MVP 切分方法与优先级框架

AI 产品最容易犯的错：把所有想法都塞进第一版。MVP 的核心工作不是"做什么"，是"不做什么"——而且要让所有人接受那份"不做"清单。

MVP 切分决策框架

P0/P1/P2 优先级定义

AI 产品的优先级框架必须比普通产品多考虑一个维度：AI 技术风险。

最小可验证单元（MVU）

AI 产品的 MVP 切分还需要"最小可验证单元"概念：每个 P0 功能要能独立验证一个核心假设。

MVU 的三个要素： 1. 一个假设：我们相信用户需要 X 2. 一个指标：用什么数据验证这个假设 3. 一个截止标准：多少数据、多少天后做决策

Python 示例：功能优先级评估系统

"""
AI 产品功能优先级评估系统
PM 视角：对功能列表进行价值-风险矩阵评估，输出优先级建议
"""
from dataclasses import dataclass, field
from typing import List, Optional
from enum import Enum
class Priority(Enum):
P0 = "P0 必须做"
P1 = "P1 应该做"
P2 = "P2 可以做"
BACKLOG = "Backlog 暂不排期"
@dataclass
class Feature:
"""功能定义"""
feature_id: str
name: str
description: str
# 价值维度（1-5分）
user_value: int         # 用户价值
business_value: int     # 商业价值
blocks_core_flow: bool  # 是否阻塞核心流程
# 风险维度（1-5分）
tech_complexity: int    # 技术复杂度
ai_uncertainty: int     # AI 能力不确定性（是否依赖未验证的模型能力）
# 验证假设
hypothesis: Optional[str] = None
success_metric: Optional[str] = None
validation_days: Optional[int] = None
@dataclass
class PrioritizedFeature:
"""带优先级的功能"""
feature: Feature
value_score: float
risk_score: float
priority: Priority
reasoning: str
mvu_issues: List[str] = field(default_factory=list)
def calculate_value_score(feature: Feature) -> float:
"""计算价值得分（0-10）"""
base = (feature.user_value * 0.5 + feature.business_value * 0.5)
bonus = 2.0 if feature.blocks_core_flow else 0.0
return min(10.0, base + bonus)
def calculate_risk_score(feature: Feature) -> float:
"""计算风险得分（0-10，越高风险越大）"""
return (feature.tech_complexity * 0.4 + feature.ai_uncertainty * 0.6)
def determine_priority(feature: Feature,
value_score: float,
risk_score: float) -> tuple[Priority, str]:
"""根据价值和风险确定优先级"""
# P0：阻塞核心流程且价值高
if feature.blocks_core_flow and value_score >= 6:
if risk_score >= 8:
return (
Priority.P0,
f"核心流程依赖（价值{value_score:.1f}），但 AI 风险高（{risk_score:.1f}），"
"需先做技术可行性验证再锁定方案"
)
return (
Priority.P0,
f"核心流程依赖，价值得分 {value_score:.1f}，风险可控"
)
# Backlog：AI 不确定性极高且不阻塞核心
if feature.ai_uncertainty >= 5 and not feature.blocks_core_flow:
return (
Priority.BACKLOG,
f"AI 能力不确定性过高（{feature.ai_uncertainty}/5），"
"建议先做技术 Spike 验证可行性再排期"
)
# P1：价值高但不是核心阻塞，或高价值低风险
if value_score >= 7 and risk_score < 7:
return (
Priority.P1,
f"高用户价值（{value_score:.1f}），风险适中（{risk_score:.1f}），"
"建议第二迭代完成"
)
# P2：中等价值
if value_score >= 5:
return (
Priority.P2,
f"有一定价值（{value_score:.1f}），建议 MVP 验证后再考虑"
)
# Backlog：低价值
return (
Priority.BACKLOG,
f"当前价值评估偏低（{value_score:.1f}），建议进一步验证用户需求"
)
def check_mvu_completeness(feature: Feature) -> List[str]:
"""检查最小可验证单元的完整性"""
issues = []
if not feature.hypothesis:
issues.append("未定义验证假设（用户/业务假设是什么？）")
if not feature.success_metric:
issues.append("未定义成功指标（用什么数据判断假设成立？）")
if not feature.validation_days:
issues.append("未定义验证周期（多少天后做决策？）")
return issues
def prioritize_features(features: List[Feature]) -> List[PrioritizedFeature]:
"""对功能列表进行优先级评估"""
results = []
for feature in features:
value_score = calculate_value_score(feature)
risk_score = calculate_risk_score(feature)
priority, reasoning = determine_priority(feature, value_score, risk_score)
mvu_issues = check_mvu_completeness(feature)
results.append(PrioritizedFeature(
feature=feature,
value_score=value_score,
risk_score=risk_score,
priority=priority,
reasoning=reasoning,
mvu_issues=mvu_issues,
))
# 按价值排序
results.sort(key=lambda x: (-x.value_score, x.risk_score))
return results
def print_priority_report(results: List[PrioritizedFeature]):
# 按优先级分组
groups = {p: [] for p in Priority}
for r in results:
groups[r.priority].append(r)
print("\n" + "="*55)
print("  功能优先级评估报告")
print("="*55)
for priority in Priority:
items = groups[priority]
if not items:
continue
print(f"\n  【{priority.value}】（{len(items)} 个功能）")
for item in items:
print(f"\n    {item.feature.feature_id} {item.feature.name}")
print(f"    价值 {item.value_score:.1f}/10  风险 {item.risk_score:.1f}/10")
print(f"    判断：{item.reasoning}")
if item.mvu_issues:
for issue in item.mvu_issues:
print(f"    ⚠ MVU 缺失：{issue}")
# ── 演示 ──────────────────────────────────────────────
if __name__ == "__main__":
features = [
Feature(
feature_id="F01", name="AI 意图识别",
description="理解用户问题的核心意图并分类",
user_value=5, business_value=5, blocks_core_flow=True,
tech_complexity=2, ai_uncertainty=1,
hypothesis="用户意图识别准确率>85%可替代人工分类",
success_metric="意图识别准确率",
validation_days=14,
),
Feature(
feature_id="F02", name="个性化推荐话术",
description="根据用户历史行为生成个性化客服话术",
user_value=4, business_value=3, blocks_core_flow=False,
tech_complexity=3, ai_uncertainty=3,
hypothesis="个性化话术能提升用户满意度",
success_metric="CSAT 评分",
validation_days=None,
),
Feature(
feature_id="F03", name="实时情感分析预测升级",
description="预测用户情绪变化，提前介入防止投诉",
user_value=3, business_value=4, blocks_core_flow=False,
tech_complexity=4, ai_uncertainty=5,
hypothesis=None, success_metric=None, validation_days=None,
),
Feature(
feature_id="F04", name="多轮对话记忆",
description="跨会话记住用户偏好",
user_value=4, business_value=4, blocks_core_flow=False,
tech_complexity=3, ai_uncertainty=2,
hypothesis="跨会话记忆能减少用户重复描述",
success_metric="重复描述率下降比例",
validation_days=30,
),
Feature(
feature_id="F05", name="自动生成工单摘要",
description="AI 自动为每个工单生成 3 句话摘要",
user_value=3, business_value=5, blocks_core_flow=False,
tech_complexity=2, ai_uncertainty=1,
hypothesis="摘要可减少坐席处理时间",
success_metric="坐席平均处理时长",
validation_days=21,
),
]
results = prioritize_features(features)
print_priority_report(results)

本章 checklist

• [ ] MVP 功能清单已分 P0/P1/P2/Backlog 四层，且每一层不超过合理数量
• [ ] 每个 P0 功能已定义最小可验证单元（假设 + 指标 + 截止标准）
• [ ] "不做清单"已明确，且关键干系人已对其签字认可
• [ ] AI 不确定性高的功能已安排技术 Spike，不在 MVP 阶段直接排期
• [ ] P0 功能在没有 AI 时是否有规则降级版本，已确认可行性

本章小结

• MVP 切分的核心工作是维护"不做清单"，让团队精力集中在最能验证核心假设的功能上
• AI 产品优先级框架必须加入 AI 不确定性维度：未经验证的 AI 能力不应直接进入 MVP
• 每个 P0 功能都应该是一个"最小可验证单元"，有明确假设、指标和决策时间点

下一节：03-灰度发布与分阶段验证 — MVP 定完了，怎么发？灰度策略不只是"先给 5% 用户"，而是每个阶段你要验证什么、看什么数据、什么情况下停下来。