Rejourney：靠 LLM 监控用户流失的开源方案

App 里的用户转化漏斗要是崩了，大多数开发者只能等用户骂街或者看后台数据断崖式下跌才知道出事了。刚看了个很有意思的开源项目 Rejourney，思路挺硬核：它不是单纯做 Session Recording（类似 LogRocket 那种），而是直接把用户操作序列、Rage Taps（愤怒点击）、甚至 API 响应延迟和 Crash Traces 全部打包丢给 LLM 去做“故障预判”。

这玩意的逻辑是先通过 SDK 埋点捕捉所谓的 “critical conversion events”（比如支付、注册），然后把用户交互路径做相似度聚类。一旦发现某波用户的交互轨迹跟转化失败高度相关，它会把这些录屏和上下文 context 喂给 Gemini 或者 GPT。最骚的是，它最后直接吐出一个 .md 文件，里面不仅有复现问题的上下文，甚至连修复代码都写好了，你直接丢给 Claude Code 或者别的 Coding Agent 就能跑。

核心逻辑： 用户行为序列 + 异常上下文 → LLM 语义分析 → 自动生成修复补丁

技术栈： Web JS / Swift / React Native SDK，后端支持 Gemini/GPT 接入

性价比： 作者说他们优化了启发式算法（Heuristic）来做 Cohort 聚类，尽量减少把所有录屏都传给 LLM 的成本，否则那 Token 消耗能把人搞破产。

对于做移动端或 Web 端产品的独立开发者来说，这种能把“用户流失”变成“具体 Bug Fix Ticket”的工作流非常有实战价值。尤其是它支持接入自己的 GitHub Repo，自动生成代码修复建议，这简直是把 AI Agent 的能力从对话框直接拉到了生产环境的 Debug 环节。

# 核心仓库地址
https://github.com/rejourneyco/rejourney

如果你也在折腾这类基于 LLM 的监控工作流，这种“预测性维护”的思路值得参考，别再只盯着那点死板的 Analytics 数据看了。