第 1 周:验证创意

  • 与 20 个潜在用户交谈。了解他们的痛点。
  • 研究竞争对手。找到现有方案的空白。
  • 定义独特价值主张。你能做到 10 倍好的是什么?
  • 选择技术栈:保持简单——Next.js + Vercel AI SDK + 一个 LLM API。

第 2 周:构建核心功能

  • 专注一个能交付价值的核心功能。
  • 使用现有 API(OpenAI、Anthropic)而非训练模型。
  • 构建最小 UI——功能优先于形式。
  • 设置基础认证和使用追踪。

第 3 周:打磨

  • 改进错误处理和边界情况。
  • 添加加载状态和流式响应。
  • 实施速率限制控制成本。
  • 编写清晰的引导文案。

第 4 周:发布与学习

  • 在 Twitter/X、Hacker News 和相关社区分享。
  • 建立反馈循环(表单、Discord 或邮件)。
  • 追踪关键指标:激活率、留存率、NPS。
  • 根据用户反馈迭代,而非假设。

常见错误

  • 与用户交谈之前先构建好几个月。
  • 从第一天起就过度设计架构。
  • 忽略成本,直到账单到来。
  • 在通用 AI 上直接与 OpenAI/Google 竞争。

5 天 MVP 蓝图

第 1–2 天:用一句话定义核心用户问题。构建一个提示词流水线,接收用户输入并返回有用的 AI 生成输出。先不管 UI——通过 API 或简单 CLI 测试。

第 3 天:用 Next.js 或 Streamlit 包装成最简 Web 界面。用 Clerk 或 NextAuth 加认证。部署到 Vercel 或 Railway。

第 4 天:加一个「惊喜」功能——让用户说「没想到还能这样」。可以是个性化推荐、多模态输入(上传图片获取分析)或实时协作。

第 5 天:找 10 个真实用户,不是朋友——是陌生人。发到相关 subreddit、Discord 或 Twitter。疯狂收集反馈。

从第一天起优化成本

  • 80% 任务用 GPT-6 Luna 或 Claude Haiku 5.5 等低成本模型;复杂推理才用 GPT-6 Astra 或 Claude Sonnet 5.5 等前沿模型。
  • 缓存相同或相似请求。语义缓存(Redis + 向量嵌入)可降低 40–60% API 成本。
  • 设置硬性支出告警。大多数云 AI API 支持预算上限。从 $50/天开始,根据用户增长调整。
  • 尽量批处理。如果功能不需要实时响应,在低峰期批量请求以获得更低价格。

交付的是工作流,不是模型

最快的 MVP 是这样的:模型只是一个部件,产品是它外面那套工作流。创始人常常丢掉几个月去建一条在演示里很惊艳的模型流水线,然后发现用户并不想要流水线,他们想要按现有工作形态交付的结果。从最终产物倒推:一封起草好的邮件、一张填好的表、一份生成的报告。从这个产物往回推到最小的模型调用,你通常会发现模型那部分只值一周,其余都是工作流。

选能交付的最薄技术栈

一个 Next.js 应用加几个 route handler 和一个数据库,就够多数 AI MVP 用了。每多一个服务,就是一条你得调试的部署路径、一个你得轮换的凭据。复杂度该花在评测上,因为那才是让你敢改模型、改提示词的东西,也恰恰是竞争对手会跳过的部分。

尽早收费,按产出收费

按 token 给 AI 产品定价,是在给你的成本定价,不是在给价值定价。用户没法评估一个 token,但能评估一份成品。按产出收费,留一个宽松的免费档来拿你需要的评测数据,并盯住「产出数/付费转化」这个比值。这一个指标关于产品市场契合度告诉你的,比任何满意度调查都多。

杀死 MVP 的东西

静默失败。生成一份貌似合理但错误的文档,比直接报错更糟,因为没人会发现,直到客户发现。在开发第二个功能之前,先把信心信号和人工检查建起来。

文中的模型名称已于 2026-11-10 对照 OpenAI 与 Anthropic 的官方文档核实。