📍 最短路径（1-2 周）
- L0-01：AI / ML / DL / LLM 到底什么关系
- L0-03：AI 能 / 不能做什么 ★ 必读
- L0-04：幻觉是什么
- L0-05：Prompt 入门 10 招
- L0-11：词汇表（收藏！）
- 选读 L4-03：RAG + L4-04：Agent（不深究代码，只看概念）
- Agent vs Workflow 决策树
🎯 PM 该懂的 5 件事
1. AI 的能力边界（最重要）
- LLM 擅长：写、改、总结、分类、提取、对话、推理
- LLM 不稳定：精确数学、长程逻辑、外部知识时效
- LLM 会幻觉：自信地说错话（设计时必须考虑兜底）
- LLM 有上下文限制：超长内容会"忘记"前面
2. 三种主流 LLM 应用模式
- Chat：用户问 / AI 答（最简单，门槛低）
- RAG：AI 读你公司知识库后回答（最常见的"专业 AI 助手"）
- Agent：AI 自主多步完成任务（最复杂，最容易翻车）
3. 成本 / 延迟权衡
每次调用 LLM 都有钱 + 时间——做产品时必须算：
- **1 个 LLM call** 通常 0.5-3 秒，几分到几毛钱
- **Agent 多步骤** 可能 10-60 秒，几毛到几块钱
- 用户活跃 1000 人/天的产品，月费可能从 $20 到 $5000 不等
4. 评估的难处
传统软件可以"通过 / 失败"，AI 输出是渐变的："这次比上次好" 需要 eval set。 没有 eval 就不知道改 prompt / 换模型有没有变好。
5. 安全与隐私
- 用户上传敏感数据 → 必须用企业 API / 私有部署
- LLM 可能被 Prompt 注入 → 设计时要防御
- 幻觉会导致用户对错误信息深信不疑——医疗 / 法律 / 金融场景慎
❓ 常见问题
我的产品里加个 AI，第一步该做什么？
- 问"用户最痛 + 最高频的任务是什么"
- 这个任务是不是"写 / 总结 / 分类 / 推理"型？是 → 适合 LLM
- 定 ONE 个具体场景，**先做 MVP**（不要"AI 全家桶"）
- 用 Claude / GPT 自己手动跑 20 次，看效果——能 70% 答对再考虑做
"我们公司要做大模型"，靠谱吗？
大概率不靠谱（除非你公司是 BAT / 字节级别 + 已经有数据壁垒）。 90% 的"做大模型"该改成"做大模型应用"——用现有 API + 你公司数据 = 远好于自己训。
怎么写 AI 产品 PRD？
- **明确输入 / 输出**：什么 prompt → 什么 output 格式
- **定义"好"的标准**：准确率 / 用户满意度怎么衡量
- **列失败模式**：幻觉时怎么办、超时怎么办、敏感问题怎么办
- **eval 计划**：至少 50 个测试样本 + 人工评估流程
- **成本预算**：单次调用 / 月预算 / 升级路径
怎么和 AI 工程师对话？
多说**业务**，少说**技术**。但你得能听懂这些黑话：
- "加 RAG" = 把知识库接上去
- "上下文太长" = 输入太多 token 了
- "幻觉率高" = AI 经常瞎说
- "换 Sonnet 4.6" = 升级到更强的 Claude 版本
- "Eval 跑出来掉点" = 评估指标变差了
详见 词汇表。
AI 产品定价怎么定？
主流模式：
- **订阅制**（$10-30/月）：Notion AI / ChatGPT Plus 路线
- **按用量**（每条几分钱）：API 转售路线
- **Freemium**：基础免费，高级付费
- **Bundle**：作为现有产品的 AI 增值（Office 365 Copilot）
关键：成本不能超过 30-50% 的客单价（毛利率得保住）。
"AI Native 产品"和"AI 功能"有什么区别？
- **AI 功能**：旧产品里加一个 AI 按钮（如 Notion 加 AI 写作）——容易做，但容易被复制
- **AI Native**：核心交互全是 AI（如 Perplexity / Cursor / Devin）——重做产品哲学，但护城河深
怎么评估"AI 是否真的提升体验"？
- **任务完成率**：用户能否成功完成核心任务
- **任务完成时间**：是否真的更快
- **留存 / 复访**：AI 功能用一次还是反复用
- **NPS / 用户访谈**：用户怎么评价
- **AI 输出的"采纳率"**：用户接受 / 修改 / 拒绝 AI 建议的比例