--- title: "AI MVP 范围模板" canonical: https://wavect.io/zh/blog/ai-mvp-scope-template/ language: zh description: "AI MVP 的 SoW 需要版本化评测集、带阈值的目标指标、上线门槛，以及对不确定情形的处理。附一份可直接复制、可当作实用文档使用的范围模板。" image: "https://wavect.io/img/blog/headers/header_ai-mvp-scope-template.png" author: ["Kevin Riedl"] published: "2026-06-12" updated: "2026-09-02" reviewed: "2026-09-02" --- # AI MVP 范围模板：验收标准、评测集、上线门槛，以及哪些内容应写进 SoW [**返回**](/zh/blog/overview/) [![Kevin Riedl](/img/team/kevin.webp)](/zh/team/kevin-riedl/) [Kevin Riedl](/zh/team/kevin-riedl/) https://linkedin.com/in/wsdt 13 min 阅读 · 12 Jun 2026 最近审核 2026年9月2日 [**下一篇**](/zh/blog/technical-due-diligence-ai-mvp/) 要点速览 生成式模型的输出可能变化，因此 AI MVP 不能只用未定义的“它能用”作为验收标准。应在 SoW 中写明带参考标签或评分量表的版本化评测集、有依据的指标和阈值、上线门槛，以及明确的回退与回滚行为。不存在通用的样本规模或质量阈值，应根据工作负载、不确定性和后果推导。还应按具体合同链条定义供应商的数据角色与条款。文中附有一份可直接复制的模板。 为 AI MVP 划定范围与定义完全确定性的工作流不同，因为模型输出可能随模型版本、采样设置、上下文和措辞而变化。"用户可以重置密码"或许能写成精确的通过或失败测试；"助手回答正确"则需要定义任务分布和评分规则。因此，我们建议工作说明书明确四项内容：一个带参考标签或评分量表的**版本化评测集**、一项**目标指标与阈值**、一个**上线门槛**，以及对**不确定情形**的明确处理与回滚机制。下方附有一份可直接复制的模板。 这是采购起点，不是法律意见，也不是通用质量标准。我们于 2026 年 9 月 2 日重新核对了监管日期和评测指南。 ## 为什么"它能用"对 AI 不管用 传统软件也使用统计测试、性能测试和基于属性的测试，因此验收并不总是二元的。这里的特殊问题在于，生成式回答可能有多种可接受形式，也可能在不同运行之间变化。对定义好的集合进行测量，在方差重要时重复案例，并准确记录模型和配置。温度设为零可以减少采样方差，但不能保证托管模型每次输出完全相同。对提示词、检索、模型、策略或工具的重大变更执行回归评测，频率应与风险相称。这符合 NIST 在其 [AI RMF Measure 指南](https://airc.nist.gov/airmf-resources/airmf/5-sec-core/) 中关于记录测试集、指标、类似部署的条件、不确定性和持续监控的建议。 ## AI MVP 的工作说明书必须钉死哪些内容 每一节都得对得起自己的位置。承重的几节是评测集、验收标准和上线门槛。 | 章节 | 它必须钉死什么 | | --- | --- | | 问题 + 一个结果 | 一句话。MVP 必须完成的那一项用户任务。凡不为它服务的，都在范围之外。 | | 范围内与范围外 | 两份清单。范围外清单才是承重的那一份：把你不打算构建的那些诱人功能（多语言、语音、微调、移动端）点名列出，让它们成为变更请求，而不是默认假设。 | | 功能 + AI 行为规格 | 常规需求外加 AI 行为：任务、语气、拒答行为（何时必须说"我不知道"）、引用要求，以及在低置信度或检索未命中时的回退。这里就是你为不确定情形编码的地方。 | | 验收标准 | 在一个具名评测集上的目标指标加阈值。绝不能是"它能用"。示例见下。 | | 评测集 | 如何从预期和可预见用途抽样、如何论证样本量、谁负责参考标签或评分量表，以及如何为案例评分。尽可能使用确定性检查；用人工复核校准模型评审器并记录分歧。 | | 上线门槛 + 回滚 | 可衡量的上线门槛，由负责的产品、工程、风险和质量人员在上线前共同商定，并包括监控、回滚触发器和终止判据。 | | 数据 | 来源、出处、使用权、个人数据处理、跨境传输、留存和驻留要求。根据 [EDPB 角色指南](https://www.edpb.europa.eu/documents/guideline/guidelines-072020-on-the-concepts-of-controller-and-processor-in-the-gdpr_en) 确定每个供应商是控制者、处理者还是次级处理者，并落实所需合同和指令。不用于训练和留存设置属于具体产品控制，并非 GDPR 的统一措辞。 | | 非功能性 | 用户感知和端到端延迟、流式交互需要时的 time-to-first-token、每项成功任务的成本、并发、可用性及保护隐私的遥测。核对所选供应商当前的输入、输出、缓存、工具和媒体价格，不要假设固定比例。 | | 安全与合规 | 认证、授权、租户隔离、威胁模型、事件响应、适用的 GDPR 义务，以及具体系统在 EU AI Act 下的分类和透明度义务。 | | 里程碑、付款、IP、交接 | 分阶段的探索、构建、评测、加固和上线，并在合同中约定商业条款、IP 条款、第三方许可处理和具名交接产物。 | ## 验收标准：错与对 正是这一节决定了你能否对供应商有所约束。 **错**，因为没有数字、没有集合、也没有底线："聊天机器人正确回答客户的问题"、"助手准确而有帮助"、"模型很少幻觉"、"它在测试中表现良好"。 **更好的结构**，使用说明性质的占位符，并根据实际风险和工作负载替换为有证据支持的阈值： - 忠实度目标 [阈值]，扎根于检索上下文，按评分量表评分并与人工标签校准； - 回答相关性目标 [阈值]； - 关键安全失败 [零或明确批准的风险上限]，并列明阻止上线的类别； - 无法回答案例上的拒答或上报 [阈值]； - p95 time-to-first-token 与完整响应预算 [各自在重要之处]； - 商定模型和工作流下每项成功任务的成本 [预算]； - 部署前的评测运行中，任何指标都不低于其底线。 这些字段只是示例，不是行业基准。不存在可辩护的通用评测集规模，也不存在通用的忠实度、有害输出、延迟或成本阈值。应根据使用频率、后果严重性、相关群体覆盖、置信区间以及系统失败时可用的回退方案推导每个数值。NIST 的 [生成式 AI 配套指南](https://www.nist.gov/publications/artificial-intelligence-risk-management-framework-generative-artificial-intelligence) 属于自愿性指南，但提供了实用的风险框架。评分方法见 [LLM 评测何时值得构建](/zh/blog/llm-evaluation-cost-roi-production/) 。 ## 可直接复制的范围模板 粘贴它，填好方括号，删掉不适用的部分。在你拿到任何一份提案之前就把它传阅一遍。 **AI MVP 范围 / SoW，[项目名称]** *日期 [日期] · 版本 [v0.1] · 负责人 [姓名]* **1. 问题 + 一个结果。** 问题：[一句话]。这个 MVP 必须交付的那一个结果：[用户] 能够 [做 X]，以便 [Y]。 **2. 范围。** 范围内：[功能 1]、[功能 2]。范围外，仅限变更请求：[多语言]、[语音]、[微调]、[移动端]。 **3. 功能 + AI 行为。** 功能：[清单]。AI 行为：任务 [具体做什么]、语气 [简洁，不臆测]、引用 [必须或不得扎根于来源]、拒答 [当超出范围或低置信度时，说"我不知道"或上报]、回退 [备用模型、缓存答案或转交人工]。 **4. 验收标准。** 在评测集 [名称/版本] 上：[指标] >= [带依据和不确定性的阈值]；关键安全失败 [零或定义的风险上限]；无法回答案例上的正确拒答或上报 >= [阈值]；p95 [延迟指标] < [预算]；每项成功任务的成本 < [预算]；部署前任何指标均无低于商定底线的重大回归。 **5. 评测集。** 规模 [N，并说明抽样依据]，覆盖 [顺畅路径]、[边缘]、[无法回答]、[对抗]和相关群体案例。参考负责人：[客户方领域专家]。打分：对 [客观字段] 做确定性检查，用带评分量表的模型评审器评估 [质量]，并以盲法人工复核进行校准和处理争议案例。存储并版本化于 [位置]。 **6. 上线门槛 + 回滚。** 当第 4 节的所有底线均达成、并经 [产品] + [工程] + [QA] 签字确认后上线。回滚：若 [指标] 在一个 [窗口] 内跌破 [底线]，自动回退。终止判据：若 [忠实度 < X% 或出现任何有害输出]，则不发布。 **7. 数据。** 来源 [清单]、出处与权利 [按来源]、个人数据 [类型、目的、合法依据、留存]、传输和驻留 [要求]。供应商角色 [控制者/处理者/次级处理者]，适用时的第 28 条条款，训练使用 [条款]，留存 [条款/设置]。 **8. 非功能性。** 延迟、可用性、并发和成本预算如第 4 节所述。可观测性：仅记录质量、安全和成本所需的最少元数据；除非有充分理由，否则对原始提示词和响应进行脱敏或不予记录；定义访问权限和留存期限；在 [阈值] 告警。 **9. 安全 + 合规。** 认证 [方法]、权限与租户隔离 [模型]、威胁模型和事件响应、GDPR 义务 [角色、必要时的处理记录、合法依据、可能对权利和自由造成高风险时的 DPIA、处理者条款]，以及 EU AI Act 下适用的角色、分类、第 50 条义务和期限。 **10. 里程碑 + 付款。** 探索、构建、评测与加固、上线，按阶段付款。IP 所有权、转让或许可、第三方组件和生效日期：[合同条款]。交接：评测集与结果、提示词与模型登记表、架构与数据流图、运行手册、日志访问、凭据。签字确认：客户 [__] 供应商 [__] 日期 [__]。 ![Kevin Riedl](/img/team/kevin.webp) "如果范围无法用数字告诉你足够好长什么样、以及模型出错时会发生什么，那它就不是范围。它只是一个愿望。评测集和上线门槛是把一个 AI 演示变成你真正能够采购之物的那两行字。" ## 关于 AI Act 的一点说明 第 50 条并非对所有包含 AI 的应用一概适用。对于旨在与自然人直接交互的系统，提供方通常必须告知对方正在与 AI 交互，除非对具有合理信息、观察力和审慎的人而言显而易见，并须考虑法定例外。第 50 条的其他义务涉及合成内容标记和部署方的特定披露。大多数适用义务自 2026 年 8 月 2 日开始；对于此前已上市的合成内容系统，第 50 条第 2 款提供方有至 2026 年 12 月 2 日的过渡期。根据欧盟条例 2026/1744，附件 III 高风险规则自 2027 年 12 月 2 日适用，附件 I 中嵌入产品的高风险规则自 2028 年 8 月 2 日适用。应核对当前 [合并版 AI Act](https://eur-lex.europa.eu/eli/reg/2024/1689) 及自身角色，而不是给所有系统套用同一日期。 ## 常见问题 ### 如何为一项 AI 功能编写验收标准？ 不要写成"它能用。"应在具名且版本化的评测集上定义目标指标和有依据的阈值，并加入阻止上线的安全类别、拒答或上报行为、延迟与成本预算以及回归规则。在输出方差重要时重复运行并记录不确定性，不要照搬通用数字。 ### 什么是评测集？ 一个版本化且有明确负责人的样本，覆盖预期、边缘、无法回答、对抗和相关群体案例，并带有参考标签或评分量表。不存在通用最小规模。应针对决策和风险论证覆盖范围与不确定性，并用生产故障持续扩充。 ### 评测集应归谁所有？ 你这一方的领域专家，而非供应商一家。知道正确答案长什么样的那个人必须定义黄金答案，否则你就是在让构建方批改自己的作业。 ### 评测案例如何打分？ 将日期、ID、JSON 结构等客观字段的确定性代码检查，与需要判断时的基于评分量表的模型评审和人工复核结合起来。用盲法人工标签校准模型评审器，记录分歧，并将有争议或后果重大的案例交给人工。 ### LLM 应用的上线门槛是什么？ 决定能否上线的可衡量门槛：系统在商定评测集上必须满足的阈值和阻止条件，并由产品、工程、风险和质量责任人签字确认。它还定义监控、回滚触发器和终止判据。 ### AI 工作说明书里应该包含什么？ 问题与一个结果、范围内与范围外、功能需求外加 AI 行为规格（语气、拒答、引用、回退）、作为评测集上指标加阈值的验收标准、评测集本身、上线门槛与回滚、数据权利及 PII 与驻留、非功能性（延迟、每次动作成本、日志记录）、安全与合规，以及里程碑、付款、IP 和交接产物。 ### 为什么我不能在范围里直接写"AI 回答正确"？ 因为生成式回答可能有多种可接受形式，也可能在不同运行或模型版本之间变化。你需要定义好的集合、评分规则和底线，否则就没有客观内容可签字确认，质量糟糕时也无从争议。 ### AI 出错或不确定时我该如何处理？ 明确拒答、上报或回退路径，并用无法回答和含糊案例进行测试。根据后果严重性和可用的人工复核设定阈值，不要照搬通用百分比。 ### AI MVP 的 SoW 需要哪些数据条款？ 记录出处与使用权、个人数据目的和合法依据、留存、传输与驻留要求、供应商角色、适用时的处理者条款、训练用途、安全控制、删除和审计权。模型提供方可能是处理者或次级处理者，取决于合同链条。 ### EU AI Act 会影响我的 AI MVP 范围吗？ 可能会，取决于系统、角色和使用场景。适用的第 50 条义务通常自 2026 年 8 月 2 日开始，附件 III 高风险规则自 2027 年 12 月 2 日适用，附件 I 产品内嵌高风险规则自 2028 年 8 月 2 日适用。应对系统进行分类并核对合并版法律。 ## 最终思考 AI MVP 范围取决于可辩护的评测集和上线门槛。两者共同把含糊的"给我们造个助手"转化为买方可以评估的证据和合同条款。 在接受提案前，先写下结果，划出范围外界线，在由自身领域专家治理的集合上定义有依据的指标和底线，决定模型不确定时的处理方式，并明确上线门槛。先填好模板，才能依据同一组要求比较提案。 ## 你可能也喜欢.. [**AI MVP 技术尽调清单** 治理完善的评测集可支持演示之外的技术尽调。了解应准备的证据和产物。](/zh/blog/technical-due-diligence-ai-mvp/) [**AI 赋能与通用型 AI 咨询的对比** 比较咨询范围与可由你的团队拥有和运营的实施方案。](/zh/compare/ai-enablement-vs-generic-ai-consultancy/) 产品战略 ## 接下来读什么 范围、产品市场匹配、可信版本与打造有用产品的关键决策。 [从这里开始**一条可衡量的产品市场契合之路**](/zh/blog/road-to-product-market-fit/) - [Scope 与 Armature：衡量智能体 API 采用，而不只是品牌提及](/zh/blog/scope-vs-armature-agent-api-adoption/) - [2026 年在奥地利做一个 AI MVP 要多少钱？](/zh/blog/ai-mvp-cost-austria-2026/) - [我们交付的产品：结果基准能证明什么](/zh/blog/products-shipped-failure-benchmark/) - [一条可衡量的产品市场契合之路](/zh/blog/road-to-product-market-fit/) - [用证据逃离功能陷阱](/zh/blog/product-factory-kills/) [上一篇文章**Scope 与 Armature：衡量智能体 API 采用，而不只是品牌提及**](/zh/blog/scope-vs-armature-agent-api-adoption/) [下一篇文章**2026 年在奥地利做一个 AI MVP 要多少钱？**](/zh/blog/ai-mvp-cost-austria-2026/) [**返回**](/zh/blog/overview/) [![Kevin Riedl](/img/team/kevin.webp)](/zh/team/kevin-riedl/) [Kevin Riedl](/zh/team/kevin-riedl/) https://linkedin.com/in/wsdt 13 min 阅读 · 12 Jun 2026 最近审核 2026年9月2日 [**下一篇**](/zh/blog/technical-due-diligence-ai-mvp/)