積木式社交的台灣落地 : 五個市場的配對邏輯與信任基礎設施

積木式社交深入探討系列

積木式社交的台灣落地

五個市場的配對邏輯與信任基礎設施

台灣沒有「搭子」這個詞。

但飯友、旅伴、球友、牌咖、跑友、登山夥伴，這些詞你在台灣早就聽過了。你在大學食堂裡喊一聲「飯友」，立刻有人響應；你在 LINE 群組裡問「週末有人要爬象山嗎」，三分鐘內就有人回「算我一份」。

這些不就是搭子嗎？

只是中國網路文化把它進一步概念化了。他們把「飯搭子」「旅遊搭子」「健身搭子」統稱為「搭子」，再用「積木式社交」這個名字，把整個現象包裝成一個社交模型。台灣這邊呢，每個行為都在做，但沒有人給它一個統一的框架。

所以問題不是台灣有沒有積木式社交。問題是：台灣的積木式社交，走到哪一步了？

如果你打開台灣的 App Store，你會看到一個很有意思的畫面。吃飯有 Eatgether，旅行有 FellowTrip 和旅伴記（TravelMate），打網球有 LoveTennis，打匹克球有 VEKTR（台灣匹克球配對 App），打高爾夫有 GOLF 下場派對，學習有托特和 StudyLive，甚至連「AI 幫你找朋友」都有了 Aiimii。

以下市場分析基於作者對台灣垂直社交市場的第一手調研。這些產品大多數處於早期階段，有的評價數還是個位數，有的你得一頁一頁翻才能找到。但它們都已經在各自的垂直領域裡，做出了可運作的配對機制。

這些產品五花八門，做的卻是同一件事：把某一種社交需求，做成一個可以配對的平台。

台灣不缺交友 App。五個垂直市場已經各自存在了，每個都有自己的使用者、配對邏輯和商業模式。真正缺的是別的東西。

那缺什麼？

我們先把這五個市場拆開看。

要理解台灣的積木式社交市場，你需要一個時間軸。

這五個垂直市場不是同時出現的，它們經歷了三代演化。每一代的核心邏輯不同，解決的問題也不同。

第一代：社群公告型

台灣早期的社交配對，靠的是 Facebook 社團、LINE 群組、PTT、Dcard。

你發一則貼文：「週六下午有人要去象山嗎？」然後等。有人回覆就約，沒人回就自己去。

這種模式的核心邏輯是「公告」。你把自己的需求公開出去，等有興趣的人自己找上門。配對的效率極低，因為你是在一個沒有結構化的資訊流裡碰運氣。但它的優勢是信任成本低。你找的是同一個社團裡的人，大家有共同的背景標籤，至少不是完全的陌生人。

第一代解決的問題是「讓需求被看見」。它沒有解決的問題是「精準配對」。

第二代：垂直配對型

後來幾年，台灣出現了一批垂直社交 App。Eatgether 做吃飯社交，LoveTennis 做網球配對，VEKTR 做匹克球配對，FellowTrip 和 TravelMate 做旅行配對，托特做學習社交。

這些產品的核心邏輯不再是「公告」，而是「配對」。你不是在公開牆上喊話，而是在一個結構化的平台裡設定條件，系統幫你篩選出符合條件的人。

Eatgether 讓你選餐廳、選時段、選人數，系統幫你湊一桌。LoveTennis 讓你填技能等級、偏好時段、場地位置，系統幫你找球友。FellowTrip 讓你設定目的地、日期、預算、旅行風格，系統幫你找旅伴。

第二代解決的問題是「精準配對」。每個平台都在自己的垂直領域裡做深，把配對條件結構化。但它帶來了一個新問題：每個 App 只管自己那一塊。你在 Eatgether 上約了飯友，你們吃完飯想一起去打球，你得跳到 LoveTennis 上重新配對。你的社交身份是碎片化的，你在每個平台上都是一個新人。

第二代解決了「找得到人」，但沒有解決「找對人」和「跨場景延續」。

第三代：AI 意圖配對型

2025 年前後，台灣出現了 Aiimii 這樣的產品。它的邏輯不再是「你填條件，系統篩選」，而是「你告訴 AI 你想做什麼，AI 幫你配」。

你不用在十個欄位裡勾選餐廳類型、時段、人數。你只需要說：「今晚想找人吃火鍋，不要太遠，最好是能聊電影的。」AI 理解你的意圖，幫你匹配。

從 Profile Matching 到 Intent Matching，這是一個質變。前兩代的核心都是「條件匹配」，你提供屬性，系統做交集。第三代的核心是「意圖理解」，你提供目標，AI 做推論。

這三代演化，對應的正是積木式社交的三個發展階段。第一代是「有積木但沒有拼法」，你只能靠手動發布碰運氣。第二代是「有拼法但每盒積木分開賣」，每個垂直 App 都是一套獨立的積木。第三代是「AI 幫你拼」，但 AI 目前還只會拼單一場景。

三代的共同特徵是：每個產品都在解決「配對」問題。但如果你仔細看這五個市場的實際運作，你會發現一個更深的邏輯。配對只是表面，每個市場真正在做的事情，是定義「什麼樣的關係規格需要什麼樣的配對方式」。

我們一個一個看。

飯友：場景先行

Eatgether 是台灣最早、也最成熟的垂直社交 App 之一。它的配對邏輯看起來很簡單：選餐廳、選時段、選人數，系統幫你湊一桌。但如果你仔細拆它的流程，會發現它的核心設計不是「配對」，而是「場景構建」。

你在 Eatgether 上不是先看人再決定要不要約。你是先看到一個具體的場景：某家餐廳、某個時段、某種菜色、某個人數限制。你被場景吸引，報名參加，然後才在場景裡跟其他人見面。

這跟大多數社交 App 的設計剛好相反。大多數社交 App 的邏輯是「先看人」，Tinder 讓你滑臉，Bumble（交友 App，與 Tinder 類似但由女性發起對話）讓你看個人檔案。Eatgether 的邏輯是「先看場景」。人不是配對的起點，場景才是。人是在場景裡被組織起來的。

這對應的正是積木式社交的核心特徵。搭子關係不是從「你是誰」開始的，是從「我們一起做什麼」開始的。飯友的關係規格是：低承諾、單次、場景限定。你不需要知道對方是做什麼的、住哪裡、有沒有共同話題。你只需要知道：今晚這頓飯，我們能坐在一起吃。

Eatgether 還做了一件事：審核機制。報名之後不是自動加入，而是由發起人審核。這看起來是一個效率瓶頸，但它其實是信任成本的調節閥。發起人可以看報名者的歷史評價、參加紀錄，決定要不要讓他上桌。這等於在配對流程裡嵌入了一層社交背書。

飯友市場的配對邏輯，可以用一句話概括：場景定義關係，審核控制信任。

球友：程度型配對

如果你從飯友跳到球友市場，你會看到一種完全不同的配對邏輯。

LoveTennis 做網球配對，VEKTR 做匹克球配對，GOLF 下場派對（台灣高爾夫社交配對 App）做高爾夫社交。這三個產品服務的關係類型看起來差不多，都是「一起打球」，但它們的配對核心跟飯友截然不同。

飯友的配對維度是「場景」：哪家餐廳、什麼時候、幾個人。球友的配對維度是「程度」：你打什麼水平。

在 LoveTennis 上，你的技能等級是最核心的身份資料。不是你的名字、不是你的職業、不是你的照片。是你的 NTRP 評級（美國網球協會制定的技能分級系統，從 1.0 初學者到 7.0 世界級選手），或者你在平台上累積的對手評價。一個 4.0 的選手跟一個 2.5 的選手打網球，雙方都不會開心。程度不匹配，球就沒法打。

這就是球友市場的獨特性。在飯友市場，「能不能一起吃飯」幾乎沒有門檻。在球友市場，「能不能一起打球」有硬性的能力門檻。你的技能水平不是一個偏好標籤，是一個資格條件。

VEKTR 做匹克球（Pickleball，一種結合網球、羽球和桌球元素的球拍運動，場地比網球小，入門門檻低，近年全球快速增長），玩家之間的水平差異極大。VEKTR 不只配對程度，還配對場地、時段、比賽形式。它把「一起打球」這件事拆成了多個維度，每個維度都要對齊。

GOLF 下場派對則展示了另一個面向：高爾夫的社交屬性天然比網球更強。一場高爾夫下來四五個小時，你跟同組的人有大量非打球時間的互動。所以 GOLF 下場派對的配對不只看差點（handicap，高爾夫球手的技術水平指標，數字越低水平越高），還看社交偏好：你是想認真比桿，還是想邊打邊聊？你是想認識新朋友，還是跟老朋友一起？

球友市場的配對邏輯，跟飯友形成鮮明對照。飯友是「場景先行，程度無關」。球友是「程度先行，場景服務於程度」。這對應的是兩種不同的關係規格：飯友是純粹的功能搭子，球友是功能加競技搭子。競技搭子的關係深度更高，因為你們不只在一起，還在一起較量。較量需要信任，信任需要程度對等。

球友市場的配對邏輯：程度定義資格，場景服務於程度。

旅伴：多變量匹配

旅伴市場（FellowTrip、TravelMate、Trespot）的配對邏輯，比飯友和球友都複雜。

飯友的配對維度少：餐廳、時段、人數。球友的配對維度集中在程度。旅伴的配對維度是一個矩陣：目的地、日期、預算、旅行風格、行程節奏、飲食偏好、拍照習慣。而且旅伴關係的持續時間遠長於飯友和球友。一頓飯兩小時，一場球兩小時，一趟旅行可能是五天七天。

時間長度改變了關係的性質。兩小時的飯友關係，容忍度很高。七天的旅伴關係，容忍度極低。對方早上六點起床你喜歡睡到十點，對方要逛博物館你想去海灘，這不是忍不忍的問題，是結構性衝突。旅伴配對本質上是在做「生活方式相容性測試」，這也是為什麼旅伴配對的難度最高、成功率最低。

想像一個真實場景。你在 FellowTrip 上配到一個旅伴，目的地都是京都，日期都對，預算接近，旅行風格都選了「悠閒」。看起來完美。但第一天你發現對方早上六點起床，你習慣睡到十點。第二天你發現對方每個景點都要拍兩百張照片，你只想隨便走走。第三天，對方開始嫌你行程安排太鬆散，你覺得對方管太多。一趟五天的旅行，第三天就開始各走各的。

旅伴市場的配對邏輯：生活方式相容性定義關係，時間長度放大一切不匹配。

學習搭子：在場式配對

學習社交（托特、StudyLive）的配對邏輯又不同。它有兩種模式。一種是互補式配對：你擅長數學，我擅長英文，我們互相教。另一種是在場式配對：你不需要跟對方互動，你只需要對方在場。StudyLive 的核心功能是「一起自習」。你打開 App，進入一個虛擬自習室，畫面上出現幾個小窗格，每個窗格裡是一個人的桌面。有人攤開教科書，有人對著筆電打字。你不配對條件，不選程度。你只需要一個「有人在旁邊也在學習」的感覺。你們全程不說一句話，但你知道有人跟你一樣在撐著。

這對應的關係規格是：共同在場，但不需要互動。這是積木式社交裡最輕的一種關係。比飯友還輕。飯友至少要面對面聊天，學習搭子可能全程不說一句話。

學習搭子市場的配對邏輯：在場即關係，互動非必需。

AI 找朋友：從 Profile 到 Intent

Aiimii 代表了第三代的方向。它的配對邏輯跟前面四個都不一樣。

前四個市場，不管配對維度多複雜，核心都是「屬性匹配」。你提供自己的屬性，系統在資料庫裡找屬性交集。這是一個篩選邏輯：你的條件 ∩ 對方的條件 = 匹配結果。

Aiimii 的邏輯是「意圖理解」。你不填表單，不勾選項。你用自然語言告訴 AI：「我今天下班想找人喝一杯，不要太吵，能聊工作的那種。」AI 理解你的意圖，幫你推薦。

翻譯成人話就是：前四個市場讓你做選擇題，Aiimii 讓你做問答題。

選擇題的優勢是結構化，劣勢是僵化。你的真實需求可能不在選項裡。你想找人喝一杯，但你真正的意圖不是「喝酒」，是「今天壓力大，想找一個能聽我說話的人」。這個意圖，Eatgether 的餐廳選項捕捉不到，LoveTennis 的技能等級捕捉不到。只有能理解自然語言的 AI 才捕捉得到。

但 Aiimii 目前也只解決了單一場景的意圖配對。你今天想喝一杯，AI 幫你配。明天你想打球，你得重新表達意圖。你的意圖是連續的，但配對是離散的。

AI 找朋友的配對邏輯：意圖定義需求，理解替代篩選。但意圖的連續性尚未被任何產品捕捉。

五個市場拆完了，你會發現一個有意思的現象。

每個市場的配對邏輯不同。飯友靠場景，球友靠程度，旅伴靠生活方式相容性，學習搭子靠共同在場，AI 找朋友靠意圖理解。它們看起來在做完全不同的事情。

但它們全部撞上同一堵牆。

飯友市場最大的問題不是配不到人。Eatgether 的配對成功率不低。問題是配到了人之後：對方放鳥怎麼辦？到了餐廳發現對方跟你想像的完全不一樣怎麼辦？吃完飯對方開始瘋狂發訊息想約下一次怎麼辦？

球友市場最大的問題也不是配不到人。LoveTennis 上登記的球友不少。問題是：對方自報 NTRP 4.0，上了場你發現根本不到 3.0，這場球怎麼打？或者對方打完球開始約你吃飯、看電影、聊人生，你只是想打球。

旅伴市場的問題更尖銳。配到人了，行程也對了，預算也接近了。但旅行到第三天，對方突然變臉，或者消費習慣跟你差太多，或者你發現對方有你無法忍受的生活習慣。你要中途退出嗎？退出的成本誰承擔？

前面三個市場的信任問題，至少還有一個共同特徵：都是面對面的場景。到了學習搭子，問題變得更微妙。你進了虛擬自習室，對方在場，你以為你們是「搭子」。但對方開始私訊你，問你讀什麼、做什麼工作、要不要出來見面。你只是想要一個「有人在旁邊」的感覺，對方想要的是一個真實的朋友。

Aiimii 的問題最根本。AI 幫你配了一個人，但你憑什麼信任 AI 的推薦？你跟一個 AI 推薦的陌生人見面，你的安全感和信任感從哪裡來？

看到規律了嗎？

五個市場，五種配對邏輯，但全部卡在同一個地方：信任。

不是配不到人，是配到了不敢去。配準了也不敢信。

這不是某一個產品的問題，是整個積木式社交市場的結構性問題。搭子關係的特徵是「低承諾、單次、場景限定」。這意味著每一次配對，你都在跟一個幾乎沒有社交背書的陌生人建立一次性的合作關係。你的信任成本是從零開始的。

傳統社交裡，信任成本是由社交網絡分攤的。你跟一個朋友的朋友見面，你們之間有一個共同認識的人，這個人就是信任的橋樑。你不用從零開始評估對方，你的社交網絡已經幫你做了一輪預篩。

但搭子社交不一樣。你跟 Eatgether 上配到的飯友，你們之間沒有任何社交交集。你跟 LoveTennis 上配到的球友，你們的共同點只有 NTRP 評級。你們沒有共同朋友，沒有共同背景，沒有任何社交網絡的背書。

這就是為什麼 Eatgether 要做審核機制，LoveTennis 要做對手評價，旅伴平台要做身份認證。它們都在試圖用平台內的機制，替代本應由社交網絡提供的信任背書。

但這些機制都是局部的。你在 Eatgether 上累積的信用，帶不到 LoveTennis。你在 LoveTennis 上累積的對手評價，帶不到 FellowTrip。每個平台都在自己內部重建一套信任系統，但這些系統互相不通。

這就是問題的核心。台灣的積木式社交市場，不缺配對能力，缺的是信任基礎設施。

要理解台灣缺什麼，我們需要先搞清楚一個概念：社交基礎設施。

基礎設施這個詞，你聽到的是水電、公路、網路。它的特徵是：你平時感覺不到它的存在，但沒有它什麼都運轉不了。社交基礎設施也是同樣的邏輯。它不是某一個 App，不是某一個功能，而是一層讓所有社交 App 都能運轉的底層能力。

台灣現在的情況是：垂直社交 App 很多，但社交基礎設施幾乎為零。

怎麼理解這個缺口？我們把它拆成五層來看。

第一層：Identity（社交身份可攜性）

你現在的社交身份是碎片化的。在 Eatgether 上你是一個暱稱加一張照片，在 LoveTennis 上你是 NTRP 4.0 加一段自我介紹，在 Aiimii 上你是一串意圖標籤。你在每個平台上都是一個新人，你的信用從零開始累積，你的關係從零開始建立。

身份可攜性解決的問題是：你在 A 平台上累積的社交信用，能不能帶到 B 平台？你在 Eatgether 上吃了五十次飯，每次都準時、有禮貌、沒放鳥，這段信用紀錄能不能在 LoveTennis 上被看到？

目前不能。每個平台都是一座孤島。你在這座島上累積的聲望，出了島就歸零。

這不是技術做不到。你用 Google 帳號登入一個新 App，它確認了「你是誰」，但不知道「你在社交場合表現如何」。你登入的是身份認證，不是社交信用。

台灣缺的不是身份認證，是社交身份的可攜性。

第二層：Intent（意圖理解）

Aiimii 開始做意圖配對，但它的意圖理解是單次、單場景的。你今天想喝一杯，AI 幫你配。明天你想打球，你重新表達。

但你的真實社交意圖不是離散的，是連續的。你這週想找人吃飯，下週想找人打球，是因為你最近搬到新城市，想建立一個輕量級的社交圈。你的底層意圖是「在新城市建立社交網絡」，吃飯和打球都是這個意圖的子任務。

目前的產品沒有人捕捉到這個連續意圖。每個平台只看到你當下的需求，看不到你的社交目標圖譜。

意圖理解要解決的問題是：AI 不只理解你「現在想幹什麼」，還理解你「為什麼想幹這個」，以及「接下來可能還想幹什麼」。

第三層：Trust（信任可轉移）

這是最核心的一層。

你在 Eatgether 上累積了五十次準時赴約的信用。你在 LoveTennis 上累積了二十次球友好評。你在 FellowTrip 上完成過三次旅伴行程，零投訴。

這些信用紀錄分散在三個平台裡，互相看不見。你跟一個新的飯友約飯，對方只能看到你在 Eatgether 上的紀錄，看不到你在 LoveTennis 上是個靠譜的球友。

信任可轉移解決的問題是：你在任何一個垂直場景裡累積的信任，能不能成為你在其他場景裡的社交背書？基礎設施的價值，不在覆蓋多少人。

這跟現實世界的邏輯是一樣的。你跟同事合作過半年，你知道他靠譜。你介紹他給另一個朋友，你說「這人靠得住」。你的背書是跨場景的。但線上社交沒有這個機制。

信任可轉移不是把所有平台的評價分數加總。那太粗糙了。一個在 LoveTennis 上球技好的人，不代表他在 Eatgether 上是個好飯友。可轉移的不是「評分」，是「行為模式」。一個準時赴約二十次的人，他的時間觀念是可信的。這個行為模式是跨場景的。

第四層：Relationship Graph（關係圖譜）

你現在的社交關係圖譜，分散在十幾個平台裡。LINE 上有一群人，Eatgether 上有一群人，LoveTennis 上有一群人，Facebook 上有一群人。這些人之間有重疊，但你沒有任何工具能讓你看到全貌。

關係圖譜解決的問題是：你能不能看到你的社交網絡全貌？誰是你的核心社交節點？誰跟誰有連接？你的飯友和你的球友之間有沒有交集？

這不是為了窺探隱私。這是為了讓 AI 幫你做更好的社交決策。如果 AI 知道你的球友 A 跟你的飯友 B 住在同一個區，它就可以建議：「你們週末可以一起打球加吃飯。」如果 AI 知道你的旅伴 C 曾經跟你的學習搭子 D 在同一個讀書會，它就可以在配對時降低信任成本。

關係圖譜是社交基礎設施的骨架。沒有它，AI 做的配對永遠是單點的，而不是網絡化的。

第五層：Orchestration（AI 協調）

前四層是數據層。第五層是行動層。

當 Identity、Intent、Trust、Relationship Graph 都就位之後，AI 可以做的事情就超越了「配對」。它可以協調你的整個社交生活。

它知道你這週想運動、想社交、想放鬆。它知道你的球友 A 也在找飯友，你們打完球可以一起吃飯。它知道你下個月想去京都，你的旅伴 B 也想去，你們可以一起規劃。它知道你最近壓力大，幫你安排一個低強度的學習搭子 session，而不是一個高強度的社交飯局。

Orchestration 不是 AI 幫你做決定。是 AI 幫你看到你自己看不到的社交機會，然後讓你決定要不要行動。

這五層，構成了一套完整的社交基礎設施。你可以把它想成社交領域的作業系統。垂直 App 是應用程式，社交基礎設施是作業系統。沒有作業系統，應用程式也能跑，但每個都跑得孤立、低效、重複造輪子。

台灣現在的狀態是什麼？應用程式很多，作業系統還沒有。

垂直社交 1.0 已經很成熟了。Eatgether、LoveTennis、VEKTR、FellowTrip、托特，每個都在自己的領域裡站穩了腳跟。

AI 意圖配對 2.0 剛開始。Aiimii 是先驅，但它的意圖理解還停留在單場景，離連續意圖還有距離。

跨場景社交作業系統 3.0，尚未形成。五層基礎設施，目前每一層都有缺口。Identity 沒有可攜性，Intent 沒有連續性，Trust 不能轉移，Relationship Graph 不存在，Orchestration 更是連影子都沒有。

這不是台灣獨有的問題。中國市場的搭子社交也面臨同樣的結構性缺口。但中國的優勢是規模。Soul（中國社交平台，主打興趣社交）這樣的平台已經在嘗試覆蓋多種社交場景，因為它的使用者基數夠大，數據夠多，可以支撐更複雜的 AI 推論。台灣的劣勢是市場規模小，每個垂直 App 的使用者基數有限，單個平台很難靠自己撐起完整的基礎設施。

但台灣的優勢是密度。台灣的使用者密度高，社交場景集中。在台北，你從捷運市政府站出口走出來，幾分鐘到 Eatgether 約的餐廳，十幾分鐘到 LoveTennis 約的球場，同一個生活圈裡你的飯友、球友、旅伴可能搭同一條捷運線。中國的城市規模大、場景分散，北京東邊的飯友和西邊的球友，光見面就要花一個多小時。台灣的物理距離短到幾乎可以忽略，社交場景天然重疊。如果有人能打通跨場景的社交身份和信任，台灣反而可能比中國更快跑通社交作業系統的模型。

基礎設施的價值看連接密度，不看覆蓋規模。

回顧一下我們這個系列走過路。

第一篇，我們拆解了品牌和消費者之間的關係權限問題。品牌以為在建立情感連結，消費者在做權限管理。越權導致隱蔽失效。

第二篇，我們把社交積木地圖轉成了品牌定位矩陣。品牌定位從「我是誰」變成「我服務哪種關係規格」。

第三篇，我們把「責任封頂的共同在場」落地到活動設計。場景自帶退出機制，關係不溢出場景，情緒有上限。

這一篇，我們看到了台灣五個垂直市場的配對邏輯，也看到了它們共同的結構性缺口：信任基礎設施。

五層基礎設施裡，最關鍵的一層是 Orchestration。AI 協調。這不是偶然的。

你注意到沒有？從第一篇到第四篇，AI 的角色一直在悄悄升級。第一篇裡，AI 是品牌行銷的工具。第二篇裡，AI 是關係接口的翻譯器。第三篇裡，AI 是場景設計的輔助。這一篇裡，AI 變成了社交生活的協調者。

它不再是工具。它正在變成基礎設施本身。

當 Identity、Intent、Trust、Relationship Graph 全部就位，Orchestration 就不只是一個功能。它是一個新的社交物種。一個理解你的社交意圖、掌握你的關係圖譜、能跨場景協調你的社交生活的 AI。

這個 AI 不是在幫你找飯友。它是在幫你配置你的整個社交關係組合。

品牌在這個未來裡的角色是什麼？品牌不再只是提供產品和服務，而是成為社交基礎設施的一部分。你的品牌能不能成為使用者社交身份的一層？你的服務能不能成為信任可轉移的一個節點？

這些問題，我們留到第五篇來回答。

 

---

積木式社交探討系列:

關係權限 : 品牌以為自己在建立情感連結，消費者在做權限管理
社交積木地圖 : 你的產品服務的是哪一層關係？
責任封頂的共同在場 : 活動設計與消費場景的新公式
積木式社交的台灣落地 : 五個市場的配對邏輯與信任基礎設施
AI時代的社交配置器 : 品牌要進入的不是消費者的朋友圈，是配置層

---

歡迎訂閱我的文章，第一時間可以收到喔!

常見問題

台灣的積木式社交跟中國的搭子文化有什麼不同？

台灣其實早就有飯友、球友、旅伴等類似搭子的行為，只是沒有被統一命名成一個模型。中國把這些行為概念化並包裝成「搭子」與「積木式社交」，讓它成為一個可討論的框架。台灣則是各垂直App各自發展，缺乏整體論述。

台灣垂直社交App目前發展到哪個階段？

文章將其分為三代：第一代是Facebook社團、PTT等公告型社交；第二代是Eatgether、LoveTennis等結構化配對App；第三代是Aiimii這類以AI理解意圖來配對的產品。台灣目前正處於第二代成熟、第三代剛起步的階段。

為什麼配到人之後,大家還是不敢見面？

因為搭子關係本質上是低承諾、單次、場景限定的陌生人合作,信任從零開始累積。每個平台雖有審核或評價機制,但這些信用紀錄彼此不互通,導致使用者始終缺乏足夠的安全感。

社交基礎設施包含哪五層？

文章提出五層架構：身份可攜性（Identity）、意圖理解（Intent）、信任可轉移（Trust）、關係圖譜（Relationship Graph）、以及AI協調（Orchestration）。目前台灣在每一層都還有明顯缺口，尚未形成完整的作業系統。