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。

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。

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

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及自身角色，而不是给所有系统套用同一日期。