_{🧠 图解记忆：垂直 MVP 要用最小闭环验证真实工作流中的可持续价值；点击图片可查看原图。}

> 2026 年项目深挖高频题：面试官想听的不是“我用了 LangChain”，而是你面对一个资源有限的垂直行业场景，怎么选场景、拆模块、控风险。用“律所 AI”当例子讲通用方法，能同时体现行业理解 + 工程取舍。

💡 答案要点

核心原则：抓大放小 = 先做价值最大、数据最全、效果最好评的三个象限，其余一律后置。

第一步：场景排序（用三个维度打分）

维度：①业务价值（省人力/增收） ②数据可得性（有没有现成语料） ③效果可评测（对错边界清不清晰）

律所场景打分示例：
- 客服接待（案由咨询/预约/进度查询）：价值高、数据足（历史聊天记录）、可评测（转人工率/满意度）→ 先行
- 法律知识问答（法条/案例检索）：价值中高、数据足（公开法条+判决书）、可评测（检索命中率）→ 次之
- 文书辅助（合同审查/起诉状起草）：价值高、数据弱（文书涉密）、风险高（法律后果）→ 后置，先做人工审校的半自动

第二步：MVP 只做两件事（客服 + 法律问答），砍掉什么要明说：

砍掉/后置	原因
文书自动生成	出错有法律后果，且涉密数据清洗合规周期长
多租户/复杂权限	MVP 阶段单所试点即可
全渠道接入	先打通一个入口（官网/公众号）
Agent 全自主	先人工兜底，再逐步放开

第三步：数据准备是垂直行业的隐形工期（最容易踩坑）：

法律问答的 RAG 落地时间线：
公开法条 + 判决书 → 格式归一（PDF/扫描件解析）→ 清洗（脱敏！）
→ 切分策略 → 入库 → 检索评测 → 律师人工抽检

坑：
- 判决书格式千奇百怪，解析器要反复调
- 涉密文书必须脱敏，合规审查本身耗时间
- “律师觉得答得不对”才是真评测标准，光靠 RAGAS 分数不够

第四步：落地节奏——人工兜底 → 半自动 → 全自动：

阶段1：AI 生成草稿 + 律师人工修改（积累标注数据）
阶段2：结构化数据（案由/法条/时效）AI 直接答，开放性问题转人工
阶段3：常见问题全自动 + 自动回填知识库 + 效果看板

面试话术：

“垂直行业 MVP 我的思路是抓大放小：用价值、数据、可评测三个维度给场景排序。以律所为例，客服接待和法条问答先行——高频、语料足、对错能评；文书生成后置，因为出错有法律后果、数据又涉密，合规清洗周期长。数据准备是隐性工期，判决书解析、脱敏、律师人工抽检一样不能少。节奏上先人工兜底积累标注，再半自动，最后全自动，每一步都用线上数据回流评测集，证明效果真的在涨，才敢放开。"

---