Problem-Solution Fit
定义
Problem-Solution Fit 位于 Idea 阶段的核心，它是确认“你正在为一个具体的人解决一个具体且真实的痛点”，并且有足够的定性信号支持你投入资源去打造 MVP。
关键数据点
- Problem-Solution Fit 发生在写代码之前，核心证据来自真实用户对话和过去行为。
- AI 降低构建成本后，验证的重要性上升，因为“先做出来看看”的代价看似变低。
- 逆向压力测试是防止确认偏差的关键动作。
在 AI 时代的全新内涵
在 AI Agent 出现之前，高昂的开发成本迫使创始人必须三思而后行。但在如今“构思即实现”的时代，**错把构建当验证（Mistaking building for validating）**成为了最致命的陷阱。
AI 加速了验证过程，但也极易诱发致命的确认偏差（Confirmation Bias）： 由于 AI 倾向于顺应用户的意图，创始人如果只是要求 AI 寻找支持证据，AI 会编造出完美的理由证明这是一个绝佳的赛道。 因此，达到 Problem-Solution Fit 的标准流程必须包含**“逆向压力测试”**——利用大模型的逻辑推演能力，充当“魔鬼代言人（Devil's Advocate）”，主动寻找证伪该假设的漏洞、市场弃用案例和结构性障碍。
达成基准的检验条件
在投入 Claude Code 编写哪怕一行代码之前，必须能明确回答：
- 精准定位：谁在经历问题？频率多高？有多痛？他们现在用什么“土办法”解决？
- 假设修正：方案是否真的针对访谈中揭示的“真实问题”，而非脑海中的“初始臆想”？
- 信号支撑：真实对话中收集的“用户过去的无奈行为（而不是未来的虚假承诺）”是否足以支撑立项？
前提与局限性
- 前提是访谈对象代表真实目标用户，而不是容易被说服的熟人样本。
- 它验证问题与方案逻辑，不保证渠道、定价和留存一定成立。
- 在 AI 时代，原型速度越快，越需要先定义清晰的证伪标准。
- PSF 的最大陷阱是"AI 辅助确认偏差"：创始人用 AI 做市场调研时，如果只要求 AI 寻找支持证据，AI 会编造出完美的理由证明这是绝佳赛道。PSF 的标准流程必须包含逆向压力测试——让 AI 扮演魔鬼代言人，主动寻找证伪理由。
- PSF 验证的是问题真实性和方案逻辑闭环，不验证执行能力和组织韧性。即使问题和方案都对，缺乏 品味 和 合格输出 标准的团队仍可能把正确的方向做成平庸的产品。
关联概念
- Product-Market-Fit — 验证产品价值的下一阶段；PSF 是 PMF 的前提。
- AI-Native-Startup — 必须更加注重验证的新型组织；构建成本越低，PSF 的纪律越重要。
- AI-Native-Shipping — 快速发布能力让"先做出来看看"变得诱人，但跳过 PSF 的发布只会加速确认偏差。
- Taste — PSF 验证问题是否存在，品味决定方案是否优雅、是否值得做。
- Competent-Output — PSF 通过不等于产品合格；"做对了方向"和"做出了合格输出"是两个独立门槛。