产品-架构-技术

🔧 【用途定位】

面向非技术背景或初级开发者，提供从零构建 AI Native 产品的完整实操框架，覆盖产品方向验证、系统架构设计与轻量级技术选型。核心场景：个人知识库、垂直领域 AI 应用、自动化工作流搭建。

📋 【核心方法】

1. 产品五步法（定方向）：痛点挖掘（高频App不爽点/重复劳动）→ 竞品调研（搜负面词）→ 机会缺口锁定（场景/人群/AI Native缺口）→ MVP定义（明确“不做什么”）→ 最小验证（自用14天留存测试）。产出：一页纸MVP定义表。
2. 进-存-取架构模型（理逻辑）：先倒推“取”（输出形式与触发时机），再设计“进”（数据源与格式），最后规划“存”（数据分层）。强调回环机制（新数据入库自动更新历史结论）。产出：供AI解析的架构Markdown文档。
3. 轻量技术选型四原则：语言优先Python/TypeScript；架构纯本地运行（零服务器/零运维）；存储首选Markdown文件>SQLite；工具看社区活跃度（Star>1k/半年更新/月内回复）。反共识实践：弃用向量库，采用“AI打标+脚本关键词重叠打分+双向写入frontmatter”实现关联检索。产出：TECH-STACK.md清单。

⚠️ 【避坑指南】

• 功能与流程混淆：先列功能清单再画数据流，导致架构臃肿且无法落地。
• 重进轻取：只设计数据采集层，忽略下游调用场景，造成素材堆积无法复用。
• 层级混乱：将工具链配置与业务数据模型画在同一张图中，增加维护成本。
• 追求完美架构：初期过度设计扩展性，应遵循“能长大（留扩展口）+不会塌（数据分层可回退）”的渐进式原则。