Product-Market Fit
定义
Product-Market Fit (PMF) 标志着 MVP 阶段的圆满退出。它不取决于产品功能的完整度，而取决于是否有一群特定的核心用户觉得产品不可或缺。
关键数据点
- PMF 的信号应来自留存、付费、推荐和用户失去产品时的失望程度。
- The Sean Ellis Test 常用阈值是超过 40% 的高频用户表示非常失望。
- AI 能制造更快的发布和更亮眼的初期数据，但不能替代长期留存。
核心衡量指标与测试模型
在数据上，PMF 不应当是一个模糊的感觉，而是可以被验证的阈值：
- The Sean Ellis Test：如果超过 40% 的高频活跃用户表示”如果无法继续使用该产品会非常失望”，这是强烈的 PMF 信号。
- The Effort Test：在达到 PMF 之前，维系用户留存需要创始人付出极其繁重的体力（如不断发邮件挽留、手动拉新）。当达到 PMF 时，系统本身的内在价值开始发挥作用，呈现出明显的”被市场拉动”的状态。
- 留存与收入（Retention & Revenue）：核心是关注次日/七日留存曲线是否最终趋于平缓（而不是归零），以及用户是否愿意为解决痛点买单。
Push 到 Pull 的相变机制
PMF 的本质不是”产品够好了”，而是产品与市场的关系发生了相变：从创始人推动（push）变成市场拉动（pull）。
这个相变有三个可观察的信号：
- 创始人努力方向反转：达到 PMF 前，创始人主要精力在说服用户尝试；达到后，主要精力在跟上用户需求。
- 组织招聘压力反转：PMF 前招人是扩张赌注，PMF 后招人是跟上增长。
- 基础设施压力方向反转：PMF 前担心没人用，PMF 后担心服务跟不上。
在 AI 时代，这个相变可能被 产品能力溢出 提前或延迟。Boris Cherny 在构建 Claude Code 时明确表示，前 6 个月没有 PMF——他自己只用 Claude Code 写 10% 的代码。团队的 deliberate 选择是”为下一代模型构建”，而不是为当前模型寻找 PMF。这说明在 AI 产品中，PMF 的时间窗口可能被模型能力进步曲线重新定义。
警惕 AI 时代的伪 PMF (False PMF)
Agentic 工具使得初创公司极易造出看起来光鲜亮丽的 MVP，并在发布初期（如 Hacker News 头条或朋友圈推广）获得大量注册和高点击率。这很容易让创始人误判已经获得了 PMF。
- 伪 PMF 的标志：高注册低激活、有短期流水但无复购留存、过度依赖单一事件的热度而非自然推荐。
- 破解方法：在构建任何产品前，让 AI 辅助预先定义好测量框架和阈值（如 Day 7 的预期留存率）。当数据返回时，再次利用 AI 进行逆向分析：“对于这些亮眼的数据，一个最严厉的怀疑论者会怎么反驳？”
前提与局限性
- PMF 判断需要真实用户行为数据，不能只依赖注册量、点赞或发布当天热度。
- 不同产品类别的留存曲线和付费周期不同，阈值不能机械套用。
- PMF 是阶段性状态，市场、竞品和产品变化都会让它重新失效。
- AI 产品可能因为模型能力跃迁而"跳过"传统 PMF 路径：Opus 4 发布后 Claude Code 从 6 个月无 PMF 直接进入指数增长，说明在 产品能力溢出 场景下，PMF 可能由供给侧能力拐点触发，而非需求侧渐进积累。
- 伪 PMF 在 AI 时代更危险，因为 AI 原生发布 让"先做出来看看"的代价看似极低，但发布速度不等于验证深度。
关联概念
- Problem-Solution-Fit — 达成 PMF 的前提条件；没有经过问题验证的方案不可能形成真实 pull。
- AI-Native-Startup — 需要警惕伪 PMF 陷阱的新型组织；构建成本越低，验证纪律越重要。
- Product-Overhang — 模型能力先于产品界面出现时，PMF 的时间窗口和触发条件都会被重新定义。
- AI-Native-Shipping — 快速发布不等于 PMF；发布速度与验证深度是两个独立变量。
- Competent-Output — PMF 的"合格输出"标准：不是"能用"，而是"用户离不开"。