
2019
“英语版”升级(官方)
2025
接入 DeepSeek(官方)
4.8
iOS 评分(公开)
363.1MB
iOS 包体(公开)
Section 02

产品概览与定位拆解 Positioning & Mechanics

把 Markdown 里的「叙事」翻译成可视化结构:你可以直接看到它如何从“背词”变成“备考闭环”,以及每个卖点在链路上处于哪个位置。

一句话定位(研究者视角)

Positioning

扇贝单词英语版 = “以单字为入口的考试备考 OS”:用 AI 把「词书 → 排程 → 语境 → 题型 → 输出」串起来, 目标不是“记得住”,而是“能在题目里得分”。

官方核心定位与卖点(浓缩)

Official Narrative
AI 精简任务
先筛熟词
词汇量测试后批量移出“高概率已掌握”词,缩短学完整本词书时间(官方称有相关专利信号)。
动态抗遗忘排程
锁定遗忘点
结合学习行为与备考阶段调整复习节奏,强调“超越固定艾宾浩斯”。
真题语境 + 题型训练
从背到会考
词文串学(短文语境巩固)+ 短文填词(首字母/选词填空等),并支持 PDF 输出。

研究者注释:差异化不在“有无抗遗忘”,而在 “先精简再抗遗忘” 的策略:把排程资源集中在“可能提分”的词上。

把背单词从「记得住」拉到「能在题里得分」。
精简不是偷懒,而是备考资源配置。
— Researcher Lens
分类:通用背单词 APP 倾向:备考型平台 核心:闭环交付

“核心痛点 — 解法”对照表(官方描述的结构化翻译)

Pain → Solution
备考痛点(官方) 产品解法(功能/机制) 官方依据/亮点(可核验线索) 来源锚点
时间不够、任务太多 AI 精简任务
词汇量测试后批量筛除“已掌握”词,缩短完成词书的时间成本。
宣称“精简”相关专利信号(如 ZL 2024 1 1008490.X)并在商店页反复强调“少背更有效”叙事。 App Store / 官网页面(公开描述)
记了又忘、考前遗忘 动态抗遗忘排程
分析行为、预测遗忘节点,动态安排复习;强调个性化与备考阶段适配。
官方表述“超越固定艾宾浩斯节奏”,按个人记忆与目标调整复习。 App Store / 官网(公开描述)
只会背不会考 词文串学 短文填词
语境巩固 + 高频题型训练(首字母/选词填空等),并支持 PDF 输出刷题资产。
“真题语境”“题型强化”“PDF 匯出”成为备考闭环的交付端。 官网 / 商店页(公开描述)
易分心、缺乏沉浸 iPad 同屏书写 试卷字体
把笔记/做题动作留在同一屏幕内,降低切换成本并提前适应卷面。
官方主张“保持专注、不切换应用”,强调行业首创的 iPad 场景。 官网页面(公开描述)

* 注:表中“官方依据/亮点”为公开描述锚点,不等同第三方验证;专利与算法细节未在本报告中做技术审计。

公司档案与创始故事 Company & Narrative Assets

只放“尽量可核验”的公开信息;无法稳定验证的部分统一标注为未公开/推测,避免把叙事写成事实。

基本信息(公开可得)

Profile
维度 信息 来源与时间(公开锚点)
公司全称(中) 南京贝湾信息科技有限公司(曾用名:南京贝湾教育科技有限公司) 工商聚合信息摘要(2026-02 更新口径)
公司全称(英) Nanjing Beiwan Information & Tech Ltd.(App Store 显示) App Store(查询 2026-03-08)
品牌/产品名 扇贝(Shanbay);本报告主体:扇贝单词英语版 官网页 / 商店页(查询 2026-03-08)
成立时间(公司层面) 2011-06-24 工商聚合信息(查询 2026-02)
总部地 中国江苏省南京市玄武区(公开工商地址口径) 工商聚合信息 + 项目库摘要(截至 2026)
员工规模 约 50-99;参保人数 62(来源指向 2024 年报口径) 工商聚合信息(2026-02 更新,注明来源)
关联产品矩阵 扇贝单词英语版、扇贝阅读、扇贝听力口语、扇贝口语、扇贝考研、扇贝编程等 App Store / 隐私政策 / 官网(查询 2026-03-08)
商业模式类型 订阅 + 虚拟币内购(贝壳)+(推测)内容增值;App Store 标示“包含广告” App Store 内购与隐私标示(查询 2026-03-08)
官网 shanbay.com / web.shanbay.com App Store / 工商聚合信息(查询 2026-03-08)

核心人物档案(可引用叙事素材)

Founder

姓名:王捷(多来源指向为法定代表人/核心管理者)
教育背景(已确认):东南大学无线电工程系本科(1996 级);后赴 KU Leuven 攻读硕士(校方文章提及与 AI 相关)。
创业动机(高可用素材):源于英文小说阅读中大量生词“查完又忘”,想做一个系统能查词、存词、并持续提醒复习。
冷启动细节(故事性强):早期在南京/上海英语角发传单推广;一度靠卖废品维持运转(校方文章叙事)。
关键转折(公司命运级):2012 Web → App 移动化;从付费下载转向“对用户免费”以扩量,再以其他方式变现。

三幕剧模板(内容创作友好): 痛点(小说生词)→ 解法雏形(查词+抗遗忘)→ 生存与转折(卖废品/移动化/免费化)→ 今日升级(AI 精简+语境+题型闭环)。

“不只是背完一本词书。”
更像把你推进一个更接近考场的流程里:
词要会用、题要能做。
— Experience Summary
适合人群(推断):考研 / 四六级 / 雅思托福等有明确考期与分数目标的备考者;重度用户偏 iPad 与键盘效率党。
Section 04

方法论、产品模块与技术信号 System Architecture

用“备考流水线”的视角拆解:每个模块承担的不是功能堆叠,而是把学习从输入推到输出,最终可被打印/复盘/刷题化。

备考闭环:从“词书”到“可输出资产”的 5 步链路

Pipeline
1
AI 精简任务
先筛熟词,缩短主战场
2
动态抗遗忘
锁定遗忘点,排程复习
3
词文串学
把当天词放进语境里
4
短文填词
把“会”变成“能做题”
5
PDF 输出
变成可刷的资产与证据

为什么这条链路重要: 很多背词产品停在“记忆层”;扇贝把“检索/作答”嵌入主流程(短文填词),再把结果沉淀为可输出资产(PDF),让“练习”更像“备考训练”。

技术/研发信号(公开线索)

Signals
Patent
“精简任务”专利信号

官方反复提及与“精简”相关的专利号(公开描述锚点),用于词汇量测试后批量筛除熟词。

AI
DeepSeek 接入(官方)

商店页/公司介绍页将“扇贝 AI + DeepSeek”列为里程碑与版本描述关键词,强化 AI 规划/助记叙事。

Content
正版词典与例句线索

多处资料提及引入 Collins 高阶学习者词典(COBUILD 线)作为释义/例句来源,并有学术研究记录。

Efficiency UX
快捷键体系(Web)

Web 端公开页列出大量快捷键,覆盖发音、拼写、标记熟悉度等高频决策,体现效率导向。

精简任务
动态排程
语境化
题型化
输出资产
合规边界

学习科学对照(报告内引用方向)

Evidence Lens
Spaced Repetition
分散练习/间隔效应

扇贝“预测遗忘节点、动态安排复习”的叙事符合典型 SRS 范式方向。

Testing Effect
测验/检索练习效应

把“回忆作答”纳入流程(短文填词)与测验效应的研究方向一致:相对反复阅读,更能促进长期保持。

Resource Allocation
备考资源配置视角

“先精简再排程”不是更学术,而是更功利:把时间预算投到最可能提分的词上。

* 注:以上为研究方向对照,不代表对扇贝算法效果的独立验证。

体验评测方法限制 Method Transparency

本报告的体验评测为“可验证的体验重建”:未进行实机逐步点按录屏;主要依据商店页文字、版本信息、公开 UI 截图/描述、隐私政策与评论样本。 涉及步数/时长等主观估计,均以“推测”对待。

可核验 vs 推测:本报告如何标注

Reliability
可核验
商店页数据 / 版本信息

包体大小、评分量级、内购价格、系统支持与“包含广告”等平台标示。

高可信推断
由官方卖点反推主流程

如“测词 → 精简 → 当日任务(新词+复习)→ 语境/题型模块”这样的典型链路。

不确定
界面细节 / 广告强度

需以实机与具体时段验证;本报告仅保留“平台标示 + 口碑线索”。

Section 05

体验评测与量化评分 Experience Scoreboard

评分来自 Markdown 的“体验总评”表:以公开信息重建,不把推测写成事实。可视化的目的不是“准”,而是让你一眼看出强项与短板组合。

维度评分雷达(条形映射)

8.0/10
优势导向
中性
风险/不确定

* “广告打扰程度”维度:分数越高表示越不打扰。平台标示“包含广告”,实际体验需实机验证。

一位“考研备考者”的典型 Session(推测)

Session
Step 1
进入当日任务(新词 + 复习)

数量由 AI 规划或目标时长生成(推测)。

Step 2
新词卡片学习(释义/例句/考频)

“真题例句、考频标注”被反复强调(公开描述锚点)。

Step 3
按遗忘节点复习(动态排程)

系统调度“该复习的词”,强化长期保持(叙事方向)。

Step 4
短文填词训练 → 需要时导出 PDF

把练习沉淀成纸笔刷题资产,形成交付证据。

Step 5
打卡/同桌/战队激励(留存)

评论样本提及同桌监督、断卡解除等机制(公开评论线索)。

Key Differentiator
同屏书写:沉浸感的“切换成本杀手”

把笔记行为与学习页合并,是对重度备考者非常直接的体验优化点。

用户与增长、商业模式与口碑结构 Growth & Monetization

这一部分只使用 Markdown 中可核验/可引用的数据锚:商店页公开数值、内购价格、以及评论样本的“共识主题”。

公开数据面板(可得 vs 未公开)

Public Metrics
累计注册用户(官方口径)
2亿+
来源锚点:商店页/官网页面的官方叙事口径。
iOS 评分量级(公开)
4.8 / 27万
来源锚点:App Store(截至 2026-03-08)。
Android 下载(单渠道公开)
212.4万
来源锚点:应用宝页面显示(更新至 2026-02-06)。

研究缺口提示: DAU/MAU、留存、付费转化、CAC/LTV 等经营级指标未公开;需第三方监测或访谈补齐。

用户画像(高可信推测)

Persona
Primary
有明确考期与分数目标的备考人群

考研 / 四六级 / 中高考 / 雅思托福等(官方多处点名)。

Devices
iPad 重度学习者 + 键盘效率党

同屏书写为强卖点;Web 快捷键体现高频决策最短路径。

Decision
效率 + 权威内容 + 题型闭环

精简/抗遗忘、Collins 线索、以及“能刷题+能输出”的备考感。

内购与订阅(公开价格锚)

Pricing
项目 价格(RMB) 观察与体验含义 来源锚点
连续包月(扇贝单词会员) ¥18/月 典型“低门槛续费”方案,适配短期备考冲刺。 App Store 内购(公开)
月卡会员 ¥28/月 作为非连续包月备选,一般用于规避自动续费心理。 App Store 内购(公开)
年卡会员 ¥98/年 折算约 ¥8.17/月,折扣力度大:偏向把用户拉进更长学习周期(提高 LTV)。 App Store 内购(公开)
大会员连续包月 ¥38/月 推测为多产品/更多权益组合;公开页未列出权益明细(需实机核对)。 App Store 内购(公开)
贝壳(虚拟币) ¥6 / ¥12 / ¥18 / ¥30 / ¥50 ... 用于购买部分能力/内容(如词根等);典型“小额多次”消费模型,同时也是口碑摩擦来源。 App Store 内购(公开)
广告 App Store 标示“包含广告、UGC”;广告强度需按时段实机验证。 App Store 标示(公开)
Positive Anchor
“年卡超便宜”形成强价格锚

对备考人群而言,价格低+闭环强,容易形成“性价比很高”的口碑基础。

Friction
“进阶能力另收费”是冲突点

典型争议:词根词缀等能力需要贝壳/购买,触发“工具应不应另收”的价值判断。

Section 07

政策、里程碑与未来风险 Policy & Risk Map

扇贝单词英语版更像“学习工具/支持系统”,但一旦扩展到课程/督学服务,监管边界会变得更敏感。本节以政策原文为锚,给出风险清单。

里程碑时间线(公开可核验口径)

Timeline
2004–2006

创始动机萌芽(阅读生词痛点)

英文小说阅读中大量生词“查完又忘”,形成“查词 + 抗遗忘”的产品 DNA(校方文章叙事)。

2011

公司成立与产品线起步

正式进入语言学习赛道;此后逐步扩展到多产品矩阵。

2012

关键选择:Web → 移动化

创始人叙事中将移动化视为“性命攸关”的决策点之一。

2019

升级为“扇贝单词英语版”(官方口径)

定位从“背词工具”向“备考型平台”叙事靠拢。

2021–2022

无障碍项目与适配

强化可用性与社会责任叙事;对合规与公共形象也有加分。

2025

鸿蒙适配 + 全面接入 DeepSeek(官方)

进入“AI 重构背词”的叙事阶段:AI 精简、规划、助记成为版本文案高频词。

风险不在“做不做 AI”。
风险在于:AI 是否能被证明真的更省时间、真的更提分。
— Risk Lens
合规提醒:教育 App 监管关注广告、内容、未成年人保护与“培训边界”;工具类相对安全,但服务化会提高敏感度。

风险清单(研究者版)

Risk List
Product
AI 功能被质疑“噱头”
公开页更多是叙事而非实证;若没有可量化案例闭环(提分/省时/留存),容易被同质化为“AI 贴纸”。
Business
能力付费边界不清晰
词根等进阶能力付费是摩擦点;需要更明确“免费/付费边界”与价值展示,否则口碑容易两极化。
Policy
工具 vs 培训的监管边界
若课程/督学服务比重提高,需更严格处理未成年人保护、内容合规与广告规范,避免触及学科培训敏感区。
Competition
通用 AI 侵蚀“讲解/查词”价值
对话式 AI 会削弱“解释/例句讲解”的差异;扇贝更需守住“题型化 + 输出资产”的备考闭环优势。

来源列表、可信度说明与研究缺口 Sources & Gaps

将 Markdown 的“附录”压缩成可阅读的两栏:你能快速看到本报告依赖哪些来源类型,以及哪些经营指标在公开资料里天然缺失。

主要信息来源(按类型)

  • 官方/准官方:App Store(版本/评分/包体/内购/隐私/包含广告等)。
  • 官方:扇贝官网/公司介绍/产品介绍/无障碍页面/隐私政策与未成年人保护规则。
  • 第三方:工商聚合信息(公司基本盘、参保等,注意口径差异)。
  • 学术研究:Frontiers in Psychology(使用扇贝 App 的移动辅助词汇学习研究记录)。
  • 专利:Google Patents(与学习进度/例句关联等相关文本线索)。
  • 政策:双减相关意见、教育 App 规范文件、个保法等法律法规文本。
说明:本报告保留“可核验锚点”,不对外部不可验证的内部统计做事实化陈述;涉及“官方披露数字”均建议在传播时明确标注“官方口径”。

数据可信度分级(摘要版)

  • ★★★★★ 商店页数据:版本、大小、内购、评分量级、系统支持、标示项。
  • ★★★★★ 官方政策/官网:合规文本可信,但“用户数/节省天数”等属于内部统计,外部难验证。
  • ★★★★★ 学术期刊:方法可审查,但样本/情境不等同全体用户效果。
  • ★★★★☆ 工商/投融资聚合:多源汇总,可能滞后或口径不一,需交叉比对。
  • ★★★☆☆ 用户评论样本:适合做情绪/摩擦洞察,不宜当硬数据。
  • ★★★☆☆ 社群外挂/非官方讨论:反映生态趋势,不代表官方立场。
研究缺口:DAU/MAU、留存、付费转化、渠道投放成本、CAC/LTV、分端渗透等经营级指标未公开;建议使用第三方监测或访谈补齐。

可点击参考链接(精选锚点)

Links
Official
扇贝官网

https://www.shanbay.com/

Store
App Store 产品页

App Store 链接

Research
Frontiers 研究

https://www.frontiersin.org/.../993224/full

* 完整引用链接已在 Markdown 中列出;本页仅精选关键锚点以提升可读性。