企业官网建设流程全解析

AI产品从0到1的PMF验证checklist：30天快速验证的工程方法

作者：钟伊人 | 日期：2026-07-29 | Week5 总结与趋势判断

模块一：PMF验证的核心框架

什么是PMF（Product-Market Fit）？

PMF是产品与市场匹配的缩写。
Sean Ellis定义：40%以上的用户"非常失望"如果没有你的产品，就达到了PMF。
对于AI产品，PMF的定义更严格：

• 用户是否愿意为AI功能付费？
• AI功能是否显著优于传统方案？
• 用户使用频率是否足够高？

AI产品PMF验证的特殊性：

1. 技术演示≠产品价值（很多AI产品在Demo时惊艳，实际使用时问题多）
2. 用户期望值高（AI产品常被寄予不切实际的期望）
3. 成本结构影响商业模式（API成本可能超过用户付费意愿）

""" PMF验证数据模型 追踪关键指标，量化PMF进度 """ from dataclasses import dataclass from typing import List, Dict, Optional from datetime import datetime, timedelta import json @dataclass class PMFMetrics: """PMF关键指标""" # 用户指标 total_users: int active_users_7d: int # 7日活跃 active_users_30d: int # 30日活跃 retention_day1: float # 次日留存率 retention_day7: float # 7日留存率 retention_day30: float # 30日留存率 # 参与度指标 avg_sessions_per_user: float avg_session_duration_min: float feature_usage_rate: Dict[str, float] # 功能使用率 # 满意度指标 nps_score: float # Net Promoter Score very_disappointed_pct: float # "非常失望"百分比（Sean Ellis指标） # 商业指标 free_to_paid_conversion: float monthly_churn_rate: float ltv_cac_ratio: float # 生命周期价值 / 获客成本 # AI特有指标 ai_usage_per_user: float # 人均AI功能使用次数 ai_cost_per_user: float # 人均AI成本 ai_accuracy_satisfaction: float # AI准确度满意度 class PMFValidator: """ PMF验证器 30天快速验证框架 """ def __init__(self, product_name: str): self.product_name = product_name self.start_date = datetime.now() self.metrics_history: List[PMFMetrics] = [] self.user_feedback: List[Dict] = [] def day_1_setup(self) -> Dict: """ Day 1：设置验证框架 任务： 1. 定义假设（Hypothesis） 2. 设计MVP功能范围 3. 确定目标用户画像 4. 设置追踪指标 """ checklist = { "hypothesis_defined": False, # 假设已定义 "mvp_scope_defined": False, # MVP范围已定义 "target_users_defined": False, # 目标用户已定义 "tracking_setup": False, # 数据追踪已设置 "feedback_channel_setup": False, # 反馈渠道已设置 } print("=" * 60) print(f"Day 1：{self.product_name} PMF验证启动") print("=" * 60) print("\n任务清单：") print(" [ ] 定义核心假设（最多3个）") print(" [ ] 定义MVP功能范围（最多3个核心功能）") print(" [ ] 定义目标用户画像（最多2类）") print(" [ ] 设置数据追踪（埋点）") print(" [ ] 设置用户反馈收集渠道") print("\n核心假设模板：") print(" 我们相信 [目标用户] 需要 [产品功能]") print(" 因为 [问题/痛点]") print(" 我们将通过 [关键指标] 来验证") return checklist def day_7_first_users(self, metrics: PMFMetrics) -> Dict: """ Day 7：首批用户反馈 关键问题： 1. 用户是否理解了产品价值？ 2. 用户是否愿意继续使用？ 3. AI功能的准确度是否满足期望？ """ evaluation = {} # 检查1：是否有用户注册 evaluation["has_users"] = metrics.total_users > 0 # 检查2：次日留存率 evaluation["good_retention_d1"] = metrics.retention_day1 >= 0.4 # 40%+ # 检查3：AI功能是否被使用 evaluation["ai_used"] = metrics.ai_usage_per_user > 0 # 检查4：成本是否合理 evaluation["cost_reasonable"] = metrics.ai_cost_per_user < 1.0 # 人均成本<$1 # 综合判断 passed = sum(evaluation.values()) evaluation["day7_passed"] = passed >= 3 if not evaluation["day7_passed"]: print("⚠️ Day 7评估：未通过，需要调整方向") print("建议：") if not evaluation["has_users"]: print(" - 问题：没有用户注册") print(" - 建议：检查产品定位和价值传达") if not evaluation["good_retention_d1"]: print(" - 问题：次日留存率低") print(" - 建议：访谈流失用户，了解原因") else: print("✅ Day 7评估：通过，继续验证") return evaluation def day_14_iteration(self, metrics: PMFMetrics) -> Dict: """ Day 14：第一次迭代 基于前7天的数据和反馈，进行第一次产品迭代 """ insights = { "top_feature": max(metrics.feature_usage_rate, key=metrics.feature_usage_rate.get), "retention_trend": "improving" if metrics.retention_day7 > metrics.retention_day1 else "declining", "ai_cost_trend": "acceptable" if metrics.ai_cost_per_user < 0.5 else "too_high" } print("\nDay 14 洞察：") print(f" 最受欢迎功能：{insights['top_feature']}") print(f" 留存趋势：{insights['retention_trend']}") print(f" AI成本趋势：{insights['ai_cost_trend']}") return insights def day_30_pmf_assessment(self, metrics: PMFMetrics) -> Dict: """ Day 30：PMF评估 判断是否达到PMF（Sean Ellis标准） """ result = {} # 标准1：Sean Ellis指标（40%以上用户"非常失望"） result["sean_ellis_pass"] = metrics.very_disappointed_pct >= 0.4 # 标准2：留存率（7日留存>30%，30日留存>15%） result["retention_pass"] = (metrics.retention_day7 >= 0.3 and metrics.retention_day30 >= 0.15) # 标准3：NPS（Net Promoter Score > 40） result["nps_pass"] = metrics.nps_score >= 40 # 标准4：付费意愿（免费到付费转化率>5%） result["monetization_pass"] = metrics.free_to_paid_conversion >= 0.05 # 标准5：LTV/CAC > 3（生命周期价值/获客成本） result["unit_economics_pass"] = metrics.ltv_cac_ratio >= 3 # AI产品特有：成本可控 result["ai_cost_pass"] = metrics.ai_cost_per_user < 2.0 # 综合判断 passed_count = sum([ result["sean_ellis_pass"], result["retention_pass"], result["nps_pass"], result["monetization_pass"], result["unit_economics_pass"], result["ai_cost_pass"] ]) result["pmf_achieved"] = passed_count >= 4 # 至少通过4个标准 result["passed_count"] = passed_count if result["pmf_achieved"]: print("🎉 恭喜！产品已达到PMF！") print("建议：开始规模化增长") else: print(f"⚠️ PMF未达到（通过{passed_count}/6项标准）") print("建议：继续迭代产品或调整方向") self._print_improvement_suggestions(result) return result def _print_improvement_suggestions(self, result: Dict): """打印改进建议""" if not result["sean_ellis_pass"]: print(" - 改进方向：提升产品核心价值（用户访谈）") if not result["retention_pass"]: print(" - 改进方向：提升用户参与度（新功能/通知）") if not result["nps_pass"]: print(" - 改进方向：提升用户体验（UI/性能优化）") if not result["monetization_pass"]: print(" - 改进方向：调整定价策略或提升价值感知") if not result["unit_economics_pass"]: print(" - 改进方向：降低获客成本或提升LTV") if not result["ai_cost_pass"]: print(" - 改进方向：优化AI成本（缓存/模型选择）")

Mermaid：30天PMF验证时间线

模块二：AI产品MVP的工程实现

AI产品MVP的特殊考虑

AI产品的MVP比传统产品更复杂：

1. 需要真实AI能力（不能只是假按钮）
2. 需要处理AI的不确定性（准确度、延迟）
3. 需要控制成本（API调用可能很贵）

""" AI产品MVP脚手架 快速搭建可验证的AI产品原型 """ from abc import ABC, abstractmethod from typing import List, Dict, Any, Optional import time import json class AIMVPBase(ABC): """ AI产品MVP基类 提供通用的PMF验证功能 """ def __init__(self, product_name: str): self.product_name = product_name self.users: Dict[str, Dict] = {} # user_id -> user_data self.usage_logs: List[Dict] = [] self.feedback: List[Dict] = [] self.start_time = time.time() @abstractmethod def process_user_request(self, user_id: str, request: str) -> Dict: """ 处理用户请求（AI核心功能） 每个AI产品必须实现此方法 """ pass def track_usage(self, user_id: str, action: str, metadata: Dict = None): """追踪用户行为""" log = { "user_id": user_id, "action": action, "timestamp": time.time(), "metadata": metadata or {} } self.usage_logs.append(log) def collect_feedback(self, user_id: str, feedback: Dict): """收集用户反馈""" feedback["user_id"] = user_id feedback["timestamp"] = time.time() self.feedback.append(feedback) def get_metrics(self) -> PMFMetrics: """计算当前PMF指标""" total_users = len(self.users) # 计算留存率（简化） now = time.time() day1_active = sum( 1 for u in self.users.values() if now - u.get("last_active", 0) <= 86400 ) day7_active = sum( 1 for u in self.users.values() if now - u.get("last_active", 0) <= 7 * 86400 ) retention_d1 = day1_active / total_users if total_users > 0 else 0 retention_d7 = day7_active / total_users if total_users > 0 else 0 # 计算AI使用指标 ai_usage = {} for log in self.usage_logs: action = log["action"] ai_usage[action] = ai_usage.get(action, 0) + 1 avg_ai_usage = sum(ai_usage.values()) / total_users if total_users > 0 else 0 # 计算NPS（简化） promoters = sum(1 for f in self.feedback if f.get("rating", 0) >= 4) detractors = sum(1 for f in self.feedback if f.get("rating", 0) <= 2) nps = ((promoters - detractors) / len(self.feedback) * 100) if self.feedback else 0 return PMFMetrics( total_users=total_users, active_users_7d=day7_active, active_users_30d=day7_active, # 简化 retention_day1=retention_d1, retention_day7=retention_d7, retention_day30=retention_d7 * 0.5, # 估算 avg_sessions_per_user=len(self.usage_logs) / total_users if total_users > 0 else 0, avg_session_duration_min=5.0, # 简化 feature_usage_rate=ai_usage, nps_score=nps, very_disappointed_pct=0.0, # 需要通过问卷收集 free_to_paid_conversion=0.0, monthly_churn_rate=0.0, ltv_cac_ratio=0.0, ai_usage_per_user=avg_ai_usage, ai_cost_per_user=0.0, # 需要从账单计算 ai_accuracy_satisfaction=0.0 ) # 示例：AI写作助手MVP class AIWritingAssistantMVP(AIMVPBase): """ AI写作助手MVP 用于演示PMF验证流程 """ def __init__(self, llm_client, api_cost_per_1k_tokens: float = 0.01): super().__init__("AI写作助手") self.llm = llm_client self.api_cost = api_cost_per_1k_tokens self.total_api_cost = 0.0 def process_user_request(self, user_id: str, request: str) -> Dict: """ 处理写作请求 MVP阶段的核心功能： 1. 根据提示词生成文章大纲 2. 根据大纲生成正文 """ # 追踪开始时间（用于测量延迟） start_time = time.time() # 功能1：生成大纲 if request.startswith("大纲："): topic = request[3:].strip() result = self._generate_outline(user_id, topic) # 功能2：生成正文 elif request.startswith("生成："): outline = request[3:].strip() result = self._generate_content(user_id, outline) else: result = {"error": "未知请求类型"} # 追踪使用 latency = time.time() - start_time self.track_usage(user_id, "ai_request", { "latency": latency, "request_type": "outline" if "大纲" in request else "content" }) # 更新用户最后活跃时间 if user_id in self.users: self.users[user_id]["last_active"] = time.time() return result def _generate_outline(self, user_id: str, topic: str) -> Dict: """生成文章大纲""" prompt = f"""请为以下主题生成一个详细的文章大纲： 主题：{topic} 要求： 1. 包含5-8个主要章节 2. 每个章节有2-3个子点 3. 逻辑清晰，层次分明 输出格式：Markdown格式的大纲""" try: # 调用LLM（简化：实际应使用self.llm） # response = self.llm.generate(prompt) response = f"# {topic}\n\n## 引言\n## 主体\n## 结论" # 模拟API成本 estimated_tokens = len(prompt) / 4 + len(response) / 4 cost = estimated_tokens / 1000 * self.api_cost self.total_api_cost += cost return { "success": True, "outline": response, "estimated_cost_usd": round(cost, 4) } except Exception as e: return { "success": False, "error": str(e) } def _generate_content(self, user_id: str, outline: str) -> Dict: """根据大纲生成正文""" prompt = f"""请根据以下大纲生成文章正文： 大纲： {outline} 要求： 1. 每个章节展开为200-300字 2. 语言流畅，逻辑清晰 3. 使用简体中文 输出格式：完整的Markdown文章""" try: # 调用LLM response = f"根据大纲生成的文章内容...\n\n{outline}" # 模拟API成本 estimated_tokens = len(prompt) / 4 + len(response) / 4 cost = estimated_tokens / 1000 * self.api_cost self.total_api_cost += cost return { "success": True, "content": response, "estimated_cost_usd": round(cost, 4) } except Exception as e: return { "success": False, "error": str(e) } def register_user(self, user_id: str, email: str): """注册用户""" self.users[user_id] = { "email": email, "registered_at": time.time(), "last_active": time.time() } print(f"用户 {user_id} 注册成功") def get_cost_report(self) -> Dict: """获取成本报告""" total_users = len(self.users) return { "total_api_cost_usd": round(self.total_api_cost, 2), "cost_per_user_usd": round(self.total_api_cost / total_users, 4) if total_users > 0 else 0, "total_users": total_users }

模块三：用户访谈与反馈分析

为什么用户访谈比数据更重要？

数据是后视镜，访谈是探照灯。
数据告诉你"什么"发生了，访谈告诉你"为什么"。

""" 用户访谈框架 AI产品PMF验证的核心活动 """ from typing import List, Dict import json class UserInterviewFramework: """ 用户访谈框架 访谈的核心目标： 1. 验证核心假设 2. 发现未满足的需求 3. 了解用户真实使用场景 4. 收集改进建议 """ def __init__(self): self.interviews: List[Dict] = [] def prepare_interview_guide(self, product_stage: str = "mvp") -> List[str]: """ 准备访谈提纲 Args: product_stage: 产品阶段（mvp / iteration / scaling） """ if product_stage == "mvp": # MVP阶段：验证核心假设 questions = [ # 开场（建立信任） "请介绍一下你自己和你的工作？", "你目前是如何解决[我们解决的问题]的？", "", # 产品体验 "你第一次使用我们的产品时，感觉如何？", "哪个功能最有用？为什么？", "哪个功能最没用？为什么？", "", # 核心价值 "如果你不能再使用这个产品，会有什么影响？", "你会向朋友推荐这个产品吗？为什么？", "", # 改进建议 "如果可以添加一个功能，你希望是什么？", "有什么让你感到困惑或沮丧的地方？" ] elif product_stage == "iteration": # 迭代阶段：深入了解使用细节 questions = [ "你最近一次使用产品是为了什么？", "产品是否满足了你的期望？", "与其他工具相比，我们的产品有什么优势/劣势？", "你希望我们在哪方面改进？" ] else: # 增长阶段：了解扩展需求 questions = [ "你是否在团队中分享了这个产品？", "你的团队有什么特殊需求？", "你愿意为哪些功能付费？" ] return questions def conduct_interview(self, user_id: str, user_background: str, interview_notes: str) -> Dict: """ 记录访谈结果 Returns: 访谈洞察 """ interview = { "user_id": user_id, "background": user_background, "notes": interview_notes, "timestamp": time.time(), "insights": {} } # 提取关键洞察（简化：实际应人工分析） insights = self._extract_insights(interview_notes) interview["insights"] = insights self.interviews.append(interview) return insights def _extract_insights(self, notes: str) -> Dict: """从访谈笔记中提取洞察（简化）""" # 实际应使用NLP或人工分析 insights = { "pain_points": [], # 痛点 "delights": [], # 满意点 "feature_requests": [], # 功能请求 "confusion": [] # 困惑点 } return insights def analyze_all_interviews(self) -> Dict: """分析所有访谈，提取模式""" if not self.interviews: return {"error": "尚无访谈数据"} # 汇总洞察 all_pain_points = [] all_delights = [] all_feature_requests = [] for interview in self.interviews: insights = interview.get("insights", {}) all_pain_points.extend(insights.get("pain_points", [])) all_delights.extend(insights.get("delights", [])) all_feature_requests.extend(insights.get("feature_requests", [])) # 找出最常见的模式 from collections import Counter return { "total_interviews": len(self.interviews), "top_pain_points": Counter(all_pain_points).most_common(5), "top_delights": Counter(all_delights).most_common(5), "top_feature_requests": Counter(all_feature_requests).most_common(5), "pmf_signal": self._calculate_pmf_signal() } def _calculate_pmf_signal(self) -> str: """计算PMF信号（基于访谈）""" very_disappointed_count = 0 for interview in self.interviews: notes = interview.get("notes", "") # 简化：检查是否包含"非常失望"或类似表达 if any(word in notes for word in ["非常失望", "离不开", "必不可少"]): very_disappointed_count += 1 pct = very_disappointed_count / len(self.interviews) if self.interviews else 0 if pct >= 0.4: return "强PMF信号（>=40%用户非常失望）" elif pct >= 0.2: return "中等PMF信号（20-40%用户非常失望）" else: return "弱PMF信号（<20%用户非常失望）"

Mermaid：用户访谈流程

模块四：AI产品特有的验证挑战

挑战1：AI准确度与用户期望的差距

AI产品的准确度很难达到100%。
但用户往往期望AI是"全知全能"的。
需要在产品中管理用户期望。

""" AI产品中的期望管理 """ class AIExpectationManager: """ AI期望管理器 策略： 1. 在UI中明确告知AI的局限性 2. 提供置信度评分 3. 允许用户纠正错误 4. 持续展示改进 """ def __init__(self): self.confidence_threshold = 0.7 # 置信度阈值 def add_expectation_management_ui(self, response: Dict) -> Dict: """ 在AI响应中添加期望管理元素 返回更新后的响应，包含： - 置信度指示 - 免责声明 - 反馈按钮 """ confidence = response.get("confidence", 0.5) # 添加置信度指示 if confidence >= 0.8: confidence_label = "高置信度" confidence_color = "green" elif confidence >= 0.5: confidence_label = "中置信度" confidence_color = "orange" else: confidence_label = "低置信度" confidence_color = "red" response["ui_metadata"] = { "confidence_label": confidence_label, "confidence_color": confidence_color, "disclaimer": "AI生成内容可能不准确，请谨慎参考", "feedback_buttons": ["准确", "不准确", "部分准确"] } return response def generate_disclaimer_text(self, use_case: str) -> str: """生成针对特定用例的免责声明""" disclaimers = { "medical": "本AI不提供医疗建议，请咨询专业医生", "legal": "本AI不提供法律建议，请咨询专业律师", "financial": "本AI不提供投资建议，投资有风险", "general": "AI生成内容可能包含错误，请自行核实" } return disclaimers.get(use_case, disclaimers["general"])

挑战2：AI成本与用户付费意愿的差距

这是2026年AI创业公司失败的主要原因。
API成本远超用户付费意愿。

""" AI成本与定价分析工具 """ class AICostPricingAnalyzer: """ AI成本与定价分析器 核心问题： - 每个用户的AI使用成本是多少？ - 用户愿意支付多少？ - 如何实现盈利？ """ def __init__(self): self.cost_data = [] self.pricing_data = [] def analyze_unit_economics(self, avg_ai_cost_per_user: float, avg_subscription_price: float, gross_margin_pct: float) -> Dict: """ 分析单位经济模型 Args: avg_ai_cost_per_user: 人均AI成本（美元/月） avg_subscription_price: 平均订阅价格（美元/月） gross_margin_pct: 毛利率（扣除AI成本后） """ # 计算毛利率 gross_profit = avg_subscription_price - avg_ai_cost_per_user actual_margin_pct = (gross_profit / avg_subscription_price if avg_subscription_price > 0 else 0) result = { "ai_cost_per_user": avg_ai_cost_per_user, "subscription_price": avg_subscription_price, "gross_profit_per_user": gross_profit, "gross_margin_pct": round(actual_margin_pct * 100, 1), "is_profitable": gross_profit > 0 } # 建议 if not result["is_profitable"]: result["recommendations"] = [ "降低AI成本（使用更便宜的模型、缓存、批处理）", "提高订阅价格", "限制免费用户的AI使用次数", "引导用户使用低成本功能" ] else: result["recommendations"] = [ "单位经济健康，可以考虑增长投入" ] return result def suggest_pricing_strategy(self, product_type: str, target_users: str) -> Dict: """ 建议定价策略 AI产品的常见定价模式： 1. 按使用量计费（如API调用次数） 2. 订阅制（如每月$10） 3. 混合模式（基础订阅+超额计费） """ strategies = { "api_usage": { "name": "按使用量计费", "pros": ["用户只付使用的部分", "成本可控"], "cons": ["收入不稳定", "需要防止滥用"], "example": "每次AI调用$0.01" }, "subscription": { "name": "订阅制", "pros": ["收入可预测", "用户粘性高"], "cons": ["需要控制重度用户成本", "可能有亏损用户"], "example": "每月$10，包含100次AI调用" }, "freemium": { "name": "免费增值", "pros": ["快速获取用户", "降低试用门槛"], "cons": ["免费用户成本高", "转化率低"], "example": "免费用户每天3次，付费无限制" } } return strategies.get(product_type, strategies["freemium"])

模块五：决策框架与Next Steps

PMF验证后的决策树

30天验证结束后，需要根据结果做出决策：

""" PMF验证后决策框架 """ class PostPMFDecisionFramework: """ PMF验证后决策框架 """ def __init__(self): self.decision_options = { "scale": "规模化增长", "iterate": "继续迭代产品", "pivot": "调整方向", "pause": "暂停项目" } def make_decision(self, pmf_result: Dict, resources: Dict) -> Dict: """ 基于PMF结果和资源情况做出决策 Args: pmf_result: PMF评估结果 resources: 资源情况（资金、团队等） """ # 决策矩阵 if pmf_result["pmf_achieved"]: # 达到PMF if resources.get("funding_months", 0) > 6: decision = "scale" reason = "PMF已达成，资源充足，开始规模化增长" else: decision = "iterate" reason = "PMF已达成，但资源有限，先优化单位经济" else: # 未达到PMF passed_count = pmf_result["passed_count"] if passed_count >= 3: decision = "iterate" reason = f"接近PMF（通过{passed_count}/6项），继续迭代" elif passed_count >= 2: if resources.get("funding_months", 0) > 3: decision = "pivot" reason = "PMF较远，但资源充足，可以考虑调整方向" else: decision = "pause" reason = "PMF较远，资源不足，建议暂停" else: decision = "pause" reason = "PMF非常远，建议暂停并反思核心假设" return { "decision": decision, "reason": reason, "next_steps": self._get_next_steps(decision) } def _get_next_steps(self, decision: str) -> List[str]: """获取决策后的下一步行动""" steps = { "scale": [ "制定增长策略（付费获客 vs 有机增长）", "扩大团队（重点是增长和运维）", "确保单位经济健康（LTV/CAC > 3）", "建立客户成功团队" ], "iterate": [ "深度用户访谈（找出未满足需求）", "快速迭代MVP（2周一个版本）", "优化AI成本（如果成本是问题）", "重新定义价值主张" ], "pivot": [ "重新审视核心假设", "访谈潜在新用户", "开发新的MVP（快速验证）", "考虑是否更换问题领域" ], "pause": [ "总结教训（为什么没达到PMF）", "评估是否值得继续投入", "考虑开源或出售技术", "团队成员转移到其他项目" ] } return steps.get(decision, [])

Mermaid：PMF验证决策树

30天PMF验证Checklist汇总

""" 30天PMF验证完整Checklist """ FULL_CHECKLIST = { "Day 1-3：准备阶段": [ "() 定义核心假设（最多3个）", "() 定义MVP功能范围（最多3个功能）", "() 确定目标用户画像（最多2类）", "() 搭建MVP原型（可用AI脚手架）", "() 设置数据追踪（埋点）", "() 设置用户反馈收集（问卷+访谈）", ], "Day 4-7：首批用户": [ "() 获取首批10-20个用户", "() 观察用户注册流程", "() 收集第一批使用数据", "() 进行第一批用户访谈（3-5人）", "() 计算Day 7指标", ], "Day 8-14：第一次迭代": [ "() 分析首批用户反馈", "() 确定最需改进的1-2个问题", "() 快速迭代MVP", "() 扩大测试用户到50-100人", "() 开始追踪AI成本和准确度", ], "Day 15-21：深度验证": [ "() 进行更多用户访谈（累计10-15人）", "() 计算留存率和参与度指标", "() 测试不同定价策略（如果准备商业化）", "() 收集Sean Ellis问卷数据", ], "Day 22-30：PMF评估": [ "() 计算所有PMF指标", "() 进行PMF达标评估", "() 做出决策（规模化/迭代/调整/暂停）", "() 制定下一步计划", ] } def print_full_checklist(): print("=" * 70) print("AI产品PMF验证30天完整Checklist") print("=" * 70) for period, items in FULL_CHECKLIST.items(): print(f"\n【{period}】") for item in items: print(f" {item}") print("\n完成所有Checklist项目后，再进行PMF决策！")

纯技术总结

• PMF定义：Sean Ellis标准（40%用户"非常失望"），AI产品需额外关注成本可控性和准确度满意度
• 30天验证框架：Day1-3准备（假设+MVP+埋点），Day4-7首批用户，Day8-14第一次迭代，Day15-21深度验证，Day22-30 PMF评估决策
• AI产品MVP要点：真实AI能力（非假按钮）、成本控制（API成本追踪）、期望管理（置信度UI+免责声明）
• 用户访谈核心：验证假设+发现未知需求+收集改进建议；访谈后提取痛点/满意点/功能请求模式
• 成本与定价：单位经济必须正向（订阅价>AI成本）；推荐免费增值模式（免费限次+付费无限制）
• 决策框架：PMF达成且资金>6月→规模化；PMF未达但通过≥3项→继续迭代；通过<2项→暂停反思