在AI产品开发中，动手前的研究往往被忽视。本文通过一个饮食记录工具的案例，展示了如何利用AI进行前期研究，明确产品核心问题，从而做出更精准的MVP。这不仅避免了盲目开发，还让产品决策更有依据。

先别急着让AI做：一个饮食工具如何从研究中找到真正的MVP

在上篇中，我们分享了这个饮食记录工具经历的两次转向：从记录冰箱库存，转向记录用户实际吃了什么；从追求精确的营养诊断，转向低负担的记录和提醒。

做到这里，产品方向似乎已经逐渐清楚了。但上篇最后，我们留下了一个尚未回答的问题：

我们说要帮助用户“吃得更丰富”，那么“丰富”究竟应该怎样定义？

如果这些问题没有想清楚，我们即使已经放弃了复杂的营养诊断，也可能只是把另一个模糊的概念交给AI，让它自行补全。

所以，在让AI开始设计页面、编写代码之前，我们反而先让它停了下来。

因为我们发现，还有一步很重要，也很容易被忽略，而这件事恰好是AI擅长的：

先不要做，先研究。

一、先研究，再做产品

因为目标用户主要是中国人，所以我们希望这个工具的底层依据，尽量来自本地、权威并且适合中国人群的资料。

我们最先想到的是《中国居民膳食指南》。

但我们也不确定，自己脑中那些零散的营养知识是否准确；如果它们与指南不一致，原因又是什么？

因此，我们没有马上让AI开始写代码，而是先给了它一个研究任务：

请围绕《中国居民膳食指南》和相关官方资料进行研究，整理常见的食物分类和饮食评价方法。

针对每一种方法，请说明它的来源、适用人群、优点和局限。

同时，请关注资料版本，比较中国与其他国家膳食指南的差异，并分析哪些原则可以借鉴，哪些需要结合中国人的饮食习惯进行调整。

AI很适合进行这类信息梳理。

这次研究，相当于为工具建立了一份“营养知识底稿”。

在这份底稿里，我们记录了资料来源、版本、适用人群，以及不同方法的优点和局限。有了它，后续产品中的食物分类、评价规则和反馈建议就有据可依，也方便我们进行检查、追溯和迭代。

AI整理出的结论并不等同于权威资料本身。建立知识底稿的意义，恰恰是保留来源，让重要判断能够被回查，而不是把AI生成的内容直接当成答案。

二、越研究，问题反而越多了？

这种体验大家都不陌生：常常只是为了查一个不确定的知识点，不知不觉就顺藤摸瓜，引出了一大片新领域。

这份研究也勾起了我们脑中很多零散的营养知识。

比如，带孩子去儿保时，医生会建议肉类来源要丰富，“天上飞的、水里游的、地上跑的都要吃”；有些家庭的冰箱上会贴着社区发放的“食物颜色轮盘”，提醒大家尽量吃到不同颜色的食物；我们也经常听说应该多吃全谷物，或者借鉴地中海饮食。

但这些说法分别来自哪里？

它们是正式的饮食建议，还是为了方便普通人理解而做的简化表达？它们之间是否重叠？又分别适合解决什么问题？

在与AI互动的过程中，我们逐渐发现，这些分类方式并不一定互相冲突，只是它们的关注点和适用目的不同。

这反而促使我们再次思考：

我们想做的这款工具，究竟要帮助用户看见什么？

三、AI没有替我们做决定，但让选择变得更清楚

接下来，我们把更具体的产品目的和用户画像告诉AI：

我们不想让用户精确计算每一顿饭的卡路里，而是希望通过低负担的记录，让他们逐渐看见自己的饮食结构和习惯。

请结合目标人群、记录便利度和后续反馈的需要，比较不同分类方式的好处，以及它们可能对用户造成的误解。

这一步非常关键。

AI不只是给了我们更多资料，还把前面整理出的领域知识与产品目标放在一起比较，倒逼我们继续思考：

• 用户是否容易理解？
• 每天记录会不会太麻烦，导致用户放弃？
• 怎样帮助用户轻松回忆自己吃了什么？
• 记录之后，我们给出的反馈是在帮助用户，还是在制造新的心理压力？
• 这些反馈能够从哪些权威资料中找到依据？

AI帮助我们把不同选择及其后果看得更清楚：

• AI负责：拉平信息差、穷举可能性、比较方案利弊、提示潜在风险。
• 人负责：理解用户情绪、定义核心问题、做减法，并决定产品最终承诺什么。

研究前，我们已经决定不把精确的营养诊断作为第一版的核心，但对于“轻量记录究竟记录什么”、“丰富度应该如何呈现”，仍然没有清楚的答案。

研究后，我们把方向进一步收敛为一个更具体的问题：

先帮助用户看见，自己的日常饮食是否足够丰富。

四、研究没有让产品变复杂，反而帮助我们继续做减法

上篇中，我们已经从“专业营养诊断”转向了“轻量记录和提醒”。

经过这轮研究，我们又进一步明确：MVP，也就是第一版最小可行产品，不需要解决所有饮食和营养问题。

对于一个有健康意识、工作繁忙，又不想每天计算卡路里的普通人来说，他首先需要的可能不是：我今天究竟摄入了多少克蛋白质？

而是：

• 我最近是不是总在重复吃相似的东西？
• 每天或每周吃到的食物够不够丰富？
• 哪些东西经常吃，哪些类别长期没有出现？
• 这些记录反映了怎样的日常饮食习惯？

最后，我们把MVP浓缩成了一个“饮食丰富度记录工具”。它主要帮助用户观察：

• 每天或每周覆盖了多少种食物；
• 自己最常吃的是什么，哪些食物很少出现；
• 自己的饮食结构与参考建议之间有哪些差距；
• 这些记录反映了怎样的日常饮食习惯。

这里的“丰富度”评价，仍然要回到前面的研究底稿，明确参考资料和分类依据。

AI参与了我们从“想做一个什么工具”，到“这个工具究竟帮助谁、解决什么问题、依据什么提供反馈”的进一步收敛。

它没有替我们决定产品应该是什么，却帮助我们看见了每一种选择背后的依据、局限和代价。

五、如果你也想用AI做一个东西，不妨先多做这一步

让AI先研究，并不意味着一定要写一份很长的报告，而是帮助我们在动手前看见：

• 哪些重要问题还没有想清楚；
• 哪些理所当然的判断，其实只是自己的假设；
• 哪些概念看似相同，实际解决的是不同问题；
• 哪些产品结论需要保留来源，以便检查和追溯。

AI产品的第一步，往往发生在写代码之前。但这并不意味着要把AI排除在外。更好的方式，是先让AI帮助我们研究，再由人完成判断和取舍，最后才进入实现。

这或许才是MVP最重要的意义：不是为了少做而少做，而是用一个更小、更明确的方案，验证最核心的问题。