Agent 产品化思考：从技术 Demo 到百万用户

class PMFDetector:
    """Agent 产品 PMF 检测器"""
    
    # Sean Ellis Test: "如果这个产品消失了，你会非常失望吗？"
    # 40%+ 用户回答"非常失望" = PMF
    
    PMF_INDICATORS = {
        # 主动行为信号（强指标）
        "retention_30d": {"threshold": 0.40, "weight": 0.25},   # 30日留存
        "daily_active_ratio": {"threshold": 0.20, "weight": 0.20}, # DAU/MAU
        "organic_growth": {"threshold": 0.30, "weight": 0.20},  # 自然增长占比
        "nps": {"threshold": 40, "weight": 0.15},               # 净推荐值
        "session_frequency": {"threshold": 3, "weight": 0.10},  # 周使用次数
        "avg_session_duration": {"threshold": 300, "weight": 0.10}, # 会话时长
    }
    
    PMF_NEGATIVE_SIGNALS = {
        "churn_7d": {"threshold": 0.50, "warning": "7日流失率过高"},
        "error_rate": {"threshold": 0.10, "warning": "错误率影响体验"},
        "support_tickets": {"threshold": 0.15, "warning": "工单率过高"},
        "manual_intervention": {"threshold": 0.20, "warning": "人工介入率过高"},
    }
    
    def assess(self, metrics: dict) -> PMFAssessment:
        positive_score = 0
        negative_flags = []
        
        for indicator, config in self.PMF_INDICATORS.items():
            value = metrics.get(indicator, 0)
            normalized = min(1.0, value / config["threshold"])
            positive_score += normalized * config["weight"]
        
        for indicator, config in self.PMF_NEGATIVE_SIGNALS.items():
            value = metrics.get(indicator, 1)
            if value > config["threshold"]:
                negative_flags.append(config["warning"])
        
        return PMFAssessment(
            score=positive_score,
            level=self._score_to_level(positive_score),
            negative_flags=negative_flags,
            recommendation=self._recommend(positive_score, negative_flags)
        )
    
    def _score_to_level(self, score: float) -> str:
        if score >= 0.80: return "PMF Achieved 🎉"
        if score >= 0.60: return "Approaching PMF"
        if score >= 0.40: return "Early Signals"
        return "No PMF"

阶段 1: 技术验证 (0→1)
┌─────────────────────────────────────┐
│ 目标: 证明技术可行性                 │
│ 指标: 能跑通核心场景                 │
│ 团队: 1-3人                         │
│ 时间: 2-4周                         │
│ 产出: 内部 Demo                     │
│ 关键问题: "技术上能做到吗？"          │
└─────────────────────────────────────┘
         ↓
阶段 2: 用户验证 (1→10)
┌─────────────────────────────────────┐
│ 目标: 证明用户需要                   │
│ 指标: 10个种子用户每周使用>3次       │
│ 团队: 3-5人                         │
│ 时间: 2-3月                         │
│ 产出: 可用的Alpha版本               │
│ 关键问题: "用户会用吗？会回来吗？"    │
└─────────────────────────────────────┘
         ↓
阶段 3: 商业验证 (10→1000)
┌─────────────────────────────────────┐
│ 目标: 证明用户愿意付费               │
│ 指标: 付费转化率>5%，NPS>40         │
│ 团队: 5-15人                        │
│ 时间: 3-6月                         │
│ 产出: 公开Beta + 计费系统            │
│ 关键问题: "用户会付钱吗？LTV>CAC？"  │
└─────────────────────────────────────┘
         ↓
阶段 4: 规模化 (1000→1000000)
┌─────────────────────────────────────┐
│ 目标: 可复制增长                     │
│ 指标: 月增长>15%，留存>60%          │
│ 团队: 15-50人                       │
│ 时间: 6-18月                        │
│ 产出: 稳定产品+增长引擎              │
│ 关键问题: "能复制到百万用户吗？"      │
└─────────────────────────────────────┘

class StageTransition:
    """阶段转变的关键决策"""
    
    STAGE_GATES = {
        "tech_to_user": {
            "criteria": {
                "core_scenario_success_rate": 0.80,
                "latency_p95_ms": 10000,
                "cost_per_request": 0.50,
            },
            "must_stop_if": [
                "核心场景成功率 < 60%",
                "单次成本 > 用户感知价值",
                "存在不可修复的安全风险",
            ],
            "shift_focus": "从'能做到'转向'有人用'",
        },
        "user_to_commercial": {
            "criteria": {
                "weekly_active_users": 50,
                "week_8_retention": 0.30,
                "organic_referrals": 5,
            },
            "must_stop_if": [
                "8周留存 < 15%",
                "无自然增长",
                "用户不知道没有Agent该怎么工作",
            ],
            "shift_focus": "从'有人用'转向'愿意付'",
        },
        "commercial_to_scale": {
            "criteria": {
                "paying_users": 100,
                "ltv_cac_ratio": 3.0,
                "monthly_growth_rate": 0.20,
            },
            "must_stop_if": [
                "LTV/CAC < 1.5",
                "获客成本持续上升",
                "服务器成本增速 > 收入增速",
            ],
            "shift_focus": "从'能赚钱'转向'能复制'",
        },
    }

class AgentDataFlywheel:
    """Agent 数据飞轮设计"""
    
    """
    用户使用 → 产生数据 → 改善Agent → 更好体验 → 更多使用
                                                    ↑
                                                   循环
    """
    
    FLYWHEEL_STAGES = [
        {
            "stage": "用户使用",
            "action": "用户与Agent交互",
            "data_generated": ["对话记录", "工具调用", "用户反馈", "使用模式"],
        },
        {
            "stage": "数据收集",
            "action": "结构化存储交互数据",
            "data_generated": ["标注数据", "评估数据集", "用户画像"],
        },
        {
            "stage": "分析洞察",
            "action": "分析失败模式和用户需求",
            "data_generated": ["优化方向", "新场景发现", "工具需求"],
        },
        {
            "stage": "Agent改善",
            "action": "优化Prompt、工具、模型",
            "data_generated": ["更高的成功率", "更低的延迟", "更好的体验"],
        },
        {
            "stage": "体验提升",
            "action": "用户感知到改善",
            "data_generated": ["更高留存", "更多推荐", "更深使用"],
        },
    ]
    
    def measure_flywheel_velocity(self, metrics: dict) -> float:
        """衡量飞轮转速"""
        velocity = (
            metrics["retention_improvement"] *
            metrics["quality_improvement"] *
            metrics["growth_rate"] /
            max(metrics["time_to_improve_days"], 1)
        )
        return velocity

class AgentNetworkEffects:
    """Agent 产品网络效应设计"""
    
    NETWORK_TYPES = {
        "data_network": {
            "description": "更多用户→更多数据→更好Agent",
            "examples": ["GPT的RLHF数据", "Midjourney的偏好数据"],
            "moat_strength": "中",
        },
        "tool_network": {
            "description": "更多工具→更强大Agent→更多用户",
            "examples": ["MCP生态", "Zapier集成", "ChatGPT Plugins"],
            "moat_strength": "中",
        },
        "workflow_network": {
            "description": "更多模板→更低使用门槛→更多用户→更多模板",
            "examples": ["Coze Bot Store", "GPTs Store"],
            "moat_strength": "弱",
        },
        "social_network": {
            "description": "更多协作者→更好协作体验→更多团队加入",
            "examples": ["Notion AI", "Slack AI"],
            "moat_strength": "强",
        },
    }

class PricingModels:
    """Agent 产品定价模型"""
    
    MODELS = {
        "per_request": {
            "description": "按请求次数收费",
            "pros": ["与成本直接挂钩", "简单易懂"],
            "cons": ["用户担心用量", "增长受限"],
            "examples": ["OpenAI API", "Anthropic API"],
            "suitable_for": "API/开发者产品",
        },
        "subscription": {
            "description": "月/年订阅",
            "pros": ["收入可预测", "用户无使用焦虑"],
            "cons": ["重度用户亏本", "需要用量限制"],
            "examples": ["ChatGPT Plus", "Claude Pro"],
            "suitable_for": "C端产品",
        },
        "per_outcome": {
            "description": "按结果收费",
            "pros": ["价值对齐", "用户信任"],
            "cons": ["结果归因困难", "收入不确定"],
            "examples": ["AI客服(按解决率)", "AI销售(按成交)"],
            "suitable_for": "B端垂直场景",
        },
        "freemium": {
            "description": "免费+付费",
            "pros": ["获客成本低", "自然转化"],
            "cons": ["免费用户成本高", "转化率通常<5%"],
            "examples": ["Copilot Free/Pro", "Perplexity"],
            "suitable_for": "C端增长产品",
        },
        "value_based": {
            "description": "按创造的价值收费",
            "pros": ["高客单价", "价值证明"],
            "cons": ["难以量化价值", "销售周期长"],
            "examples": ["AI法律(按案件)", "AI医疗(按诊断)"],
            "suitable_for": "B端高价值场景",
        },
    }
    
    def recommend_model(self, product: ProductProfile) -> list[str]:
        """推荐定价模型"""
        recommendations = []
        
        if product.target == "B2B" and product.value_measurable:
            recommendations.append("per_outcome")
            recommendations.append("value_based")
        
        if product.target == "B2C":
            recommendations.append("freemium")
            recommendations.append("subscription")
        
        if product.type == "API":
            recommendations.append("per_request")
        
        if product.high_marginal_cost:
            recommendations.append("per_request")  # 成本保护
        
        return recommendations

class AgentCostStructure:
    """Agent 产品成本结构"""
    
    TYPICAL_COSTS = {
        "llm_inference": 0.45,        # 45% LLM推理
        "infrastructure": 0.15,        # 15% 服务器/云
        "data_storage": 0.05,         # 5% 数据存储
        "tool_apis": 0.10,            # 10% 第三方API
        "monitoring": 0.03,           # 3% 监控/日志
        "cdn_bandwidth": 0.02,        # 2% CDN
        "team": 0.15,                 # 15% 人力
        "other": 0.05,                # 5% 其他
    }
    
    def unit_economics(self, pricing: PricingModel) -> dict:
        """单位经济模型"""
        revenue = pricing.monthly_price
        costs = {
            "llm": revenue * 0.45,   # LLM成本
            "infra": revenue * 0.15, # 基础设施
            "tools": revenue * 0.10, # 工具API
            "storage": revenue * 0.05,
            "other": revenue * 0.10,
        }
        
        total_cost = sum(costs.values())
        gross_margin = revenue - total_cost
        
        return {
            "revenue": revenue,
            "costs": costs,
            "total_cost": total_cost,
            "gross_margin": gross_margin,
            "gross_margin_pct": gross_margin / revenue,
            "healthy": gross_margin / revenue > 0.30,  # 毛利率 > 30%
        }

┌──────────────────────────────────────────────────┐
│              Agent 产品团队结构                    │
├──────────────────────────────────────────────────┤
│                                                  │
│  产品负责人 (1)                                   │
│  ├── 定义产品方向                                 │
│  ├── 用户调研和需求优先级                         │
│  └── 商业策略                                    │
│                                                  │
│  Agent工程师 (2-3)                               │
│  ├── Prompt 工程和优化                           │
│  ├── 工具开发和集成                              │
│  └── Agent 工作流设计                            │
│                                                  │
│  后端工程师 (2-3)                                │
│  ├── API 和基础设施                             │
│  ├── 数据库和缓存                               │
│  └── 可观测性系统                               │
│                                                  │
│  前端工程师 (1-2)                                │
│  ├── 用户界面                                   │
│  └── 交互设计实现                               │
│                                                  │
│  评估工程师 (1)                                  │
│  ├── 测试框架                                   │
│  ├── 质量评估                                   │
│  └── A/B测试                                   │
│                                                  │
│  设计师 (1)                                     │
│  ├── 产品设计                                   │
│  └── 用户体验                                   │
│                                                  │
└──────────────────────────────────────────────────┘

class PromptEngineerRole:
    """Prompt 工程师角色定义"""
    
    RESPONSIBILITIES = [
        "设计、测试和优化所有 Prompt",
        "建立 Prompt 版本管理和 A/B 测试流程",
        "监控 Prompt 在生产环境的表现",
        "分析失败案例并迭代优化",
        "构建和维护评估数据集",
        "与产品团队合作理解用户需求",
        "保持对 LLM 能力边界的最新认知",
    ]
    
    SKILLS = {
        "must_have": [
            "深入理解 LLM 原理（注意力机制、上下文窗口等）",
            "熟练的 Python 编程能力",
            "数据分析能力（SQL、统计）",
            "系统性思维（理解 Agent 整体架构）",
        ],
        "nice_to_have": [
            "NLP/ML 背景",
            "产品思维",
            "用户研究经验",
            "特定领域知识（法律、医疗等）",
        ],
    }

class AgentProductFailures:
    """Agent 产品常见失败模式"""
    
    FAILURE_PATTERNS = {
        "tech_first_product_later": {
            "name": "技术先行，产品后置",
            "description": "团队沉迷于技术优化，忽视用户真实需求",
            "symptom": "Agent越来越强，但用户数不增长",
            "fix": "每周至少做3次用户访谈",
        },
        "demo_effect": {
            "name": "Demo效应",
            "description": "Demo场景很好看，但真实场景太复杂",
            "symptom": "Demo成功率90%，生产成功率60%",
            "fix": "尽早用真实数据测试",
        },
        "cost_explosion": {
            "name": "成本爆炸",
            "description": "用户增长导致LLM成本指数级增长",
            "symptom": "收入增长100%，成本增长200%",
            "fix": "实现模型路由和缓存",
        },
        "capability_creep": {
            "name": "能力蔓延",
            "description": "试图让Agent做所有事，结果什么都做不好",
            "symptom": "每个场景都只有60分",
            "fix": "聚焦1-2个核心场景做到90分",
        },
        "no_moat": {
            "name": "无壁垒",
            "description": "竞品一周就能复制你的Agent",
            "symptom": "用户因为竞品便宜1元就流失",
            "fix": "构建数据/工作流/集成壁垒",
        },
        "trust_gap": {
            "name": "信任鸿沟",
            "description": "用户不信任Agent处理重要任务",
            "symptom": "用户只用Agent做低价值任务",
            "fix": "渐进式建立信任，从辅助到自主",
        },
    }

class MarketEntryStrategy:
    """市场切入策略"""
    
    IDEAL_CHARACTERISTICS = {
        "task_frequency": "高频（至少每周3次）",
        "task_pain_level": "痛点强（用户正在手动解决）",
        "task_complexity": "中等（太简单不值得用Agent，太难Agent做不了）",
        "data_availability": "有结构化数据可用",
        "willingness_to_pay": "用户已有相关预算",
        "competition": "蓝海或差异化明显",
        "regulatory_risk": "低（非医疗/金融/法律高风险）",
    }
    
    SCORING_FRAMEWORK = {
        "pain_score": 0.25,        # 痛点强度
        "frequency_score": 0.20,    # 使用频率
        "feasibility_score": 0.20,  # 技术可行性
        "market_size": 0.15,       # 市场规模
        "monetization": 0.10,      # 变现能力
        "defensibility": 0.10,     # 防御性
    }

0 → 100 用户：手工获客
├── 创始人亲自找用户
├── 每个用户都深度访谈
├── 快速迭代产品
└── 目标：找到10个"离不开"的用户

100 → 1,000 用户：社区驱动
├── 建立用户社区
├── 鼓励用户分享使用案例
├── 口碑传播
└── 目标：30日留存 > 40%

1,000 → 10,000 用户：内容营销
├── 发布技术博客和教程
├── 社交媒体运营
├── KOL 合作
├── SEO 优化
└── 目标：自然增长 > 50%

10,000 → 100,000 用户：增长引擎
├── 付费获客（CAC < LTV/3）
├── 病毒传播机制
├── 合作伙伴渠道
├── 产品集成生态
└── 目标：月增长 > 15%

100,000 → 1,000,000 用户：规模化
├── 品牌建设
├── 企业级销售
├── 国际化
├── 平台化
└── 目标：可持续的盈利增长

□ PMF 已验证（40%+用户"非常失望"如果消失）
□ 8周留存 > 30%
□ LTV/CAC > 3
□ 毛利率 > 30%
□ 有明确的数据飞轮
□ 至少一个差异化壁垒
□ 评估体系覆盖核心场景
□ 团队有 Prompt 工程能力
□ 降级方案确保可用性
□ 成本可控且可预测
□ 合规风险已评估
□ 增长引擎可复制