做AI产品经理之前，这些底层认知你必须先搞清楚

最近很多人问我："想转AI产品经理，该从哪里开始？"我的回答一直是：先别急着学工具，先把底层认知搞清楚。 这篇文章把我认为最关键的几个认知点整理出来——都是我自己踩过坑、反复消化后才真正理解的。

---

一、两种AI，两种完全不同的产品思维

很多人一提到AI，脑子里混成一锅粥。其实先搞清楚一件事：你做的产品，底层是决策式AI还是生成式AI？ 这决定了你的产品逻辑、交互设计、甚至风险管控方式完全不同。

决策式AI：核心是"选"

应用场景	决策内容
推荐系统	推什么内容给用户？
风控系统	这笔交易放行还是拦截？
自动驾驶	变不变道？走哪条路？

以电商推荐为例，背后是一个漏斗式的决策链路：召回→粗排→精排→重排序。先从海量商品里快速筛出几千个候选，再粗略评分排除低相关的，再用复杂模型精细排序，最后加上多样性、新品冷启动等策略微调。有意思的是，有时候推荐给你的不一定是"你最想要的"，而是在探测你会不会点击——为了收集你的数据。

生成式AI：核心是"造"

生成式AI的核心是生成新内容——写文章、画图、合成语音、做视频。它还能做"思维链推理"（Chain-of-Thought），一步步展开推理过程，减少"拍脑袋"式输出。

举个例子：问"24个苹果平均分给4个人，每人几个？"

• 普通回答：6
• CoT回答：一共有24个苹果，平均分给4个人，就是24÷4=6，所以每人6个

CoT不是花架子，它让模型的推理过程可解释、可校验，在产品落地时这个价值极大。

两种AI的产品思维差异

	决策式AI	生成式AI
核心任务	分析→选择	生成→创造
输出特点	从有限选项中选最优	创造全新的内容
可控性	较高（输出范围有限）	较低（存在不确定性）
产品重点	排序策略、阈值设定	Prompt设计、兜底机制

我的观点：很多AI产品的翻车，根本原因就是把生成式AI当决策式AI来做——期望100%确定的结果，却用了一个天生概率化的工具。

---

二、大模型的几个关键概念，别再混着用了

2.1 泛化能力：大模型最值钱的本事

泛化能力简单说就是：学过的能举一反三，没见过的也能做对。

• 你做了100道数学题，换题型还会做→泛化能力强
• 只会做背过的那几题，换一点就不会→死记硬背，泛化差

大模型为什么牛？因为它不只是"记住"了训练数据，而是学到了语言和知识的模式，能在没见过的新问题上"做对"。

2.2 云侧 vs 端侧：部署在哪，决定了产品怎么设计

	云侧大模型	端侧大模型
部署位置	云服务器	手机/PC/IoT本地
响应速度	依赖网络，有延迟	本地运行，低延迟
模型规模	几十亿~千亿参数	几十M~几百M（优化后）
隐私安全	数据上传云端	数据不出设备
典型应用	ChatGPT、通义千问	小爱同学、端侧Siri

产品设计时这个选择很重要：涉及隐私的场景（医疗、金融），端侧优先；需要大算力的场景（复杂推理、长文本生成），云侧更合适。

2.3 NLP vs 大模型：不是一回事

传统NLP是一个领域，专注一个小任务（分词、情感分析、实体识别），每个任务要单独训练模型。

大模型是NLP中的一种方法论——一个模型干所有事。以前做情感分析要训一个模型、做文本分类要训另一个模型，现在一个Prompt就搞定。

决策式AI的本质不是"看"也不是"说"，而是选——根据已知数据选择行动方案。

1. 明确角色："你是一名经验丰富的用户反馈分析师"
2. 明确格式："请以JSON格式输出"
3. Few-shot示例：给模型几个输入输出样例，让它模仿模式
4. Chain of Thought："请一步一步思考并写出推理过程"
5. 指令组合："若为负面评价则输出原因，否则输出总结"

	传统NLP	大模型
任务粒度	一个任务一个模型	一模多能
特征处理	人工设计特征	自动学习
上新任务	收集数据→标注→训练→部署	改Prompt或新增知识文档

这就是为什么大模型出现后，需求分析的效率能大幅提升——后面详细说。

三、"1个底座+N个应用"：大模型时代的研发范式

这是我认为做AI产品必须理解的核心架构思路。

以前的做法：每个业务场景单独设计、训练、部署一个模型——成本高、周期长、维护难。

现在的做法：基于一个通用大模型底座，通过Prompt、RAG等方式，快速适配多个业务场景。

为什么能做到？因为底座模型有泛化能力，已经具备了通用的语言/知识/推理能力，用Prompt就能重新定义任务意图，结合RAG可以实现更强的领域适配。

北京银行的实践

北京银行构建了"三层模型+多场景应用"的体系：

1. 基础大模型：集成约10个开源大模型，作为底层平台
2. 行业大模型：在基础模型上，结合金融数据微调，形成6B/7B/13B/130B不同规格
3. 企业级大模型：结合总分行营销策略、产品信息、风控审计资料训练

场景应用覆盖：写作助手、营销助手、客服助手、会议助手、运营分析、投顾、数币、专精特新等—— 一套底座，全行复用。

对比：AI客服系统的两种做法

模块	传统方式	大模型方式
问题分类	自研意图识别模型，每新增意图要重新训练	Prompt让大模型判断问题类型
找答案	多任务检索系统，各自训练	基于RAG架构召回文档片段
回答用户	直接拼接答案	LLM总结后回复
上新场景	收集数据→标注→训练→部署，重新来	改Prompt或新增知识文档，快速灰度上线
多语言	各语种分别训练	通用大模型原生支持多语言
系统维护	多模型多服务，算力工程复杂	一个底座统一调优与调用

这个对比太直观了：传统方式上一个新的客服场景，可能要几周到几个月；大模型方式，改个Prompt、加个文档就行。

四、大模型如何简化需求分析？用事实说话

从2017年到今天，AI需求分析经历了三代演进：

代际	时间	特点
第一代	2017-2020	人工打标签、定义Schema、规则录入，数据分散流程割裂
第二代	2020-2022	NLP平台可视化建模，统一基座模型训练不同下游任务
第三代	2023至今	提示工程+向量知识库，业务人员也能参与建模

实战对比：医疗发票信息提取

场景：让AI提取医疗发票中的"医院名称""发票金额""开票日期"等字段。

上一代AI的做法（7步）：

1. 构建知识库（专家写医保规则）→ 几周到几个月
2. 定义Schema（人工梳理字段定义）→ 产品经理+业务专家，成本高
3. 数据标注（人工标注1000+发票）→ 成本高、耗时长
4. 定义模型（识别实体、抽取金额，分别建模）→ 依赖算法工程师
5. 模型训练 → 依赖算法工程师
6. 模型调优 → 多轮迭代，工程量大
7. 部署上线 → 多人协作

大模型的做法（5步）：

1. 文档语义化 + 零/少样本调优 → 无需Schema建模
2. Prompt设计 → "请从发票中提取医院名称、金额..." → 灵活
3. 快速迭代 → 加字段、改格式，直接改Prompt → 业务人员也能调
4. 生成式UI交互 → 不只是提取，还能帮用户写、答、说
5. 上线

一个Prompt就能完成以前7个步骤、多个团队协作才能做到的事。这不是效率提升10%的事，是范式变了。

五、提示工程：AI产品经理最该练的核心技能

很多人觉得Prompt就是"跟AI聊天"，但我认为：提示工程是AI产品经理的"PRD"——你写什么，AI就做什么。

Prompt的核心作用

能力	说明
精准控制输出	控制格式、风格、内容范围
触发模型隐藏能力	比如激活思维链(CoT)、函数调用
实现复杂任务组合	先提取再回答、先分类再生成
构建AI Agent系统	多轮对话、任务规划、函数调用
替代代码编程	用自然语言写SQL、写代码

几个关键技巧

1. 明确角色："你是一名经验丰富的用户反馈分析师"
2. 明确格式："请以JSON格式输出"
3. Few-shot示例：给模型几个输入输出样例，让它模仿模式
4. Chain of Thought："请一步一步思考并写出推理过程"
5. 指令组合："若为负面评价则输出原因，否则输出总结"

为什么要用JSON格式输出？

三个原因：

1. 机器容易解析：一行代码就能变成字典/对象/数据库字段
2. 结构清晰：可以直接提取"关键词"字段生成标签
3. 避免废话：不指定格式时模型会输出一大段描述，机器不好直接抓字段

业务经验注入大模型的两种方式

大模型本身不懂业务，它只是"语言高手"。业务经验需要你来注入：

方式	描述	举例
静态注入	在Prompt中写入专家经验	"根据投行经验，环保处罚应关注以下三点……"
动态注入	Prompt中留位置，实时填充外部数据	"公司近三年营收为{{revenue_data}}，请分析变动原因"

我的经验：静态注入管"规则"，动态注入管"数据"。两者结合，才能让大模型从"会说"变成"会做"。

---

六、发散式 vs 约束式交互：别让用户"自由发挥"

这是做AI产品很容易踩的坑。

• 发散式交互：用户像聊天一样自由输入，不受限制
• 约束式交互：在设计好的按钮/模板/菜单中让用户选择或填空

举个例子，简历助手：

• 发散式：用户输入"帮我写段简历介绍，我是学AI的，本科复旦，擅长产品经理"
• 约束式：姓名[填写]、学历[选择本科/硕士/博士]、专业[填写]、亮点经历[填写]→点击【生成】

怎么选？

场景	推荐方式
对准确率要求高（合规、合同、财务）	约束式，控幻觉
对创意、个性化要求高（创作、文案）	发散式，释放模型能力

我的观点：大多数B端AI产品，应该以约束式为主、发散式为辅。 约束式交互本质上是你在帮用户缩小问题空间，也在帮模型缩小输出空间——结果更稳定，体验更可控。

---

七、AI产品生命周期：4个阶段，PM角色各不同

一个AI产品从0到1，经历4个阶段。PM在每个阶段的参与深度和角色完全不同，这一点很多人没意识到：

阶段	核心任务	PM角色
冷启动	明确场景+搭建数据基础	主导：场景定义、需求理解、产品规划
模型准备及落地	选模型+产品设计+调优	协助：明确标注规范、评估标准、知识库来源
部署上线	上线评估+数据收集	混合：评估标准主导，部署协助
持续优化	性能/效果/体验优化	主导：badcase归因、优化方向、产品迭代

关键认知：PM在"冷启动"和"持续优化"阶段是绝对主导，在"模型准备"阶段是协助。 不要在模型准备阶段抢算法团队的方向盘，但评估标准一定要PM来定——因为只有PM知道什么效果才算"业务可用"。

---

写在最后

做AI产品经理，最怕两件事：

1. 不懂底层就上手 —— 把生成式AI当决策式AI做，把发散式交互用在合规场景，结果产品上线就翻车
2. 只学工具不练思维 —— Prompt技巧学了一堆，但不知道什么时候该用约束式、什么时候该用JSON、什么时候该注入业务经验

工具会过时，认知不会。 把底层逻辑搞清楚，具体的技术和工具反而好补。

希望这篇文章能帮到正在转型路上的你。如果你也在做AI产品，欢迎交流。