分享3点关于AI 产品管理的最佳实践

本篇文章参考吴恩达大佬的推文，做了一些补充。对于AI 产品管理最佳实践，他认为可总结为以下三点：使用具体示例来明确 AI 产品需求、通过提示工程和RAG 初步验证产品的技术可行性、在V0、Bolt 等AI Code 工具帮助下，产品经理独立实现原型系统，从而快速推到市场，拿到用户反馈。

AI 产品管理正迅速发展。生成式 AI 和基于 AI 的开发者工具的兴起，为构建 AI 应用创造了众多机遇。这使得构建新型事物成为可能，进而推动了产品管理最佳实践的转变——产品管理这一学科旨在定义构建什么以服务用户——因为可构建的内容已经发生了变化。在这篇文章中，我将分享一些我观察到的最佳实践。

使用具体示例来明确 AI 产品。从具体构想出发有助于团队加快进度。如果产品经理（PM）提议构建“一个用于回答与用户账户相关的银行咨询的聊天机器人”，这种描述过于模糊，留给了太多想象空间。例如，聊天机器人是否仅应回答有关账户余额的问题，还是也应该涵盖利率、启动电汇流程等问题？但如果 PM 列出 10 到 50 个具体的对话示例，说明他们希望聊天机器人执行的操作，那么提案的范围就会变得清晰得多。正如机器学习算法需要训练示例来学习一样，AI 产品开发团队也需要具体的示例来明确我们希望 AI 系统实现的功能。换言之，数据就是你的 PRD（产品需求文档）！

同样地，如果有人要求“一套用于检测店外行人的视觉系统”，开发者很难明确界定其边界条件。该系统是否需要在夜间工作？允许的摄像头角度范围是多少？是否需要检测即使出现在图像中但距离 100 米远的行人？然而，如果产品经理收集了一些图片并标注出期望的输出结果，“检测行人”的含义就变得具体了。工程师可以评估该规格在技术上是否可行，若可行，则朝着这个方向进行开发。起初，数据可能通过一次性、较为粗糙的方式获取，比如产品经理（PM）亲自四处拍摄照片并进行标注。最终，数据来源将转向由生产环境中运行的系统所收集的真实世界数据。

多年来，通过示例（如输入和期望输出）来定义产品一直颇具成效，但随着可能的 AI 应用激增，越来越多的产品经理需要掌握这一实践。

事先定义一些问题确实有助于明确产品要做的内容，比如我们在做智能查数功能时，先把查数相关的示例问题先想好一些，后续在评估应用效果时，还可以基于示例问题扩展更多问题出来，拿来评估应用效果也用得上。

通过提示评估基于LLM的应用程序的技术可行性。当产品经理（PM）规划一个潜在的 AI 应用时，该应用是否能够实际构建—即其技术可行性是决定下一步行动的关键标准。对于许多基于LLM的应用创意，即使 PM 可能不是软件工程师，也越来越有可能通过尝试提示——或仅编写少量代码——来初步评估其可行性。

例如，产品经理可能设想一种新的内部工具，用于将客户邮件路由到正确的部门（如客服、销售等）。他们可以提示LLM，看看是否能根据输入的邮件自动选择正确的部门，并评估其准确性。如果可行，这将为工程团队提供一个极佳的起点来实现该工具。如果不可行，产品经理可以自行验证这一想法，并可能比依赖工程师构建原型系统更快地改进产品构思。

通常，测试可行性不仅仅需要提示工程。例如，基于LLM的电子邮件系统可能需要基本的 RAG 能力来辅助决策。幸运的是，如今编写少量代码的门槛已相当低，因为 AI 可以作为编码伙伴提供帮助。这意味着产品经理们（PMs）现在能够进行比以前更多基础层面的技术可行性测试。

这一点我深有感受，我们经常拿 Dify 来构建 demo 验证想法，如果需要进一步深化，这时候再让开发人员上。亲身使用和动手开发 AI 应用，知道 AI 的技术边界在哪里，哪些是模型能做的，哪些是模型不能做的，才能更好设计产品。

无需工程师即可进行原型系统开发和测试。用户对初始原型系统的反馈对于产品成型同样至关重要。幸运的是，快速构建原型系统的障碍正在减少，产品经理自己也能推动基本原型的进展，无需依赖专业软件开发人员。

除了使用LLMs辅助编写原型代码外，像 Replit、Vercel 的 V0、Bolt 以及 Anthropic 的 Artifacts（我非常喜欢这些工具！）等工具正在让没有编程背景的人更容易构建和试验简单原型。这些工具对非技术人员越来越友好，但我发现，掌握基础编程知识的人能更有效地使用它们，因此学习基础编程仍然很重要。（有趣的是，技术高超、经验丰富的开发者也在使用这些工具！）我的团队成员经常使用这些工具进行原型设计、获取用户反馈并快速迭代。

人工智能正在推动众多新应用的构建，从而催生了对于精通如何规划并推动这些产品开发进程的 AI 产品经理的巨大需求。AI 产品管理在生成式 AI 兴起之前就已存在，但随着构建应用的便捷性日益提升，对 AI 应用的需求也随之增长，因此许多产品经理正在学习 AI 技术以及构建 AI 产品的这些新兴最佳实践。我发现这一领域极为引人入胜，并将持续分享随着其发展而不断演进的最佳实践。

本文转载自 ​​AI 思与行​​，作者： Andrew Ng