原型驱动开发
†prototype-fidelity-pdlc-map（什么环节用什么保真度）、prototype-code-is-throwaway（破除"原型代码能直接上线"）、prototype-to-think（原型是思考工具不是验证步骤）、component-library-three-methods（品牌一致性）、prototyping-as-prototyping-medium→prompting-as-prototyping-medium（prompt 即原型）、mvp-fake-ai-with-prototype、synthetic-data-feature-prototyping-playbook（Karina Nguyen：Canvas 合成数据五步法）、extreme-version-prototyping（Nan Yu 极端版本法）。
原型保真度生命周期映射Prototype Fidelity Pdlc Map
PM/设计师各自孤岛式地做 AI 原型，团队不知道在开发生命周期的哪个环节该用什么保真度的原型、给谁看、花多少时间——导致 AI 原型停留在"个人实验"无法规模化。
原型代码即弃Prototype Code Is Throwaway
破除一个常见误解："PM 用 AI 做的原型已经有代码了，工程拿去改改就能上线，开发会更快。"
原型即思考工具Prototype To Think
如何把 prototyping 从"上线前的验证步骤"升级为"思考工具"，以及组织需要哪些基础设施才能真的快速原型。
组件库品牌同步三法Component Library Three Methods
AI 生成的原型长得不像自家产品，每次都要手工洗一遍样式，没法直接拿给客户或高管看——如何一次投入、让所有原型自动带品牌一致性。
提示词即原型媒介Prompting As Prototyping Medium
在 LLM 产品团队里,PM/设计师验证一个新想法是否成立,传统路径是写 PRD、画线框图、走评审。这条洞察指出:对 AI 产品而言,直接对模型下 prompt 本身就是一种更快、更真实的原型验证手段,可以在写一行代码之前就知道这个想法行不行。
拟真 AI 原型验证法MVP Fake AI With Prototype
早期创业者/团队想验证一个"未来会用到 AI"的产品想法时，该不该现在就投入训练真实模型；避免把宝贵的数据科学家时间浪费在还没验证市场需求的方向上。
合成数据原型制作手册Synthetic Data Feature Prototyping Playbook
要给一个 LLM 产品(比如 ChatGPT 的 Canvas)教会一套具体的新行为(什么时候触发、怎么编辑、怎么评论),不可能靠人工标注海量真实用户数据从零开始,尤其是产品还没上线、根本没有真实使用数据可用。这套打法说明如何用"合成数据+eval"的组合,在没有真实用户数据的情况下,快速把一个新行为教给模型。
极端版本原型法Extreme Version Prototyping
"要有创造力""要跳出框架思考"这种建议说起来容易,大多数人真正卡住的地方是:能看清眼前的东西,但看不到两三步之外的可能性,面对无穷的可能性反而不知道该往哪个方向走。需要一套具体可执行的方法,而不是空泛地"多想想"。