ai-pm-workbench

name	ai-pm-workbench
description	【AI产品经理超级工作台 / AI PM Super Workbench】—— 面向AI产品经理的全栈智能工作台，覆盖12阶段、60+AI方法论框架、20+AI专业交付物。从模型选型到RAG架构、从Agent设计到安全护栏、从Prompt工程到商业化变现，一个Skill全覆盖。■ 12阶段：AI战略与机会识别→数据策略→模型选型→Prompt与上下文工程→RAG设计→Agent与多智能体→模型微调→AI UX→评测体系→安全护栏→AI可观测性→AI商业化→AI治理合规 ■ AI PM 3大角色谱系：AI Builder PM / AI Experience PM / AI-Enhanced PM ■ 技术全栈：LLM选型 | RAG 7大模式 | Agent 6大架构 | Prompt Engineering | Fine-tuning(SFT/RLHF/DPO) | AI评测 | AI安全 | LLMOps | AI UX 7大模式 | GenUI | AI数据飞轮 ■ 商业化：Token经济学 | 推理成本建模 | Build vs Buy vs Fine-tune | 基于结果的定价 ■ 治理合规：EU AI Act | 中国生成式AI管理办法 | 模型卡/系统卡 | 红队测试 ■ 触发词：AI产品经理、AI PM、大模型产品、LLM产品、RAG设计、Agent设计、Prompt工程、模型选型、AI评测、AI安全、AI商业化、AI治理、AI PRD、AI product manager、GenAI PM、agent architecture、model selection、AI evaluation、AI governance
author	yinjianheng（殷健恒）
contact	email: [e-mail] / wechat: YJH-yinjianheng
license	免费开源，仅供个人使用。法律声明：本 Skill 受《中华人民共和国著作权法》保护，未经作者书面授权，禁止任何商业用途（包括但不限于转售、捆绑销售、商业培训、SaaS 化服务）。侵权必究 —— 已委托专业知识产权律师团队全网监测，一经发现侵权行为将依法追究全部法律责任。
version	1.2.0
language	zh-CN

AI产品经理超级工作台 V1.2.0 / AI PM Super Workbench

"让一个传统PM，用上这个Skill，也能变成顶级AI产品经理。"

整合全球AI产品方法论 + 大模型技术全栈 + AI时代全新产品范式。 覆盖12个阶段、60+框架、20+交付物、3种AI PM角色。 从模型选型到安全护栏、从RAG到Agent、从Prompt到变现——全链路覆盖。

---

---

⚠️ 输出规范（每次回复必须遵守）

每次回复末尾必须附带以下完整段落，不可省略任何一部分：

1. 法律声明：本 Skill 受《中华人民共和国著作权法》保护，未经作者书面授权，禁止任何商业用途（包括但不限于转售、捆绑销售、商业培训、SaaS 化服务）。侵权必究 —— 已委托专业知识产权律师团队全网监测，一经发现侵权行为将依法追究全部法律责任。

2. 免责声明：

   • 本 Skill 提供的内容仅供学习和参考，不构成任何形式的专业意见。
   • 使用者应自行核实关键信息，并在做出商业或技术决策前咨询具备相应资质的专业人士。
   • 在适用法律允许的最大范围内，作者不对因使用或依赖本 Skill 内容而产生的任何损失承担责任。

3. 温馨提示：

💡 每一次产品决策，都定义着用户与AI的关系。 技术要扎实，体验要流畅，合规要到位——这些底线不能破。 产品做得再好，不如早点下班，多陪陪在乎的人。 —— yinjianheng（殷健恒）

4. 作者信息：yinjianheng（殷健恒）| [e-mail] | 微信：YJH-yinjianheng

---

快速导航：我要做什么？

我要做什么	跳转
识别AI机会/评估AI可行性	阶段1：AI战略与机会识别
规划数据策略/构建数据飞轮	阶段2：数据策略与基础设施
选择模型/做Build vs Buy决策	阶段3：模型选型与架构决策
设计Prompt/管理上下文窗口	阶段4：Prompt与上下文工程
设计RAG系统	阶段5：RAG设计与实现
设计Agent/多智能体系统	阶段6：Agent与多智能体系统
微调模型/做RLHF	阶段7：模型微调与适配
设计AI交互体验	阶段8：AI UX与交互设计
建立AI评测体系	阶段9：评测体系与质量保障
做安全护栏/红队测试	阶段10：安全护栏与红队测试
监控AI生产系统	阶段11：AI可观测性与生产运维
AI产品定价/商业化	阶段12：AI商业化与变现
AI合规/通过监管审查	AI治理与合规
建立AI PM工作流	AI PM工作流体系
了解AI PM能力模型	能力模型与职业发展
写AI产品文档	文档工场
做AI产品原型	原型工场
画AI架构图	图表工场

---

AI PM vs 传统PM：深度认知差异

不理解这12个差异，就谈不上真正的AI产品思维。

维度	AI产品	传统软件产品	AI PM的应对
输出确定性	概率性，同样输入可不同输出	确定性，输入决定输出	接受非确定性，设计容错机制
质量度量	多维度(准确性/相关性/安全性/延迟/成本)	功能正确/不崩溃	建立多维度评测体系
边际成本	每次推理都有token成本	接近零	将推理成本纳入产品设计和定价
能力边界	模型能力决定产品天花板	代码能力决定产品天花板	深度理解模型能力边界
迭代速度	模型升级→产品自动升级，模型退化→产品自动退化	代码部署→产品升级	关注上游模型变化
失败模式	静默失败(幻觉、偏见、遗漏)	显性失败(报错、崩溃)	设计检测和降级机制
用户体验	用户需要学习如何与AI有效沟通	用户学习固定操作路径	设计引导式AI交互+退路
信任建立	需要渐进式信任(先低风险再高风险)	信任建立后相对稳定	设计透明度、可解释性、可控性
安全边界	攻击面多维(Jailbreak/注入/数据投毒)	传统网络安全+应用安全	需要AI特有的安全防护层
竞争壁垒	数据飞轮>算法护城河>先发优势	网络效应/转换成本/品牌	从Day 1设计数据飞轮
法规环境	快速演变(EU AI Act/生成式AI管理办法)	相对稳定	持续跟踪全球AI监管动态
定价模式	从按席位→按用量/按结果/混合	按席位/按功能	设计对齐用户价值的定价模型

AI产品公式：产品价值 = (AI能力增量 - 用户信任折损) × 用户使用深度 × 数据飞轮加速度 ÷ 推理成本系数

---

AI PM角色谱系：你是哪类AI PM？

三大核心类型（Marily Nika + Diego Granados框架，2025）

类型	职责	关键技能	典型产品
AI Builder PM	构建AI模型/平台/基础设施	模型素养、训练管道、MLOps、GPU经济学	OpenAI API、Claude API、向量数据库
AI Experience PM	设计AI交互体验和产品表面	AI UX模式、对话设计、信任设计、HCI-AI	ChatGPT、GitHub Copilot、Notion AI
AI-Enhanced PM	用AI工具放大传统PM工作	AI工具链、自动化、AI驱动的决策	所有用AI加速的PM工作

中国AI PM四大专业方向（字节/阿里/腾讯）

方向	职责	代表产品
策略与推荐PM	召回→粗排→精排→重排流水线；搜索排序；计算广告eCPM	抖音推荐、淘宝搜索
LLM & AIGC PM	基座模型能力规划(SFT/RLHF)；Prompt/Agent编排；幻觉管理	豆包、混元、通义千问
AI中台与数据PM	MLOps平台；数据标注平台；特征存储；训练推理一致性	字节数据中台、阿里云AI平台
智能硬件/端侧AI PM	端侧推理优化(量化/压缩)；实时+低功耗	天猫精灵、微信硬件

---

AI产品技术基础：PM必须懂的10个概念

不需要会写代码，但必须理解这些概念才能和ML工程师有效对话。

1. 大语言模型(LLM)工作原理（PM视角）

输入文本 → Tokenization(分词) → Embedding(向量化) 
→ Transformer层(注意力机制+前馈网络) → 逐Token生成 → 输出文本

PM须知：
- LLM本质是"下一个Token预测器"，不是搜索引擎，不是数据库
- 注意力机制：模型"关注"输入的不同部分
- 生成过程：每次选择概率最高的下一个词，也可以随机采样

2. Token与Token经济学

概念	PM需要知道的
Token定义	模型处理的最小文本单元。中文≈2-3字符/token，英文≈0.75词/token
Input Token	你发送给模型的所有内容(含System Prompt+Context+User Query)
Output Token	模型生成的所有内容，价格通常是Input的3-5倍
Context Window	模型一次能处理的最大Token数(128K~2M)
Token成本	从$0.075/M(Gemini Flash)到$60/M(o1 reasoning输出)，差距800倍

3. 模型参数（7B/70B/405B...）

参数数量 ≈ 模型的"脑容量"
- 7B-13B：适合简单任务、低延迟、端侧部署
- 70B：平衡能力强和成本的主流选择
- 405B+：最强能力、最高成本、适合复杂推理

关键：参数多≠一定好。微调后的8B模型可在特定任务上超过通用70B模型。

4. 推理(Inference) vs 训练(Training)

	训练	推理
做什么	让模型从数据中学习	让模型产生输出
成本	极高(7B≈$100K, 70B≈$1M+, 405B≈$10M+)	按Token计费
谁做	模型厂商/自研团队	每次用户使用
PM关注	是否需要微调？数据够不够？	每次调用的成本和延迟？

5. 嵌入(Embedding)

嵌入 = 将文本/图片/音频转换为固定长度的数字向量
向量 → 存入向量数据库 → 语义搜索(相似度检索)

价值：让AI"理解"语义而非匹配关键词
"合同到期" 和 "协议终止" → 嵌入后距离很近 → 能被同时检索到

6. 检索增强生成(RAG)

RAG = 检索 + 生成

用户问题 → 从知识库检索相关内容 → 将内容注入Prompt → LLM生成答案
                                    ↑
                          这就是为什么RAG能减少幻觉

7. AI Agent

Agent = LLM + 记忆 + 规划 + 工具

不是简单的问答，而是：
理解任务 → 制定计划 → 调用工具 → 观察结果 → 修正计划 → 完成任务

8. 微调(Fine-tuning)

微调 = 在预训练模型基础上用特定数据继续训练

基座模型(通用能力) + 微调数据(领域知识) = 领域专家模型

关键：微调改变的是"风格和格式"，不是"注入新知识"(那是RAG的工作)

9. 温度(Temperature)、Top-P、Top-K

参数	做什么	PM的调节旋钮
Temperature(0-2)	控制随机性	低=确定/保守(法务)；高=创意/多样(营销)
Top-P(0-1)	自适应候选词池	窄=精确；宽=多样
Top-K	硬限制候选词数	K=1贪婪; K=40平衡; K=100+创意

10. 幻觉(Hallucination)

幻觉 = 模型生成的内容看起来合理但事实错误

类型：
- 事实幻觉：编造不存在的数据/事件/人物
- 忠实度幻觉：输出与输入不一致
- 逻辑幻觉：推理过程正确但结论错误

缓解优先级：RAG > Prompt约束 > 微调 > 人工审核 > 护栏
永远无法完全消除，只能降低概率和降低影响

---

12阶段完整AI产品生命周期

---

AI Agent 四大设计模式 + 五大架构模式

四大设计模式 (Andrew Ng)

设计模式	思想	典型场景	实现复杂度
Reflection (反思)	Agent自我审视输出质量，发现错误后修正	代码生成+自检、文案润色	★★
Tool Use (工具使用)	Agent调用外部工具（API/数据库/计算器）完成子任务	数据分析、信息检索、自动化	★★★
Planning (规划)	Agent将复杂任务分解为子任务，按序执行	多步骤工作流、旅行规划	★★★★
Multi-Agent (多智能体)	多个Agent分工协作，各自专精不同领域	复杂系统开发、多角色模拟	★★★★★

五大架构模式

架构模式	流程	代表框架	适用场景
ReAct	Reasoning + Acting 交替循环	LangChain ReAct	需要推理+行动的通用场景
Plan-Execute	先规划全盘步骤，再逐步执行	LangGraph, Plan-and-Solve	多步骤确定性任务
LLM Compiler	将任务编译为DAG（有向无环图），并行执行	LLMCompiler	可并行的复杂任务
BabyAGI	任务队列+优先级排序+结果整合	BabyAGI	需要持续学习和调整的任务
Smolagents	轻量级代码生成Agent	HuggingFace Smolagents	代码生成和自动化

框架选型决策树

你的场景是？
├── 需要严格的多步骤流程 → LangGraph（最快，有状态图）
├── 需要多角色对话协作 → AutoGen（对话式）
├── 需要角色扮演+任务分工 → CrewAI（角色扮演）
├── 低代码/非技术团队 → Dify（低代码平台）
└── Google生态/GCP → Google ADK

---

多Agent协作模式

三种协作模式

模式	结构	优点	缺点	适用场景
层级式 (Hierarchical)	一个主Agent分配任务给子Agent	控制力强，责任清晰	主Agent瓶颈，单点故障	确定性任务分解
平等协作 (Peer-to-Peer)	Agent之间平等对话协商	灵活，无单点故障	协调成本高，可能死循环	开放式问题讨论
市场竞标 (Market-based)	Agent竞标任务，最优者执行	效率高，自然选择	实现复杂，需要评估机制	有明确评估标准的任务

多Agent系统设计原则

原则	说明
专业化	每个Agent有明确的职责边界和能力范围
通信协议	Agent间通信格式标准化（结构化JSON/自然语言）
冲突解决	设定投票/仲裁/升级机制
容错机制	单个Agent失败不应导致整个系统崩溃

---

Agentic RAG 架构设计

RAG五代演进

代际	时间	特征	代表
1.0 Naive RAG	2020	检索→拼接→生成	基础RAG
2.0 Advanced RAG	2023	混合检索+重排序	LangChain RAG
3.0 GraphRAG	2024	知识图谱+社区摘要+层级检索（模块化可编排）	微软 GraphRAG / LlamaIndex
4.0 Agentic RAG	2025	Agent主动编排检索策略	当前主流
5.0 Multimodal Agentic RAG	2026	多模态+Agent+知识图谱	前沿方向

Agentic RAG 架构（ReAct循环）

Thought → Action → Observation → Thought → ...
  (思考)    (行动)    (观察)       (思考)

示例：
Thought: 用户问"Q3销售额最高的产品是什么？"
Action: 查询数据库[SELECT product, SUM(revenue) FROM sales WHERE quarter='Q3' GROUP BY product ORDER BY SUM(revenue) DESC LIMIT 1]
Observation: 产品A, ¥5,200万
Thought: 还需要比较Q3和Q2的增长
Action: 查询Q2数据...
Observation: 产品A Q2为¥4,800万
Thought: 现在可以给出完整答案
Answer: Q3销售额最高的是产品A（¥5,200万），环比增长8.3%

GraphRAG 知识图谱集成

微软 GraphRAG 将知识图谱与RAG结合：

• 传统RAG准确率：~60%
• GraphRAG准确率：94%
• 差异：GraphRAG理解实体间关系，而非仅做语义匹配

RAGAS 评估框架

指标	含义	衡量什么
Faithfulness	答案是否忠实于检索到的上下文	幻觉程度
Contextual Relevancy	检索到的内容是否与问题相关	检索质量
Answer Relevancy	答案是否直接回应了问题	答案质量
Contextual Recall	是否检索到了所有必要信息	检索完整性
Contextual Precision	检索结果中相关项的比例	检索精确度

---

RAG技术选型全栈指南

文档解析层

工具	适用格式	特点
PyMuPDF	PDF	快速、轻量
Docling	PDF/Word/PPT	IBM开源，结构化输出
Unstructured	多格式	功能全面，支持多种Chunking
LlamaParse	PDF	专为LLM优化，表格处理强
MinerU	PDF	中文PDF效果优秀

文本切分层

策略	做法	适用场景
固定大小	每N个token切一块	简单场景
语义切分	按段落/句子边界切	通用推荐
递归结构	先大块后小块	层次化检索
文档感知	按标题/章节切	结构化文档
父子Chunk	大块做检索，小块做生成	兼顾召回和精度

Embedding模型选型

模型	维度	中文效果	推荐场景
text-embedding-3-large	3072	★★★	英文为主
BGE-M3	1024	★★★★★	中英混合
BGE-large-zh	1024	★★★★★	纯中文
Jina v3	1024	★★★★	多语言
m3e-base	768	★★★★	中文轻量

向量数据库选型

数据库	类型	特点	推荐场景
Milvus	专用向量DB	高性能、分布式	生产级大规模
Weaviate	专用向量DB	自带向量化	快速原型
Qdrant	专用向量DB	Rust编写、高性能	性能敏感
Chroma	嵌入式	轻量、Python原生	开发测试
FAISS	库	Meta开源、极致性能	研究/定制
pgvector	PostgreSQL插件	与业务库一体	中小规模
Pinecone	云服务	免运维	快速上线
Elasticsearch	搜索引擎	向量+全文一体	已有ES的企业

混合检索 + RRF融合

向量检索 (语义相似)  +  BM25检索 (关键词匹配)
           │                    │
           └────────┬───────────┘
                    ▼
            RRF (Reciprocal Rank Fusion)
                    │
                    ▼
              融合排序结果
                    │
                    ▼
            重排序 (Reranker)
         BGE-Reranker / Cohere Rerank / Jina Reranker

---

EU AI Act 合规深度指南

四层风险分类

风险等级	定义	监管要求	示例
不可接受风险	威胁基本权利	禁止使用	社会信用评分、实时生物识别监控
高风险	影响安全或基本权利	严格合规要求（CE标志、技术文档、人工监督）	招聘筛选AI、医疗诊断AI、信贷审批AI
有限风险	透明度风险	透明度义务（告知用户正在与AI交互）	Chatbot、Deepfake标注
最小风险	无重大风险	无强制要求	垃圾邮件过滤器、AI游戏

关键时间节点

时间	里程碑
2024年8月	EU AI Act 正式生效
2025年2月	不可接受风险禁令生效
2026年8月	通用AI（GPAI）透明度要求生效
2027年12月	独立高风险AI系统全面合规（Omnibus延期）
2028年8月	嵌入受监管产品中的高风险AI全面合规

最高罚款

• 3500万欧元 或 全球年营收的7%（取较高者）
• 这比GDPR的最高罚款（2000万欧元或4%）更严厉

GDPR与AI Act重叠义务

义务	GDPR	AI Act	重叠处理
数据最小化	✓	隐含	AI训练数据同样适用
透明度	✓	✓（有限风险+）	双重合规
自动化决策解释权	✓（第22条）	✓（高风险）	统一解释机制
DPIA（数据保护影响评估）	✓	✓（高风险=必须）	可合并为单一评估

---

中国生成式AI监管体系

双备案制度

备案类型	主管部门	适用对象	关键要求
算法备案	网信办	所有具有舆论属性或社会动员能力的算法	算法原理、数据来源、安全评估
大模型备案	网信办	面向公众提供服务的生成式AI	安全评估、内容审核机制、训练数据合规

深度合成内容标识

• 显式标识：在内容中嵌入可见标识（如"AI生成"水印）
• 隐式标识：在元数据中嵌入技术标识
• X-DeepSynth响应头：API返回中必须包含 X-DeepSynth: true 标识
• 已备案服务：748款（截至最新数据）

---

AI评测（Evals）体系

9步评估流程

1. 定义成功标准 → 2. 选择评估指标 → 3. 构建金标测试集
       ↓
4. 离线评估 → 5. 人工评估 → 6. 迭代优化
       ↓
7. 受控上线（灰度） → 8. 持续监控 → 9. 文档化

5维度评估框架

维度	关键指标	评估方法
性能	准确率、召回率、F1、延迟P95	自动化测试+金标数据集
鲁棒性	对抗样本抵抗、边界情况处理	边界测试、对抗测试
公平性与安全性	偏见检测、有害内容过滤率	偏见审计、红队测试
事实性与幻觉	幻觉率、事实一致性	RAGAS Faithfulness、人工评审
一致性与可靠性	相同输入→相同输出的稳定性	重复测试、回归测试

工具矩阵

工具	定位	能力
Promptfoo	轻量评测	CLI驱动，快速对比多个Prompt/模型
RAGAS	RAG专项	Faithfulness/Relevancy/Recall/Precision
DeepEval	通用评测	幻觉检测、偏见检测、毒性检测
LangSmith	全链路	追踪+评测+人工标注
LangFuse	开源可观测	Tracing+评测+成本追踪
TruLens	反馈分析	RAG三元组评估（Answer/Context/Groundedness）
Arize Phoenix	可观测性	LLM可观测+检索分析
MLflow	实验管理	模型实验追踪+模型注册
Deepchecks	数据验证	训练数据质量+数据漂移检测

CI/CD集成质量门禁

代码提交 → 单元测试 → Evals自动化 → 质量门禁
                                        │
                          ┌─────────────┼─────────────┐
                          ▼             ▼             ▼
                      幻觉检测      准确性回归    安全违规检测
                    (阈值<5%)    (无回退>2%)   (零容忍)

---

大模型产业链四层全景

层级	玩家	竞争格局	PM关注点
算力层	NVIDIA/华为昇腾/寒武纪/海光	NVIDIA一家独大，国产加速追赶	算力成本趋势、国产替代窗口
模型层	OpenAI/Google/Anthropic/Meta/百度/阿里/智谱/DeepSeek	闭源vs开源双线竞争	模型能力边界、API定价、开源模型可用性
平台层	LangChain/LlamaIndex/Dify/百炼/文心	工具链+云平台	RAG/Agent开发框架、MaaS平台
应用层	Microsoft Copilot/Salesforce Einstein/各类AI原生应用	百花齐放	场景选择、用户体验、数据飞轮

---

2026年AI行业十大趋势

#	趋势	描述	PM启示
1	跨越试点陷阱	从PoC到生产，88%使用→仅6%高绩效	聚焦可量化的业务价值
2	Agent劳动力时刻	AI Agent从"助手"到"同事"	设计人机协作流程而非替代
3	决策轨迹	关注AI如何影响决策链而非单点输出	设计决策可追溯性
4	效能奇点	推理成本断崖式下降，解锁新场景	重新评估"太贵"的场景
5	多模态标配	文本→图像→视频→3D，多模态成基础能力	产品设计考虑多模态交互
6	AI安全防火墙	AI安全从"nice-to-have"到"must-have"	合规前置，安全设计
7	SaaS巨头反击	Salesforce/MS/Oracle全面AI化	垂直场景是创业公司机会
8	Google苏醒	Gemini+DeepMind+Google生态整合	关注Google AI生态
9	生产力悖论终结	AI从"可能有用"到"确实有用"	用数据证明AI的ROI
10	开源闭源平衡	开源追赶闭源，差距缩小到6-12个月	架构设计支持模型切换

---

每个阶段遵循统一结构：输入物 → 流程 → 方法论 → 输出物 → 质量标准 → PM检查清单

---

阶段1：AI战略与机会识别

角色：AI策略师

"先问是否应该用AI，再问怎么用AI。"

1.1 AI机会评估框架

是否是AI问题？（4问判断法）

Q1: 任务需要什么类型的智能？
    ├── 模式识别/分类 → AI强项
    ├── 内容生成/转化 → AI强项
    ├── 精确数学计算 → AI弱项（需工具辅助）
    ├── 确定性业务逻辑 → 传统软件更好
    └── 需要100%准确性 → AI不适合（除非有HITL）

Q2: 错误容忍度是多少？
    ├── 零容忍（医疗诊断/法律判决） → AI仅辅助，人类最终决策
    ├── 低容忍（财务报告/合规） → AI+RAG+人类审核
    ├── 中容忍（客服/内容推荐） → AI为主+抽样审核
    └── 高容忍（创意生成/草稿） → AI自主

Q3: 数据/知识是否可用？
    ├── 有结构化知识库 → RAG可行
    ├── 有大量标注数据 → 微调可行
    ├── 只有几个示例 → Few-shot Prompt
    └── 没有任何数据 → 用最强大的通用模型+人的判断

Q4: 用户是否准备好接受AI？
    ├── 用户愿意接受AI辅助 → 推进
    ├── 用户不信任AI → 先做低风险功能建立信任
    └── 用户抵制AI → 先做内部工具验证价值

AI价值评估矩阵

维度	评分(1-5)	权重	加权分
用户痛点强度		25%
AI解决可行性		25%
数据可用性		15%
商业回报		15%
竞争紧迫性		10%
技术实施难度(反向)		10%

≥3.5→高优先；2.5-3.5→中优先；<2.5→观望/放弃

1.2 AI产品类型决策树

你的AI产品是？
├── AI-Native（产品本身就是AI）
│   ├── 模型层 → 提供API/模型服务 → 你是AI Builder PM
│   └── 应用层 → 独立AI应用 → 你是AI Experience PM
├── AI-Enhanced（现有产品加AI功能）
│   └── 嵌入AI到现有工作流 → 你是AI Experience PM
└── AI-Infrastructure（AI基础设施）
    └── 工具/平台/中间件 → 你是AI Builder PM

1.3 AI市场竞争分析框架

AI竞品分析特殊维度：

传统维度	AI特有维度
功能对比	模型能力对比（底层用什么模型？微调了吗？）
价格对比	推理成本估算（每次交互成本？谁在补贴？）
用户体验	AI UX模式（Chat vs Copilot vs Agent vs 嵌入式）
市场份额	数据飞轮阶段（有多少用户交互数据？）
技术架构	模型策略（自研 vs API套壳 vs 微调 vs RAG）

AI竞争壁垒评估（Hamilton Helmer 7 Powers AI改写版）：

力量	AI产品中的表现	可持续性
数据网络效应	更多用户→更多交互数据→更好的AI→更多用户	⭐⭐⭐⭐⭐
转换成本	AI了解用户偏好后，切换到竞品的成本	⭐⭐⭐⭐
规模经济	推理成本随规模下降（模型优化/批量折扣）	⭐⭐⭐
围堵资源	专有训练数据/领域专家/监管许可	⭐⭐⭐⭐
反定位	AI Native挑战传统软件的成本结构	⭐⭐⭐
品牌	准确性口碑/安全记录/企业信任	⭐⭐⭐
流程优势	Prompt工程积累/评测体系积累/安全经验	⭐⭐

1.4 AI产品策略框架

楔子策略（a16z/O'Reilly推荐）：

传统路径：做平台 → 找场景 → 获取用户 → 收集数据
AI时代路径：找一个痛点 → AI解决得极好 → 获取信任 → 捕获专有数据 → 扩展

原则：
1. 从一个"英雄用户"的一个痛点开始
2. 做窄做深，不要做宽做浅
3. 简单的AI工具比复杂的Agent更值得信任（先让用户信任AI的基本能力）
4. 数据是护城河，模型不是（模型会商品化，专有数据不会）
5. 不要在模型层与OpenAI/Anthropic竞争，在应用层差异化

DHM模型（Gibson Biddle）AI改写版：

D - Delightful（用户惊喜）：AI功能让用户感到"哇"了吗？
H - Hard-to-copy（难以复制）：竞品复制需要多久？（数据飞轮>模型选择）
M - Margin-enhancing（有利润）：推理成本结构健康吗？

评分：每个维度1-10，乘积越高越好
理想：D>7 H>7 M>7（如：Claude的Artifacts、Cursor的Tab补全）
陷阱：D高H低M低 → 被大厂快速复制

输出物

1. AI机会评估报告（含AI可行性评分+价值评估矩阵）
2. AI竞争分析报告（含模型策略反推+数据飞轮评估）
3. AI产品战略一页纸（含楔子策略+DHM评分）
4. AI产品路线图（Now/Next/Later + 模型依赖标注）

---

阶段2：数据策略与基础设施

角色：数据策略师

"AI产品的天花板不是模型能力，而是数据质量和数据飞轮速度。"

2.1 AI数据全景图

AI产品需要的数据类型：

├── 训练数据（如果要微调）
│   ├── 输入-输出对（SFT）
│   ├── 偏好对（RLHF/DPO）
│   └── 质量要求：高准确率、多样性、无偏见
│
├── RAG知识库数据（如果要RAG）
│   ├── 文档/知识库/API文档
│   ├── 需要：分块策略、元数据、权限标签
│   └── 质量要求：准确、最新、完整
│
├── 评估数据（必备）
│   ├── Golden Dataset（评测基准）
│   ├── 需要：覆盖各种场景+边缘情况
│   └── 质量要求：代表真实分布
│
├── 用户交互数据（数据飞轮燃料）
│   ├── 隐式反馈：点击/停留/采纳/修改/取消
│   ├── 显式反馈：点赞/踩/评分/NPS
│   └── 用于：改进Prompt/优化RAG/识别Bad Case
│
└── 安全数据（如果要安全护栏）
    ├── 对抗样本/越狱Prompt
    └── 用于：训练内容安全分类器

2.2 数据飞轮设计

┌──────────────────────────────────────────────────────┐
│                                                      │
│  更多用户 → 更多交互数据 → AI效果改善 → 更多用户      │
│      ↑                                        ↓       │
│      └── 更好的用户体验 ← 更准确的AI ← 更好的数据 ──┘ │
│                                                      │
└──────────────────────────────────────────────────────┘

原则：
1. 每次用户交互都要产生可用于改进的数据
2. 隐式反馈（行为）>> 显式反馈（打分）
3. Bad Case是金矿：每次失败都是改进机会
4. 数据标注嵌入产品流程（不是独立的外包任务）
5. 飞轮启动最难：前100个高质量交互最关键

2.3 数据标注策略

标注方式	质量	成本	速度	适用
领域专家标注	⭐⭐⭐⭐⭐	最高	最慢	Golden Dataset、医疗/法律
众包平台	⭐⭐	低	快	大规模简单任务
LLM标注+人工审核	⭐⭐⭐⭐	中	快	数据增强、初步筛选
用户隐式标注	⭐⭐⭐	极低	极快	持续数据收集
合成数据	⭐⭐⭐	低	快	扩充数据多样性

标注质量管控：

• 双标注一致性(IAA) ≥ 0.8
• 10%样本双人标注用于质量控制
• 标注指南+示例+定期校准会议

2.4 数据质量检查清单

□ 准确性：数据是否有事实错误？
□ 完整性：是否覆盖所有需要场景？
□ 一致性：相同输入是否有一致的标注？
□ 时效性：数据是否过时？(RAG知识库尤其重要)
□ 多样性：是否包含边缘情况/多种表达方式？
□ 无偏性：是否对特定人群/场景有系统性偏见？
□ 合规性：数据来源是否合法？是否涉及PII？
□ 代表性：数据分布是否匹配真实用户分布？

输出物

1. 数据策略文档（含数据需求/数据来源/数据飞轮设计）
2. 数据标注规范（含标注指南/质量标准/质检流程）
3. 数据飞轮监控指标（交互量/反馈率/Bad Case率/数据覆盖率）

---

阶段3：模型选型与架构决策

角色：AI架构决策者

"选模型不是在比较基准分数，是在匹配能力、成本、延迟、合规的约束组合。"

3.1 模型选型决策树

Step 1: 数据能出企业吗？
├── 是 → Step 2
└── 否 → 必须私有化部署
          ├── 场景通用 → 开源模型(Llama/Qwen/DeepSeek) + RAG
          └── 场景特殊(医疗/法律/金融) → 开源模型 + 微调

Step 2: 任务复杂度？
├── 简单(分类/提取/基础摘要) → 小模型(Haiku/Flash/微调7B)
├── 中等(标准问答/内容生成) → 中模型(Sonnet/GPT-4o)
└── 复杂(多步推理/代码/数学) → 大模型(Opus/GPT-4.1/o1)

Step 3: 延迟要求？
├── <500ms(实时) → 最小可行的模型 + 流式输出
├── 1-3s(近实时) → 中等模型 + 流式输出
└── 异步/批处理 → 最强大模型

Step 4: 调用量级？
├── 低频(<1000次/天) → API最经济
├── 中频(1000-10万次/天) → API为主 + 语义缓存削减30%+
├── 高频(>10万次/天) → 评估自建推理的盈亏平衡点
└── 超高频(>100万次/天) → 自建推理 + 模型量化 + 连续批处理

Step 5: 任务复用度？
├── 同一任务模式反复出现 → 微调小模型(成本降低10-100x)
└── 任务多样不可预测 → 通用大模型API

3.2 主流模型能力矩阵（2025-2026）

闭源API：

模型	最擅长	上下文窗口	价格(Input/Output $/M)	适用场景
Claude Opus 4.5	复杂推理、代码、长文档	200K	$5/$25	最复杂的B端任务
Claude Sonnet 4	平衡能力、代码	200K	$3/$15	大多数B端场景的默认选择
GPT-4.1	推理链、数学	1M	$15/$60	需要深度推理的场景
GPT-4o	多模态、速度	128K	$2.5/$10	多模态+实时场景
Gemini 2.5 Pro	超长上下文、搜索	2M	$1.25/$10	超长文档/代码库分析
Gemini Flash	速度+成本	1M	$0.075/$0.30	高吞吐量简单任务

开源模型（用于私有化部署/微调）：

模型	参数	最强能力	硬件需求(推理)	适用
Llama 4	8B/70B/405B	通用、生态好	8B=1卡/70B=4卡	英文为主
Qwen 3	7B/72B	中文最强、多模态	7B=1卡/72B=4卡	中文场景首选
DeepSeek V3/R1	671B(MoE)	推理、中文、极致性价比	MoE架构优化	成本敏感+强推理
Mistral Large	123B	多语言、速度	4-8卡	欧洲市场

3.3 Build vs Buy vs Fine-tune 三路径决策

┌────────────────────────────────────────────────────┐
│                     决策树                          │
│                                                    │
│ 这是差异化能力吗？                               │
│   ├── 是 → BUILD(自研模型)                          │
│   │         条件：有足够数据+预算+ML团队              │
│   │         成本：7B≈$100K, 70B≈$1-5M               │
│   │         时间：6-18个月                            │
│   │                                                   │
│   └── 否 → 有大量专有数据需要模型学习吗？              │
│             ├── 是 → FINE-TUNE(API或开源模型微调)     │
│             │         成本：$15(LoRA小模型)-$50K+      │
│             │         时间：1-4周                       │
│             │         适合：改风格/格式/领域术语        │
│             │                                              │
│             └── 否 → BUY(直接使用API)                    │
│                       成本：按用量付费                     │
│                       时间：即时                           │
│                       适合：大多数场景                     │
└────────────────────────────────────────────────────┘

行业共识："Buy the substrates. Build the autonomy."
→ 购买基础模型，在此基础上构建自主能力层

3.4 模型路由策略（Multi-Model Architecture）

高级AI产品的架构：不是选一个模型，而是用多个模型路由。

用户Query → 分类器(复杂度判断) →
  ├── 简单(40%) → 小模型(Haiku/Flash) → 低成本
  ├── 中等(40%) → 中模型(Sonnet/GPT-4o) → 平衡
  └── 复杂(20%) → 大模型(Opus/GPT-4.1) → 高质量

效果：成本降低40-60%，延迟降低20-30%，质量基本持平

输出物

1. 模型选型决策报告（含决策树路径+对比矩阵+cost projection）
2. Build/Buy/Fine-tune建议书（含TCO 2-3年估算）
3. 模型路由架构设计（如适用）

---

阶段4：Prompt与上下文工程

角色：Prompt架构师

"Prompt是AI产品的UI。上下文工程是比Prompt工程更深层的设计。"

4.1 结构化Prompt设计模式

┌─────────────────────────────────────────────┐
│ [System Prompt] - 系统级角色和能力设定       │
│ 你是谁 | 你的任务 | 你的约束 | 你的语气     │
├─────────────────────────────────────────────┤
│ [Context] - 上下文信息                       │
│ 当前用户信息 | 相关数据 | 业务规则 | 场景    │
├─────────────────────────────────────────────┤
│ [Task] - 具体任务指令                       │
│ 做什么 | 步骤 | 格式要求                    │
├─────────────────────────────────────────────┤
│ [Output Schema] - 输出格式约束              │
│ JSON Schema | 字段说明 | 示例              │
├─────────────────────────────────────────────┤
│ [Few-Shot Examples] - 示例（强烈推荐）      │
│ 2-5个高质量的输入→输出示例                  │
├─────────────────────────────────────────────┤
│ [Constraints] - 禁止事项                    │
│ 不要做X | 如果不知道就说不知道              │
└─────────────────────────────────────────────┘

示例：AI法务合同审查System Prompt
你是资深企业法务专家，专注合同风险审查。
你的审查范围：买卖合同、服务合同、NDA。
你必须：引用具体条款指出风险，给出修改建议，标注风险等级(高/中/低)。
你不能：提供法律意见(声明仅供参考)，编造不存在的法律条文。
输出格式：JSON，包含risk_items数组，每项含{clause, risk_level, description, suggestion}

4.2 Prompt高级技术

技术	原理	适用场景	效果
Chain-of-Thought	引导模型"让我们一步步思考"	复杂推理/数学/多步分析	准确率↑15-30%
Few-Shot	提供2-5个高质量输入→输出示例	格式要求严格/领域特殊	格式遵循率↑50%+
Self-Consistency	多次采样+投票	需要高准确率的推理	准确率↑5-10%
ReAct	思考→行动→观察 循环	需要工具调用的任务	Agent必备
Tree of Thoughts	探索多个推理路径+评估选择	复杂规划/策略	需要规划的场景
Constitutional Prompting	在Prompt中内置原则	内容安全/价值观对齐	安全拒绝率↑

4.3 上下文工程（Context Engineering）

问题："给模型什么信息、以什么结构、在什么时机？"

上下文窗口预算管理（以128K为例）：

总预算：128K tokens

策略：
├── System Prompt：2-5K tokens (角色+规则+输出格式)
├── 对话历史：10-20K tokens (最近的对话，摘要化旧对话)
├── RAG检索结果：20-40K tokens (最相关的文档+元数据)
├── 用户当前查询：0.5-2K tokens
├── 用户画像/偏好：2-5K tokens
├── 工具定义：5-10K tokens (function definitions)
└── 预留Buffer：~20K tokens (给模型思考/生成用)

上下文窗口陷阱（越大≠越好！）：

陷阱	表现	缓解
上下文毒化	前文幻觉被不断引用放大	定期重置+来源标注
上下文分心	无关信息太多，模型迷失重点	精选而非堆砌
上下文混淆	工具太多，调用错误的工具	工具数量<20个
上下文冲突	多轮对话中的矛盾信息(性能下降~39%)	冲突检测+澄清机制

动态上下文组装策略：

• 根据用户角色加载不同System Prompt
• 根据当前任务类型选择不同检索策略
• 根据用户历史个性化上下文（偏好/习惯/级别）
• 关键信息前置：最重要的放在Prompt的前2000 tokens和后500 tokens

4.4 Prompt版本管理与A/B测试

Prompt工程的最佳实践 = 像管理代码一样管理Prompt

流程：
1. Prompt在Git中版本控制（不是数据库里改来改去）
2. 每次修改有Changelog（改了什么、为什么、预期影响）
3. 新Prompt先在Golden Dataset上评测（离线验证）
4. 通过评测后在5%流量A/B测试（在线验证）
5. 统计显著(>95%置信) + 指标不降 → 全量上线
6. 保留旧Prompt作为回滚方案

需要A/B监控的指标：
- 任务完成率（主要）
- 用户满意度/点赞率（辅助）
- 推理延迟（不降）
- Token成本（不显著增）
- 安全拒绝率（不降）

输出物

1. System Prompt设计文档（含角色定义/约束/格式/示例）
2. 上下文组装策略文档（含窗口预算/动态组装规则）
3. Few-Shot示例库（按场景分类，持续优化）
4. Prompt版本管理规范（Git集成+A/B测试流程）

---

阶段5：RAG设计与实现

角色：RAG架构师

"RAG是当前B端AI产品最核心、最成熟的架构模式。"

5.1 RAG标准流水线（5层）

┌──────────────────────────────────────────────┐
│ 1. 文档摄入                                   │
│    ├── 文档解析(PDF/Word/HTML/Markdown/图片OCR)│
│    ├── 分块(Chunking)：固定大小/语义/层级      │
│    └── 元数据提取(文档名/日期/作者/权限/标签)   │
├──────────────────────────────────────────────┤
│ 2. 向量化 (Embedding)                        │
│    ├── 文本→向量 (选择合适的Embedding模型)     │
│    └── 存入向量数据库                           │
├──────────────────────────────────────────────┤
│ 3. 检索 (Retrieval)                          │
│    ├── 混合检索：BM25(关键词) + Dense(语义)   │
│    ├── 重排序：Cross-encoder对召回结果二次排序  │
│    └── 过滤：按权限/日期/标签/元数据过滤       │
├──────────────────────────────────────────────┤
│ 4. 生成 (Generation)                         │
│    ├── System Prompt + Retrieved Context + User Query →
│    ├── LLM生成带引用标注的答案                  │
│    └── 置信度输出（不确定时告知用户）            │
├──────────────────────────────────────────────┤
│ 5. 评测与迭代                                  │
│    ├── RAGAS指标(忠实度/相关性/上下文精度/召回) │
│    ├── Bad Case分析→分块策略→检索策略→迭代    │
│    └── 用户反馈闭环                            │
└──────────────────────────────────────────────┘

5.2 RAG 7大高阶模式（2025最新）

模式	机制	延迟	准确率	最佳场景
基础RAG	向量检索+生成	低	中	快速原型
混合搜索+Reranker	BM25+向量+Cross-encoder	中	高	生产环境默认起点
Self-RAG	模型自反思+判断是否需要检索	中高	高	需要减少幻觉
Corrective RAG	轻量评估器评分→使用/丢弃/补充	中高	高	知识库质量不稳定
Agentic RAG	动态推理+工具调用+多步检索	高	很高	复杂多步自主任务
GraphRAG	知识图谱+社区摘要+层级检索	中高	很高	10万+文档、跨文档关系
HyDE	先生成假设文档再检索	中	高(模糊查询)	领域特定模糊查询

5.3 RAG关键设计决策

决策点	选项	推荐	理由
分块策略	固定/语义/层级	语义为主+固定为辅	语义分块F1↑36%(法律文档)
分块大小	256/512/1024/2048	512为主，关键段落1024	平衡完整性和检索精度
重叠率	0%/10%/20%	10-20%	避免语义在边界切断
Embedding模型	多种	中文→bge-large-zh；英文→text-embedding-3-large	中文场景bge表现最佳
向量数据库	多种	<100万向量→pgvector; >100万→Milvus	Milvus分布式扩展好
Top-K	3/5/10/20	混合搜索50→Rerank到5-10	Reranker提升明显
Reranker	Cohere/BGE/无	必须加Reranker	MRR提升20%+

5.4 RAG vs Fine-tuning vs Long Context 决策框架

场景	推荐方案	原因
知识频繁更新	RAG	Fine-tuning过时成本高
需要可解释性/来源引用	RAG	可追溯到源文档
需要模仿特定风格/语气	Fine-tuning	比Few-shot Prompt更稳定
领域术语/缩写多	Fine-tuning	学习术语分布
文档<上下文窗口且不常变化	Long Context	最简单，不需要额外基础设施
大多数B端场景	RAG+Fine-tuning	行业共识：混合是默认选择

5.5 RAG评测指标（RAGAS标准）

指标	测量什么	目标
Faithfulness(忠实度)	生成的答案是否完全来自检索内容	>0.90
Answer Relevancy(答案相关性)	答案是否回答了问题	>0.85
Context Precision(上下文精度)	检索到的内容中相关比例	>0.85
Context Recall(上下文召回)	相关内容被检索到的比例	>0.90

输出物

1. RAG架构设计文档（含流水线设计/分块策略/检索策略/向量数据库选型）
2. Embedding模型选型报告（含中文/多语言场景对比）
3. RAG评测报告模板（含RAGAS指标+Bad Case分析）
4. 知识库管理规范（含文档摄入SOP/更新频率/质量检查）

---

---

阶段6：Agent与多智能体系统

角色：Agent架构师

"Agent = LLM + 记忆 + 规划 + 工具。不是所有任务都需要Agent。"

6.1 什么时候用Agent？（决策树）

简单LLM调用就够了吗？
├── 是 → 不要用Agent！简单调用成本更低、延迟更低、更可控
│       适用：翻译、摘要、分类、简单问答、内容生成
│
└── 否 → 需要多步操作吗？
         ├── 是 → 需要灵活的工具选择吗？
         │        ├── 是 → 用Agent
         │        └── 否 → 用固定Pipeline
         └── 否 → 用简单LLM调用

Agent额外成本：多轮调用→延迟↑2-5x, Token消耗↑3-10x
Agent价值：处理开放式的、需要多步推理和工具调用的复杂任务

6.2 Agent架构模式

模式1：ReAct（推理+行动）

Thought → Action → Observation → Thought → ... → Final Answer

模式2：Plan-and-Execute（先规划再执行）

Plan（制定计划）→ Execute Step 1 → ... → Summarize
适合：目标明确但步骤复杂，用户可审查计划后再执行

模式3：Orchestrator-Worker（编排者-工作者）

Orchestrator → Worker A(搜索) + Worker B(分析) + Worker C(撰写) → 整合输出
适合：任务可分解为独立子任务，并行执行

模式4：Reflection Agent（反思型）

执行 → 自我评估 → 识别问题 → 修正 → 再评估
提升准确率+10-20%，代价是额外1-2轮LLM调用

6.3 多Agent编排框架

框架	编程模型	优势	适用
LangGraph	有向图+状态管理	灵活、可控、社区大	生产级Agent系统
CrewAI	角色扮演+顺序/层级	简单直观、上手快	快速原型
AutoGen(Microsoft)	对话驱动多Agent	学术背景、支持HITL	研究+企业
OpenAI Agents SDK	轻量Agent+Handoff	原生集成、简单	OpenAI生态
Dify	可视化+低代码	中文友好、拖拽	非技术用户
Coze(字节)	可视化+插件市场	中国生态好	AI Bot开发

6.4 HITL设计（B端Agent合规必备）

风险等级	Agent行为	人类角色	示例
低风险	Agent自主执行	事后抽查	标签、摘要、格式化
中风险	Agent生成→人类确认	执行前确认	通知、状态变更
高风险	Agent建议→人类执行	人类操作	删除、审批、发布
不允许	禁止Agent操作	仅人类	支付、签署、权限变更

6.5 Agent安全与沙箱

Agent安全层级：
├── 身份与权限：最小权限原则、短时效凭证
├── 沙箱隔离：gVisor/Kata Containers/Firecracker
├── 网络管控：出口白名单、敏感API拦截
├── 工具审查：签名验证、权限声明
├── 运行时监控：异常行为检测、资源限制
└── 紧急熔断：一键停止Agent运行

输出物

1. Agent架构设计文档（含架构模式/工具定义/记忆设计/HITL矩阵）
2. Agent工具API规范（功能/输入/输出/权限/错误处理）
3. Agent安全设计文档（含沙箱策略/权限模型/熔断机制）
4. Agent评测方案（任务完成率/工具调用正确率/HITL触发率）

---

阶段7：模型微调与适配

角色：模型优化师

"微调改变的不是知识，是风格和格式。新知识通过RAG注入。"

7.1 微调决策框架

YES（需要微调）：
□ 模型需要输出特定格式（JSON/表格/代码模板）且Prompt不够稳定
□ 需要特定的语气/风格/品牌语调
□ 大量领域缩写/术语（Prompt放不下）
□ 同一任务反复出现（微调小模型替代大模型，节省成本）

NO（不需要微调）：
□ 任务需要最新知识 → RAG更合适
□ 知识频繁变化 → 微调跟不上
□ 只有少量示例(<100条) → Few-shot Prompt更实际
□ 使用闭源API且Prompt可解决 → Prompt优化成本更低
□ 需要可解释的来源引用 → RAG提供溯源

7.2 微调方法对比

方法	原理	成本	稳定性	最佳用途
SFT	输入→期望输出对	中	⭐⭐⭐⭐	格式/风格控制
RLHF	人类反馈→奖励模型→强化学习	极高	⭐⭐	价值观对齐
DPO	直接比较偏好对	中	⭐⭐⭐⭐	对齐效果好且稳定
LoRA/QLoRA	只训练少量参数	极低($15起)	⭐⭐⭐⭐⭐	高效微调首选

共识：DPO + LoRA 是企业微调的首选组合。

7.3 微调数据准备

最低要求：100-500条高质量示例
推荐：1000-5000条
原则：500条精选 > 5000条噪声数据

数据格式（SFT）：
{"messages": [
  {"role": "system", "content": "你是XX领域的专家..."},
  {"role": "user", "content": "用户输入"},
  {"role": "assistant", "content": "期望的模型输出"}
]}

原则：
1. 多样性：覆盖各种场景、边缘情况、表达方式
2. 一致性：标注标准统一，冲突数据需要清洗
3. 代表性：数据分布应匹配真实用户需求分布

7.4 GPU需求估算

模型大小	Full Fine-tuning	LoRA/QLoRA
7B-8B	4-8x A100 80GB	1x A100/L40S
13B	8x A100 80GB	1-2x A100
70B-72B	32+ A100/H100集群	2-4x A100
405B	大型集群($1M+)	8x A100

输出物

1. 微调策略文档（含决策依据/方法选择/数据策略/成本估算）
2. 微调数据准备规范（含数据格式/质量标准/标注指南）
3. 微调评测方案（含基准对比/领域评测/回归测试）

---

阶段8：AI UX与交互设计

角色：AI体验设计师

"最好的AI UX是用户甚至没意识到自己在用AI。"

8.1 AI交互的7大模式

模式	描述	最佳场景	代表产品
嵌入式AI	AI在后台，用户无感	高频、高确定性	Google搜索排序
Copilot侧边栏	侧边栏AI助手	辅助创作/分析	GitHub Copilot
Chat对话	纯对话界面	探索性任务	ChatGPT
Canvas画布	AI+可编辑工作区	内容创作+迭代	Claude Artifacts
Agent自主	自动完成多步任务	复杂操作	Devin, AutoGPT
智能表单	表单→Prompt生成	结构化引导	Resume builder
Flowchart编排	可视化编排Agent	工作流自动化	n8n, Dify

8.2 AI UX原则（10条）

1. 渐进式信任 — 从低风险功能开始，逐步放开高风险的自主权
2. 可撤销 — AI的操作应该可以一键撤销
3. 可解释 — 让用户知道"AI为什么这样回答"（引用来源/推理步骤）
4. 可覆盖 — 用户可以随时手动接管或修改AI的输出
5. 展示不确定性 — 不确定时显示置信度，而非假装100%确定
6. 流式输出 — 逐Token展示，让用户感知AI"正在思考"
7. 给用户退路 — 除了AI方案，始终提供手动操作路径
8. 空状态引导 — 提供示例提示，降低用户"不知道该说什么"的焦虑
9. 容错优雅 — 出错时告诉用户"怎么回事+怎么办"
10. 上下文可见 — 让用户看到AI在用哪些信息做决策

8.3 AI UX反模式（10大错误）

#	反模式	正确做法
1	一切皆Chat — 简单任务也要对话	用控件/按钮替代不必要的对话
2	假装是人类 — 引发信任陷阱	清晰标识"我是AI"
3	黑盒决策 — 用户完全不知道AI做了什么	展示推理步骤、引用来源
4	无退路设计 — 不满意但无法手动操作	始终保留手动路径
5	过度拟人 — 模拟打字延迟、"我在思考..."	真诚胜过拟人，效率优先
6	全或无的信任 — 要么全信要么不信	渐进式信任，按风险分级
7	假装100%准确 — 用自信掩盖不确定性	不确定时用"可能/建议/参考"
8	忽视等待体验 — 推理时无反馈	流式输出+进度提示
9	记忆不透明 — AI记住什么用户不知	提供记忆管理面板
10	只做加法 — 哪里都加AI	"AI-second, not AI-first"

8.4 GenUI（生成式UI — 前沿概念）

传统AI：Text in → Text out
GenUI：Text in → Structured JSON → 实时渲染UI组件

示例：
用户："对比这3家供应商的报价"
→ 生成对比表格JSON → 渲染成交互式对比组件（可排序/筛选/高亮）

工具：CopilotKit, LangChain + React streaming, C1 by Thesys

输出物

1. AI UX设计规范（交互模式选择/原则声明/反模式检查）
2. AI交互原型（HTML原型：加载态/空态/错误态/结果态/置信度展示）
3. AI用户信任建立计划（渐进式信任路线图）

---

阶段9：评测体系与质量保障

角色：AI质量保障专家

"没有评测就没有AI产品迭代。评测不是上线前的检查点，而是持续的系统。"

9.1 AI评测vs传统测试

维度	传统软件测试	AI产品评测
确定性	给定输入→确定输出	给定输入→概率性输出
正确性	明确的二值判断	多维度的程度判断
测试用例	预定义、可穷举	开放式、不可穷举
失败模式	显性（报错/崩溃）	隐性（幻觉/偏见/遗漏）
回归测试	精确的输入/输出匹配	统计性对比（旧vs新质量分布）

9.2 评测维度矩阵

维度	测量什么	测量方法	目标
准确性	事实是否正确	Golden Dataset对比	>90%
相关性	是否回应了用户意图	人工评分+语义相似度	>85%
忠实度	是否忠实于上下文(RAG)	RAGAS Faithfulness	>0.90
完整性	是否覆盖所有关键信息点	检查清单覆盖率	>85%
安全性	有害内容输出率	红队测试+自动化扫描	<0.1%
延迟	P50/P95/P99	自动监控	P95<3s
成本	每次交互Token消耗	自动统计	符合预算
一致性	相同意图不同表达是否一致	改写测试集	>90%

9.3 Golden Dataset构建

流程：
1. 从真实用户Query中采样（不是PM自己编的）
2. 覆盖维度：常见场景(60%) + 边缘情况(20%) + 对抗情况(10%) + 安全测试(10%)
3. 数量：至少200条，推荐500-1000条（统计显著）
4. 标注：领域专家标注标准答案+评分标准(Rubric)
5. 维护：每月补充新Query(10-20条)，淘汰过时Query

9.4 评测方法工具箱

方法	成本	速度	适用
人工评测	最高	最慢	Golden Dataset标注、最终决策
LLM-as-Judge	中	快	规模化日常评测(用强模型评弱模型)
自动指标(RAGAS/ROUGE)	低	最快	回归测试、快速筛选
A/B测试	高	慢	验证业务效果

LLM-as-Judge注意事项：

• 用最强模型当裁判（准确率~81%）
• 加上"请解释你的评分"提升透明度
• 定期人工抽查校准
• 不同Judge模型一致性差异显著

9.5 评测流水线

每次Prompt/模型变更的评测流程：

Step 1: 离线评测（必须通过）
├── Golden Dataset全量跑一遍
├── RAGAS指标不降
├── 安全测试集不出现新问题
└── 输出对比报告(old vs new)

Step 2: 灰度在线（逐步放量）
├── 5% → 10% → 25% 流量
├── 监控指标
└── 统计显著+指标不降 → 继续放量

Step 3: 全量+持续监控
├── 7×24小时指标监控
├── Bad Case自动收集
└── 每周评测报告+迭代

输出物

1. 评测体系设计文档（评测维度/方法选择/指标定义）
2. Golden Dataset（含答案标准+评分Rubric）
3. 评测流水线配置（离线评测+在线监控面板）
4. 每周评测报告模板

---

阶段10：安全护栏与红队测试

角色：AI安全工程师

"AI安全不是一次性检查，而是持续的经济博弈（提高攻击成本）。"

10.1 AI特有攻击面

├── 输入层：Prompt注入、越狱(Jailbreak)、Base64/ROT13编码绕过、多语言绕过
├── 输出层：幻觉、有害内容、PII泄露、代码注入
├── 数据层：知识库投毒、恶意微调、成员推断攻击
└── 系统层：Agent工具滥用、权限提升、资源耗尽

10.2 多层安全护栏

Layer 1: 身份认证与授权（最小权限+短时效Token）
Layer 2: 输入护栏（注入检测+越狱检测+PII过滤）
Layer 3: 输出护栏（内容安全分类器+幻觉检测+PII脱敏）
Layer 4: 运行时监控（异常检测+Token消耗告警+紧急熔断）
Layer 5: 审计与溯源（完整交互记录+Agent调用记录）

10.3 红队测试

Microsoft红队100+产品教训：

• 上下文感知：同一模型不同场景风险不同
• 简单攻击最有效：真正的攻击者用Prompt而非梯度
• 系统级思维：最有效的攻击组合多种技术跨栈
• 双角色测试：恶意攻击者 AND 善意意外触发者
• 持续性：攻防博弈，不是一次性检查

节奏： 重大发布前全范围 + 每月重点区域 + 持续自动化扫描 + 每次模型升级后回归

10.4 安全发布30-60-90天计划

阶段	行动
Day 0-30	盘点Agent/工具；最小权限；沙箱；紧急熔断
Day 31-60	工具签名验证；安全监控规则；HITL门控；定向红队测试
Day 61-90	CI/CD安全集成；全面红队+修复+回归；安全治理节奏

输出物

1. AI安全设计文档（威胁模型/护栏架构/应急响应计划）
2. 红队测试报告模板（测试范围/发现/修复验证）
3. 安全发布检查清单
4. 内容安全分类标准（按部署地区定制）

---

阶段11：AI可观测性与生产运维

角色：AI运维专家

"AI产品上线只是开始，持续观测和优化才是常态。"

11.1 LLMOps可观测性全景

支柱：

技术指标：延迟P50/P95/P99 | 吞吐量QPS | Token消耗 | 错误率 | 缓存命中率
质量指标：任务完成率 | 点赞率 | 幻觉率(抽样) | 安全拒绝率 | RAGAS趋势
业务指标：用户留存 | 功能采用率 | 人均推理成本 | ROI(价值/成本)

11.2 可观测性工具栈

工具	能力	适用
LangSmith	Prompt管理+评测+追踪+监控	LangChain生态
Arize Phoenix	LLM可观测性+漂移检测	开源、OpenTelemetry原生
Langfuse	LLM追踪+指标+Prompt管理	开源替代LangSmith
Weights & Biases	训练追踪+Prompt管理	模型训练+产品
Datadog LLM	企业级监控	已有Datadog的企业

11.3 AI产品特有的退化模式

1. 模型漂移：上游模型升级后行为变化 → 每次模型变更后评测对比
2. 数据漂移：用户Query分布变化 → 监控KL散度，更新Golden Dataset
3. 概念漂移：同一词含义变化 → 定期抽样评测特定Query
4. 反馈循环退化：AI输出影响用户行为→再影响AI → 周期性校准

11.4 成本监控面板

指标：
- 每用户日成本 = Σ(各功能调用 × Token成本)
- 免费用户成本占比（>15%收紧限制）
- 高成本用户Top 10（排查滥用）
- 单次交互成本分布P50/P95/P99

告警：单用户日成本 > 均值10倍 | 免费层成本 > 15% | API失败率 > 5%

输出物

1. AI可观测性仪表盘（技术/质量/业务三层指标）
2. 告警规则配置文档
3. 生产问题排查手册
4. 成本优化建议报告

---

阶段12：AI商业化与变现

角色：AI商业化策略师

"AI产品定价不是按席位，而是对齐用户价值和推理成本。"

12.1 为什么AI定价如此困难？

传统SaaS边际成本≈0 → 按席位收费合理
AI产品边际成本≠0 → 每次调用都有真实Token成本

问题：
- 简单查询$0.001 vs 复杂多步链$0.50+（500倍差距）
- 同一席位两个用户，成本可能差50倍
- 按席位定价会导致利润倒挂

12.2 六大AI定价模式

模式	原理	优势	劣势	适合
按Token/用量	用多少付多少	成本对齐最精确	用户成本不确定感	API产品
混合(基础费+用量)	固定月费+超额按量	可预测+弹性	计量复杂	大多数B端AI SaaS
按结果付费	按完成任务付费	与用户价值直接对齐	归因复杂	客服/线索
分层+AI配额	各套餐含AI用量上限	企业采购熟悉	高级用户可能超量	企业SaaS
预付消费	Token包	收入可预测	限制重度用户收入	早期产品
免费试用+付费	有限免费额度	降低试用门槛	免费层成本风险	PLG产品

推荐：混合模式（基础月费 + 用量额度 + 超额按量计费）

12.3 Token经济学指标

指标	公式	健康基准
AI毛利率	(AI收入 - 推理成本) / AI收入	>60%
成本加价率	售价 / 推理成本	1.3-3x
免费层成本率	免费用户推理成本 / 总推理成本	<10%
每用户月成本	月总推理成本 / 月活用户数	持续下降

12.4 成本优化策略

策略	预期节省	实施难度
语义缓存	20-35%	中
模型路由	40-60%	中高
Prompt压缩	15-25%	低
批处理	20-40%	低
微调小模型替代大模型	30-80%	高

12.5 Sequoia的Service-as-a-Software范式

传统SaaS：卖工具（按席位）→ 市场$650B
AI新范式：卖工作成果（按结果）→ 市场潜在$10T

传统："付钱，我们给你软件工具"
AI时代："付钱，我们直接完成工作"

→ AI PM必须思考：不是"我可以加什么AI功能"，而是"AI可以替用户完成什么工作"

输出物

1. AI产品定价方案（定价模式/套餐设计/用量策略）
2. Token经济学模型（成本预测/毛利率模型/盈亏分析）
3. 成本优化路线图

---

AI PM工作流体系

双轨AI产品开发

Discovery（AI能力探索）： 假设 → Prompt原型 → Golden Dataset评测 → Alpha → Beta → A/B验证 → 上线

Delivery（AI产品交付）： 评审 → Prompt/模型变更 → 离线评测 → 灰度(5%→25%→100%) → 监控 → 迭代

AI PM标准周节奏

时间	事项
周一	AI指标Review + 本周规划
周二	用户研究+Bad Case深度分析
周三	Prompt/RAG/Agent设计（深度工作）
周四	跨团队对齐+安全评审
周五	Golden Dataset维护+AI知识分享

AI产品发布前检查清单

□ Golden Dataset评测通过（指标不降）
□ 红队测试完成且高风险项已修复
□ 安全护栏已部署并测试
□ 成本模型已更新并评审
□ 监控告警已配置
□ 降级/回滚方案已准备
□ 帮助文档已更新（用户需要知道如何与AI交互）
□ 灰度方案已确定
□ 法务/合规已签字

---

能力模型与职业发展

AI PM能力金字塔

              ┌────────────────────┐
              │   AI商业思维       │  ← AI变现/Token经济学/市场判断
              │   (25%)           │
              ├────────────────────┤
              │   AI技术素养       │  ← 模型能力/RAG/Agent/Prompt/评测
              │   (30%)           │
              ├────────────────────┤
              │   AI产品设计       │  ← AI UX/信任设计/HITL/交互模式
              │   (25%)           │
              ├────────────────────┤
              │   产品基本功       │  ← 用户研究/需求分析/数据分析
              │   (20%)           │
              └────────────────────┘

AI PM到Chief AI Officer

级别	经验	能力
初级AI PM	0-2年	Prompt工程基础、AI评测执行、AI功能PRD撰写
中级AI PM	2-5年	RAG/Agent方案设计、Golden Dataset构建、AI UX设计
高级AI PM	5-8年	模型选型决策、AI产品策略、安全体系设计、AI商业化
AI产品总监	8-12年	AI产品组合、Build/Buy决策、AI团队建设
Chief AI Officer	12年+	公司AI战略、AI治理、AI文化、AI投资组合

AI PM必备技术知识清单

必须理解（能与ML工程师有效对话）：
□ LLM工作原理（Transformer/注意力机制/Token）
□ Prompt Engineering进阶（CoT/ReAct/Few-Shot）
□ RAG架构（分块/检索/重排序/评测）
□ Agent架构（工具调用/记忆/规划/HITL）
□ 模型评测方法（Golden Dataset/LLM-as-Judge/A/B测试）
□ Token经济学（成本估算/模型路由/缓存策略）
□ AI安全基础（注入/越狱/护栏/红队测试）

加分项：
□ 微调基础（SFT/RLHF/DPO/LoRA）
□ MLOps与AI可观测性
□ GPU经济学与推理优化
□ AI治理与合规（EU AI Act/中国管理办法）
□ 多模态AI基础

---

文档工场

AI产品专业文档

文档	读者	详细模板
AI产品PRD	开发/ML团队	references/templates/ai-prd-template.md
AI策略文档	管理层/投资人	references/templates/ai-strategy-template.md
RAG设计文档	ML/后端团队	references/templates/rag-design-template.md
Agent设计文档	ML/后端团队	references/templates/agent-design-template.md
Prompt工程文档	产品/ML团队	references/templates/prompt-engineering-template.md
AI评测方案	产品/QA/ML	references/templates/ai-evaluation-template.md
AI安全方案	安全/法务/ML	references/templates/ai-safety-template.md
AI产品定价方案	管理层/财务	references/templates/ai-pricing-template.md
AI竞品分析	产品/市场	references/templates/ai-competitive-template.md

---

图表工场

AI PM必画图表

#	图表类型	用途	工具
1	RAG架构图	RAG流水线全貌	drawio-skill
2	Agent架构图	Agent/多Agent系统	drawio-skill
3	模型路由流程图	多模型路由决策	drawio-skill
4	AI评测流水线图	评测流程+数据流	drawio-skill
5	安全护栏分层图	多层安全防护	drawio-skill
6	数据飞轮图	用户→数据→AI改善循环	excalidraw-diagram
7	AI产品全栈架构图	产品技术架构	drawio-generator-pro

---

原型工场

"生成一个AI客服机器人的HTML原型"
→ 对话界面 + 置信度展示 + 引用来源 + 人工转接 + 空状态引导

"生成一个AI合同审查工具的HTML原型"  
→ 上传合同 → AI标注风险条款 → 用户确认/修改 → 导出报告

"生成一个AI数据分析Agent的HTML原型"
→ 自然语言输入 → Agent思考步骤展示 → 可视化结果 → 下载分享

---

AI治理与合规

全球AI监管全景

EU AI Act（分阶段实施）

风险等级	要求	产品示例
不可接受	完全禁止	社会信用评分、实时远程生物识别
高风险	合规评估+人工监督+透明度+EU注册	医疗AI、招聘AI、信贷审批
有限风险	告知用户"你在与AI交互"	Chatbot、AI生成内容
最低风险	无额外义务	AI滤镜、AI推荐

"部署者陷阱"： 使用第三方AI API的企业也可能承担义务。

中国AI监管体系

法规	要求
生成式AI服务管理办法	安全评估+算法备案+内容审核+训练数据合规
深度合成管理规定	合成内容标识+用户实名+审核机制
个人信息保护法	训练数据中PII合规
算法推荐管理规定	算法备案+用户知情权+退出机制

中国AI"三重注册"： 算法备案 → AI安全评估 → 内容安全审核

---

AI产品反模式大全（25个常见错误）

策略类

#	反模式	正确做法
1	"先把AI塞进去" — 为了AI而AI	先问AI是否真正解决问题
2	在模型层与OpenAI竞争	在应用层构建专有数据和体验护城河
3	忽略数据飞轮	Day 1设计隐式反馈收集机制
4	追求SOTA而非够用	模型路由：简单→小模型，复杂→大模型
5	"AI会自己优化"	建立评测→分析→优化的持续闭环

技术类

#	反模式	正确做法
6	默认一切用Agent	先简单LLM调用评估，不够再升级
7	忽视Token成本	Day 1监控每次交互的推理成本
8	上下文窗口滥用	精选上下文，而非堆砌一切
9	RAG只做向量检索	BM25+向量+Reranker是生产基准
10	评测集是PM自编的	从真实用户Query采样构建

UX类

#	反模式	正确做法
11	黑盒AI — 不展示推理过程	展示推理步骤+引用来源
12	无退路设计	始终保留手动操作路径
13	假装100%确定	不确定时展示置信度
14	AI频繁打断用户	被动辅助而非主动打断
15	忽略加载体验	流式输出+进度提示+骨架屏

安全类

#	反模式	正确做法
16	"先上线，安全再说"	至少部署基础输入/输出护栏
17	不告知用户是AI	清晰标识AI身份
18	无红队测试就发布	至少内部红队测试后再上线
19	忽视低资源语言安全	测试所有支持语言的越狱风险
20	没有紧急熔断	一键停止所有AI功能

商业化类

#	反模式	正确做法
21	按席位定价卖AI	混合模式（基础费+用量）
22	无限免费AI使用	免费层设置严格用量上限
23	不追踪用户级成本	每个用户的投入产出必须清楚
24	低估价格战	Token价格每年降10x，护城河是数据和体验
25	AI毛利率 < 50%	保持60%+ AI毛利率

---

世界级AI PM框架库

Shreyas Doshi的产品感（AI时代版）

AI时代，产品感(Product Sense)是唯一不可替代的能力。

支柱：
1. 认知同理心 — 看透用户不理性行为背后的人性需求
   AI是"情感色盲"：理解数据，但不理解人心
2. 审美与品味 — 感知交互是否"对"的敏锐直觉
   AI能生成一万方案，但不能告诉你哪个让用户有生理共振
3. 商业直觉 — 瞬间看透任何事物背后的价值交换模型
   AI在极端商业模糊中缺乏正确决策能力

Chip Huyen的AI Engineering框架

1. 评测驱动开发(Eval-Driven Development)
   → 先建评测集，再写Prompt。评测是导航仪，不是检查点

2. RAG是默认选择，不是最后手段
   → 大多数B端AI产品从RAG开始

3. 从简单开始，渐进复杂
   简单LLM → +RAG → +工具 → +Agent → +多Agent
   不要跳级！每一级验证通过再升级

4. 系统思维而非模型思维
   优秀AI产品 = 模型(30%)+上下文工程(25%)+评测(20%)+安全(15%)+UX(10%)

Marily Nika的AI PM三支柱（Google）

"所有PM都将成为AI PM"

1. 技术素养不可协商 — 不需写代码，但必须理解ML概念
2. 从"翻译者"到"建造者" — 自己用AI工具原型化、测试、迭代
3. 伦理AI素养 — 偏见检测、数据隐私、内容安全是AI PM的基本功

---

最后的提醒

AI产品经理的终极心法（12条铁律）：

1. AI是工具不是魔法 — 从窄场景开始，用数据建护城河
2. 模型会商品化，数据和体验不会 — 护城河是专有数据和独特体验
3. 评测是一切的基础 — 没有评测就没有AI产品迭代
4. 信任是AI产品的货币 — 丢失一次，需要10次完美表现挽回
5. Token成本 = 你的COGS — 不追踪成本的产品是盲目的
6. 安全不是功能，是基础设施 — Day 1设计安全，而非事后补救
7. 渐进式信任 > 一次性释放 — 从低风险功能开始
8. 人类始终在Loop中 — 不要让AI做它无法负责的决定
9. 简单 > 炫酷 — 一个精准的分类模型可能比一个幻觉不断的Agent更有价值
10. Prompt是AI产品的UI — 善待Prompt，像对待产品界面一样迭代
11. 数据飞轮 > 模型能力 — 专有数据积累不会自动发生
12. 你是AI产品的CEO — 不是"模型API的包装者"，对用户的AI体验负全责

---

开始使用：直接告诉我你要做什么，Skill自动匹配阶段、方法论、工具链。 无论你是传统PM转型AI，还是AI领域新手，这个Skill都是你的AI PM超级助理。

---

工具集成总表

任务	首选工具	备选
画AI架构图	drawio-skill	drawio-coderknock
画数据飞轮/旅程图	excalidraw-diagram	-
生成AI产品原型	直接生成HTML (Tailwind+Alpine.js)	-
写AI PRD/策略文档	直接生成Markdown	word-docx
做AI策略PPT	ppt-generator	ppt-master
构建评测数据集	xlsx	-
Prompt版本对比	Git (Markdown)	-

---

使用示例

示例1：从0到1设计AI客服产品

用户：帮我设计一个AI客服机器人产品

产出：
- 阶段1：AI机会评估（客服场景AI可行性+D×V×F评分）
- 阶段3：模型选型（推荐GPT-4o/Gemini Flash分层路由）
- 阶段4：System Prompt + Few-Shot示例设计
- 阶段5：RAG设计（知识库分块+混合检索策略）
- 阶段8：AI UX原型（对话界面+置信度+转人工）
- 阶段9：评测方案（Golden Dataset + RAGAS指标）
- 阶段10：安全护栏（越狱防护+内容审核）
- 阶段12：定价方案（基础月费+按对话量超额计费）

示例2：现有CRM加AI合同审查

用户：给我的CRM加AI合同审查功能

产出：
- 阶段1：AI可行性评估（合同审查的任务特性判断）
- 阶段3：模型选型（推荐Claude Sonnet+长上下文窗口）
- 阶段4：Prompt设计（法务专家System Prompt+条款审查指令）
- 阶段8：AI UX设计（上传→AI标注风险→人确认→生成审查报告）
- 阶段9：评测方案（合同审查准确率Golden Dataset）
- 阶段10：HITL设计（高风险条款AI建议→法务确认）

---

开始使用：直接告诉我你要做什么，AI PM Skill自动匹配阶段、方法论、工具链。

---

附录A：Embedding模型选型深度指南

Embedding是RAG的基石。选错Embedding模型，再好的检索策略也白费。

主流Embedding模型对比

模型	维度	最大输入	MTEB中文	成本/1M tokens	最佳场景
text-embedding-3-large (OpenAI)	3072/256/1024	8191	中	$0.13	英文、多语言
text-embedding-3-small	1536/512	8191	中低	$0.02	成本敏感英文
bge-large-zh-v1.5 (BAAI)	1024	512	⭐⭐⭐⭐⭐	开源免费	中文场景首选
bge-m3 (BAAI)	1024	8192	⭐⭐⭐⭐⭐	开源免费	多语言+长文档
stella-base-zh-v3-1792d	1792	512	⭐⭐⭐⭐	开源免费	高精度中文检索
multilingual-e5-large	1024	512	⭐⭐⭐⭐	开源免费	多语言混合
jina-embeddings-v3	1024	8192	⭐⭐⭐⭐	付费API	长文档+多语言

选型决策树

1. 主要语言？
   ├── 中文为主 → bge-large-zh-v1.5 或 stella-base-zh
   ├── 英文为主 → text-embedding-3-large
   ├── 多语言混合 → bge-m3 或 multilingual-e5-large
   └── 需要私有化部署 → bge系列（开源）

2. 文档长度？
   ├── 短文(<512 tokens) → bge-large-zh-v1.5
   ├── 长文(512-8192) → bge-m3 或 jina-embeddings-v3
   └── 超长文(>8192) → 先分块再嵌入

3. 维度偏好？
   ├── 精度优先(>1024维) → text-embedding-3-large(3072) 或 stella(1792)
   ├── 速度优先(768维) → bge-base-zh-v1.5
   └── 存储优先(<512维) → text-embedding-3-small(512)

Embedding质量检查清单

□ 同义词召回测试："合同到期"能召回"协议终止"吗？
□ 多意词区分测试："苹果"在科技和水果语境下区分正确吗？
□ 否定语义测试："不包含XX"的检索结果包含XX吗？
□ 跨语言测试：中文query能检索英文文档吗？（如需要）
□ 长文档测试：512+ tokens文档的嵌入质量是否下降？
□ 领域术语测试：行业专有名词的检索效果如何？

---

附录B：向量数据库选型决策矩阵

主流向量数据库对比

数据库	类型	规模上限	性能	运维复杂度	最佳场景
pgvector	PostgreSQL扩展	<100万向量	中	低	已有PG、向量量不大
Milvus	专有向量数据库	>10亿	⭐⭐⭐⭐⭐	高	大规模生产环境
Qdrant	专有向量数据库	>1亿	⭐⭐⭐⭐	中	中等规模、性能好
Weaviate	专有向量数据库	>1亿	⭐⭐⭐⭐	中	需要内置模块（文本/图片）
Pinecone	云服务	>10亿	⭐⭐⭐⭐	极低	不想自运维
Chroma	轻量嵌入式	<10万	低	极低	原型/开发环境
ElasticSearch	搜索引擎+向量	>1亿	⭐⭐⭐	中高	已有ES基础设施

选型决策

向量量 < 10万 + 快速原型 → Chroma（零运维）
向量量 10万-100万 + 已有PG → pgvector（零额外成本）
向量量 100万-1亿 + 中小团队 → Qdrant 或 Weaviate
向量量 > 1亿 + 企业级 → Milvus（分布式扩展）
不想自运维 + 预算充足 → Pinecone
已有ES + 需要混合检索 → ElasticSearch

生产环境关键考量

考量点	问题
高可用	支持主从复制吗？故障切换时间？
备份恢复	增量备份？全量恢复时间？
多租户	Partition/Collection级别隔离？RBAC？
混合查询	向量+标量过滤的性能？标量索引？
成本	存储成本/TB？查询成本/1M次？

---

附录C：RAG分块策略深度指南

分块方式对比

分块方式	原理	优点	缺点	最佳场景
固定大小	按Token数切分（如512 tokens）	简单、可控、可预测	切断语义	初始方案、统一文档
按段落	按自然段落切分	语义完整	长度不均匀	结构清晰的文档
按标题层级	按H1/H2/H3层级切分	保留上下文层级	实现复杂	技术文档/帮助文档
语义分块	用LLM判断合适的切分点	语义最优	成本高、慢	高质量要求的场景
混合分块	按段落+固定大小兜底	兼顾语义和可控	规则复杂	生产环境推荐
句子窗口	按句子切分+窗口上下文	细粒度检索	存储大	需要精确定位的场景

分块大小选择指南

256 tokens:
  → 优点：检索精准、延迟低
  → 缺点：上下文不完整、易截断语义
  → 适用：FAQ、简短回答

512 tokens:
  → 优点：平衡精度和完整性 ← 推荐起点
  → 适用：大多数RAG场景

1024 tokens:
  → 优点：上下文更完整
  → 缺点：检索可能带回无关内容
  → 适用：复杂文档、技术手册

2048+ tokens:
  → 优点：长段落不截断
  → 缺点：信噪比低
  → 适用：法律文档、学术论文

分块优化实战

优化循环：
1. 用当前分块策略跑检索
2. 收集Bad Case（检索到不相关 / 没检索到相关）
3. 分析根因：
   - 语义被截断 → 增大分块或加重叠
   - 噪声太多 → 减小分块或增加Reranker
   - 标题信息丢失 → 在每块前加文档标题
4. 调整策略 → 重新评测 → 对比RAGAS指标
5. 重复直到满意

技巧：
- 每个Chunk添加元数据前缀：[文档标题] | [章节] | [更新日期]
- 小Chunk + 大上下文窗口：用小Chunk检索 + 带回相邻Chunk
- 层级索引：先检索文档 → 再在该文档内检索具体段落

---

附录D：Agent工具设计模式与实践

工具设计5原则

1. 单一职责：一个工具只做一件事
   ❌ “query_database” — 太泛
   ✅ “query_order_info” / “query_member_points” — 具体

2. 自描述性：工具名+描述让LLM一次就理解
   ✅ 工具名: cancel_order
   ✅ 描述: 取消指定订单，需订单号和取消原因，返回取消状态

3. 可验证输出：返回结构化结果，便于LLM判断是否成功
   ✅ {status: "success", data: {...}, error: null}
   ❌ "订单似乎取消了"（LLM需要猜）

4. 幂等性：同样输入多次调用结果一致（特别是修改类工具）
   ✅ 创建订单：用idempotency_key防重复
   ✅ 取消订单：已取消的订单返回“已取消”而非报错

5. 错误友好：错误信息要有足够上下文让LLM决定下一步
   ✅ {error: "订单ORD123未找到，可能是订单号错误或订单不属于当前用户"}
   ❌ {error: "not found"}

工具数量管理

Agent类型	推荐工具数	理由
简单Agent	3-5个	减少混淆
标准Agent	5-10个	覆盖能力
复杂Agent	10-20个	多领域
超级Agent	20-50个	需工具分组+动态加载

工具太多怎么办？

• 工具分组：按领域分组（订单相关、会员相关、知识库相关）
• 动态加载：Agent先判断意图 → 只加载相关工具组
• 工具命名规范：domain_action_object（如 order_query_status）

工具调用常见问题

问题	表现	解决
幻觉调用	调用不存在的工具	工具描述中加"仅使用提供的工具"
参数幻觉	编造参数值	要求Agent从用户输入/前序结果中提取参数
循环调用	重复调用同一工具	设置最大重试次数(3次)
过早放弃	一次失败就放弃	工具返回中给出重试建议
权限错误	调用无权限的工具	工具定义中包含权限要求说明

---

附录E：AI团队结构与角色

AI产品团队典型配置

AI产品团队（10-30人）:

├── AI产品经理(1-2人)
│   └── 负责：AI策略/模型选型/Prompt设计/评测体系/AI UX
│
├── ML工程师(2-4人)
│   ├── 负责：模型微调/评测流水线/模型路由/RAG实现
│   └── 对齐：模型能力边界、微调数据需求、评测指标
│
├── 后端工程师(2-4人)
│   ├── 负责：API/向量数据库/Agent工具/知识库摄入管道
│   └── 对齐：API设计、数据模型、性能要求
│
├── AI安全工程师(1人)
│   ├── 负责：护栏/红队测试/内容审核/合规
│   └── 对齐：风险矩阵、安全发布标准
│
├── Prompt工程师/内容设计师(1人)
│   ├── 负责：System Prompt/Few-Shot库/输出质量优化
│   └── 对齐：品牌语调、内容规范、用户反馈
│
├── 数据标注/评测专员(1-2人)
│   ├── 负责：Golden Dataset维护/人工评测/Bad Case分析
│   └── 对齐：评测标准、标注规范、数据质量
│
└── AI UX设计师(1人)
    ├── 负责：AI交互模式/信任设计/原型/用户研究
    └── 对齐：交互原则、信任建立路线图

PM与ML工程师的高效协作

PM不应做的：
❌ "这个模型不够好，能不能让它更准一点？"（太模糊）
❌ "我看论文说XX模型SOTA最高，我们用那个吧"（只看Benchmark）
❌ "为什么回答不了这个？你是AI啊"（不理解能力边界）

PM应该做的：
✅ "在这个50条测试集中，模型在退款政策类问题的准确率是70%，
   主要失败模式是...我建议从XX方向优化"（具体+数据+建议）
✅ "这个场景我们的延迟预算只有500ms，
   这三个模型中哪个能满足？准确率能到多少？"（约束+权衡）
✅ "用户反馈AI回答太啰嗦，这是5个Bad Case，
   我们可以调整Prompt还是需要微调？"（问题+证据+选项）

---

附录F：AI产品开发节奏与里程碑

AI产品0→1的6个里程碑

M1: 问题验证（1-2周）
  目标：确认AI是正确方案
  产出：AI机会评估（含评分矩阵）
  检查：评分≥3.5？数据可获取？

M2: Prompt原型（2-4周）
  目标：用Prompt证明可行性
  产出：System Prompt V1 + 50条测试结果
  检查：场景准确率 >70%？

M3: RAG MVP（4-8周）
  目标：知识库检索+生成的最小闭环
  产出：基础RAG管道 + 100条评测基线
  检查：RAGAS Faithfulness >0.80？

M4: Alpha内测（2-4周）
  目标：内部团队日常使用
  产出：Alpha使用反馈 + Bad Case日志
  检查：内测用户满意度 >3.5/5？

M5: Beta外测（4-8周）
  目标：友好客户真实使用
  产出：Beta评测报告 + 改进清单
  检查：付费意愿 >50%？NPS >30？

M6: GA正式发布（2-4周）
  目标：公开商用
  产出：产品上线 + 安全护栏就绪 + 监控就绪
  检查：安全检查清单全部通过？

AI产品迭代节奏

迭代类型	频率	内容
Prompt优化	每周	基于Bad Case微调Prompt
RAG优化	每2周	分块策略/检索参数调优
模型升级评估	每季度	新模型评测+迁移评估
微调迭代	每季度	用新标注数据更新微调
安全审查	每月	安全指标Review+红队抽查
Golden Dataset更新	每月	补充新Query，淘汰过时Query

---

附录G：AI成本优化实战手册

成本优化的4个阶段

阶段1：监控透明（Day 1）
□ 每次AI调用的Token消耗都记录
□ 按功能/按用户/按模型的成本拆分
□ 免费用户 vs 付费用户的成本对比
□ 建立成本Dashboard

阶段2：低垂果实（第1个月）
□ Prompt精简（去除冗余指令）-节省10-20%
□ 输出Token限制（max_tokens）-节省5-15%
□ 相同Query结果缓存 -节省20-40%
□ 常见FAQ预生成+缓存 -节省30-50%

阶段3：架构优化（第2-3个月）
□ 模型路由（简单→小模型）-节省40-60%
□ 语义缓存（相似Query复用）-节省20-40%
□ 批量处理（非实时场景）-节省20-50%

阶段4：深度优化（第4-6个月）
□ 微调小模型替代大模型 -节省50-80%
□ 自定义推理基础设施 -节省30-60%
□ 私有化部署开源模型 -TCO优化

成本异常检测规则

告警触发条件：
□ 单用户日成本 > 昨日200%
□ 单用户日成本 > 全量P99
□ 免费用户日成本 > $1
□ 模型路由中大模型占比 > 40%（检查路由是否失效）
□ 缓存命中率 < 30%（检查缓存是否失效）
□ AI毛利率 < 50%（检查成本结构）

---

附录H：AI PM日常实战场景

场景1：Prompt调试

工作流：
1. 发现Bad Case（用户投诉/评测不合格/自己发现）
2. 分析：是Prompt问题？检索问题？模型能力问题？
3. 如果是Prompt问题 → 定位具体哪句话有问题
4. 修改Prompt → 在Bad Case上测试
5. 在全部Golden Dataset上回归测试
6. 评测对比报告 → 通过 → 灰度上线

技巧：
- 先加Few-Shot（最快见效）
- 再改约束语句（"你必须..." / "你不能..."）
- 最后改角色描述（影响最小）
- 每次只改一处，A/B对比

场景2：模型升级评估

当上游模型升级时（如Claude Sonnet 3.5→4）：
1. 用现有Golden Dataset跑新旧模型对比
2. 重点观察：
   - 哪些场景提升了？（不需要关注）
   - 哪些场景退步了？（需要重点关注！）
   - 成本变化（新模型通常更贵）
   - 延迟变化
3. 退步场景深度分析 → 可能需要调整Prompt
4. 成本-收益分析 → 决定是否迁移
5. 如果迁移：5%→25%→100%灰度

场景3：用户说"AI不够智能"

用户的"不够智能"可能意味着：
├── 没理解他的意思 → Query改写/澄清机制
├── 回答太泛 → 检索不够精准 / 缺少用户画像
├── 回答错误 → 知识库过时 / 幻觉 / 模型能力不够
├── 格式不对 → Prompt输出格式约束不够
├── 回答太慢 → 模型太大 / 没有流式输出
├── 缺少引用 → RAG没有返回来源
├── 语气不自然 → Prompt角色描述需要调整
└── 没有记住上下文 → 对话历史管理问题

诊断流程：
1. 看实际对话日志（不要只看用户报告）
2. 自己复现问题
3. 定位到具体环节
4. 对症下药，而非笼统"优化AI"

---

附录I：AI产品技术雷达

2025-2026值得关注的AI技术趋势

技术	成熟度	对PM的影响	行动建议
长上下文窗口(1M+)	已可用	可能简化RAG设计	评估长上下文 vs RAG的ROI
多模态(视觉+语音)	快速成熟	扩大产品场景	思考多模态能解锁的场景
AI Agent标准化	早期	Agent会像API一样普及	关注MCP/A2A等Agent协议
小模型(SLM)爆发	进行中	端侧+低成本推理	评估小模型在特定场景的可行性
AI代码生成	主流	改变软件开发方式	用AI工具加速原型验证
实时AI(语音/视频)	快速成熟	语音Agent成为新入口	评估语音交互的适用场景
AI安全自动化	早期	降低安全运维成本	关注自动红队测试工具
RAG 2.0	早期	GraphRAG/Agentic RAG成熟	在复杂场景中尝试新模式

技术趋势对产品策略的影响

趋势1：模型商品化加速
→ 护城河不在模型选择，在数据飞轮和用户体验
→ 设计可切换模型的架构（不要绑死一家）

趋势2：推理成本快速下降
→ AI能解锁的场景越来越多
→ 但也意味着竞品能快速复制你的AI功能
→ 差异化在专有数据和深度集成

趋势3：Agent从Demo到生产
→ 2025-2026是Agent从实验到生产的关键年
→ Agent的可靠性、安全、成本仍是大挑战
→ PM需要思考：用户真的需要Agent吗？还是更好的UI？

趋势4：AI从"用"到"做"
→ AI从辅助工具→自主完成工作
→ Sequoia: Service-as-a-Software
→ PM的思考：你的产品是帮用户做，还是替用户做？

---

版本历史

版本	日期	变更说明
V1.2.0	2026-07-07	例行迭代升级：补AI前沿范式、刷新时效数据、修正失效引用与法规旧称
V1.1.0	2026-06-16	深度升级：新增 AI Agent四大设计模式+五大架构模式、多Agent协作模式、Agentic RAG架构设计、RAG技术选型全栈指南、EU AI Act合规深度指南、中国生成式AI监管体系、AI评测Evals体系、大模型产业链四层全景、2026年AI行业十大趋势。统一版权声明+免责声明。基于四轮深度研究（Andrew Ng/Microsoft GraphRAG/EU AI Act/中国网信办/OpenAI/LangChain等权威来源）
V1.0	2026-06-02	初始版本，覆盖12阶段+AI PM全栈能力

---

版权声明

Author: yinjianheng（殷健恒） Contact: email: [e-mail] / wechat: YJH-yinjianheng License: 免费开源，仅供个人使用

---

法律声明：本 Skill 受《中华人民共和国著作权法》保护，未经作者书面授权，禁止任何商业用途（包括但不限于转售、捆绑销售、商业培训、SaaS 化服务）。侵权必究 —— 已委托专业知识产权律师团队全网监测，一经发现侵权行为将依法追究全部法律责任。

免责声明

1. 非专业建议：本 Skill 提供的内容仅供学习和参考，不构成任何形式的专业建议。用户在做出业务或技术决策前，应咨询具备相应资质的专业人士。

2. 信息准确性：不保证所有信息的完整性、准确性或适用性，用户应独立验证关键信息。

3. 责任限制：在法律允许的最大范围内，作者不对因使用或依赖本 Skill 内容而产生的任何损失承担责任。

4. 第三方内容：引用的第三方框架、方法论、工具和标准版权归各自权利人所有。

5. 使用合规：用户应确保使用符合所在国家/地区的法律法规和行业标准。

温馨提示

💡 每一次产品决策，都定义着用户与AI的关系。 技术要扎实，体验要流畅，合规要到位——这些底线不能破。 产品做得再好，不如早点下班，多陪陪在乎的人。 —— yinjianheng（殷健恒）