xuefeng-method

# 雪峰方法论：AI-Native 产品开发实战体系 > 核心理念：强模型依赖 × 多专精Agent × 快速校准 × 行为审计 > > 来源：雪峰——AI-Native连续创业者，深耕AI日历管理等AI驱动产品。 > 核心洞察：穷举是死循环，唯快不破才是AI-native的生存之道。 > > 与克谦方法论（keqian-method）互为对偶： > 克谦解决"如何让AI在明确边界内可靠执行"， > 雪峰解决"当边界本身不确定时怎么办"。 --- ## 第零步：产品类型判断（必须先做） 在选择任何开发策略之前，先判断你的产品类型。 **选错方法论比没有方法论更危险。** | 类型 | 特征 | 关键判断标准 | 推荐方法 | |------|------|------------|---------| | **+AI（场景依赖型）** | 用户行为可枚举，AI辅助执行确定性流程 | 能列出所有合法输入输出组合 | → keqian-method | | **AI-native（强模型依赖型）** | AI驱动核心决策，用户行为开放式 | 用户的下一步操作你无法预测 | → 本skill | | **混合型** | 核心流程确定，部分环节AI-native | 能拆分出哪些模块是确定的、哪些是开放的 | → 两者结合，按模块选用 | ### 快速判断清单 回答以下问题，如果3个以上答"是"，你大概率是AI-native： 1. 用户的输入是自由文本/语音，而非选择菜单？ 2. 同一输入，你希望AI给出不同风格的输出？ 3. 用户会因为AI的回答方式而改变自己的后续行为？ 4. 你无法为产品写出完整的功能测试用例集？ 5. 产品的核心价值在于AI的"判断"而非"执行"？ --- ## 第一原则：穷举是死循环 > "穷举意味着：有多少人工，就有多少智能。这是死循环。" ### 为什么在AI-native场景下穷举不可行 在+AI场景下，克谦说"边界内可穷举，单维度选项有限"——**这是对的**。 但AI-native场景的数学不一样： ``` 用户行为空间（开放） × 模型输出空间（概率性） × 上下文状态（动态） = 组合爆炸，不可穷举 ``` 一个日历管理能有多复杂？答案是：走AI-native路线后，**非常复杂**。 因为用户一旦习惯AI-native交互，就永远回不到传统模式—— 你必须持续适应用户不断演化的期望。 ### 替代穷举的三个策略 **策略1：行为模式簇（Behavioral Clusters）** 不枚举每个case，而是聚类用户行为模式： ``` 原始行为空间（不可穷举） ↓ 聚类 行为模式簇（5-15个典型模式） ↓ 每个模式簇 设计对应的AI响应策略 ↓ 边界case 优雅降级到确定性逻辑 ``` **策略2：优雅降级（Graceful Degradation）** AI不确定时，回退到确定性逻辑： ``` AI置信度 > 阈值 → AI决策（快路径） AI置信度 < 阈值 → 确定性回退（安全路径） AI置信度极低 → 请求人工介入（慢路径） ``` **策略3：概率性验收（Probabilistic Acceptance）** 不用 `assert output == expected`，而用 `check output ∈ acceptable_set`： ```python # 传统断言式（克谦适用） assert response == "...