本篇文章參考吳恩達大佬的推文，做了一些補充。對于AI 產品管理最佳實踐，他認為可總結為以下三點：使用具體示例來明確 AI 產品需求、通過提示工程和RAG 初步驗證產品的技術可行性、在V0、Bolt 等AI Code 工具幫助下，產品經理獨立實現原型系統，從而快速推到市場，拿到用戶反饋。

AI 產品管理正迅速發展。生成式 AI 和基于 AI 的開發者工具的興起，為構建 AI 應用創造了眾多機遇。這使得構建新型事物成為可能，進而推動了產品管理最佳實踐的轉變——產品管理這一學科旨在定義構建什么以服務用戶——因為可構建的內容已經發生了變化。在這篇文章中，我將分享一些我觀察到的最佳實踐。

使用具體示例來明確 AI 產品。從具體構想出發有助于團隊加快進度。如果產品經理（PM）提議構建“一個用于回答與用戶賬戶相關的銀行咨詢的聊天機器人”，這種描述過于模糊，留給了太多想象空間。例如，聊天機器人是否僅應回答有關賬戶余額的問題，還是也應該涵蓋利率、啟動電匯流程等問題？但如果 PM 列出 10 到 50 個具體的對話示例，說明他們希望聊天機器人執行的操作，那么提案的范圍就會變得清晰得多。正如機器學習算法需要訓練示例來學習一樣，AI 產品開發團隊也需要具體的示例來明確我們希望 AI 系統實現的功能。換言之，數據就是你的 PRD（產品需求文檔）！

同樣地，如果有人要求“一套用于檢測店外行人的視覺系統”，開發者很難明確界定其邊界條件。該系統是否需要在夜間工作？允許的攝像頭角度范圍是多少？是否需要檢測即使出現在圖像中但距離 100 米遠的行人？然而，如果產品經理收集了一些圖片并標注出期望的輸出結果，“檢測行人”的含義就變得具體了。工程師可以評估該規格在技術上是否可行，若可行，則朝著這個方向進行開發。起初，數據可能通過一次性、較為粗糙的方式獲取，比如產品經理（PM）親自四處拍攝照片并進行標注。最終，數據來源將轉向由生產環境中運行的系統所收集的真實世界數據。

多年來，通過示例（如輸入和期望輸出）來定義產品一直頗具成效，但隨著可能的 AI 應用激增，越來越多的產品經理需要掌握這一實踐。

事先定義一些問題確實有助于明確產品要做的內容，比如我們在做智能查數功能時，先把查數相關的示例問題先想好一些，后續在評估應用效果時，還可以基于示例問題擴展更多問題出來，拿來評估應用效果也用得上。

通過提示評估基于LLM的應用程序的技術可行性。當產品經理（PM）規劃一個潛在的 AI 應用時，該應用是否能夠實際構建—即其技術可行性是決定下一步行動的關鍵標準。對于許多基于LLM的應用創意，即使 PM 可能不是軟件工程師，也越來越有可能通過嘗試提示——或僅編寫少量代碼——來初步評估其可行性。

例如，產品經理可能設想一種新的內部工具，用于將客戶郵件路由到正確的部門（如客服、銷售等）。他們可以提示LLM，看看是否能根據輸入的郵件自動選擇正確的部門，并評估其準確性。如果可行，這將為工程團隊提供一個極佳的起點來實現該工具。如果不可行，產品經理可以自行驗證這一想法，并可能比依賴工程師構建原型系統更快地改進產品構思。

通常，測試可行性不僅僅需要提示工程。例如，基于LLM的電子郵件系統可能需要基本的 RAG 能力來輔助決策。幸運的是，如今編寫少量代碼的門檻已相當低，因為 AI 可以作為編碼伙伴提供幫助。這意味著產品經理們（PMs）現在能夠進行比以前更多基礎層面的技術可行性測試。

這一點我深有感受，我們經常拿 Dify 來構建 demo 驗證想法，如果需要進一步深化，這時候再讓開發人員上。親身使用和動手開發 AI 應用，知道 AI 的技術邊界在哪里，哪些是模型能做的，哪些是模型不能做的，才能更好設計產品。

無需工程師即可進行原型系統開發和測試。用戶對初始原型系統的反饋對于產品成型同樣至關重要。幸運的是，快速構建原型系統的障礙正在減少，產品經理自己也能推動基本原型的進展，無需依賴專業軟件開發人員。

除了使用LLMs輔助編寫原型代碼外，像 Replit、Vercel 的 V0、Bolt 以及 Anthropic 的 Artifacts（我非常喜歡這些工具！）等工具正在讓沒有編程背景的人更容易構建和試驗簡單原型。這些工具對非技術人員越來越友好，但我發現，掌握基礎編程知識的人能更有效地使用它們，因此學習基礎編程仍然很重要。（有趣的是，技術高超、經驗豐富的開發者也在使用這些工具！）我的團隊成員經常使用這些工具進行原型設計、獲取用戶反饋并快速迭代。

人工智能正在推動眾多新應用的構建，從而催生了對于精通如何規劃并推動這些產品開發進程的 AI 產品經理的巨大需求。AI 產品管理在生成式 AI 興起之前就已存在，但隨著構建應用的便捷性日益提升，對 AI 應用的需求也隨之增長，因此許多產品經理正在學習 AI 技術以及構建 AI 產品的這些新興最佳實踐。我發現這一領域極為引人入勝，并將持續分享隨著其發展而不斷演進的最佳實踐。

本文轉載自 ??AI 思與行??，作者： Andrew Ng