蜜月悬崖：宣传拉高的期望，要用留存来还
期望确认理论：满意度等于体验减期望。先玩抽卡机看懂「演示是 P99、用户拿到 P50」，再拖宣传强度滑块看注册转化和三十日留存此消彼长，最后在期望曲线编辑器上拨三个杠杆
本页解决的问题
先给结论「蜜月悬崖：宣传拉高的期望，要用留存来还」要解决的关键问题是什么？
期望确认理论：满意度等于体验减期望。先玩抽卡机看懂「演示是 P99、用户拿到 P50」，再拖宣传强度滑块看注册转化和三十日留存此消彼长，最后在期望曲线编辑器上拨三个杠杆
把品味变成产品可重复的行为。 有用的结果不是一句“我觉得更好”。它应该是一条看得见的规则、一个小例子，以及判断体验何时低于标准的方法。
记录一个前后对比，让别人不用听解释也能看懂质量线。
表面更精致了，却没有减少用户的不确定感。
体验是固定成本做出来的，期望是营销文案一句话抬上去的。抬期望免费，还期望要命。
AI 产品在这道减法题上天生吃亏，原因藏在概率里。左边是发布会演示位，右边是用户真实使用。两边连的是同一个模型，点「生成」抽五次，看两边各拿到什么。
既然期望是宣传抬上去的，抬多高就成了一道产品决策题。左边是你的落地页，拖滑块换五档文案；右边三个指标当场变。找找转化 × 留存乘积最大的那一档。
就算期望管理得当，还有一道坎：新鲜感天然会掉。教育技术研究里叫 novelty effect：新工具刚进课堂时效果显著，几周后回落，因为一部分效果来自「新」本身。AI 产品的蜜月期尤其短：第一次看它写诗是魔法，第十次是功能，第一百次是理所应当，出一次错就是垃圾。
这是用户上手后 30 天的满意度曲线。当前状态：宣传拉满、能力首日全亮、改进悄悄挤牙膏，标准的蜜月悬崖。右边三个杠杆挨个拨开，看曲线怎么被一段段接住。
满意度 = 体验 − 期望：抬期望免费，还期望要命。期望确认理论四十年没被推翻过。
demo 是分布里挑的尖子：宣传展示 P99，用户拿到 P50，概率产品的宣传天生自带期望泡沫，落差全记在产品头上。
魔法感是消耗品：新鲜感天然消退，靠首次惊艳撑留存等于靠烟花取暖。
三个杠杆接住曲线：承诺低一档（文案写 P50）、能力藏一手（进阶功能排期解锁）、改进攒着发（changelog 是免费的二次蜜月）。
内容来源：newwebplay AI「AI 产品心理学」专题原创；期望确认理论出自 Oliver, A Cognitive Model of the Antecedents and Consequences of Satisfaction Decisions（1980）；新鲜感效应为教育技术研究通行结论。
从「一条公式 · 满意度是道减法题」把感觉变成判断
「AI 产品在这道减法题上天生吃亏，原因藏在概率里。左边是发布会演示位，右边是用户真实使用。」指出，AI 降低了做出“能用”成品的门槛，读者真正需要练的是看出哪里不对，并把感觉说成可以执行的要求。
观察用户的下一步，而不是只看表面
「既然期望是宣传抬上去的，抬多高就成了一道产品决策题。左边是你的落地页，拖滑块换五档文案；右边三个指标当场变。找找 转化 × 留存乘积最大 的那一档」可以转成几个可观察的问题：用户是否知道现在发生了什么，是否知道下一步做什么，出错或空白时能否恢复，以及信息层级是否让重要内容先被看见。
漂亮不等于容易用
把「三个杠杆接住曲线： 承诺低一档（文案写 P50）、能力藏一手（进阶功能排期解锁）、改进攒着发（changelog 是免费的二次蜜月）」用在第二个页面或流程上，记录一个具体犹豫点和一个改动后的用户动作；能被观察到的变化，才是体验改善。
从「一条公式 · 满意度是道减法题」走到「动手 · 抽卡机：演示位和真实用，差在哪」
「一条公式 · 满意度是道减法题」先把问题落在「满意度 = 实际体验 − 事前期望 期望确认理论（Oliver，1980），消费者满意度研究用了四十年的地基。 体验是固定成本做出来的，期望是营销文案一句话抬上去的。 抬期望免费，还期望要命」上；到了「动手 · 抽卡机：演示位和真实用，差在哪」，讨论继续推进到「AI 产品在这道减法题上天生吃亏，原因藏在概率里。左边是发布会演示位，右边是用户真实使用。 两边连的是同一个模型 ，点「生成」抽五次，看两边各拿到什么」。两段连起来，重点就不只是记住一个结论，而是看清它成立所依赖的条件。
把这条判断带到下一个场景
评估体验时，把抽象的“好看”或“顺手”换成用户动作：他是否看懂状态、找到了下一步、能从错误中恢复，并且愿意继续使用。
- 「一条公式 · 满意度是道减法题」：满意度 = 实际体验 − 事前期望 期望确认理论（Oliver，1980），消费者满意度研究用了四十年的地基。 体验是固定成本做出来的，期望是营销文案一句话抬上去的。 抬期望免费，还期望要命
- 「动手 · 抽卡机：演示位和真实用，差在哪」：AI 产品在这道减法题上天生吃亏，原因藏在概率里。左边是发布会演示位，右边是用户真实使用。 两边连的是同一个模型 ，点「生成」抽五次，看两边各拿到什么
- 「最后的要点」：三个杠杆接住曲线： 承诺低一档（文案写 P50）、能力藏一手（进阶功能排期解锁）、改进攒着发（changelog 是免费的二次蜜月）
最后的「最后的要点」把讨论落到「三个杠杆接住曲线： 承诺低一档（文案写 P50）、能力藏一手（进阶功能排期解锁）、改进攒着发（changelog 是免费的二次蜜月）」。回看这条线索时，最值得保留的是：当输入、规模或风险改变，哪些判断需要重新做一遍。
我把这篇文章里的一个判断改写成了今天可以验证的小实验。比记住结论更有用的是，知道下一步要观察什么。
读完以后我先回头找它成立的条件，而不是直接把方法搬进项目。这个顺序让后面的取舍清楚很多。
如果把这个判断放到真实工作里，最先需要补的约束是什么？我想知道从阅读到第一次实践之间，哪一步最值得先做。
还没有这篇文章的讨论。