本篇文章參考吳恩達(dá)大佬的推文，做了一些補(bǔ)充。對于AI 產(chǎn)品管理最佳實(shí)踐，他認(rèn)為可總結(jié)為以下三點(diǎn)：使用具體示例來明確 AI 產(chǎn)品需求、通過提示工程和RAG 初步驗(yàn)證產(chǎn)品的技術(shù)可行性、在V0、Bolt 等AI Code 工具幫助下，產(chǎn)品經(jīng)理獨(dú)立實(shí)現(xiàn)原型系統(tǒng)，從而快速推到市場，拿到用戶反饋。

AI 產(chǎn)品管理正迅速發(fā)展。生成式 AI 和基于 AI 的開發(fā)者工具的興起，為構(gòu)建 AI 應(yīng)用創(chuàng)造了眾多機(jī)遇。這使得構(gòu)建新型事物成為可能，進(jìn)而推動了產(chǎn)品管理最佳實(shí)踐的轉(zhuǎn)變——產(chǎn)品管理這一學(xué)科旨在定義構(gòu)建什么以服務(wù)用戶——因?yàn)榭蓸?gòu)建的內(nèi)容已經(jīng)發(fā)生了變化。在這篇文章中，我將分享一些我觀察到的最佳實(shí)踐。

使用具體示例來明確 AI 產(chǎn)品。從具體構(gòu)想出發(fā)有助于團(tuán)隊(duì)加快進(jìn)度。如果產(chǎn)品經(jīng)理（PM）提議構(gòu)建“一個用于回答與用戶賬戶相關(guān)的銀行咨詢的聊天機(jī)器人”，這種描述過于模糊，留給了太多想象空間。例如，聊天機(jī)器人是否僅應(yīng)回答有關(guān)賬戶余額的問題，還是也應(yīng)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(jī)器人執(zhí)行的操作，那么提案的范圍就會變得清晰得多。正如機(jī)器學(xué)習(xí)算法需要訓(xùn)練示例來學(xué)習(xí)一樣，AI 產(chǎn)品開發(fā)團(tuán)隊(duì)也需要具體的示例來明確我們希望 AI 系統(tǒng)實(shí)現(xiàn)的功能。換言之，數(shù)據(jù)就是你的 PRD（產(chǎn)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(tǒng)”，開發(fā)者很難明確界定其邊界條件。該系統(tǒng)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(xiàn)在圖像中但距離 100 米遠(yuǎn)的行人？然而，如果產(chǎn)品經(jīng)理收集了一些圖片并標(biāo)注出期望的輸出結(jié)果，“檢測行人”的含義就變得具體了。工程師可以評估該規(guī)格在技術(shù)上是否可行，若可行，則朝著這個方向進(jìn)行開發(fā)。起初，數(shù)據(jù)可能通過一次性、較為粗糙的方式獲取，比如產(chǎn)品經(jīng)理（PM）親自四處拍攝照片并進(jìn)行標(biāo)注。最終，數(shù)據(jù)來源將轉(zhuǎn)向由生產(chǎn)環(huán)境中運(yùn)行的系統(tǒng)所收集的真實(shí)世界數(shù)據(jù)。

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

事先定義一些問題確實(shí)有助于明確產(chǎn)品要做的內(nèi)容，比如我們在做智能查數(shù)功能時，先把查數(shù)相關(guān)的示例問題先想好一些，后續(xù)在評估應(yīng)用效果時，還可以基于示例問題擴(kuò)展更多問題出來，拿來評估應(yīng)用效果也用得上。

通過提示評估基于LLM的應(yīng)用程序的技術(shù)可行性。當(dāng)產(chǎn)品經(jīng)理（PM）規(guī)劃一個潛在的 AI 應(yīng)用時，該應(yīng)用是否能夠?qū)嶋H構(gòu)建—即其技術(shù)可行性是決定下一步行動的關(guān)鍵標(biāo)準(zhǔn)。對于許多基于LLM的應(yīng)用創(chuàng)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(chǎn)品經(jīng)理可能設(shè)想一種新的內(nèi)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(jù)輸入的郵件自動選擇正確的部門，并評估其準(zhǔn)確性。如果可行，這將為工程團(tuán)隊(duì)提供一個極佳的起點(diǎn)來實(shí)現(xiàn)該工具。如果不可行，產(chǎn)品經(jīng)理可以自行驗(yàn)證這一想法，并可能比依賴工程師構(gòu)建原型系統(tǒng)更快地改進(jìn)產(chǎn)品構(gòu)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(tǒng)可能需要基本的 RAG 能力來輔助決策。幸運(yùn)的是，如今編寫少量代碼的門檻已相當(dāng)?shù)?，因?yàn)?AI 可以作為編碼伙伴提供幫助。這意味著產(chǎn)品經(jīng)理們（PMs）現(xiàn)在能夠進(jìn)行比以前更多基礎(chǔ)層面的技術(shù)可行性測試。

這一點(diǎn)我深有感受，我們經(jīng)常拿 Dify 來構(gòu)建 demo 驗(yàn)證想法，如果需要進(jìn)一步深化，這時候再讓開發(fā)人員上。親身使用和動手開發(fā) AI 應(yīng)用，知道 AI 的技術(shù)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(shè)計(jì)產(chǎn)品。

無需工程師即可進(jìn)行原型系統(tǒng)開發(fā)和測試。用戶對初始原型系統(tǒng)的反饋對于產(chǎn)品成型同樣至關(guān)重要。幸運(yùn)的是，快速構(gòu)建原型系統(tǒng)的障礙正在減少，產(chǎn)品經(jīng)理自己也能推動基本原型的進(jìn)展，無需依賴專業(yè)軟件開發(fā)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?。┑裙ぞ哒谧寷]有編程背景的人更容易構(gòu)建和試驗(yàn)簡單原型。這些工具對非技術(shù)人員越來越友好，但我發(fā)現(xiàn)，掌握基礎(chǔ)編程知識的人能更有效地使用它們，因此學(xué)習(xí)基礎(chǔ)編程仍然很重要。（有趣的是，技術(shù)高超、經(jīng)驗(yàn)豐富的開發(fā)者也在使用這些工具?。┪业膱F(tuán)隊(duì)成員經(jīng)常使用這些工具進(jìn)行原型設(shè)計(jì)、獲取用戶反饋并快速迭代。

人工智能正在推動眾多新應(yīng)用的構(gòu)建，從而催生了對于精通如何規(guī)劃并推動這些產(chǎn)品開發(fā)進(jìn)程的 AI 產(chǎn)品經(jīng)理的巨大需求。AI 產(chǎn)品管理在生成式 AI 興起之前就已存在，但隨著構(gòu)建應(yīng)用的便捷性日益提升，對 AI 應(yīng)用的需求也隨之增長，因此許多產(chǎn)品經(jīng)理正在學(xué)習(xí) AI 技術(shù)以及構(gòu)建 AI 產(chǎn)品的這些新興最佳實(shí)踐。我發(fā)現(xiàn)這一領(lǐng)域極為引人入勝，并將持續(xù)分享隨著其發(fā)展而不斷演進(jìn)的最佳實(shí)踐。

本文轉(zhuǎn)載自 ??AI 思與行??，作者： Andrew Ng