先想清楚 MVP 要验证的假设
传统 MVP 验证的是「用户要不要这个功能」，AI 功能的 MVP 要多验证一条：「AI 在这个场景的效果，能不能跨过用户的容忍线」。注意是容忍线不是完美线——用户不要求 95 分，但低于 60 分的新鲜感一过就走。所以 MVP 的功能范围是倒推出来的：找到那个「做到 70 分就能让用户觉得值」的最小场景，所有资源砸进去把它做穿，而不是铺五个场景各做 50 分。
举个例子，做 AI 简历优化工具，MVP 阶段就做「把一段工作经历改写得更专业」这一个动作，输出三条候选。什么智能排版、岗位匹配、面试预测，全部不碰。因为核心假设只有一个：用户愿不愿意为「AI 改得比我写的好」这件事留下来。这个假设不成立，其他功能做了也白做。
砍功能的四条刀法
我自己的砍法，按顺序问四个问题。
第一刀砍「锦上添花」。没有它用户也能完成主流程的，全砍。历史记录云端同步、分享卡片、深色模式，第一版都不需要。
第二刀砍「长尾需求」。个性化设置、多风格切换、高级筛选，服务的是 5% 的重度用户，而重度用户恰恰是最能容忍糙产品的群体——他们自己会想办法。Cursor 第一版就是一个套壳编辑器加 AI 补全，没什么设置项，先把核心循环跑通了再说。
第三刀砍「自动化」。这个对 AI 产品特别反直觉，但重要：能半自动的别做全自动，能规则顶的别上模型，甚至有人肉顶的也别急着上技术。MVP 阶段的「智能分类」可以用关键词规则先跑，准确率 80% 就够验证流程了；冷启动期每天几十单，运营手动处理都来得及，先把「用户拿到结果后的反应」看到。验证成立之后再投入做真自动化，这时候你对需求的理解也深了，返工概率小得多。
第四刀砍「防御性开发」。为想象中的规模做准备：高并发架构、精细的权限体系、多租户。日活一千之前，这些都用不上。
什么不能砍
砍归砍，有三样东西 MVP 里必须留，砍了就等于白做。
一是核心价值的完整闭环。用户从进到出，必须能真的把一件事办完，哪怕路径糙。「只能演示不能真用」的 MVP 验证不了任何东西。
二是数据埋点和反馈入口。MVP 的全部意义是学习，没有数据就是瞎跑。埋点不用全，核心漏斗（进入-使用-完成-返回）加上结果页一个「有用吗」的点选，就够了。
三是效果的最低保障。再糙的版本，核心场景的效果也要亲自测过几百条，把最离谱的 bad case 用提示词或后处理兜住。用户对第一版的宽容是有限的，「试了下纯智障」的印象一旦形成，你后面改好了他也不会回来。
两个硬约束：效果和成本
AI 功能的 MVP 比传统 MVP 多两本账。效果账：上线前用内部评测集（哪怕只有 100 条真实问题）测出基线，核心指标定一个明确的及格线，比如「改写满意度盲测超过原文 60%」，达不到不上线，上了也是浪费获客成本。成本账：算清单次交互的 token 成本，推演到目标用户量，日活一万时每天烧多少钱、有没有免费额度撑着。见过团队 MVP 火了，一周把预算烧穿被迫下线，增长势头直接打断——这种死法最冤。所以在 MVP 里就要放限流策略：每日免费次数、峰值排队，既是成本控制，也能顺便测付费意愿。
怎么判断 MVP 成了
别看虚荣指标。注册量、首日活跃都可能是好奇流量。真正的信号是：次周留存有没有明显高过「一次性工具」的水平；有没有用户在没人邀请的情况下把产品转给别人；点踩反馈里，「能力不行」的占比是不是在下降、「还想要 XX 功能」的占比是不是在上升——后一类抱怨是好消息，说明核心价值被认可了。三个信号里有两个向好，才谈得上加大投入；否则回去改场景，别急着加功能。