1.1 什么是AI产品经理.md 4.7 KB
一、工作内容
及时跟进AI模型和产品发展情况：对于模型最新的能力、限制、风险、成本有足够了解，这个是进行场景适配挖掘和方案设计的基础。其次是对于所在方向的AI产品有一定了解，可以开拓自己的思路。
在AI能力中，适配与挖掘有价值的业务场景：
适配：即已有的哪些场景加入AI可以做的更好/效率更高，例如基于AI文本理解能力，可以对用户评价进行内容合规检测、情感分析、关键词提取，提升内容审核效率与准确性和前台评价查看效率促进转化；
挖掘：即哪些场景原来做不了，有了AI可以做了。例如淘宝AI万能搜，在大模型技术出来前，个性化导购是无法实现的。
列出所有可能的业务场景，然后计算各个场景的ROI，筛选出ROI为正向的场景。
在AI限制与风险下，寻找产品方案：虽然AI能力很强，但是也存在很多限制，如幻觉问题、上下文长度有限、知识不是最新的、无法使用工具等。如果你的产品对于AI回答准确性有较高要求，比如AI客服产品，在设计方案时就需要考虑降低幻觉率（如提示词设计、RAG或微调)和兜底（如AI只做回答推荐，发送回复还是由真人客服操作）。
根据数据与反馈，评估验证与优化产品效果：不同的提示词和RAG检索策略，最终的产品效果可能差别很大，好的AI产品效果是不断调出来的。对于AI产品经理来说，需要建立一个体系来评估与验证产品效果，比如个性化推荐产品可使用点击率、AI对话产品正负反馈率/留存率等。
二、工作流程
graph LR
A["1. 需求分析"] --> B["2. 数据集构建"]
B --> C["3. 提示词设计"]
C --> D["4. 模型选型"]
D --> E["5. 产品设计"]
E --> F["6. 产品开发"]
F --> G["7. 测试上线"]
G --> H["8. 迭代优化"]
H --> A
需求分析：由于模型接口调用（按Token数计费）或部署（GPU显卡）相较于传统服务器的成本高得多，同时模型能力也有一定限制，因此需求分析阶段核心回答 3 个问题：
实现价值：能够带来什么用户价值、业务价值和商业价值。
能不能做：分析需求预期和现有模型能力的匹配度。
值不值做：分析实现成本和价值比，决定是否值得做。
数据集构建：收集、清洗和标注高质量的训练/测试数据，这是AI产品效果的关键。需要设计合理的数据采集策略，制定标注规范，确保数据的准确性、多样性、安全性。
提示词设计：编写清晰、准确的提示词来引导大模型输出期望的结果。需要反复测试和优化，掌握提示词工程的各种技巧，以提升AI回答的准确性和相关性。
模型选型：根据业务场景、成本预算和性能要求，选择最合适的AI模型。需要对比不同模型的能力特点、API调用成本、响应速度等因素，需要在多个模型间进行测试评估，找到性价比最优的解决方案。
产品设计：设计用户交互界面和产品功能流程，确保AI能力与用户体验完美结合。需要考虑AI输出的不确定性，设计合理的反馈机制和兜底方案。同时要平衡功能复杂度和易用性，让AI产品真正解决用户问题。
产品开发：协调技术团队完成产品功能实现，包括前后端开发、模型接入、数据处理等。
测试上线：进行全面的功能测试、性能测试和AI效果测试。
迭代优化：基于用户反馈和数据分析持续改进产品。优化提示词、调整模型参数、改进RAG检索策略等，不断提升AI产品的准确性和用户满意度。同时关注新技术发展，适时引入新能力，保持产品竞争力。
三、能力要求
AI产品经理，虽然加了AI，但归根结底还是产品经理，因此产品专业能力、业务能力和商业能力依旧是核心。
产品专业能力：包括需求分析管理、产品文档撰写与原型设计、竞品分析、数据分析、产品规划、商业设计等。
业务能力：了解所处行业的业务运作流程模式，用户痛点。
技术能力：与互联网产品设计，需要对前后端技术有一定了解一样，AI产品经理需要对不同模型API调用、微调、RAG等技术和成本结构有一定了解，能够设计出可落地的方案。