小，只有在能证明重要事情时才有用。一个无法改变下一步决策的小构建，仅仅是不完整而已。
学习目标
- 根据切片所证明的假设来定义切片。
- 在结果价值、不确定性削减、投入和后果之间取得平衡。
- 优先选择可逆的证据，而不是过早的生产承诺。
- 拒绝遗漏工作流中高风险部分的切片。
纵向意味着端到端的证据
一个有用的切片横跨观察结果所需的最小真实工作流。它可以在用户、数据、时长和能力上收窄。但它不应通过移除你恰恰需要检验的那份不确定性来收窄。
例如：
- 在十起真实事件上做只读回放，检验服务识别与操作员信任。
- 在合成数据上做一个精致的仪表盘，可能检验理解度，但检验不了数据可行性。
- 生产环境的自动修复器会一次性检验所有东西，后果不可接受。
先定义所需的证明
取出风险最高的未决假设，把它们转化为一组必需的证明。候选切片只有覆盖这组证明才有资格入选。
然后按以下维度比较合格的切片：
| 维度 | 方向 |
|---|---|
| 结果价值 | 越多越好 |
| 削减的不确定性 | 越多越好 |
| 投入 | 越少越好 |
| 后果 | 越小越好 |
| 可逆性 | 越高越好 |
实验室的评分刻意保持简单。资格门槛比算术更重要。
flowchart TD
R[Required proof] --> C1[Candidate slice 1]
R --> C2[Candidate slice 2]
R --> C3[Candidate slice 3]
C1 --> G{Covers all proof?}
C2 --> G
C3 --> G
G -->|No| X[Reject]
G -->|Yes| S[Compare evidence per effort and risk]
S --> B[Build one slice]常见的伪最小值
- 只做 UI 的最小值： 移除了数据和运营层面的不确定性。
- 只做基础设施的最小值： 证明了技术可行性，却没有用户价值。
- 只走顺利路径的最小值： 遗漏了制造大部分风险的异常情况。
- 演示版最小值： 产出一个有说服力的样品，却没有可重复的测量。
- 平台最小值： 在一个工作流赢得它之前，就构建可复用的机制。
加上停止规则
在实现之前，写下切片失败时会发生什么：
- 放弃这个结果；
- 更换目标用户或场景；
- 测试另一种机制；
- 收集更好的证据；
- 进一步收窄权限。
如果任何结果都指向「继续构建」，那这个切片就不是实验。
构建它
实验室按必需的证明筛选候选切片，为合格的切片打分，并写出 outputs/slice-decision.json。
bashpython3 code/main.py
python3 -m unittest discover code/tests -v添加一个更便宜的候选切片，它只证明一条必需的假设。即使它的数值评分很高，也应保持不合格。
练习
- 为同一个结果设计三个不同后果层级的切片。
- 在给它们打分之前先声明所需的证明集。
- 移除一项能力，同时保留决定性证据。
- 为一次失败的试点添加停止规则。
- 找出一个应当等到切片完成之后再做的可复用平台组件。
延伸阅读
- Barry Boehm, A Spiral Model of Software Development and Enhancement，介绍如何让每个开发循环与它必须解决的风险相匹配。
- Lenarduzzi and Taibi, MVP Explained: A Systematic Mapping Study on the Definitions of Minimal Viable Product，介绍软件产品实践中「最小」与「可行」两个词周围的模糊性。
你要保留的内容
保留 outputs/slice-decision.json。它记录了这个切片为什么是能改变决策的最小切片。