想象一下，小林想在街角开一家“AI特调咖啡店”。他一开始以为最要紧的是买一台60万的高端咖啡机，直到隔壁倒闭的“网红AI咖啡店”给了他当头一棒——那家店装修豪华、设备顶级，却没人愿意为“酷”买单。真正活下来的小店，靠的是先找到合拍的合伙人、在门口摆摊试卖验证口味、算清楚每杯成本、再等真金白银的客流来了才扩张。 AI创业和开咖啡店是同一套逻辑：从0到1不是先烧钱、先融资、先堆技术，而是像小林一样，把“找人、验证、选型、融资、获客、里程碑、避坑”这七个环节一个个走扎实。这篇手册就是小林的创业日记——他用最小成本试错、用数据说话、在关键节点守住现金流和合规底线。读完你会发现，AI创业没有魔法，只有一条被验证过很多次的路径，而你要做的，就是沿着它把每一步迈稳。

岗位关联

对AI从业者而言，这套从0到1的方法论是把技术能力转化为商业价值的“导航仪”——它能帮你认清团队、产品、融资和市场的真实关系，大幅降低创业试错成本，不管是自己创业还是加入早期团队，都更有全局判断力。

目录
  1. 可视化演示
  2. 1. 组建创始团队
  3. 2. 验证产品需求
  4. 3. 技术选型策略
  5. 4. 规划融资路径
  6. 5. 市场切入打法
  7. 6. 里程碑与风控
  8. 7. 创业避坑指南
  9. AI 应用场景
  10. Python 演示
  11. 常见误区
  12. 面试题

可视化演示

动态演示AI创业实操手册的核心机制，通过总览/传输/转换/输出四种模式展示关键概念与交互流程。

本节配有交互动效（进入视口后自动加载，约 3KB）。

AI创业实操手册：AI创业 AI创业从0到1的阶段门与里程 团队建设：技术合伙人互补而不互 核心机制可视化 AI创业实操手册整体架构与关键组件

1. 组建创始团队

小林盘下街角小店后，第一周就崩溃了：自己会冲咖啡，但小程序写不出来；懂点配方，但账算不明白。他意识到，一个人撑不起三张椅子。开AI咖啡店的第一件事不是买机器，而是找对搭子——技术合伙人阿强负责把想法变成能跑的代码，社区运营小美负责让街坊愿意掏钱，小林自己管方向和资源。三个人像三根桌腿，缺一根桌子就倒。

这个“三根桌腿”的道理，在AI创业里被总结为三类核心角色：产品负责人（听得懂用户抱怨）、技术负责人（把想法变成模型和产品）、商业负责人（把流量变成收入）。尤其要注意，技术合伙人必须全职入伙，而不是“周末帮个忙”。股权和期权要在开工前谈清楚：创始人拿大头，联合创始人各拿10%-20%，再预留15%-20%的期权池给未来的核心员工。团队文化上，坚持透明决策和快速试错，每周复盘一次“这个配方到底该不该换”。

团队的战斗力不是各能力的简单相加，而是互相咬合的乘法——任何一项为零，整体就是零：

小林后来常说，最幸运的不是找到了最牛的技术大牛，而是找到了三个愿意把命押在同一张桌上的人。团队搭稳了，咖啡店才谈得上后面的故事。记住：AI创业的第一个里程碑，不是产品，是人。

T团队=P产品×T技术×B商业\displaystyle T_{\text{团队}}=P_{\text{产品}}\times T_{\text{技术}}\times B_{\text{商业}}
  1. 产品能力（P）团队里有人能听懂用户抱怨背后的真实需求，这是发现机会的起点。
    P产品\displaystyle P_{\text{产品}}
  2. 技术能力（T）有人能把想法写成稳定可用的代码或模型，这是产品落地的中坚。
    T技术\displaystyle T_{\text{技术}}
  3. 商业能力（B）有人能把价值换成收入、把收入变成利润，这是公司活下去的燃料。
    B商业\displaystyle B_{\text{商业}}
  4. 乘法逻辑三个能力互相制约，任何一个为0，整体战斗力就是0，短板直接卡死天花板。
    T团队=P产品×T技术×B商业\displaystyle T_{\text{团队}}=P_{\text{产品}}\times T_{\text{技术}}\times B_{\text{商业}}

2. 验证产品需求

团队刚凑齐，小林没急着装修店面，而是在社区门口支了个手冲摊，卖“AI推荐口味”的试饮咖啡，一杯9块9，扫码留下反馈。这个寒酸的小摊，就是他的“最小可行产品”（MVP）。目的不是赚钱，而是验证一个问题：人们是否真的愿意为AI推荐的口味掏钱？有人路过夸“好酷”，那不叫需求；有人顶着太阳排队、扫码付款，才叫需求。

验证需求要盯住三件事：第一，这个痛点是否高频且让人难受——比如“每天纠结喝什么”就是高频小痛点；第二，付费意愿是否真实——只夸不买是态度，复购是真金白银；第三，留存是否健康——喝过一次的人下周还来吗？用留存公式来判断：

如果一个月后留存跌破一半，说明配方还不够打动人心，要换方向。摆摊验证比装修重要得多：省下的装修钱，就是一次次试错的子弹。小林正是靠这个小摊确认了方向，才敢All in。

R(t)=R0×(1−d)t\displaystyle R(t)=R_{0}\times (1-d)^{t}
  1. R0（起始留存）试饮后第一周愿意再来的客户比例，是后续留存曲线的起点。
    R0=NretNtrial\displaystyle R_{0}=\frac{N_{\text{ret}}}{N_{\text{trial}}}
  2. （1-d）周留存因子d 是每周流失率，比如 d=0.2 表示每周流失20%的客户，剩下的80%还会再来。
    1−d=1−0.2=0.8\displaystyle 1-d=1-0.2=0.8
  3. t（周数）从起点往后经过的周数，指数意味着每周都把“留下的人”再乘一次这个因子。
    t∈{1,2,3,… }\displaystyle t\in\{1,2,3,\dots\}
  4. R(t)（第t周留存）第 t 周仍然活跃的客户比例，用来判断产品是否形成了回头习惯。
    R(4)=R0×0.84≈0.41R0\displaystyle R(4)=R_{0}\times 0.8^{4}\approx 0.41R_{0}

3. 技术选型策略

验证有需求后，小林想买台60万的顶级商用咖啡机。小美拦住他：“我们一天才卖200杯，一台趁手的半自动机加好豆子一样出杯，省下的钱先请人。”AI技术选型也是同样的道理：通用大模型API像去星巴克买咖啡——快但贵；开源小模型微调像自己买豆烘焙——前期麻烦但长期便宜可控；完全自研像自己种咖啡树——绝大多数初创公司玩不起。正确姿势是“小步试API，量变切换开源”。

技术选型的核心是成本平衡，别只盯着模型精度，要算总账：

小林后来把省下的钱全花在收集“顾客口味数据”上——哪天、什么天气、哪些白领爱点哪种冷萃。这些私有数据是开源模型给不了的护城河：模型可以抄，你的独家配方数据抄不走。选型没有绝对最优，只有“当前阶段最划算”。

C月=QPS×86400×30×P单价\displaystyle C_{\text{月}}=QPS\times 86400\times 30\times P_{\text{单价}}
  1. QPS（每秒查询次数）AI服务一秒钟处理多少个请求，是流量的基本单位。
    QPS=N请求86400\displaystyle QPS=\frac{N_{\text{请求}}}{86400}
  2. 86400（秒数换算）一天有24×60×60秒，把“每秒成本”放大成“每天成本”。
    86400=24×60×60\displaystyle 86400=24\times 60\times 60
  3. 30（月度天数）再把每日成本放大成一整月的运营开销。
    C日=QPS×86400×P单价\displaystyle C_{\text{日}}=QPS\times 86400\times P_{\text{单价}}
  4. P单价（单次调用成本）调用一次大模型API的价格，不同模型差别可达数十倍。
    C月=5×86400×30×0.003=38880元\displaystyle C_{\text{月}}=5\times 86400\times 30\times 0.003=38880\text{元}

4. 规划融资路径

生意要扩张，小林需要钱。亲戚朋友凑了30万（像天使投资人），不够；他硬着头皮去见开连锁店的投资人王老板。融资不是“谁给钱都行”。投资人画像要分清三类：产业资本有供应链资源能帮你开店，财务投资只看回报倍数要你快速扩张，战略投资可能想把你收编。早期创业，要找看得懂业务、能带来资源的钱，而不是纯出价高的钱。

去见王老板前，小美帮他准备了BP（商业计划书），六件事讲清楚：解决什么问题、用什么方案、市场多大、验证结果如何、团队凭什么行、财务怎么打平。到了谈判桌，最要紧的是算清稀释：

比估值更阴险的是条款陷阱：清算优先权（公司卖了先还投资人的钱）、对赌协议（业绩不达标就赔股份）、回购条款（失败要连本带利买回股份）。王老板的估值很高，但附带三年上市对赌，小林咬咬牙拒绝了，选了另一家给资源不干预经营的机构。钱不是越多越好，条款比估值更重要。

D=C新股A旧股+C新股\displaystyle D=\frac{C_{\text{新股}}}{A_{\text{旧股}}+C_{\text{新股}}}
  1. A（原股份）融资前公司已发行的全部股份，包括创始团队和期权池。
    A=900万股\displaystyle A=900\text{万股}
  2. C（新股）本轮投资人认购的新增股份，新增股份越多，原股东被稀释越狠。
    C=100万股\displaystyle C=100\text{万股}
  3. D（稀释比例）新股占融资后总股本的比例，决定创始团队还剩多少话语权。
    D=100900+100=10%\displaystyle D=\frac{100}{900+100}=10\%
  4. 创始人剩余稀释后创始人持股比例变为90%，每一次融资都在“卖面粉”。
    1−D=1−10%=90%\displaystyle 1-D=1-10\%=90\%

5. 市场切入打法

第二家店开在写字楼商圈。开业第一周，“AI下午茶盲盒”买一送一，小程序下单满8杯免单1杯。但小林知道，买一送一吸引来的都是羊毛党，真正要留存的是那些每天下午三点准时下单的“月卡白领”。他没有做“每个人都能喝的AI咖啡”，而是只瞄准“写字楼白领的健康轻食”这一垂直场景——这比做“全人类的AI咖啡”更容易建立口碑。

AI创业的市场打法同样讲究“窄而深”：目标定位选垂直场景，获客渠道组合内容种草（小红书发“AI测出你的本命咖啡”）和口碑裂变（好友互赠优惠券），商业模式优先选可续费的订阅制。判断投放是否健康，用两个指标：

小林盯着一个简单规则：LTV是CAC的三倍以上才放开手脚投广告，不到三倍就先优化转化。三个月后，月卡白领们养活了店的现金流，第三家店的选址也提上日程。让第一个客人成为回头客，再让回头客带来新客人，这就是生意的第一推动力。

LTV=ARPU×毛利率月流失率,回收期=CACARPU\displaystyle LTV=\frac{ARPU\times \text{毛利率}}{\text{月流失率}},\qquad \text{回收期}=\frac{CAC}{ARPU}
  1. ARPU（每用户月均收入）月卡收入除以活跃用户数，比如每个白领月卡贡献90元。
    ARPU=月订阅收入月度活跃用户数\displaystyle ARPU=\frac{\text{月订阅收入}}{\text{月度活跃用户数}}
  2. 毛利率扣除原料和运营成本后的利润占比，餐饮业毛利通常在60%-70%。
    毛利率=1−变动成本收入\displaystyle \text{毛利率}=1-\frac{\text{变动成本}}{\text{收入}}
  3. 月流失率每月离开的用户比例，流失5%意味着平均一个客户会陪店20个月。
    1月流失率=10.05=20 个月\displaystyle \frac{1}{\text{月流失率}}=\frac{1}{0.05}=20\text{ 个月}
  4. CAC与回收期CAC是获取一个新付费客户花掉的市场费用，回收期越短现金流越安全。
    CAC=当月市场费用当月新付费客户数\displaystyle \text{CAC}=\frac{\text{当月市场费用}}{\text{当月新付费客户数}}

6. 里程碑与风控

开分店不能拍脑袋。小林在后厨贴了条时间轴：3个月验证配方、6个月单店盈利、12个月开3家店、24个月覆盖全城。每个阶段设一个北极星指标——对咖啡店来说是“周复购订单数”，对AI订阅产品来说是MRR（月度经常性收入），对交易平台来说是GMV。指标不用多，一个就够，但必须反映产品带给用户的核心价值。

阶段与增速要能算清楚，用复合增长率（CAGR）来设定目标：

风控要提前排雷：现金流跑道至少留12个月（月烧钱率×12），核心员工用期权锁定，数据合规定期审查。最怕的不是增长慢，而是钱没了、人走了、合规罚了。小林第二家店稳定盈利后才开第三家，节奏踏准，飞轮开始转动：更好的口味→更多复购→更多口味数据→更精准的推荐→更好的口味。

CAGR=(EVBV)1/y−1\displaystyle CAGR=\Bigl(\frac{EV}{BV}\Bigr)^{1/y}-1
  1. BV（期初基数）起点规模，比如第一年开的咖啡店数量。
    BV=100 家\displaystyle BV=100\text{ 家}
  2. EV（期末规模）经过y年后的目标规模，是写在计划书里的终点。
    EV=200 家\displaystyle EV=200\text{ 家}
  3. y（年数）从起点到终点跨越的时间，年数越长，年均增速要求越低。
    y=2 年\displaystyle y=2\text{ 年}
  4. CAGR（复合增速）如果每年保持同样的增速，2年就能从100家到200家。
    CAGR=(200100)1/2−1≈41.4%\displaystyle CAGR=\Bigl(\frac{200}{100}\Bigr)^{1/2}-1\approx 41.4\%

7. 创业避坑指南

街对面那家“网红AI咖啡店”三个月就关张了。老板砸钱装修、买了全套智能设备，可咖啡难喝、服务冷漠、复购为零。小林蹲在门口数了三天客流，发现大多数人举着手机拍完照就走——这家店卖的是“打卡”，不是“咖啡”。这给了小林最贵的一课：技术再酷，打不中真需求就是自嗨。AI创业最大的坑，不是模型不够强，而是产品打在了伪需求上。

如何识别伪需求？用一个比值公式，把“嘴上说喜欢”和“花钱投票”放在一起比：

除了伪需求，还有三个常见死法：技术炫技（追求模型刷榜，不解决用户实际问题）、大厂挤压（正面硬刚巨头的平台产品必死，深耕垂直场景反而有活路）、合规红线（未经授权用用户数据训练、AI内容不标识、明文存隐私数据，每一个都可能是灭顶之灾）。小林把这四条贴在吧台后面：“先验证、再投入；先盈利、再扩张；先合规、再上线；先问用户，再问模型。”

q=PpayPpraise\displaystyle q=\frac{P_{\text{pay}}}{P_{\text{praise}}}
  1. P_pay（实际付费率）试饮后真的掏钱下单的人占比，是需求强度的硬指标。
    Ppay=NpayNtrial\displaystyle P_{\text{pay}}=\frac{N_{\text{pay}}}{N_{\text{trial}}}
  2. P_praise（口头称赞率）只是嘴上说“好酷”却不愿掏钱的人占比，是社交礼貌不等于需求。
    Ppraise=NpraiseNvisit\displaystyle P_{\text{praise}}=\frac{N_{\text{praise}}}{N_{\text{visit}}}
  3. q（需求强度比）付费率相对口头热情的比例，衡量需求是真实还是幻觉。
    q=PpayPpraise\displaystyle q=\frac{P_{\text{pay}}}{P_{\text{praise}}}
  4. 判断标准q 接近1说明用户在用钱投票；q 明显小于1就要警惕伪需求。
    q<0.3⇒伪需求信号\displaystyle q<0.3\Rightarrow \text{伪需求信号}

AI 应用场景

场景一：用LLM分析用户访谈与试饮反馈

阶段：产品验证

解决的问题：传统方式靠人工逐条阅读用户访谈记录和问卷，一周才能整理完，容易漏掉关键信号。用大模型做意图分类和情绪分析，当天就能把几百条反馈归为“口味、价格、服务、操作”四类，并标出高频痛点。

具体案例：小林在试饮阶段把扫码反馈直接接入大模型接口，自动提取“太甜了”“小程序下单太慢”“希望有低因咖啡”等具体改进项，同时统计情绪倾向负面比例，快速定位配方问题。

场景二：AI客服与个性化推荐支撑获客留存

阶段：市场切入

解决的问题：传统客服需要3个人轮班，人力贵且响应慢。用基于大模型的智能客服回答“有没有无糖拿铁”“配送范围”等高频问题，再结合用户历史订单做“今天适合喝什么”的个性化推荐，提升复购率。

具体案例：小林的小程序接入AI咖啡助手：上班日早晨给老客推送“你常点的燕麦拿铁今天8折”，雨天推荐热饮组合；机器人解决80%常见咨询，剩下20%转人工，客服成本下降约60%。

场景三：AI辅助财务预测与BP生成

阶段：融资规划

解决的问题：传统BP靠手写财务模型，容易低估成本、高估增速，投资人不买账。用AI根据历史订单数据和行业基准生成收入预测、成本结构和敏感性分析，并把结果自动整理进商业计划书。

具体案例：小美用AI把三家店的真实订单数据导入预测模型，生成未来12个月现金流曲线，标注“最乐观、基准、最保守”三种情景，王老板看到后直夸他们的财务模型专业。

Python 演示

python41 行
def calc_cac(marketing_cost, new_customers):    """获客成本：市场费用 / 新增客户数"""    if new_customers <= 0:        return 0.0    return marketing_cost / new_customers def calc_ltv(arpu, gross_margin, monthly_churn):    """客户终身价值：客单价 * 毛利率 / 月流失率"""    churn = monthly_churn if monthly_churn > 0 else 0.01    return arpu * gross_margin / churn def calc_runway(cash, burn_rate):    """现金跑道：现金 / 月烧钱率，单位月"""    if burn_rate <= 0:        return float('inf')    return cash / burn_rate def health_report(cac, ltv, runway):    lines = []    ratio = ltv / cac if cac > 0 else 0.0    lines.append("LTV=%.1f CAC=%.1f LTV/CAC=%.2f" % (ltv, cac, ratio))    if ratio >= 3:        lines.append("获客健康：可以规模化投放")    elif ratio >= 1:        lines.append("获客临界：先优化转化再放量")    else:        lines.append("获客危急：每赚一块要花掉更多钱")    if runway < 6:        lines.append("跑道不足：只剩 %.1f 个月现金，优先止血" % runway)    elif runway < 12:        lines.append("跑道尚可：约 %.1f 个月，注意控制烧钱速度" % runway)    else:        lines.append("跑道充足：约 %.1f 个月现金" % runway)    return lines if __name__ == "__main__":    cac = calc_cac(50000, 160)          # 5万市场费换来160个新客    ltv = calc_ltv(120, 0.65, 0.06)     # 月客单价120元，毛利65%，月流失6%    runway = calc_runway(600000, 85000) # 现金60万，月烧8.5万    for line in health_report(cac, ltv, runway):        print(line)
目的：这是一个“创业财务健康度仪表盘”，输入获客成本、客单价、毛利率、流失率和现金储备，自动算出LTV/CAC比值和现金跑道，判断能否放心烧钱扩张。
  1. def calc_ltv(arpu, gross_margin, monthly_churn):计算客户终身价值，衡量一个客户一辈子能贡献多少毛利。
  2. return arpu * gross_margin / churn毛利率越高、流失率越低，客户越值钱。
  3. def calc_cac(marketing_cost, new_customers):CAC 是获取一个付费客户花掉的平均市场费用。
  4. ratio = ltv / cac if cac > 0 else 0.0LTV/CAC 是单位经济模型的黄金比例，决定投放信心。
  5. churn = monthly_churn if monthly_churn > 0 else 0.01防止除零，流失率最低按1%算。
  6. def calc_runway(cash, burn_rate):求现金的“生存时间”，创业团队的生死线。
  7. if ratio >= 3:只有回本周期合理、LTV 是 CAC 三倍以上，才适合规模化投放。

常见误区

误区我总觉得要把模型做得比OpenAI还好才算真正的AI公司，所以前半年一直泡在实验室刷榜，不敢去见客户，怕产品拿不出手。

正解创业公司衡量的是“客户的问题有没有被解决”，不是模型在排行榜上第几名。像小林那样先摆摊、先做MVP、先收钱，用最小成本验证真实需求，再从数据里倒推需要什么技术。技术是柴火，做饭好不好吃才是核心。

为何常见：技术背景的创始人容易把“技术领先”当成成功的充分条件，却忽略了AI创业本质是商业——先有人掏钱，再谈技术升级。

误区没有投资人的钱我根本启动不了。所以我第一件事就是写BP、约投资人，钱没到位之前什么都不敢做。

正解融资是放大器，不是发动机。正确的顺序是：先用最低成本（自己的钱或亲友的钱）验证需求，拿到真实数据和种子客户后再谈融资。没有验证就去融资，BP一戳就破，估值还会被压得很惨。

为何常见：朋友圈里铺天盖地的融资新闻让新人误以为“钱=成功”，忽略了投资人是来放大已经被验证的生意，而不是替你试错。

误区我的优势是能囤到海量数据，先爬下来存着，等以后做模型时总用得上，量大自然会值钱。

正解数据不是石油，未加工还可能是污染源。未经授权的用户数据训练模型违反个人信息保护法，爬虫还可能吃官司。真正值钱的是“来源合法、标注干净、针对业务场景”的私域数据，比如你自己的用户反馈和交易记录。少而精的数据远胜多而杂。

为何常见：互联网早期“数据为王”的思维惯性，让很多人忽视了AI时代的合规风险和数据处理成本。

误区看到大厂发布AI咖啡推荐系统，我觉得完了，人家有算法有人才有数据，我们小团队肯定拼不过。

正解大厂擅长通用产品和平台型打法，但垂直场景的“脏活累活”——行业Know-how、线下交付、贴身服务、长尾渠道——它们往往不愿碰。聚焦一个细分客户群，用十人团队快速迭代，反而能在大厂雷达之外长出一片根据地。

为何常见：把大厂的品牌声势误读成“全面占领”，其实大厂资源再强，也覆盖不了每一个垂直场景的深度需求。

误区用了开源大模型就不用付API费了，技术成本几乎为零，剩下的钱都能投到市场上去。

正解模型的权重免费，但部署要买GPU服务器，要请懂训练和推理优化的工程师，要处理数据清洗和运维告警。把模型跑起来和把模型跑得“准、快、稳”之间，隔着一整个团队和一台台不停烧钱的机器。技术选型要看总拥有成本（TCO），而不是只看License。

为何常见：只看到“开源=免费”的表面，忽略了算力、人力和长期运维的隐性成本，这是AI创业最常见的成本误判之一。

面试题

Q1. AI创业启动阶段，最应该优先凑齐哪类互补角色？

单选题 · easy

  • A.产品、技术、商业三类核心负责人← 正确答案
  • B.算法、前端、测试三种技术岗位
  • C.市场、运营、销售三类业务岗位
  • D.创始人、CEO、CTO三个管理层

答案：A。创业从0到1需要产品嗅觉、技术实现和商业变现三种能力形成“乘法”互补；BCD分别只覆盖了执行层、业务层或头衔层，缺了技术或商业的团队会像三腿凳少了腿。选A。

Q2. MVP（最小可行产品）的核心目的是什么？

单选题 · easy

  • A.把完整功能做全再上线测试
  • B.用最小成本验证真实需求← 正确答案
  • C.先做出漂亮界面吸引投资
  • D.展示团队过硬的开发实力

答案：B。MVP像小林门口的手冲试饮摊，目标是花最少的钱验证“有没有人愿意付费”，而不是把产品做完整。A犯了“先装修后验证”的错，C和D把MVP当成了展示品，偏离了验证需求的本意。

Q3. 某AI咖啡订阅项目，100人注册，30天后剩40人，月流失率约为（ ）

单选题 · mid

  • A.大约 40% 月留存率
  • B.大约 60% 月留存率
  • C.大约 60% 月流失率← 正确答案
  • D.大约 40% 月流失率

答案：C。30天留存率=40/100=40%，意味着100人里60人流失，所以月流失率是60%。A和D混淆了留存与流失，B把留存率当成了流失率。记住：留存率+流失率=1，这里最关键是看清题目问的是“流失”。

Q4. 初创AI团队做技术选型时，最先考虑的因素是？

单选题 · mid

  • A.模型在排行榜上是否第一
  • B.团队规模和总拥有成本← 正确答案
  • C.最新框架是否足够热门
  • D.投资人对技术路线的偏好

答案：B。技术选型核心是“当前阶段最划算”，要看团队能不能驾驭、成本撑不撑得住，而不是榜单和热度。A是典型的技术炫技心态，C盲目追新，D让外行替你做技术决策。选B最贴近小林“先算账再买机器”的思路。

Q5. 某AI客服服务 QPS=5，单次调用单价0.003元，一个月（30天）的推理成本约为（ ）

单选题 · mid

  • A.约 3.88 万元← 正确答案
  • B.约 1.30 万元
  • C.约 388 元
  • D.约 3880 元

答案：A。用公式C=QPS×86400×30×P，5×86400×30×0.003=38880元，即约3.88万元。BCD是数量级错误或漏乘换算系数。这个计算提醒创业者：看着便宜的0.003元，乘以流量和时间就是几十万的成本。

Q6. 融资谈判中，需要重点警惕的“毒条款”通常包括（ ）

多选题 · mid

  • A.清算优先权← 正确答案
  • B.对赌回购← 正确答案
  • C.期权池预留
  • D.连带责任条款← 正确答案

答案：ABD。清算优先权让投资人在公司出售时先拿钱，对赌回购要求业绩不达标就赔股份或连本带利买回，连带责任条款把创始人个人财产也绑进去，三者都是常见的陷阱条款。期权池预留是健康做法，用来激励未来员工，不是陷阱。

Q7. 某公司融资前总股份900万股，本轮向投资人发行100万股新股，创始人稀释后的持股比例约为（ ）

单选题 · hard

  • A.从 100% 降到 90%← 正确答案
  • B.从 100% 降到 85%
  • C.从 100% 降到 80%
  • D.从 100% 降到 95%

答案：A。稀释比例D=C/(A+C)=100/(900+100)=10%，创始人从原来100%降到90%。B、C、D分别对应20%、15%、5%的错误稀释率。算不清稀释就去融资，就像不看菜单就买单，容易在条款上吃暗亏。

Q8. 关于LTV与CAC的关系，以下说法正确的是（ ）

多选题 · hard

  • A.LTV/CAC≥3 时适合规模化投放← 正确答案
  • B.LTV < CAC 时业务必然无法持续
  • C.CAC 回收期越短现金流压力越小← 正确答案
  • D.提升留存率可以显著提升 LTV← 正确答案

答案：ACD。A正确，LTV是CAC三倍以上才敢放量获客；C正确，回收期短回本快，现金流更安全；D正确，流失率降低会直接放大LTV。B太绝对——早期为抢占市场可能暂时LTV<CAC，不能简单断言“必然无法持续”，要看阶段和资本策略。

Q9. AI创业中，北极星指标应该优先选择（ ）

单选题 · mid

  • A.累计融资总额多少
  • B.核心价值活跃指标← 正确答案
  • C.模型参数量大小
  • D.注册用户总数多少

答案：B。北极星指标要反映产品给用户带来的核心价值，比如MRR、周活跃、复购订单数。融资总额是资源不是价值，参数量是技术指标不是业务指标，注册用户总数是虚荣指标，容易被刷量注水。选B才符合“一个指标管住增长方向”的原则。

Q10. 以下哪些做法触碰了AI创业的合规红线（ ）

多选题 · easy

  • A.未授权用用户数据训练← 正确答案
  • B.AI 内容不标识来源← 正确答案
  • C.向用户明示 AI 身份
  • D.明文存储隐私数据← 正确答案

答案：ABD。未经授权训练模型违反个人信息保护法，AI生成内容不标识是监管明令禁止的行为，明文存储隐私数据属于安全失职，三者都是红线。C是正确做法——透明告知用户正在和AI对话，反而能建立信任，不属于违规。