很多独立开发者或远程协作的小团队在做AI产品时，都会卡在同一个地方：第一个版本没有真实用户数据，怎么判断方向对不对？最近一位产品人分享了自己基于倪海厦学习资料构建RAG知识库MVP的过程，正好提供了一个具体样本。这个项目与官方没有关联，只用于学习研究，但其中从产品假设到测试验证的思路，对做知识类AI产品的人有参考价值。

先把内容加工成可测试的结构

没有用户数据，意味着不能靠埋点和行为分析来验证需求，只能先把已有资料变成可被检索、可被问答系统调用的结构。这个案例里，作者没有选择简单的向量检索，而是走了一条更复杂的混合检索路线——Hybrid RAG（混合检索增强生成）。简单来说，就是把结构化资料和向量检索结合起来，让系统在回答时既能抓住关键词匹配，也能理解语义相近的表述。这种做法的好处是，在中医学习资料这类专业内容里，术语多、表述方式多样，单纯依赖向量检索容易出现漏召回。通过内容加工和混合检索，先把基础体验做到可控，再进入测试环节。

测试结果与真实用户验证之间的差距

很多人以为，只要内部测试准确率不错，产品就可以放出去。但这位作者很坦诚地展示了另一个现实：当前测试结果与用户验证之间存在明显差距。没有真实用户数据时，测试集往往是开发者自己根据资料整理出来的，问题分布、提问方式都和真实用户有偏差。比如，开发者知道资料里有什么，问法会比较“规矩”；而真实用户可能会问得含糊、跨段落，甚至带着错误前提。这样一来，内部测试能回答的问题，未必是用户真正会问的问题；内部测试覆盖不到的场景，也可能恰恰是用户的高频需求。这个差距不是模型能力问题，而是验证方式本身的局限。

没有用户数据，怎样把验证往前推一步？

这个案例带来的启示是：在没有真实用户数据时，不要等到产品完整才去验证。可以先做几件低成本的事：第一，用结构化资料构建一个小规模评测集，尽量模拟真实用户的提问方式，而不是只测标准问法；第二，邀请少量种子用户或同行做小范围试用，哪怕只有几个人，也能暴露很多内部测试发现不了的问题；第三，把问答路线拆开看，是内容加工不够、检索召回不准，还是生成环节不稳定，逐段定位问题。对于远程协作或独立开发的小团队来说，这种轻量验证方法比堆功能更实际。先验证“有人愿意用、能用起来”，再谈数据积累和迭代，会少走很多弯路。

总的来说，这个基于倪海厦资料的个人AI产品MVP，最有价值的不是技术选型有多先进，而是它在没有用户数据时，仍然把验证做成了一个可以观察、可以调整的过程。对知识类AI产品，尤其是远程小团队来说，这种“先假设、再小步验证”的思路，可能比盲目上线更重要。

本文由小蜜蜂云工作原创发布，话题参考自行业公开报道。