AI产品需求挖掘与PRD撰写

前两章我们建立了AI产品思维和设计方法论。这一章进入AI产品经理最核心的技术协作环节——如何理解ML Pipeline、如何与机器学习工程师高效协作、如何管理充满不确定性的AI项目时间线，以及如何制定数据策略和做出Build vs Buy决策。

理解ML Pipeline：产品经理的视角

你不需要会写模型代码，但必须理解机器学习项目的完整流程。这样你才能在正确的时间节点做出正确的产品决策，而不是在项目后期才发现方向错了。

ML Pipeline的六个阶段

**阶段一：问题定义**。将业务问题转化为机器学习问题。例如，业务问题是「减少客服工单处理时间」，转化为ML问题就是「训练一个模型自动分类工单并生成回复草稿」。产品经理在这个阶段的角色最关键——你需要确保团队解决的是对的问题。

**阶段二：数据收集与处理**。收集训练数据、清洗噪声、处理缺失值、进行特征工程。这个阶段通常占整个ML项目60-70%的时间。产品经理需要关注的是：数据从哪来？数据质量如何？是否需要人工标注？标注成本和周期是多少？

**阶段三：模型训练**。选择算法、设计模型架构、训练和调参。如果使用大语言模型API，这个阶段主要是Prompt设计和参数调优。产品经理需要关注的是：选择哪个模型（成本和效果的权衡）？训练需要多长时间和多少资源？

**阶段四：模型评估**。在测试集上评估模型表现。产品经理必须参与这个阶段——因为你需要判断模型的表现是否满足产品要求。准确率85%够不够？哪些类型的错误是不可接受的？

**阶段五：部署上线**。将模型部署到生产环境。产品经理需要关注的是：推理延迟是否满足用户体验要求？如何做灰度发布？如何设计回滚方案？

**阶段六：监控迭代**。持续监控模型在真实数据上的表现，收集反馈，迭代改进。产品经理需要关注的是：哪些指标需要监控？什么条件触发模型更新？用户反馈如何转化为模型改进方向？

Prompt Engineering for PMs：产品经理的提示词能力

在大语言模型时代，Prompt Engineering是AI产品经理最实用的技术技能。你可以用Prompt快速原型化产品想法，不需要等工程师写代码就能验证可行性。

PM需要掌握的Prompt技巧

**角色设定**：给AI一个明确的角色定义，例如「你是一个专业的法律顾问，帮用户解读合同条款」。角色设定能显著提升AI在特定领域的输出质量。

**Few-shot示例**：提供2-3个输入输出的示例，让AI理解你期望的格式和质量标准。这在设计AI功能的原型时特别有用——你可以用示例来定义「什么样的输出是好的」。

**输出格式控制**：明确要求输出的格式（JSON、Markdown表格、分点列表等）。这在AI产品中至关重要——你需要AI的输出能被程序解析和展示。

**System Prompt设计**：为产品中的AI功能设计System Prompt，定义AI的行为准则、能力范围和输出规范。好的System Prompt是很多AI产品的核心竞争力。

用Prompt做产品原型

在写PRD之前，先用Prompt在ChatGPT或Claude中模拟你想做的AI功能。例如你想做一个「AI合同审查工具」，就用Prompt模拟：输入一段合同文本，让AI找出风险点。通过这种方式，你可以在30分钟内验证AI是否能做到你设想的效果，比等工程师开发快100倍。

模型评估指标：产品经理必知的关键指标

你不需要能推导公式，但必须理解这些指标的含义和业务意义，才能和工程师有效沟通。

分类任务的核心指标

**准确率（Accuracy）**：模型预测正确的比例。但准确率可能有误导——在不均衡数据集上（如99%正常邮件+1%垃圾邮件），一个把所有邮件都判为正常的模型准确率也有99%，但毫无用处。

**精确率（Precision）**：模型判断为正的样本中，真正为正的比例。高精确率意味着「AI说是的，基本就是」——适合误报成本高的场景（如内容审核：误删正常内容会激怒用户）。

**召回率（Recall）**：所有真正为正的样本中，被模型正确识别的比例。高召回率意味着「该发现的基本都发现了」——适合漏检成本高的场景（如医疗诊断：漏诊一个病人可能危及生命）。

**F1分数**：精确率和召回率的调和平均值，综合衡量模型表现。当你不确定该优先精确率还是召回率时，F1是一个平衡指标。

生成任务的评估指标

**BLEU/ROUGE分数**：衡量生成文本与参考文本的相似度。常用于翻译和摘要任务。但这类自动评估指标有局限——高BLEU分数不一定意味着用户满意。

**人工评估**：让人类评估员对AI输出打分（如1-5分），或做A/B盲评（比较两个模型的输出哪个更好）。虽然成本高，但在生成任务中仍然是最可靠的评估方法。

**用户行为指标**：采纳率（用户直接使用AI输出的比例）、编辑率（用户修改AI输出的比例和幅度）、重新生成率（用户对结果不满意要求重新生成的比例）。这些来自真实用户的行为数据是最有价值的评估信号。

与ML工程师的协作艺术

AI产品经理和ML工程师的协作关系与传统PM和开发的关系有显著不同。理解这些差异能大大提升协作效率。

沟通的三个核心原则

**说清楚「做什么」，不要说「怎么做」**。产品经理应该说「我需要一个能从会议录音中提取行动项的功能，准确率不低于85%，延迟不超过30秒」，而不是说「用GPT-4配合RAG来实现」。技术方案的选择权应该留给工程师。

**用数据说话，不要用直觉**。当讨论模型效果时，不要说「感觉效果不太好」。准备好具体的badcase（AI出错的案例），分析错误的模式和频率。工程师需要具体的数据来定位和改进问题。

**理解非确定性时间线**。AI项目的时间估算比传统软件开发更不确定。工程师说「大概需要2-4周」，这个范围可能是真实的——因为模型调优有时候一天就能搞定，有时候需要反复尝试多种方案。产品经理需要在项目计划中留出Buffer。

高效沟通的工具和方法

**建立共享的评估基准**：和工程师一起定义评估数据集和指标，这是你们沟通的共同语言。每次模型更新后，双方都看同一组数据和指标来讨论。

**定期的模型Review会议**：每1-2周和工程师做一次模型Review，看最新的评估结果、讨论badcase、对齐下一步优化方向。这比每天追问进度更高效。

**维护一个badcase库**：持续收集AI出错的案例，分类标注错误类型。这个库既是工程师改进模型的数据源，也是产品决策的依据。

管理AI项目时间线

AI项目的时间管理是AI产品经理最大的挑战之一。传统软件项目相对可预测——需求明确后，有经验的工程师能比较准确地估算工期。AI项目则充满不确定性——你不知道需要尝试多少种方案才能达到目标精度。

应对不确定性的项目管理策略

**Time-boxed迭代**：不要设定「达到95%准确率」这样的目标驱动时间线，而要设定「用2周时间尽可能提升准确率，2周后基于结果做决策」。这种时间盒策略能避免项目无限期延长。

**分阶段决策点**：在项目中设置明确的决策里程碑。例如：第2周评估基线效果 → 如果低于70%，考虑更换技术方案或调整产品策略；如果高于80%，继续优化细节；如果高于90%，准备上线。

**并行方案探索**：在项目早期，让工程师同时探索2-3种技术方案（如同时尝试不同的模型、不同的Prompt策略），而不是按顺序逐一尝试。虽然短期投入更大，但能更快找到最优方案。

数据策略

数据是AI产品的燃料。AI产品经理需要从产品设计阶段就考虑数据策略，而不是等到需要训练模型时才发现「我们没有数据」。

数据获取的四种途径

**用户生成数据**：通过产品使用自然产生的数据。这是最有价值的数据来源，因为它直接反映真实使用场景。产品设计时就要考虑如何有效收集这些数据。

**公开数据集**：学术界和行业发布的标准数据集。适合作为项目启动阶段的训练数据，但通常和你的具体场景有差距。

**人工标注**：雇佣标注员对数据进行标注。成本高但质量可控。产品经理需要制定标注规范——这其实就是在定义「什么是好的AI输出」。

**合成数据**：用AI生成训练数据。例如用GPT-4生成大量模拟对话来训练客服机器人。成本低但质量需要验证。

数据隐私与合规

AI产品处理大量用户数据，隐私合规是产品经理必须关注的红线。中国的《个人信息保护法》、欧盟的GDPR、以及各行业的特定法规（如金融、医疗）都对数据使用有严格要求。产品经理需要在PRD中明确：收集了哪些用户数据？数据用于什么目的？是否需要用户知情同意？数据存储和传输是否加密？数据保留期限是多久？

Build vs Buy：自建还是外购？

AI产品经理经常面临的决策：用自建模型还是第三方API？两种方案各有利弊。

使用第三方API（如OpenAI、Anthropic、百度文心）

**优点**：开发速度快（天级别就能上线）、维护成本低（模型更新由供应商负责）、质量持续提升。**缺点**：数据需要发送到第三方（隐私风险）、长期成本可能较高（按Token付费）、定制化能力有限、依赖供应商（API变更或涨价风险）。

自建模型（微调开源模型或从头训练）

**优点**：数据完全可控（适合高隐私要求场景）、可深度定制（适合垂直领域）、长期成本可能更低（大规模使用时）。**缺点**：开发周期长（月级别）、需要ML工程师团队、运维成本高、模型质量可能不如顶级商业模型。

决策框架

建议的决策路径：先用第三方API快速验证产品想法（MVP阶段）→ 如果产品验证成功且使用量增长 → 评估是否需要迁移到自建模型（考虑成本、隐私、定制化需求）。大多数AI产品在早期都应该选择第三方API——速度和灵活性比完美的技术方案更重要。

掌握了AI技术理解和团队协作能力后，下一章我们将进入实战——从0到1完成一个完整的AI产品MVP项目，应用前三章学到的所有知识。