1. 项目概述当AI化身“毒舌”投资人你有没有过这样的经历深夜灵光一闪一个自认为能“改变世界”的创业点子涌上心头越想越兴奋恨不得立刻辞职开干。但当你把这个想法分享给朋友或家人时得到的往往是礼貌性的鼓励“听起来不错”、“挺有意思的”。这种反馈虽然温暖却无法帮你真正看清这个想法在残酷的商业世界里的真实模样。它缺乏那种能让你瞬间清醒、直指核心的犀利拷问。这正是我构建这个AI项目的初衷。我开发了一个能够像顶级风险投资家VC那样对你的创业想法进行“毒舌”式拷问和剖析的AI工具。它不会给你虚假的安慰而是模拟VC在初次接触一个项目时那种冷静、挑剔甚至有些苛刻的评估视角。这个工具的核心不是要打击你的热情而是通过一种高强度的压力测试帮你提前发现商业逻辑中的漏洞、市场假设的薄弱环节以及执行层面可能存在的致命伤。它就像一个24小时在线的、不近人情的商业教练强迫你在投入真金白银和宝贵时间之前把想法打磨得更具说服力和可行性。这个工具特别适合那些处于创意验证阶段的准创业者、需要快速评估大量内部创新想法的产品经理或是商学院里学习商业计划书写作的学生。它能帮你跳出“自嗨”的陷阱用一套相对标准化的框架去审视那些你自以为无懈可击的假设。2. 核心设计思路如何让AI学会“毒舌”2.1 从VC的思维框架中提炼评估维度要让AI像VC一样思考首先得拆解VC的决策模型。VC评估一个早期项目通常不会只看一个炫酷的点子他们遵循的是一套结构化的分析框架。我的设计核心就是将这套框架转化为AI可以理解和执行的评估维度。我主要聚焦于以下几个核心维度问题与市场你解决的问题是“痛点”还是“痒点”目标市场是真实存在且规模足够大还是你臆想出来的市场增长趋势如何解决方案与产品你的产品是否真正、高效地解决了上述问题与现有解决方案相比你的优势是10倍的改进还是微创新技术或执行壁垒在哪里商业模式与变现你如何赚钱客户生命周期价值LTV和客户获取成本CAC的预估是否合理单位经济效益Unit Economics是否成立竞争与壁垒谁是你的直接和间接竞争对手你的护城河是什么是技术专利、网络效应、品牌还是成本优势团队与执行团队背景是否与要解决的问题匹配是否有相关的行业经验和执行能力这是VC尤其看重的点对于AI评估我会引导用户进行自我剖析。注意这套框架是通用基础但不同领域的VC侧重点不同。例如硬科技VC更看重技术壁垒和专利消费品牌VC则更看重品牌定位和渠道能力。在后续迭代中可以引入领域细分模型。2.2 构建“毒舌”话术库与交互逻辑仅仅有评估维度还不够如何让反馈具有“毒舌”的冲击力同时又不失建设性是关键挑战。我并没有让AI自由发挥生成刻薄话而是构建了一个分层的话术策略库。第一层诊断与质疑。基于用户的输入AI会先进行事实性诊断。例如当用户描述市场巨大时AI可能会回应“你提到目标市场有千亿规模请问这个数据来源是是第三方权威报告还是基于‘中国有14亿人每人花1块钱’的简单乘法请具体说明你的目标用户画像和可触达市场规模TAM。”第二层挑战与对比。接着AI会引入对比和挑战。比如针对解决方案“你描述的产品功能和现有的XXX竞品有70%的重合你声称的‘用户体验更好’具体指哪些指标是否有用户测试数据支撑如果没有这只是一个美好的假设。”第三层灵魂拷问。最后提出最核心的、关乎生死的问题。这通常是关于商业模式和壁垒的“如果你的模式这么容易赚钱为什么现有的行业巨头没有做是因为他们笨还是因为你看到了他们没看到的陷阱你的模式规模化后最大的风险会是什么”交互逻辑上我设计为多轮对话。AI不会一次性抛出所有问题而是像真实对话一样根据用户的上一轮回答进行追问和深化。例如当用户回答了市场数据来源后AI可能会接着问“基于这个数据你计划在第一年获取多少市场份额对应的营销预算是多少计算一下你的CAC看看是否在你提到的LTV的1/3以内”2.3 技术选型在能力、成本与可控性间权衡为了实现上述设计我进行了以下技术选型大语言模型LLM作为核心引擎我选择了GPT-4 Turbo API作为大脑。原因在于其强大的推理能力、对复杂指令的理解和遵循能力以及生成文本的自然度。Claude 3系列也是优秀候选但考虑到生态和工具链的熟悉度最终选择了GPT。关键点在于系统提示词System Prompt的精心设计这是项目的灵魂。提示词工程Prompt Engineering这是本项目的核心技术环节。我的系统提示词不是一个简单的指令而是一个详细的“角色扮演剧本”和“思维链”指南。它定义了AI的角色一位经验丰富、直言不讳的VC合伙人规定了对话的目标深度质疑、压力测试并嵌入了上述的评估框架作为思考模板。我还使用了“少样本学习Few-shot Learning”在提示词中提供了几个高质量的问答应答示例引导AI模仿那种犀利且聚焦的对话风格。应用层开发为了提供稳定、可访问的服务我使用Python的FastAPI框架构建了后端API。它接收用户输入的创业想法文本结合精心设计的提示词调用LLM API并将结构化的“毒舌”反馈返回。前端为了快速原型验证我使用了Streamlit构建了一个极简的Web界面用户可以在文本框里粘贴自己的点子点击按钮即可获得分析。记忆与上下文管理为了实现多轮深度对话必须让AI记住之前的交流内容。我采用了简单的对话历史缓存机制将整个对话历史包括用户输入和AI回复作为上下文在每次请求时一并发送给LLM。这里需要注意上下文长度限制和成本控制对于过长的对话需要设计摘要或选择性遗忘的机制。# 提示词核心片段示例简化版 system_prompt 你是一位有15年经验、以犀利直接著称的科技领域风险投资家VC。你正在评估一个早期创业项目。 你的任务不是鼓励或赞美而是进行严格的压力测试找出项目逻辑中的漏洞、不切实际的假设和潜在风险。 请以挑剔、质疑、连续追问的方式进行对话目标是帮助创业者理清思路而非打击其信心。 请从以下维度展开分析但不要机械地罗列问题而是融入自然对话 1. 问题与市场这是真需求还是伪需求市场是否足够大且可切入 2. 解决方案产品是否真的解决了问题相比现有方案有何10倍优势 3. 商业模式怎么赚钱单位经济模型是否成立 4. 竞争与壁垒护城河在哪里为什么是你而不是别人 5. 团队与执行团队有能力实现这个愿景吗 对话风格参考 创业者“我们做一个AI健身教练APP。” VC“AI健身教练市面上已经有Keep、Fiture镜子了。你的AI比Keep的课程智能在哪比Fiture的硬件体验好在哪用户为什么要在已经付费的APP之外再为你这个‘教练’买单你的数据从哪来没有足够的数据AI就是个噱头。” 现在请开始与创业者对话。 3. 核心功能拆解与实现细节3.1 创业想法结构化解析模块用户最初的输入可能是一段杂乱无章的文字描述。AI首先要做的是从中提取关键信息并结构化到我们预设的评估框架中。我并没有训练一个专门的NER命名实体识别模型而是通过LLM的强大能力来实现零样本信息抽取。我设计了一个独立的“解析提示词”要求LLM将用户输入分类填充到一个JSON模板中。这个模板包括problem_statement问题陈述、target_market目标市场、proposed_solution解决方案、business_model商业模式雏形、unfair_advantage自认优势。这个JSON对象不仅为后续的“毒舌”对话提供了结构化的靶子也帮助用户自己理清思路——很多时候用户会发现自己的输入根本无法填满这个模板这本身就是一次很好的自查。# 信息抽取提示词示例 extraction_prompt f 请从以下创业想法描述中提取关键信息并填入JSON格式。 描述{user_input} 请提取 1. problem_statement: 他们想解决的核心问题是什么1-2句话 2. target_market: 目标用户是谁市场大概规模或特征1-2句话 3. proposed_solution: 他们的产品或服务是什么1-2句话 4. business_model: 他们打算如何盈利如果未提及写“未说明” 5. unfair_advantage: 他们自认为的核心优势或壁垒是什么如果未提及写“未说明” 请只输出JSON对象不要有其他文字。 3.2 多轮深度质询对话引擎这是项目的核心交互体验。系统并非一次性生成一份评估报告而是模拟一场步步紧逼的对话。实现的关键在于维护一个不断增长的conversation_history列表。每次用户回复后这个历史列表会更新。新的提示词会包含系统角色设定、评估框架指导、以及完整的对话历史。这样LLM就能基于上下文进行连贯的、有针对性的追问。我设定了AI的“追问逻辑”优先针对用户回答中最模糊、最乐观或最缺乏依据的部分进行挑战如果用户给出了具体数据或事实则深入追问其来源和合理性如果用户承认了某个不确定性则引导其思考应对方案。例如用户说“我们的优势是算法更先进。”AI会追问“‘更先进’是一个主观形容词。请用客观指标说明在哪个公开数据集上你的算法比当前SOTA如XXX模型在F1分数/准确率/响应速度上提升了多少百分比你的团队里有发表过相关顶会论文的成员吗”如果用户回答“目前还没有具体对比数据是我们的直觉。”AI则会转向“那么在缺乏技术量化优势的情况下你打算通过什么其他方式构建初期壁垒是独家数据源、特殊的行业关系还是独特的用户体验设计”3.3 “毒舌”度与专业度的平衡控制器纯粹的“毒舌”容易变成人身攻击失去建设性。我通过参数和提示词设计了一个“平衡控制器”。在调用LLM API时我设置了temperature0.7。这个参数值略高于默认值使得AI的回答有一定随机性和“个性”能生成更自然、偶尔有意想不到的犀利比喻但又不会完全失控。同时在系统提示词中我反复强调“目标是帮助创业者理清思路而非打击其信心”、“质疑应基于事实和逻辑而非情绪”。此外我构建了一个“建设性话术”词库当AI提出一个尖锐问题后会偶尔附带一个引导性的建议。例如在质疑市场规模后可能会说“如果你没有第三方数据一个可行的办法是进行至少100份目标用户的访谈或问卷调查用定性反馈来初步验证需求强度。你做过类似的工作吗” 这样就将单纯的质疑转向了方法论指导。4. 实操搭建过程与核心代码解析4.1 后端API服务搭建FastAPI我选择FastAPI是因为其异步特性适合IO密集型的LLM调用且能自动生成API文档便于调试。首先定义请求和响应模型。请求模型IdeaRequest包含用户输入的想法描述响应模型VCRoastResponse则包含AI的回复内容。from pydantic import BaseModel from typing import List class IdeaRequest(BaseModel): idea_description: str conversation_history: List[str] [] # 用于支持多轮对话 class VCRoastResponse(BaseModel): reply: str updated_history: List[str] app FastAPI() # 一个全局的、简单的对话历史存储生产环境需用数据库或Redis conversation_store {} app.post(/roast, response_modelVCRoastResponse) async def roast_startup_idea(request: IdeaRequest, session_id: str Depends(get_session_id)): 核心接口接收创业想法返回VC式毒舌质询。 session_id用于关联多轮对话。 # 1. 获取或初始化该会话的历史记录 history conversation_store.get(session_id, []) if not history: # 第一轮先进行信息结构化提取 structured_info await extract_structured_info(request.idea_description) history.append(f创业者想法{request.idea_description}) history.append(f[系统解析摘要]{structured_info}) initial_question await generate_first_question(structured_info) history.append(fVC{initial_question}) conversation_store[session_id] history return VCRoastResponse(replyinitial_question, updated_historyhistory) else: # 第N轮将用户新回复加入历史并生成VC的下一轮追问 history.append(f创业者{request.idea_description}) next_question await generate_followup_question(history) history.append(fVC{next_question}) conversation_store[session_id] history return VCRoastResponse(replynext_question, updated_historyhistory)get_session_id函数可以基于请求头或生成一个唯一ID来区分不同用户会话。extract_structured_info和generate_first_question等函数封装了对OpenAI API的调用和提示词构建逻辑。4.2 提示词动态构建与LLM调用这是项目的核心逻辑。我创建了一个PromptBuilder类来动态组装提示词。import openai from typing import List class PromptBuilder: def __init__(self): self.system_message {...} # 完整的系统角色提示词内容很长 self.few_shot_examples [...] # 少样本示例对列表 def build_initial_prompt(self, structured_info: dict) - List[dict]: 构建第一轮质询的提示词 messages [ {role: system, content: self.system_message}, *self.few_shot_examples, # 注入示例 {role: user, content: f请基于以下创业想法摘要开始你的第一轮质询。想法摘要{structured_info}} ] return messages def build_followup_prompt(self, conversation_history: List[str]) - List[dict]: 构建后续轮次追问的提示词 messages [{role: system, content: self.system_message}] # 将文本历史转换为LLM所需的message格式 for i, text in enumerate(conversation_history): # 简单判断角色实际应用可能需要更精确的解析 if text.startswith(创业者) or text.startswith([系统解析摘要]): role user else: role assistant # 清理前缀 content text.split(, 1)[-1] if in text else text messages.append({role: role, content: content}) return messages async def call_llm(messages: List[dict]) - str: 调用OpenAI API try: response await openai.ChatCompletion.acreate( modelgpt-4-turbo-preview, messagesmessages, temperature0.7, max_tokens800, ) return response.choices[0].message.content.strip() except Exception as e: # 处理网络错误、额度不足等情况 return f抱歉VC思考时遇到了点麻烦{str(e)}。请稍后再试。4.3 前端交互界面Streamlit为了快速验证和展示我用Streamlit写了一个不到50行的前端。import streamlit as st import requests import uuid st.title( AI VC 创业点子压力测试) st.markdown(输入你的创业想法接受来自AI风险投资家的灵魂拷问。) # 初始化会话状态 if session_id not in st.session_state: st.session_state.session_id str(uuid.uuid4()) if history not in st.session_state: st.session_state.history [] # 显示对话历史 for line in st.session_state.history: st.markdown(line) # 输入框 with st.form(keyidea_form): user_input st.text_area(你的创业想法或回复上一轮问题:, height150) submit_button st.form_submit_button(label发送/开始拷问) if submit_button and user_input: # 调用后端API with st.spinner(VC正在思考如何怼你...): api_url http://your-backend-url/roast # 替换为实际后端地址 payload { idea_description: user_input, conversation_history: st.session_state.history } headers {X-Session-ID: st.session_state.session_id} response requests.post(api_url, jsonpayload, headersheaders).json() # 更新前端历史 st.session_state.history.append(f**你**{user_input}) st.session_state.history.append(f**AI VC**{response[reply]}) # 清空输入框并重新运行以刷新显示 st.rerun()这个界面极其简单但完整地展示了多轮对话的流程。生产环境可以考虑加入更丰富的UI设计、对话导出、评估报告生成等功能。5. 效果评估与真实案例“拷问”实录5.1 测试案例与AI反馈深度分析我使用了几个经典的、以及网络上常见的“创业点子”进行测试观察AI的反馈质量。案例一通用型——“做一个整合所有外卖平台的比价APP”用户输入“我想做一个APP可以同时展示美团、饿了么等所有外卖平台的商家和价格用户可以在上面直接比价下单我们从中赚取佣金或广告费。”AI VC第一轮质询“比价是个古老的需求。首先美团和饿了么的API会允许你自由抓取全量实时价格和库存信息吗据我所知它们的平台政策相当封闭。如果你通过爬虫技术实现法律风险和封杀风险极高。其次用户为什么要在你的APP比价后再跳转回原平台下单这增加了操作步骤。最后‘赚取佣金’意味着你需要和每个平台谈分佣协议作为一个新入局的小公司你的谈判筹码是什么请先回答这三个问题。”分析AI准确地抓住了三个致命点数据获取的合法性、用户体验的断裂和商业谈判的难度。它没有纠结于市场大小这很明显而是直接攻击模式成立的前提条件。案例二科技前沿型——“用AI为每个人生成专属的哲学导师”用户输入“我们利用大语言模型为每个用户生成一个专属的、懂得他们个人经历的AI哲学导师用于日常心灵对话和人生指导。”AI VC第一轮质询“有趣。首先定义一下‘哲学导师’是提供心理咨询服务还是传授哲学知识这涉及到完全不同的监管和伦理问题。如果是前者你的AI有医疗资质吗用户因你的‘指导’做出极端决定法律责任谁承担其次‘专属’意味着需要深度个人数据你的数据隐私和安全方案能达到什么级别GDPR和国内个人信息保护法如何合规最后付费点是什么为心灵安宁付费的意愿和频率你做过调研吗请优先澄清定位与合规性。”分析AI跳出了技术可行性的讨论因为基于LLM实现对话在技术上已不难直接上升到合规性、伦理和商业模式的层面。这是高阶VC会关注的问题尤其是涉及敏感领域心理、医疗、哲学时。案例三资源依赖型——“做一个高端人脉线下饭局平台”用户输入“打造一个邀请制的高端线下饭局平台邀请各行业大佬参加帮助年轻人链接人脉收取高额门票费。”AI VC第一轮质询“核心资产是‘大佬’的时间。第一个问题你凭什么能持续邀请到真正有分量、年轻人想见的大佬是你的个人背景还是初始资金如果依赖个人关系这不可规模化。第二个问题对大佬而言参加这种饭局的收益是什么是发现投资机会还是纯公益如果没有持续价值他们为什么第二次还要来第三个问题高额门票筛选出的年轻人他们的核心诉求是‘链接人脉’还是‘结识偶像’这种链接的有效性和后续转化率你如何衡量这个生意的本质是‘稀缺资源大佬时间的运营’请先证明你获取和维持这个稀缺资源的能力。”分析AI一针见血地指出其模式本质是运营稀缺资源并连续追问了供给端大佬、需求端年轻人和平台自身能力三个方面的关键问题逻辑链条非常清晰。5.2 工具的局限性认知经过大量测试我清醒地认识到这个工具的局限性依赖输入质量“垃圾进垃圾出”。如果用户输入过于模糊或简短AI的质疑可能流于表面。缺乏真正的行业洞见AI的质疑基于公开的、常见的商业逻辑和网络信息。它无法像某个垂直领域的资深投资人那样提出基于数十年经验才能看到的、极其细微的行业陷阱或机会。无法验证事实AI会追问数据的来源但它无法自行去核实数据的真伪。它只能指出“这里需要数据支撑”但不能说“你这个数据是错的”。创造性不足它的思维模式是批判性和分析性的而非创造性。它擅长找漏洞但不擅长为一个不成熟的想法“补锅”或提供建设性的转型建议尽管我在提示词中努力引导了一部分。实操心得这个工具最好的使用方式是作为创业者的“第一块思维磨刀石”。在去找真实投资人、甚至是在团队内部深入讨论之前先用它来自我挑战一遍。它能帮你提前准备好应对那些最常规、最尖锐的问题迫使你把模糊的想法变得具体。但它绝不能替代真实的市场调研、用户访谈和与领域专家的交流。6. 常见问题、优化方向与避坑指南6.1 使用过程中遇到的典型问题AI回避尖锐问题变得“温和”现象有时AI的提问会变得像商业计划书指南比如“请描述你的团队背景”而不是更具攻击性的“你的团队里没有任何人有这个行业经验你打算怎么弥补”排查检查temperature参数是否设置过低如0.2导致输出过于保守。回顾系统提示词中强调“犀利”、“质疑”的措辞是否足够强烈。在少样本示例中确保示例对话足够“毒舌”。解决将temperature调高至0.7-0.9。在系统提示词开头用更强烈的语言定义角色例如“你以提问尖锐、不留情面而闻名你的目标是撕开创业计划中所有美好的包装暴露其脆弱的本质。” 并增加更多极具挑战性的少样本示例。对话陷入循环或偏离核心现象AI连续几轮都在追问同一个问题的细枝末节如反复问市场规模的统计口径或者被用户带偏开始讨论与技术或商业无关的内容。排查对话历史可能变得过长且包含冗余信息干扰了AI的判断。也可能是提示词中的评估框架权重不够。解决实现一个“对话历史摘要”功能。当历史记录超过一定长度如10轮或Token数时调用LLM对之前的对话核心争议点进行摘要然后用摘要替换掉冗长的原始历史再继续对话。同时在每轮请求的提示词中再次简要强调“请始终围绕市场、产品、商业模式、竞争、团队这五个核心维度进行质疑。”API成本与响应速度现象多轮对话后每次请求携带的上下文越来越长导致API调用成本增加响应变慢。解决成本对于非关键的历史轮次可以使用更便宜的模型如gpt-3.5-turbo来生成摘要。或者设置一个对话轮次上限如15轮强制结束并生成总结报告。速度使用OpenAI的异步API接口确保后端服务本身不会阻塞。在前端给用户明确的等待提示。6.2 性能与体验优化方向领域专业化创建不同领域的“VC人设”。例如“硬科技VC”会更关注专利布局、研发周期和供应链“消费品牌VC”则更关注品牌定位、营销渠道和用户情感联结。用户可以在开始时选择领域系统加载对应的提示词和评估侧重点。结构化报告输出在对话结束后可以自动生成一份结构化评估报告将散落在对话中的质疑点归类到“市场风险”、“产品风险”、“商业模式风险”、“竞争风险”、“团队风险”等栏目下并附上对话中的关键问答片段作为佐证。这比单纯的对话记录更具可读性和传播性。“红队”与“蓝队”模式引入多智能体辩论。除了“毒舌VC”可以增加一个“乐观联合创始人”角色。用户的一个想法会同时接受VC的质疑和联合创始人的辩护AI与AI之间进行辩论为用户提供更立体的视角。集成基础数据分析虽然AI无法验证数据但可以集成简单工具。例如当用户提到“我们的目标市场是跨境电商卖家”AI可以调用一些公开API如谷歌趋势、行业报告摘要来反问“这是过去一年‘跨境电商’关键词的搜索热度趋势图显示近期有下降你怎么看这个趋势对你的影响” 这能极大增强质疑的说服力。6.3 开发部署中的避坑指南提示词安全与价值观对齐必须严格设定系统提示词的边界防止AI生成有害、歧视性或鼓励违法违规的内容。在提示词中明确加入“你的质疑必须基于商业逻辑、事实和理性推断不得涉及人身攻击、性别歧视、种族歧视或任何违法内容。” 同时利用OpenAI的内容审核API对输入和输出进行二次过滤。管理用户预期在工具醒目位置注明“本AI工具模拟VC视角旨在压力测试其观点不代表任何真实投资建议。创业成功取决于多重复杂因素请理性看待结果。” 避免用户将其结论奉为圭臬。上下文长度管理这是技术上的一个关键点。GPT-4 Turbo上下文长度可达128K但成本高。需要设计智能的上下文窗口滑动机制。例如只保留最近N轮对话最开始的系统提示和结构化信息摘要中间部分则丢弃或总结。这需要在对话连贯性和成本之间取得平衡。会话状态持久化示例中用了内存字典conversation_store这只适用于演示。在生产环境中必须使用数据库如PostgreSQL或分布式缓存如Redis来持久化会话状态并设置合理的过期时间如24小时以管理存储空间和用户隐私。构建这个项目的整个过程更像是一次对VC思维方式的逆向工程和对自己创业想法的反复锤炼。它最让我惊喜的价值不在于生成了多么刻薄的句子而在于它强制我以及测试者们用一种结构化的、反直觉的方式去审视自己珍视的“灵感”。很多时候我们不是缺少想法而是缺少一面足够坚硬、不留情面的镜子。这个AI工具就是试图成为这样一面镜子。它的光线也许有些刺眼但照出的轮廓或许比朋友们的柔光滤镜更接近真实世界的模样。
基于大语言模型与提示词工程构建AI创业想法评估工具
1. 项目概述当AI化身“毒舌”投资人你有没有过这样的经历深夜灵光一闪一个自认为能“改变世界”的创业点子涌上心头越想越兴奋恨不得立刻辞职开干。但当你把这个想法分享给朋友或家人时得到的往往是礼貌性的鼓励“听起来不错”、“挺有意思的”。这种反馈虽然温暖却无法帮你真正看清这个想法在残酷的商业世界里的真实模样。它缺乏那种能让你瞬间清醒、直指核心的犀利拷问。这正是我构建这个AI项目的初衷。我开发了一个能够像顶级风险投资家VC那样对你的创业想法进行“毒舌”式拷问和剖析的AI工具。它不会给你虚假的安慰而是模拟VC在初次接触一个项目时那种冷静、挑剔甚至有些苛刻的评估视角。这个工具的核心不是要打击你的热情而是通过一种高强度的压力测试帮你提前发现商业逻辑中的漏洞、市场假设的薄弱环节以及执行层面可能存在的致命伤。它就像一个24小时在线的、不近人情的商业教练强迫你在投入真金白银和宝贵时间之前把想法打磨得更具说服力和可行性。这个工具特别适合那些处于创意验证阶段的准创业者、需要快速评估大量内部创新想法的产品经理或是商学院里学习商业计划书写作的学生。它能帮你跳出“自嗨”的陷阱用一套相对标准化的框架去审视那些你自以为无懈可击的假设。2. 核心设计思路如何让AI学会“毒舌”2.1 从VC的思维框架中提炼评估维度要让AI像VC一样思考首先得拆解VC的决策模型。VC评估一个早期项目通常不会只看一个炫酷的点子他们遵循的是一套结构化的分析框架。我的设计核心就是将这套框架转化为AI可以理解和执行的评估维度。我主要聚焦于以下几个核心维度问题与市场你解决的问题是“痛点”还是“痒点”目标市场是真实存在且规模足够大还是你臆想出来的市场增长趋势如何解决方案与产品你的产品是否真正、高效地解决了上述问题与现有解决方案相比你的优势是10倍的改进还是微创新技术或执行壁垒在哪里商业模式与变现你如何赚钱客户生命周期价值LTV和客户获取成本CAC的预估是否合理单位经济效益Unit Economics是否成立竞争与壁垒谁是你的直接和间接竞争对手你的护城河是什么是技术专利、网络效应、品牌还是成本优势团队与执行团队背景是否与要解决的问题匹配是否有相关的行业经验和执行能力这是VC尤其看重的点对于AI评估我会引导用户进行自我剖析。注意这套框架是通用基础但不同领域的VC侧重点不同。例如硬科技VC更看重技术壁垒和专利消费品牌VC则更看重品牌定位和渠道能力。在后续迭代中可以引入领域细分模型。2.2 构建“毒舌”话术库与交互逻辑仅仅有评估维度还不够如何让反馈具有“毒舌”的冲击力同时又不失建设性是关键挑战。我并没有让AI自由发挥生成刻薄话而是构建了一个分层的话术策略库。第一层诊断与质疑。基于用户的输入AI会先进行事实性诊断。例如当用户描述市场巨大时AI可能会回应“你提到目标市场有千亿规模请问这个数据来源是是第三方权威报告还是基于‘中国有14亿人每人花1块钱’的简单乘法请具体说明你的目标用户画像和可触达市场规模TAM。”第二层挑战与对比。接着AI会引入对比和挑战。比如针对解决方案“你描述的产品功能和现有的XXX竞品有70%的重合你声称的‘用户体验更好’具体指哪些指标是否有用户测试数据支撑如果没有这只是一个美好的假设。”第三层灵魂拷问。最后提出最核心的、关乎生死的问题。这通常是关于商业模式和壁垒的“如果你的模式这么容易赚钱为什么现有的行业巨头没有做是因为他们笨还是因为你看到了他们没看到的陷阱你的模式规模化后最大的风险会是什么”交互逻辑上我设计为多轮对话。AI不会一次性抛出所有问题而是像真实对话一样根据用户的上一轮回答进行追问和深化。例如当用户回答了市场数据来源后AI可能会接着问“基于这个数据你计划在第一年获取多少市场份额对应的营销预算是多少计算一下你的CAC看看是否在你提到的LTV的1/3以内”2.3 技术选型在能力、成本与可控性间权衡为了实现上述设计我进行了以下技术选型大语言模型LLM作为核心引擎我选择了GPT-4 Turbo API作为大脑。原因在于其强大的推理能力、对复杂指令的理解和遵循能力以及生成文本的自然度。Claude 3系列也是优秀候选但考虑到生态和工具链的熟悉度最终选择了GPT。关键点在于系统提示词System Prompt的精心设计这是项目的灵魂。提示词工程Prompt Engineering这是本项目的核心技术环节。我的系统提示词不是一个简单的指令而是一个详细的“角色扮演剧本”和“思维链”指南。它定义了AI的角色一位经验丰富、直言不讳的VC合伙人规定了对话的目标深度质疑、压力测试并嵌入了上述的评估框架作为思考模板。我还使用了“少样本学习Few-shot Learning”在提示词中提供了几个高质量的问答应答示例引导AI模仿那种犀利且聚焦的对话风格。应用层开发为了提供稳定、可访问的服务我使用Python的FastAPI框架构建了后端API。它接收用户输入的创业想法文本结合精心设计的提示词调用LLM API并将结构化的“毒舌”反馈返回。前端为了快速原型验证我使用了Streamlit构建了一个极简的Web界面用户可以在文本框里粘贴自己的点子点击按钮即可获得分析。记忆与上下文管理为了实现多轮深度对话必须让AI记住之前的交流内容。我采用了简单的对话历史缓存机制将整个对话历史包括用户输入和AI回复作为上下文在每次请求时一并发送给LLM。这里需要注意上下文长度限制和成本控制对于过长的对话需要设计摘要或选择性遗忘的机制。# 提示词核心片段示例简化版 system_prompt 你是一位有15年经验、以犀利直接著称的科技领域风险投资家VC。你正在评估一个早期创业项目。 你的任务不是鼓励或赞美而是进行严格的压力测试找出项目逻辑中的漏洞、不切实际的假设和潜在风险。 请以挑剔、质疑、连续追问的方式进行对话目标是帮助创业者理清思路而非打击其信心。 请从以下维度展开分析但不要机械地罗列问题而是融入自然对话 1. 问题与市场这是真需求还是伪需求市场是否足够大且可切入 2. 解决方案产品是否真的解决了问题相比现有方案有何10倍优势 3. 商业模式怎么赚钱单位经济模型是否成立 4. 竞争与壁垒护城河在哪里为什么是你而不是别人 5. 团队与执行团队有能力实现这个愿景吗 对话风格参考 创业者“我们做一个AI健身教练APP。” VC“AI健身教练市面上已经有Keep、Fiture镜子了。你的AI比Keep的课程智能在哪比Fiture的硬件体验好在哪用户为什么要在已经付费的APP之外再为你这个‘教练’买单你的数据从哪来没有足够的数据AI就是个噱头。” 现在请开始与创业者对话。 3. 核心功能拆解与实现细节3.1 创业想法结构化解析模块用户最初的输入可能是一段杂乱无章的文字描述。AI首先要做的是从中提取关键信息并结构化到我们预设的评估框架中。我并没有训练一个专门的NER命名实体识别模型而是通过LLM的强大能力来实现零样本信息抽取。我设计了一个独立的“解析提示词”要求LLM将用户输入分类填充到一个JSON模板中。这个模板包括problem_statement问题陈述、target_market目标市场、proposed_solution解决方案、business_model商业模式雏形、unfair_advantage自认优势。这个JSON对象不仅为后续的“毒舌”对话提供了结构化的靶子也帮助用户自己理清思路——很多时候用户会发现自己的输入根本无法填满这个模板这本身就是一次很好的自查。# 信息抽取提示词示例 extraction_prompt f 请从以下创业想法描述中提取关键信息并填入JSON格式。 描述{user_input} 请提取 1. problem_statement: 他们想解决的核心问题是什么1-2句话 2. target_market: 目标用户是谁市场大概规模或特征1-2句话 3. proposed_solution: 他们的产品或服务是什么1-2句话 4. business_model: 他们打算如何盈利如果未提及写“未说明” 5. unfair_advantage: 他们自认为的核心优势或壁垒是什么如果未提及写“未说明” 请只输出JSON对象不要有其他文字。 3.2 多轮深度质询对话引擎这是项目的核心交互体验。系统并非一次性生成一份评估报告而是模拟一场步步紧逼的对话。实现的关键在于维护一个不断增长的conversation_history列表。每次用户回复后这个历史列表会更新。新的提示词会包含系统角色设定、评估框架指导、以及完整的对话历史。这样LLM就能基于上下文进行连贯的、有针对性的追问。我设定了AI的“追问逻辑”优先针对用户回答中最模糊、最乐观或最缺乏依据的部分进行挑战如果用户给出了具体数据或事实则深入追问其来源和合理性如果用户承认了某个不确定性则引导其思考应对方案。例如用户说“我们的优势是算法更先进。”AI会追问“‘更先进’是一个主观形容词。请用客观指标说明在哪个公开数据集上你的算法比当前SOTA如XXX模型在F1分数/准确率/响应速度上提升了多少百分比你的团队里有发表过相关顶会论文的成员吗”如果用户回答“目前还没有具体对比数据是我们的直觉。”AI则会转向“那么在缺乏技术量化优势的情况下你打算通过什么其他方式构建初期壁垒是独家数据源、特殊的行业关系还是独特的用户体验设计”3.3 “毒舌”度与专业度的平衡控制器纯粹的“毒舌”容易变成人身攻击失去建设性。我通过参数和提示词设计了一个“平衡控制器”。在调用LLM API时我设置了temperature0.7。这个参数值略高于默认值使得AI的回答有一定随机性和“个性”能生成更自然、偶尔有意想不到的犀利比喻但又不会完全失控。同时在系统提示词中我反复强调“目标是帮助创业者理清思路而非打击其信心”、“质疑应基于事实和逻辑而非情绪”。此外我构建了一个“建设性话术”词库当AI提出一个尖锐问题后会偶尔附带一个引导性的建议。例如在质疑市场规模后可能会说“如果你没有第三方数据一个可行的办法是进行至少100份目标用户的访谈或问卷调查用定性反馈来初步验证需求强度。你做过类似的工作吗” 这样就将单纯的质疑转向了方法论指导。4. 实操搭建过程与核心代码解析4.1 后端API服务搭建FastAPI我选择FastAPI是因为其异步特性适合IO密集型的LLM调用且能自动生成API文档便于调试。首先定义请求和响应模型。请求模型IdeaRequest包含用户输入的想法描述响应模型VCRoastResponse则包含AI的回复内容。from pydantic import BaseModel from typing import List class IdeaRequest(BaseModel): idea_description: str conversation_history: List[str] [] # 用于支持多轮对话 class VCRoastResponse(BaseModel): reply: str updated_history: List[str] app FastAPI() # 一个全局的、简单的对话历史存储生产环境需用数据库或Redis conversation_store {} app.post(/roast, response_modelVCRoastResponse) async def roast_startup_idea(request: IdeaRequest, session_id: str Depends(get_session_id)): 核心接口接收创业想法返回VC式毒舌质询。 session_id用于关联多轮对话。 # 1. 获取或初始化该会话的历史记录 history conversation_store.get(session_id, []) if not history: # 第一轮先进行信息结构化提取 structured_info await extract_structured_info(request.idea_description) history.append(f创业者想法{request.idea_description}) history.append(f[系统解析摘要]{structured_info}) initial_question await generate_first_question(structured_info) history.append(fVC{initial_question}) conversation_store[session_id] history return VCRoastResponse(replyinitial_question, updated_historyhistory) else: # 第N轮将用户新回复加入历史并生成VC的下一轮追问 history.append(f创业者{request.idea_description}) next_question await generate_followup_question(history) history.append(fVC{next_question}) conversation_store[session_id] history return VCRoastResponse(replynext_question, updated_historyhistory)get_session_id函数可以基于请求头或生成一个唯一ID来区分不同用户会话。extract_structured_info和generate_first_question等函数封装了对OpenAI API的调用和提示词构建逻辑。4.2 提示词动态构建与LLM调用这是项目的核心逻辑。我创建了一个PromptBuilder类来动态组装提示词。import openai from typing import List class PromptBuilder: def __init__(self): self.system_message {...} # 完整的系统角色提示词内容很长 self.few_shot_examples [...] # 少样本示例对列表 def build_initial_prompt(self, structured_info: dict) - List[dict]: 构建第一轮质询的提示词 messages [ {role: system, content: self.system_message}, *self.few_shot_examples, # 注入示例 {role: user, content: f请基于以下创业想法摘要开始你的第一轮质询。想法摘要{structured_info}} ] return messages def build_followup_prompt(self, conversation_history: List[str]) - List[dict]: 构建后续轮次追问的提示词 messages [{role: system, content: self.system_message}] # 将文本历史转换为LLM所需的message格式 for i, text in enumerate(conversation_history): # 简单判断角色实际应用可能需要更精确的解析 if text.startswith(创业者) or text.startswith([系统解析摘要]): role user else: role assistant # 清理前缀 content text.split(, 1)[-1] if in text else text messages.append({role: role, content: content}) return messages async def call_llm(messages: List[dict]) - str: 调用OpenAI API try: response await openai.ChatCompletion.acreate( modelgpt-4-turbo-preview, messagesmessages, temperature0.7, max_tokens800, ) return response.choices[0].message.content.strip() except Exception as e: # 处理网络错误、额度不足等情况 return f抱歉VC思考时遇到了点麻烦{str(e)}。请稍后再试。4.3 前端交互界面Streamlit为了快速验证和展示我用Streamlit写了一个不到50行的前端。import streamlit as st import requests import uuid st.title( AI VC 创业点子压力测试) st.markdown(输入你的创业想法接受来自AI风险投资家的灵魂拷问。) # 初始化会话状态 if session_id not in st.session_state: st.session_state.session_id str(uuid.uuid4()) if history not in st.session_state: st.session_state.history [] # 显示对话历史 for line in st.session_state.history: st.markdown(line) # 输入框 with st.form(keyidea_form): user_input st.text_area(你的创业想法或回复上一轮问题:, height150) submit_button st.form_submit_button(label发送/开始拷问) if submit_button and user_input: # 调用后端API with st.spinner(VC正在思考如何怼你...): api_url http://your-backend-url/roast # 替换为实际后端地址 payload { idea_description: user_input, conversation_history: st.session_state.history } headers {X-Session-ID: st.session_state.session_id} response requests.post(api_url, jsonpayload, headersheaders).json() # 更新前端历史 st.session_state.history.append(f**你**{user_input}) st.session_state.history.append(f**AI VC**{response[reply]}) # 清空输入框并重新运行以刷新显示 st.rerun()这个界面极其简单但完整地展示了多轮对话的流程。生产环境可以考虑加入更丰富的UI设计、对话导出、评估报告生成等功能。5. 效果评估与真实案例“拷问”实录5.1 测试案例与AI反馈深度分析我使用了几个经典的、以及网络上常见的“创业点子”进行测试观察AI的反馈质量。案例一通用型——“做一个整合所有外卖平台的比价APP”用户输入“我想做一个APP可以同时展示美团、饿了么等所有外卖平台的商家和价格用户可以在上面直接比价下单我们从中赚取佣金或广告费。”AI VC第一轮质询“比价是个古老的需求。首先美团和饿了么的API会允许你自由抓取全量实时价格和库存信息吗据我所知它们的平台政策相当封闭。如果你通过爬虫技术实现法律风险和封杀风险极高。其次用户为什么要在你的APP比价后再跳转回原平台下单这增加了操作步骤。最后‘赚取佣金’意味着你需要和每个平台谈分佣协议作为一个新入局的小公司你的谈判筹码是什么请先回答这三个问题。”分析AI准确地抓住了三个致命点数据获取的合法性、用户体验的断裂和商业谈判的难度。它没有纠结于市场大小这很明显而是直接攻击模式成立的前提条件。案例二科技前沿型——“用AI为每个人生成专属的哲学导师”用户输入“我们利用大语言模型为每个用户生成一个专属的、懂得他们个人经历的AI哲学导师用于日常心灵对话和人生指导。”AI VC第一轮质询“有趣。首先定义一下‘哲学导师’是提供心理咨询服务还是传授哲学知识这涉及到完全不同的监管和伦理问题。如果是前者你的AI有医疗资质吗用户因你的‘指导’做出极端决定法律责任谁承担其次‘专属’意味着需要深度个人数据你的数据隐私和安全方案能达到什么级别GDPR和国内个人信息保护法如何合规最后付费点是什么为心灵安宁付费的意愿和频率你做过调研吗请优先澄清定位与合规性。”分析AI跳出了技术可行性的讨论因为基于LLM实现对话在技术上已不难直接上升到合规性、伦理和商业模式的层面。这是高阶VC会关注的问题尤其是涉及敏感领域心理、医疗、哲学时。案例三资源依赖型——“做一个高端人脉线下饭局平台”用户输入“打造一个邀请制的高端线下饭局平台邀请各行业大佬参加帮助年轻人链接人脉收取高额门票费。”AI VC第一轮质询“核心资产是‘大佬’的时间。第一个问题你凭什么能持续邀请到真正有分量、年轻人想见的大佬是你的个人背景还是初始资金如果依赖个人关系这不可规模化。第二个问题对大佬而言参加这种饭局的收益是什么是发现投资机会还是纯公益如果没有持续价值他们为什么第二次还要来第三个问题高额门票筛选出的年轻人他们的核心诉求是‘链接人脉’还是‘结识偶像’这种链接的有效性和后续转化率你如何衡量这个生意的本质是‘稀缺资源大佬时间的运营’请先证明你获取和维持这个稀缺资源的能力。”分析AI一针见血地指出其模式本质是运营稀缺资源并连续追问了供给端大佬、需求端年轻人和平台自身能力三个方面的关键问题逻辑链条非常清晰。5.2 工具的局限性认知经过大量测试我清醒地认识到这个工具的局限性依赖输入质量“垃圾进垃圾出”。如果用户输入过于模糊或简短AI的质疑可能流于表面。缺乏真正的行业洞见AI的质疑基于公开的、常见的商业逻辑和网络信息。它无法像某个垂直领域的资深投资人那样提出基于数十年经验才能看到的、极其细微的行业陷阱或机会。无法验证事实AI会追问数据的来源但它无法自行去核实数据的真伪。它只能指出“这里需要数据支撑”但不能说“你这个数据是错的”。创造性不足它的思维模式是批判性和分析性的而非创造性。它擅长找漏洞但不擅长为一个不成熟的想法“补锅”或提供建设性的转型建议尽管我在提示词中努力引导了一部分。实操心得这个工具最好的使用方式是作为创业者的“第一块思维磨刀石”。在去找真实投资人、甚至是在团队内部深入讨论之前先用它来自我挑战一遍。它能帮你提前准备好应对那些最常规、最尖锐的问题迫使你把模糊的想法变得具体。但它绝不能替代真实的市场调研、用户访谈和与领域专家的交流。6. 常见问题、优化方向与避坑指南6.1 使用过程中遇到的典型问题AI回避尖锐问题变得“温和”现象有时AI的提问会变得像商业计划书指南比如“请描述你的团队背景”而不是更具攻击性的“你的团队里没有任何人有这个行业经验你打算怎么弥补”排查检查temperature参数是否设置过低如0.2导致输出过于保守。回顾系统提示词中强调“犀利”、“质疑”的措辞是否足够强烈。在少样本示例中确保示例对话足够“毒舌”。解决将temperature调高至0.7-0.9。在系统提示词开头用更强烈的语言定义角色例如“你以提问尖锐、不留情面而闻名你的目标是撕开创业计划中所有美好的包装暴露其脆弱的本质。” 并增加更多极具挑战性的少样本示例。对话陷入循环或偏离核心现象AI连续几轮都在追问同一个问题的细枝末节如反复问市场规模的统计口径或者被用户带偏开始讨论与技术或商业无关的内容。排查对话历史可能变得过长且包含冗余信息干扰了AI的判断。也可能是提示词中的评估框架权重不够。解决实现一个“对话历史摘要”功能。当历史记录超过一定长度如10轮或Token数时调用LLM对之前的对话核心争议点进行摘要然后用摘要替换掉冗长的原始历史再继续对话。同时在每轮请求的提示词中再次简要强调“请始终围绕市场、产品、商业模式、竞争、团队这五个核心维度进行质疑。”API成本与响应速度现象多轮对话后每次请求携带的上下文越来越长导致API调用成本增加响应变慢。解决成本对于非关键的历史轮次可以使用更便宜的模型如gpt-3.5-turbo来生成摘要。或者设置一个对话轮次上限如15轮强制结束并生成总结报告。速度使用OpenAI的异步API接口确保后端服务本身不会阻塞。在前端给用户明确的等待提示。6.2 性能与体验优化方向领域专业化创建不同领域的“VC人设”。例如“硬科技VC”会更关注专利布局、研发周期和供应链“消费品牌VC”则更关注品牌定位、营销渠道和用户情感联结。用户可以在开始时选择领域系统加载对应的提示词和评估侧重点。结构化报告输出在对话结束后可以自动生成一份结构化评估报告将散落在对话中的质疑点归类到“市场风险”、“产品风险”、“商业模式风险”、“竞争风险”、“团队风险”等栏目下并附上对话中的关键问答片段作为佐证。这比单纯的对话记录更具可读性和传播性。“红队”与“蓝队”模式引入多智能体辩论。除了“毒舌VC”可以增加一个“乐观联合创始人”角色。用户的一个想法会同时接受VC的质疑和联合创始人的辩护AI与AI之间进行辩论为用户提供更立体的视角。集成基础数据分析虽然AI无法验证数据但可以集成简单工具。例如当用户提到“我们的目标市场是跨境电商卖家”AI可以调用一些公开API如谷歌趋势、行业报告摘要来反问“这是过去一年‘跨境电商’关键词的搜索热度趋势图显示近期有下降你怎么看这个趋势对你的影响” 这能极大增强质疑的说服力。6.3 开发部署中的避坑指南提示词安全与价值观对齐必须严格设定系统提示词的边界防止AI生成有害、歧视性或鼓励违法违规的内容。在提示词中明确加入“你的质疑必须基于商业逻辑、事实和理性推断不得涉及人身攻击、性别歧视、种族歧视或任何违法内容。” 同时利用OpenAI的内容审核API对输入和输出进行二次过滤。管理用户预期在工具醒目位置注明“本AI工具模拟VC视角旨在压力测试其观点不代表任何真实投资建议。创业成功取决于多重复杂因素请理性看待结果。” 避免用户将其结论奉为圭臬。上下文长度管理这是技术上的一个关键点。GPT-4 Turbo上下文长度可达128K但成本高。需要设计智能的上下文窗口滑动机制。例如只保留最近N轮对话最开始的系统提示和结构化信息摘要中间部分则丢弃或总结。这需要在对话连贯性和成本之间取得平衡。会话状态持久化示例中用了内存字典conversation_store这只适用于演示。在生产环境中必须使用数据库如PostgreSQL或分布式缓存如Redis来持久化会话状态并设置合理的过期时间如24小时以管理存储空间和用户隐私。构建这个项目的整个过程更像是一次对VC思维方式的逆向工程和对自己创业想法的反复锤炼。它最让我惊喜的价值不在于生成了多么刻薄的句子而在于它强制我以及测试者们用一种结构化的、反直觉的方式去审视自己珍视的“灵感”。很多时候我们不是缺少想法而是缺少一面足够坚硬、不留情面的镜子。这个AI工具就是试图成为这样一面镜子。它的光线也许有些刺眼但照出的轮廓或许比朋友们的柔光滤镜更接近真实世界的模样。
