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

为 AI MVP 划定范围与普通软件 MVP 不同，因为这个系统是概率性的，而不是确定性的。"用户可以重置密码"是一个二元判断，你可以把它写成通过或失败的测试。"助手回答正确"则不是，因为同一个问题在模型版本、温度或措辞改变时会产生不同的答案。所以你要用四样东西取代"它能用"，而且这四样必须在钱易手之前就写进工作说明书：一个带有黄金答案的版本化评测集、该评测集上的目标指标与阈值、一个决定能否上线的上线门槛，以及对不确定情形的明确处理外加回滚机制。如果某供应商的范围写着"构建一个 AI 助手"却不含这四样中的任何一样，那他划定的只是一个演示，而你将在加固阶段为这道缺口买单。下方附有一份可直接复制的模板。

这正是创始人在采购之前在内部传阅的那份文档。它从构建方的角度撰写，把那些棘手的问题都摆到了明面上。监管日期截至 2026 年中有效，凡处于变动中的均已注明保留。

为什么"它能用"对 AI 不管用

在普通软件中，验收是二元的：给定输入 X，断言输出 Y，完成。对于同一个输入，LLM 在多次运行之间会给出不同的输出，所以"聊天机器人回答精准"背后并没有任何测试。没有数字、没有界定好的集合、没有底线，没有东西可签字确认，质量糟糕时也没有东西可据理力争。解决办法是统计性的，而非二元的。你在一个界定好的集合上接受一个测得的比率，最好在多次运行间取平均，而对于可复现的回归检查，在用例允许之处把温度固定为零。第二个陷阱紧随而来：对某个情形的修复会悄悄破坏另一个，所以评测集必须在每次提示词或模型变更时都作为门槛运行，而不是只在最后跑一次。正是这一个转变，从"它能用"转到"它每一次都在这个集合上越过这道线"，才是把一个 AI 构建范围划好的全部意义所在。

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。

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"。

对，在商定好的、带固定黄金答案的 100 案例评测集上：

• 至少 90% 的忠实回答，扎根于检索到的上下文，由 LLM-as-judge 以二元通过或失败打分，并对照人工标注进行校准；
• 至少 85% 的回答相关性；
• 有害或违反政策的输出低于 2%，作为硬性门槛，任何单条有害输出都阻止上线；
• 在至少 95% 的无法回答的测试案例上拒答或上报；
• p95 time-to-first-token 低于 2 秒，p95 完整响应低于 4 秒；
• 在商定的模型下每次对话成本低于 EUR 0.05；
• 部署前的评测运行中，任何指标都不低于其底线。

把这些确切阈值当作根据你的风险来谈判的起点，而非金科玉律。供应商通常把忠实度达到或高于 0.75、幻觉低于 5%（高风险场景为 1%）作为生产起点；你应根据一个错误答案对你意味着多大代价来设定自己的阈值。你在这里划定的评测集，正是投资人技术尽调将索要的同一份证据，我们在AI MVP 技术尽调清单中有所覆盖，而打分方法见LLM 评测何时值得构建。

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。

"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

如果你的应用与用户交互，EU AI Act 第 50 条的透明度义务，包括告知用户他们正在与 AI 打交道，自 2026 年 8 月 2 日起适用，且基本不受拟议变更影响。大多数高风险义务原本也在那时到期。2026 年的一项临时协议会把独立的高风险义务推迟到 2027 年末，但截至 2026 年中，这尚未成为法律，且只有在正式通过后才生效。不要围绕一项尚未颁布生效的延期来划定你的合规计划。