PMF 产品市场契合
补的还是 AI 产品版：AI 产品每次被使用都在花钱，留存曲线和传统 SaaS 长得不一样， 护城河面对的是模型厂商而不只是同行。这几条决定了同一套判据在 AI 产品上要怎么改。
凡是站内课程已经写透的，这里一概不重写—— 需求验证、访谈方法、落地页冒烟测试、冷启动、渠道实操、投放测量都在那套课里，本专题只写它们留下的空白。
本专题共 41 篇。凡是引用外部数据的地方都标了出处与统计时点；凡是本站自己的推演，正文里都写着「本站的判断是」—— 判断方式往往比结论更值得拿走，因为这个领域的数字半年就翻篇。
一路都在说「到了 PMF 再说」，这个开关怎么判断
站内课程一路把 PMF 当决策开关用——该不该投放、该不该放大——却没给过判据。这篇把 2007 年那个不含数字的原始定义、以及配套的十二条可观察症状摆出来，换算成一个人做产品时能对照的六条判据，并说明这套判据在 AI 产品上为什么容易失灵。不覆盖留存怎么提，也不覆盖需求验证怎么做。
地基：这个开关到底指什么
先把定义和测量手段分开。2007 年那句原始定义里一个数字都没有——40% 也好、留存曲线也好，都是后人为了回答「怎么知道到了没有」发明的测量手段，不是定义本身。另一篇讲 AI 产品的 PMF 和传统 SaaS 差在哪几条。
PMF 的定义里没有 40%：先分清定义和测量手段
PMF 的原始定义是一句话，里面一个数字都没有。40% 问卷、留存曲线、日活都是后人发明的测量手段。这篇讲怎么把你手上的判据逐条归回定义的两半，看清哪一半从来没被测过。不覆盖问卷怎么设计、留存怎么提。
AI 产品的 PMF 和 SaaS 差在哪：四条结构性不同
把 SaaS 那套 PMF 判据搬到 AI 产品上，坏掉的不是方法本身，是其中四个被默认填好的输入——留存的参照系、毛利率、护城河要防的方向、度量口径的可靠性。这篇逐条给出替换值和可照抄的自检问句。不覆盖留存怎么提，也不覆盖任何成本优化手段。
第一步 · 定义与出处
判据从哪来、能承载多少。市场大于团队大于产品这个排序对选题意味着什么；2007 年那两组各六条的症状清单，怎么换算到一个没有销售团队、没有服务器扩容压力的个人产品上；价值假设和增长假设为什么只该先证一个。收尾三篇是最常被误读的：先到 PMF 的赢不是先进市场的赢、把早期起色误当 PMF、以及产品在 PMF 之前该做到多糙才算够。
PMF 之前，产品该做到多糙才算够
决定要做了，功能清单该切到哪一刀。这篇给出一条不按「重要程度」而按「价值假设 / 增长假设」划分的分栏判据，说清哪几类东西一分都不能省、哪几类在验证之前一分都不该花，以及 AI 产品在这件事上多出来的一条成本约束。不覆盖产品做出来之前的冒烟测试与预售验证。
市场 > 团队 > 产品：这个排序对选题意味着什么
2007 年那篇文章把市场排在团队和产品前面。这篇讲清这个排序不是做事的先后顺序，而是三种失分的性质分级，以及怎么用它给你手上已经选定的那个题做一次归栏自查。不覆盖市场规模怎么估、竞品格局怎么看、多个候选题怎么打分排序。
没到 PMF 的六个症状，和它在个人产品上的换算
2007 年那篇文章里列的六条「没到 PMF」的症状，是照着一家有销售团队、有服务器扩容压力的公司写的。这篇把六条逐条换算成一个人做产品时真的会动的观察对象，并给出一张可以直接填的表。不覆盖问卷怎么设计、留存怎么提。
到了 PMF 的六个症状，和它在个人产品上的换算
2007 年那篇原文列了六条「到了 PMF」的可观察症状，全是定性的，一个数字都没有。问题是这六条描述的是有销售团队、有服务器扩容压力的公司。这篇把它们逐条换算成一个人做产品时能看见的事件，并指出其中两条在 AI 产品上会给假信号。不覆盖问卷怎么发、留存怎么提。
价值假设和增长假设：PMF 之前只该证哪一个
把手上的待办拆成「价值假设」和「增长假设」两堆，给出三个分辨问题、一份价值假设复核清单，以及价值假设算不算证完的三条判据。不覆盖渠道怎么做、投放怎么算账。
怎么把「找 PMF」拆成一串可检验的假设
「找 PMF」本身不是一个能执行的目标。这篇讲一条假设要填满哪四个格子才算可检验、价值假设与增长假设的先后顺序、以及判据该贴着什么写。不覆盖问卷怎么设计、埋点怎么埋、选题从哪儿挖。
先到 PMF 的赢，不是先进市场的赢
新模型一发布就赶着抢位置，怕慢一步空位就没了。这篇讲清「先进入市场」到底能锁住什么、锁不住什么，以及怎么把一个赶时间的发布计划拆成「该抢的」和「抢了也没用的」两栏。不覆盖发布渠道怎么选、发布当天怎么做。
把早期的一点起色误当 PMF：最常见的幻觉
发布之后数字动了一下，有人主动夸，你开始盘算加投放、招人。这篇讲怎么判断这点起色算不算 PMF：它的三种冒充来源、六个可照抄的核查问题、误判之后代价落在哪。不覆盖问卷怎么设计，也不讲该盯哪几个指标。
第二步 · 度量体系
40% 那条线怎么用、不该怎么用。分数低时该看的三处、问卷该对谁发、分数过了 40% 留存还是不行怎么办、Superhuman 那套引擎一个人能不能复用、高期待用户怎么筛出来、以及比主问题更有用的三道配套题。最后两篇讲数字都对了你还是不确定时该看什么，和一个绕不开的处境：你必须在不知道能不能成之前就把市场选掉。
PMF 分数低，是该换题还是该继续做
问卷跑出来只有百分之二十几，远低于常说的 40%，这时候该砍掉换题还是往下做。这篇讲清那条 40% 线到底是什么性质的东西、为什么它常被读成一句预言、以及分数低时真正该看的三件事。不覆盖问卷怎么设计和怎么发。
PMF 问卷该对谁发、发多少份
主问题是现成的，真正卡住人的是名单——发给谁、什么时候发、收回多少份才敢拿来做决定。这篇给一组圈人判据、一份份数的读数底线和一张可照抄的口径登记表。不覆盖问卷题目怎么设计，也不覆盖分数出来之后怎么解读。
PMF 分数过了 40%，留存还是不行
问卷分数超过了常说的那条线，后台留存却很难看。这篇讲清问卷和留存量的是两件不同的东西、背离时该按什么顺序排查、以及怎么把「非常失望」那批人单独拉一条曲线来定位问题。不覆盖留存怎么提升，也不给行业基准值。
Superhuman 那套 PMF 引擎，一个人能不能复用
那套「发问卷—分段—画像—排路线图—再循环」的流程是一家有团队的公司跑出来的，一个人照抄会卡在第四步。这篇把四步逐个拆开，说清哪两步与人手规模无关、哪一步必须改掉，并给出一个人版的排法。不覆盖问卷题目怎么设计，也不讲分数低了该不该换题。
PMF 问卷里的高期待用户，怎么筛出来
问卷回收之后，「非常失望」那一栏真正的用处是名单不是分子。这篇讲高期待用户的三个条件、从哪道题提取、怎么把用户原话变成一张画像卡，以及筛出来的名单可能错在哪。不覆盖问卷怎么设计、怎么发，也不讲用户访谈提纲。
PMF 问卷里比主问题更有用的三道配套题
PMF 问卷除了那道算百分比的主问题，同一份表里还有三道自由填写题，通常被存进表格就没人再打开。这篇讲这三道题各自该怎么读、回答怎么变成下一轮的动作、什么时候它们不能用。不覆盖问卷怎么设计、怎么发、以及当面访谈的提纲。
数字都对了，你还是不确定，这时候该看什么
留存没塌、问卷分数过线、曲线在涨，但你还是不敢按下「加投放」那个开关。这篇讲清这种不确定为什么是判定框架里本来就有的，以及数字合格之后该补哪一层定性核对。不覆盖指标怎么选、埋点怎么做、留存怎么提。
你必须在不知道能不能成之前，就把市场选掉
市场选择是所有决定里最早必须做、又最没法事前验证的一个。这篇讲市场这个变量该怎么单独设判据和退出线，以及在 AI 产品上早期信号为什么会系统性读偏。不覆盖 TAM 怎么估、竞品怎么分析，也不覆盖问卷怎么设计。
第三步 · AI 产品的留存
这一组建立在一份覆盖约 3500 家软件公司的留存报告上，但重点不是它的结论，是它的两条限制——样本门槛把还没找到 PMF 的人排除在外，分档口径本站没有核实到。去掉这两条之后还剩什么能用，才是要回答的问题。另外几篇讲价格档效应、留存正在快速改善（别拿快照当结论）、尝鲜的人算不算你的信号，以及连行业最权威那份 AI 应用榜单自己都承认量不准。
AI 产品的留存断层：判断 PMF 前要知道的两条限制
一份覆盖约 3500 家软件公司的留存报告里，AI 原生这一组的数字明显低于传统 B2B SaaS。这篇把那组数完整摆出来，重点讲它的两条限制——样本门槛把独立开发者排除在外、价格档口径存疑——以及去掉这两条之后还剩什么能用。不覆盖留存怎么提。
PMF 信号里的价格档效应：留存差距未必来自技术
同一份留存报告里，AI 原生产品按价格档分成三行，高低档之间差出三倍。这篇只用那一张表做一件事——判断你的留存差该归给技术，还是归给客户构成与承诺水平，并给出一套拿自己数据做归因的分组办法。不覆盖留存怎么提，也不讲价格该定多少。
留存正在改善：判断 PMF 别拿一张快照当结论
同一份报告里，AI 原生产品的中位总收入留存在 2025 年 1 月是 27%，到 2025 年 9 月变成 40%。这篇讲一个外部数字什么时候会过期、怎么判断它已经过期，以及怎么给自己的 PMF 判断加上时点和重测日。不覆盖留存怎么提，也不给行业健康线。
尝鲜的人算不算你的 PMF 信号
AI 产品的早期用户里混着一批以「试新东西」本身为目的的人，他们会把使用量、好评、甚至问卷分数一起抬高。这篇讲怎么把他们制造的信号和真实需求拆开读，并给出一次可以当场做完的分组对账。不覆盖留存怎么提，也不覆盖他们该不该算进留存分母。
留存不行的公司，后面会发生什么
一份留存报告称低留存公司「萎缩而非快速增长」的比例高出三倍多，这句话被转述时常被加重成一句死刑判决。这篇把它的准确形状、样本门槛和因果方向讲清楚，并给出一套用自己的数就能跑的停投推演。不覆盖留存怎么提。
连 AI 应用榜单自己都承认量不准
a16z 在自家 AI 应用榜单的最新一版里白纸黑字承认，它的排名越来越低估人们用得最多的那些 AI 产品。这篇讲这句自承认对「判断自己有没有到 PMF」意味着什么，以及怎么把观测量从「有多少人来」换成「有多少人真的在用」。不覆盖任何具体产品的排名与用户量，也不讲留存怎么提。
第四步 · 成本与定价
站内那篇讲 CAC、LTV、ROAS 和回收期的课，方法没有问题，但算账模板里的毛利率默认值是按传统 SaaS 填的——产品每次使用都要调模型的话，那个默认值得换。这一组就从这里切进去，往后是免费层的经济性反转（AI 产品为什么养不起免费用户）、回收期为什么被拉长、推理成本在降对定价意味着什么，以及两个纯方法问题：付费墙放哪、按量计费还是订阅。
那份算账模板的毛利率默认值，AI 产品要怎么换
站内讲投放算账那篇课给了完整示例和一张模板，毛利率那一格是按传统 SaaS 的高位填的。这篇讲：产品每被使用一次就要调一次模型时，这一格怎么自己测出来重新填，改完之后下游哪几格会跟着动，模板上还该补哪一格。不覆盖 CAC、LTV、ROAS 本身怎么算，也不碰成本优化的技术手段。
AI 产品的毛利率落在哪，为什么这个数不能照抄
公开能查到的 AI 产品毛利率数字全是转述，口径不明、实测与预测混在一起。这篇只做一道闸：给一组可照抄的问句，判断你搜到的那个数够不够格填进算账模板，以及它真正能派上用场的三种用法。不覆盖怎么用自己的账单实测这一格，也不覆盖回收期、免费层和成本优化。
免费层的经济性反转：AI 产品为什么养不起免费用户
传统低价软件里免费用户是一份几乎零成本的期权，AI 产品里它是一条随用量走的支出曲线。这篇讲清这个反转的准确含义、「养得起」的三个结构条件、免费层四种形态各自的成本敞口，以及怎么把免费层改写成一份有上界和到期日的条款。不覆盖价格数值、套餐档位，也不讲成本优化的技术手段。
CAC 回收期为什么被拉长
站内那套投放算账模板把毛利率默认填成了传统软件的水平，AI 产品换不上这个数。这篇讲回收期与毛利率之间的比例关系、它怎么改变你在确认 PMF 之前敢不敢花钱买用户，以及怎么用自己的账单把那一格算出来。不覆盖怎么压低推理成本，也不覆盖投放本身怎么做。
推理成本在降，这对你的定价意味着什么
推理成本的下降趋势常被拿来给「先低价占坑、等成本降下来毛利自然回来」背书。这篇不谈成本怎么算、也不谈毛利率填多少，只处理一件事：单位成本在往下走的时候，你今天签出去的哪些定价承诺会变成负债，以及怎么按可逆性把它们重排一遍。不覆盖套餐档位、地区定价与按量计费和订阅怎么选。
PMF 验证期，付费墙该放在哪个位置
付费墙的位置不是收多少钱，而是把「请先付钱」插在用户动作链的第几步。这篇给一套定位方法、区间为空时的三种处理和各自代价、以及位置定了之后要分开记的三个数。不覆盖价格数值、套餐档位与计费单位的选择。
按量计费还是订阅：PMF 验证期该选哪个
计费单位不只是收钱方式，它决定了你能收到什么信号。这篇讲订阅和按量在验证期各自能问出什么、AI 产品的变动成本怎么把这个选择变复杂、以及三种折中方案各自的代价。不覆盖定价数值、套餐档位与地区定价。
第五步 · 薄包装与护城河
站内已有一篇讲 AI 时代独立开发者的护城河，但那篇的威胁来源是别的开发者。这一组换一根轴：威胁来自模型厂商。三个自检问法、把模型厂商拿掉你还剩什么的拆除测试、护城河的三个来源为什么单靠一个撑不住，以及一条容易被忽略的——用量大不代表有 PMF。
薄包装的三个自检问法：你的 PMF 靠不靠得住
拆除测试、80% 测试、默认功能测试这三条自检问法经常被当成同一句话的三种说法。这篇把它们拆成三个不同时点上的问题，给出各自的执行步骤、可照抄的问句、以及三个答案组合起来该怎么读。不覆盖成本优化手段，也不覆盖模型升级发生之后的重估流程。
拆除测试：把模型厂商拿掉，你还剩什么
一个用来自查薄包装的动作——把模型厂商从产品里整个抽掉，逐层清点还剩什么归你自己，并按清点结果决定下一个季度的工时往哪放。不覆盖模型升级的节奏判断，也不涉及任何成本优化的技术手段。
护城河的三个来源，单靠一个撑不住
AI 产品谈护城河时反复收敛到的三处——自有数据、工作流锁定、分销纵深。这篇给出每一处「算成立」的证据句判据，讲清为什么必须凑够两处、以及两处怎么才算真的是两处。不覆盖三个自检问法各自怎么跑，也不覆盖模型厂商真把你的功能做成默认之后该怎么转向。
排名不等于变现：用量大不代表有 PMF
用量涨了不等于到了 PMF。这篇拆 AI 产品上「用量」这个信号失真的三处机制——榜单编制方自己承认低估、调用成本让用量先变成账单、涨幅里混着会转向下一个热门产品的人——并给一套每周只记三个数的替代做法。不覆盖留存怎么提，也不覆盖投放怎么算账。
第六步 · 漂移与重估
PMF 会丢这件事不是新说法，2017 年那篇就白纸黑字写过。这一组把那个通用论点落到 AI 特有的漂移动力上：模型升级抹掉了你的功能然后呢、PMF 漂移和市场变化怎么区分。最后两篇回到时机判断——PMF 之前扩张为什么大概率会死、PMF 之前招人为什么反而拖慢你。
PMF 是会丢的：这不是新说法，2017 年就写过
半年前判断到了 PMF，现在数字往下走却找不到哪里坏了。这篇讲 PMF 为什么是一个有保质期的状态、三种丢法各自的症状、以及一份可以照抄的季度复检清单。不覆盖怎么第一次判断到没到，也不覆盖护城河怎么建。
模型升级抹掉了你的功能，然后呢
模型厂商的新版本把你产品里最值钱的那块能力变成了默认功能。这篇讲发生之后的处置：先确认这次下滑真的是它造成的，再把被抹掉的那块放回价值假设里分成三档，然后决定往哪搬。不覆盖三个自检问法怎么跑，不覆盖季度复检节奏，也不覆盖任何成本优化手段。
PMF 漂移和市场变化，怎么区分
外面在变，你的数字也在掉，于是你把两件事连了起来。这篇讲清市场变化是外部事实、PMF 漂移是你与市场之间的关系状态，给出一张四格判定表和一份可照抄的外部变化登记表。不覆盖漂移之后怎么重估路线图，也不覆盖护城河怎么建。
PMF 之前扩张，为什么大概率会死
「过早扩张会失败」被说了很多年，但很少有人说清「扩张」到底指哪些动作。这篇给出一条把扩张动作按可撤销性分三档的判据、一组区分「被需求拉动」和「被计划推动」的信号读法，以及一张写死触发条件的表。不覆盖该不该投放、渠道跑通之后怎么放大、也不覆盖具体怎么招人。
PMF 之前招人，为什么反而拖慢你
a16z 那篇十二条里第 11 条只写了一句「PMF 之前招人拖慢迭代」，没说为什么。这篇补上机制，并给出在没有一个明确的「PMF 到了」的时刻时，增员该绑在什么信号上、以及一份可照抄的增员前四问。不覆盖怎么招、怎么面试、怎么发股权。
判断完到没到，下一步就是把它做出来
站内有一条完整的独立开发者路线：从选题验证、做出产品，到冷启动、渠道与增长测量。