Nikolai-Iakubovskii/app-paywall-pilot
A framework for designing App Store-compliant subscription paywalls. 4 layers: AI skill (Claude/GPT/Cursor) + knowledge base (79 sourced benchmarks) + Python LTV tool + docs. 20-concept academic foundation (Kahneman + Layer 2). Flagship domain Paywall; expansion planned to Onboarding, Retention, Growth, Pricing, Reviews.
Detaylı değerlendirme
Uyum profiline göre: bu işime yarar mı?
Ne yapar
Paywall Pilot Framework, iOS ve Android subscription paywall tasarlamak ve denetlemek için hazırlanmış dört katmanlı bir framework'tür: AI assistant'lar için `SKILL.md` ve modüller, kaynaklandırılmış benchmark veritabanı, Python tabanlı LTV/ROAS/breakeven calculator ve insan tarafından kullanılabilecek docs/checklist'ler. Paywall tasarımı, App Store compliance, pricing, conversion, refund, onboarding/paywall ilişkisi ve lifecycle monetization konularında yönlendirme üretmeyi amaçlar. README'de 88 sourced benchmark belirtilirken üst açıklamada 79 benchmark geçmesi, içerik metadatasında bir tutarsızlık olduğunu gösteriyor.
Nasıl çalışır
Ana giriş noktası `SKILL.md`; ilgili konuya göre `modules/*.md` dosyalarının lazy loading yaklaşımıyla kullanılmasını öneriyor. `sources.json` numeric claim'ler için kaynak, tarih, sample size ve evidence class bilgisi tutuyor. `runtime/` input contract, routing ve source lookup kurallarını içeriyor. `tools/ltv_calculator.py` import edilebilir Python library olarak çalışıyor; `tools/ltv-calculator.py` ise CLI ve JSON I/O wrapper'ı sağlıyor. Knowledge layer ile skill layer ayrılmış; framework Claude Code, GPT, Cursor ve diğer custom-instructions destekleyen AI tool'larıyla kullanılacak şekilde metin tabanlı tasarlanmış. Gerçek bir hosted service, API, database veya model inference katmanı bulunmuyor.
Kullanım alanları
- Bir mobile app'in paywall ekranı için compliance ve conversion audit yapmak
- App Store Review Guidelines kaynaklı riskleri ve banned pattern migration adımlarını incelemek
- LTV, ARPU, ROAS ve breakeven senaryolarını Python CLI ile hesaplamak
- Subscription plan, trial, pricing, onboarding ve lifecycle monetization kararlarını benchmark'larla karşılaştırmak
- AI assistant'a kaynaklandırılmış paywall design spec ve test planı ürettirmek
- App Store ve Google Play subscription paywall'ları için checklist ve reference dokümanı kullanmak
Kimler için
iOS/Android subscription app geliştiren product, growth, monetization, CRO ve mobile engineering ekipleri için. Özellikle paywall kararlarını App Store compliance ve vendor benchmark'larıyla birlikte değerlendirmek isteyen ekipler hedefleniyor. Web uygulaması veya generic SaaS subscription geliştiren ekipler için doğrudan hedef araç değil.
Olgunluk
Deneysel ile beta arası. README kapsamlı bir framework, 16 module, local validation, calculator smoke test'leri ve MIT lisansı bildiriyor; ancak ölçümlerde yalnızca 38 star var, son 28 gün aktivitesi ve release bilgisi ölçülmemiş. Ayrıca 2026 benchmark'larının önemli bölümü vendor aggregate data, case study veya hypothesis sınıfında; içerik doğruluğu ve güncelliği ekip tarafından ayrıca denetlenmeli. 88/79 benchmark sayısı gibi metadata tutarsızlıkları da production-grade bir bilgi kaynağı olarak dikkat gerektiriyor. Üretim runtime'ı veya entegrasyon testleri değil, doküman ve AI skill ağırlıklı bir toolkit.
Kurulum
Python kurulumu sonrası `python3 tools/ltv-calculator.py` ile calculator denenebilir. AI kullanımında repository içindeki `SKILL.md` custom instructions veya ilgili AI tool workflow'una eklenir; deep-dive için `modules/` dosyaları yüklenir. Kurulum zahmeti düşüktür: Next.js, Supabase veya cloud infrastructure gerektirmez. Ancak gerçek değer, dosyaları tüketen AI workflow'unu ve kaynak güncelliğini ekip içinde kurmaya bağlıdır; doğrudan Kaliwa uygulamasına bağlanmak için API veya TypeScript package sunulmuyor.
Bizim için
Somut kullanım
En somut kullanım, Kaliwa içinde mobile subscription veya paywall danışmanlığı yapan bir AI workflow varsa `SKILL.md`, `sources.json`, ilgili `modules/*.md` ve Python calculator'ın referans alınmasıdır. Seçilen source kayıtları PostgreSQL'e aktarılıp RAG retrieval corpus'u yapılabilir; `sources.json` içindeki source/date/sample size/evidence class alanları metadata olarak filtrelenebilir. `tools/ltv_calculator.py` ise Supabase Edge Functions üzerinde Deno'ya doğrudan taşınamaz; hesaplama mantığının TypeScript'e yeniden yazılması veya ayrı bir Python service çalıştırılması gerekir. Mevcut Kaliwa ürünlerinde mobile paywall ihtiyacı yoksa somut kullanım alanı görünmüyor.
Uyum gerekçesi
Kaliwa'nın LLM, RAG ve agent odağıyla kısmi uyum var: kaynaklı knowledge base, evidence ladder ve AI skill yapısı internal RAG/agent context'i için yararlı olabilir. Python olması ve API/TypeScript package içermemesi, temel Next.js + React + TypeScript + Supabase + Deno yığınıyla entegrasyon maliyeti yaratıyor. Projenin asıl domain'i mobile subscription paywall; bu da Kaliwa'nın belirtilen yığınından çok ürün alanına bağlı bir uyum. Üretim kodu değil doküman/knowledge asset olarak değerlendirildiğinde değerli, doğrudan teknoloji bileşeni olarak ise düşük uyumlu.
Engeller
- Python calculator, ekibin ana TypeScript ve Deno runtime'ıyla doğrudan paylaşılabilir değil.
- Next.js, React, Supabase, PostgreSQL veya Deno için hazır integration/API sağlamıyor.
- İçerik ağırlıklı olarak iOS/Android subscription paywall domain'ine bağlı; Kaliwa ürünlerinin domain'ine otomatik genellenemez.
- Benchmark ve recommendation'ların kaynakları vendor data, case study ve hypothesis olarak farklı güven seviyelerine sahip; bağımsız doğrulama gerekiyor.
- README'deki 79 ve 88 benchmark ifadeleri arasında tutarsızlık var.
- Son 28 gün commit, farklı yazar ve sürüm ölçümleri mevcut değil; bakım sürekliliği doğrulanamıyor.
- AI skill'in Claude Code, GPT, Cursor ve diğer tool'larda aynı kalitede çalışacağı README'de iddia ediliyor ancak Kaliwa workflow'uyla entegrasyon kanıtı yok.
Ne zaman kullanılır
Kaliwa ailesinde mobile subscription/paywall ürünü geliştirilecekse, product kararlarını ve AI destekli research/audit akışını hızlandırmak için reference repository olarak kullanılabilir. Özellikle App Store compliance checklist'i, paywall test hipotezleri, LTV calculator ve kaynaklandırılmış benchmark yapısı işe yarayabilir. `SKILL.md` ve seçilmiş modules, kendi internal AI assistant prompt/context pipeline'ımıza dönüştürülerek kullanılabilir. Mobile monetization konusunda sıfırdan framework yazmak yerine başlangıç materyali olarak denenmesi makul.
Ne zaman kullanılmaz
Kaliwa'nın mevcut Next.js + React + TypeScript web arayüzüne veya Supabase/PostgreSQL veri katmanına doğrudan bir capability eklemek için kullanılmamalı. RAG altyapısı, vector store, MCP server, agent orchestration, analytics integration, authentication veya production API sağlamıyor. Mobile app olmayan ürünlerde App Store/Google Play compliance ve paywall bilgileri büyük ölçüde alakasız kalır. Benchmark'ları doğrudan pricing veya experiment kararı yerine koymak da risklidir; kaynak kalitesi, kategori ve sample size her karar öncesi kontrol edilmelidir.
Dikkat edilecekler
- `sources.json` ile README ve research output'larındaki benchmark sayılarının eşleştiği doğrulanmalı.
- 2026 tarihli vendor benchmark'larının sample size, methodology, geography ve category kapsamı incelenmeden product kararlarında kullanılmamalı.
- Apple Rule, Apple Guidance, Platform Capability, Vendor Aggregate Data ve Hypothesis ayrımı korunmalı; bunlar aynı güven seviyesinde ele alınmamalı.
- Python calculator sonuçları TypeScript'e port edilirse validation, rounding ve JSON output davranışları için karşılaştırmalı test yazılmalı.
- Kaliwa'nın RAG pipeline'ına aktarılacaksa kaynak metni, source URL, tarih, sample size ve evidence class metadata olarak saklanmalı.
- MIT lisansı kod ve doküman reuse'ı için elverişli olsa da üçüncü taraf kaynakların kendi kullanım koşulları ayrıca kontrol edilmeli.
- Önce yalnızca `SKILL.md`, `sources.json`, `tools/ltv-calculator.py` ve bir compliance module ile küçük bir spike yapılmalı; 16 module'ün tamamı bağlama taşınmamalı.