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：

# 传统断言式（克谦适用）
assert response == "会议安排在下午3点"

# 行为属性式（雪峰适用）
assert "下午" in response
assert contains_time(response)
assert tone_is_professional(response)
assert no_hallucinated_contacts(response)

---

第二原则：多养专精虾

"多养两只虾，每只都比较专业，只干一种活。出了问题找bug容易。 一个全面能干的虾，出了问题找问题非常麻烦。"

专精Agent架构

               ┌─ 理解Agent（NLU：解析用户意图）
               │
用户输入 → 路由器 ─┼─ 执行Agent（Action：调用API/修改数据）
               │
               ├─ 校验Agent（Verify：检查执行结果）
               │
               └─ 表达Agent（NLG：生成用户可见回复）