你好，我是产品二姐。
到目前为止，你肯定体验过一些AI产品了，但是你知道吗？如果把AI产品比作冰山，作为一个用户所感受到的部分仅仅是浮在水面上的十分之一，另外隐藏在水底的十分之九才是AI产品经理的重头戏。
我们从全局来观察一下这座冰山的水上、水下部分。
每一个AI产品都像图中一样有四层结构。
-
第一层：数据、算力、算法层。
-
第二层：模型层。
-
第三层：应用层。
-
第四层：用户层。
学完这节课，你会对这四层结构有整体理解，未来在构建一款产品时，就不仅能设计它长成什么样，还能从内部控制它的外在表现，完整地定义你的产品。
为了便于理解，我们用一个人的成长过程做类比，来说明这四层对于AI产品的意义。
第一层：数据、算力、算法层
这一层是AI产品的基座，相当于人在成长过程中所接受的教育体系，包括丰富的学习资源、教学硬件和优秀的老师，这三者分别对应数据、算力、和算法。
这一层我们以理论学习为主，帮助你理解AI的技术边界在哪里。在未来的工作中，你肯定会遇到某些产品功能难以实现的情况，这些知识能让你迅速判断出这是因为AI技术本身的问题，还是因为我们不会使用AI的问题。
数据
这个概念很好理解。数据按照内容分两类，一类是用于建设AI基础能力的海量数据，就像学校的图书馆资源，对所有人来说都是一样的； 一类是个性化数据，就像你在图书馆之外，总有自己独特的学习资料，比如学长的学习笔记，你感兴趣的课外读物。
第一类数据由大模型厂商决定，需要专门的数据供应方和大模型厂商来做，和普通的AI产品经理关系不大。但第二类数据就是AI产品经理要来“精挑细选”了。作为AI产品经理，我们需要了解三个方向的问题。
-
判断什么样的数据是优质数据？
-
如何获取这些优质数据？
-
这些数据对AI产品会产生哪些影响？
别急，这些内容在后续都会讲到，这一节仅仅做知识踩点。
算力
这是支撑AI产品的硬件环境，它就像是一个学校里的教学设备、教室、实验室等等。对于AI来说，算力就是计算时使用的芯片。当然，你不需要了解芯片的制作工艺、使用效率。但作为AI产品经理，你需要了解三点。
-
如何评估一个AI产品对算力的需求？
-
使用这些算力要花多少钱？
-
使用哪些方法可以降低成本？
这些能力能帮助你从ROI角度评估产品的商业可行性。比如我们现在经常使用的免费AI搜索，如果不做任何成本调优，一次搜索都要花掉几块钱。那假如一天发起十万次搜索，仅仅算力成本就要消耗几十万块。想要长期发展，就必须在商业收益和成本上做好规划。
算法
如果说数据和算力都有一个具象的表现，那么算法就是AI背后最抽象的计算机原理。好比学校里的老师，我们并不是看这个老师长得高矮胖瘦，而是要看Ta的教学方法，这个方法相比教学设备、图书资源是很抽象的，也是比较难的部分。
对于AI产品经理来说，了解算法有两大好处。一是能帮助我们理解技术边界，鉴定什么问题AI能解决，什么不能解决。二是能帮我们与算法工程师、开发工程师更好地合作，换个黑话的说法就是“避免被他们忽悠了”。
第二层：模型层
有了上一层的学校图书馆、教学场地和优秀老师，接下来就是花时间培育出优秀的“学生”了。
模型层细分可以分为三层，分别对应着不同水平的学生，我们由下至上来看。
-
Level 0：基座大模型，相当于本科生，具备通用能力。
-
Level 1：垂直领域模型，相当于在本科毕业后继续攻读的研究生，具备一定专业领域的知识。
-
Level 2：场景模型，相当于本科或研究生毕业后，经过工作经验积累，或者公司的专项培训，具备某些业务专家的能力。
在一个AI产品中，你可以仅选择其中某个层级的模型，也可以根据需要选择多个模型。就像一个公司既有本科生，又会有研究生，也会有业务专家。
作为AI产品经理，我们就需要像公司的HR一样，起码具备两项能力。
-
如何挑选合适的员工，也就是为产品场景找到合适的基座大模型或者领域模型。
-
如何进行公司内部的专项培训，也就是训练出一个场景模型，这里需要理解模型微调原理。
好了，我们总结下第一层和第二层需要掌握的知识点，以及掌握这些知识点后你可以具备的能力。这部分的细节我们会在后续课程中详细展开。
当你找到合适的“人员”，接下来就是要调动这些资源动手做东西啦，也就到了产品的应用层。
第三层：应用层
这里的应用层更像是产品拆开包装后，你所看到的各个元器件之间是怎么组织、协调的，也是产品经理和应用开发者工作最繁重的地方。
如果说前面的两层主要是理论学习，那么应用层拼的就是实战学习。我会在后续的课程中以亲身实践案例来讲述。在这里，你需要掌握两大核心技术，提示词工程和 Agent 设计。
我们在这里先来阐述概念。
提示词工程
这里的提示词工程并非你常听到的和ChatGPT对话的提示词撰写技巧，而是面向产品经理的提示词工程技术。我用一个比喻来说明二者的不同。
-
如果你是ChatGPT的用户，写提示词就像玩盲盒。你对结果有所期待，但不要求确定。
-
如果你是 AI 产品经理，写提示词就像打靶。你是首先有一个确定的目标，再开始写提示词，直到提示词能打中靶心为止。
比如在客服场景中，我们需要设计提示词，让AI判断对话中，用户的情绪是正面、中性还是负面。
-
当用户输入“今天别给我送快递，我不方便收货，如果可以明天送”时，输出立场为中性。
-
当用户输入“包包内部结构不好，找东西不方便”时，输出立场为“负面”。
在这两个例子中，都有“不方便”这个词，但输出的立场却不一样。那么我们在写提示词的时候，就必须做多次试验，保证相似的场景能有严格的输出，像打靶一样每次都能打到靶心。
为了达到这个目标，你的提示词可能是这样的：
你看，这个提示词里貌似有很多“废话”，但对于一个模型来说是必要的。这个例子里的提示词工程用专业名词来说叫Hard prompting（硬提示）工程，就是把提示词当做输入项直接给到模型，输出期待的答案。
既然有Hard prompting， 那就会有Soft prompting（软提示），它还有另外一个名字，叫Prompt tuning，提示词微调工程。简单来说，就是用微调模型的方法让模型学习到某种模式，模型学会之后，就不用再像Hard prompting那样输入很长的提示词了。
比如在上面的例子中我们会搭配很多组这样的数据对来微调模型。
在模型微调结束后， 我们就只需要以下几句话就可以得到我们期待的结果，这个长度就比Hard prompting的“废话”少多了。
打个比方吧，Hard prompting 就好像你对一个刚入职的新同事给他安排任务，需要很详细地告诉ta要做什么，为什么要做，如何做，具体步骤，而且要给给他举例说明。而Soft prompting 就像是培养一个熟练工，当新同事适应一段时间后，你不再需要那么详细，可能只需要一句话，他就能体会你的意思。这也意味着你对他成功地完成了Soft prompting工程。
回到产品本身，就是在产品实验阶段通过Hard prompting 进行验证，上线得到真实数据验证成功后，通过 Soft prompting微调那些在模型里形成的程序性记忆。我们在后续的实战案例11-13节中会详细讲述。
我们把上述提示词工程总结为一个提示词的生命周期，就像下面这张图展示的内容。
Agent 设计
如果说提示词工程是用来影响模型的思考，那么Agent则在思考的基础之上增加了行动能力。
仅使用提示词工程的AI产品只会聊天，而结合Agent设计的AI产品就既能聊天，还能做事情，不会沦为思想上的巨人，行动上的矮子。
Agent翻译为中文叫智能体，直译过来叫“代理”，早在1986年，图灵奖得主Marvin Minsky在《The Society of Mind》一书中就提到了Agent的概念。那为什么现在又重新被推上历史舞台了呢？
因为Agent实际上有五个递进的等级，而当下正处于从第二级向第三级跨越的阶段。
我们依次说下这五个等级。
- 第一级：基于规则，能使用工具的智能体。
- 第二级：基于模仿学习、强化学习，能使用工具且能做决策、推理的智能体。
- 第三级：基于大语言模型，在第二级能力之上，增加了记忆、反思能力。
- 第四级：基于大语言模型，在第三级能力之上，增加了自主学习能力。
- 第五级：基于大语言模型，在第四级能力之上，增加了情感、智能体的社会协同能力。
在这一轮，为了让Agent能跨向第三级，解锁更多使用场景，AI产品经理们需要为Agent构建出四个能力。
- 工具使用能力
- 记忆能力
- 反思能力
- 规划决策能力
我举例来说明这几项能力的定义。比如我写这节课这天正好是父亲节，我想做一张父亲节卡片。
-
我告诉ChatGPT：“画一张父亲节主题的卡片”。Ta会调用AI画图工具DALL.E-3绘出一张卡片，这是工具使用能力。
-
可我发现这张卡片上的主题词是英文字母，这可不行，我爸看不懂英语，于是我告诉Ta“把卡片上的英文换成中文”，ChatGPT会理解这句话，并再次调用DALL.E-3绘出一张卡片。这时你发现ChatGPT其实记住了我这里说的“卡片”指的就是第一次对话生成的卡片，这就是记忆能力。
-
然后，我再问ChatGPT “如果你是一位60岁的男性，你会喜欢这样的卡片吗？”，好了，Ta就会读取这张照片，并以60岁男性的角色评判这张图片，这就具备了反思能力。
-
最后，我完成了父亲节卡片。下次如果遇到母亲节，我问ChatGPT“如何做一张母亲节的卡片”，那么ChatGPT就会自己建议：第一步用DALL.E画一张照片，第二步以母亲的身份来评价这张照片，直到满意为止。这就具备了规划能力。
当然，实际场景中的Agent会比例子中的复杂，我们也会采用多种方式来让Agent具备这四大能力，在稍后的课程中，我会用案例来讲述。
通过应用层的这两个核心技术，我们就可以把产品的核心功能构建起来。接下来我们的产品就要包装一下，正式向用户见面了。我们来到了AI产品的第四层。
第四层：用户层
这一层是很多AI产品经理比较困惑的地方，我之前在做互联网产品的时候，产品经理的一大能力就是画原型图，而现在的AI产品，似乎大部分是一个用户对话界面，AI产品经理画原型图再也不用画那种长达十几页的用户跳转旅程。
然而这种对话界面绝对不是、也不应该成为唯一的形态。因为人类的信息有80%是从视觉中获得的，而这80%的视觉绝不是只用来看文字的。我在这里举个以画布作为用户层的例子供大家参考。
这是我在 globe.engineer 上看到的交互方式。
想象一下，你和一位同事在白板前讨论问题，而这位同事就是一个智能体。
-
首先你说出了一个想法，“咱们要调研一下关于具身机器人的东东”。
-
然后Ta在画布迅速画出一个脑图。
-
可是你发现，这些脑图用一个维恩图来表示会更好，因为其中有些项目是有重叠、关联作用的，维恩图更适合表达这种关系，于是你告诉“同事”，“我觉得用维恩图表达更好”。
-
于是Ta迅速改成了维恩图的方式。
-
你们两个如此反复，最终通过这种互动方式做出来一个调研思路。
-
最后Agent根据这个思路通过搜索工具总结出一份完整的报告。
你瞧，这种方式就让人机交互变得更加自然，这也是这一轮AI给产品形态带来的革命性改变。也许你已经习惯了我们在App上点来点去，但仔细想想，在一个偌大的屏幕上，有时候可能你只关注某个角落里的一个按钮，这何尝不是一种视觉浪费呢？
当然，用户层的表现最终还是要根据用户的需求、使用场景、使用习惯来决定。我经常在想，在AI技术变革的时代，会不会出现像鼠标之于PC机，触摸屏之于智能手机那样跨时代的交互方式？尽管GPT-4o发布会对多模态Demo的展示很让人震撼，但从用户角度，似乎仍然在人机交互上有些隔阂。我们在AI技术浪潮下，一定会诞生全新的人机交互，但在此之前，不妨简单地让AI产品的UX遵循以下两个原则。
-
让用户的学习路径最短。
-
让效果呈现最直观。
小结
今天我们讲了AI产品有四层结构：数据、算力、算法层，模型层，应用层和用户层。你是不是对一个AI产品的全貌有个体系化的了解了呢？
在这节课开头，我把这个四层结构比作一座冰山，因为首先我们希望AI产品像一座建筑物结实可靠。而在即将结束这节课的时候，我更愿意把AI产品比作你要塑造的生命体。
-
最底层（数据、算力、算法层）决定了生命体的气质：它是构建AI产品的基础，对底层的了解可以帮助我们确定技术边界，告诉我们什么样的产品功能可以用AI实现，什么样的功能需要产品侧降级，什么样的功能无法实现。
-
模型层是在构建生命体的专业素养：AI产品经理需要懂得如何选用合适的基础模型，如何收集用于模型微调的优质数据集。
以上这两层我们会以理论学习为主。再往上的应用层和用户层是AI产品经理日常工作的主要内容，是我们需要通过大量实践才能掌握的技能。
-
应用层是培训生命体的实战技术：AI产品经理需要掌握提示词工程和Agent设计两大核心技术。提示词工程是为了控制AI产品的输出，Agent设计则是为了让AI产品具备思考和行动的能力。而这两项内容也会作为核心内容出现的AI产品的PRD文档中。
-
用户层是塑造生命体的外在形象：AI产品经理则需要和UX设计师一起，尽可能地缩短用户学习路径，增强产品的效果呈现，来吸引用户克服原有的使用惯性，快速启用AI产品，让我们更快的促进用户与产品互动，让产品进入迭代飞轮。
希望你的AI产品最终能成为一个内外兼修的生命体，持续生长。与此同时，你也会成长为一位连接用户与AI技术的硬核AI产品经理。
接下来就随我一起进入AI产品的每一层来详细探索吧。
课后题
在你见到的AI产品中，有没有想过按照今天讲的层级架构来拆解这些产品呢？大胆地猜想一下这个产品在每一层可能分别要做哪些工作呢？ 如果你是产品经理，你会从哪一层入手来让这个产品变得更好呢？
欢迎你在留言区和我交流。如果觉得有所收获，也可以把课程分享给更多的朋友一起学习。我们下节课见！
精选留言
2024-10-19 16:55:52
虽然不是严格按照「用户层」「应用层」「模型层」「基础层」进行撰写，也分享出来给大家，有需要的朋友可能会用到：
https://d76trpqunj.feishu.cn/docx/Uc8YdxzayoaamsxkV2ycxVQynDb
2024-09-19 22:05:21
2024-09-19 10:58:18
2024-11-27 22:14:17
- 算力就好像是硬件，做产品的时候需要关注算力的开销
- 搞懂算法是为了能够更好的和技术沟通
- 数据有公开数据，私有数据，行业垂直数据，要考虑怎么样做数据的处理，模型会有更好的表现，从哪里获得数据
2、模型层：要考虑用什么样的模型，通用还是垂直行业专属的；要懂得怎么样做大模型的微调
3、应用层：这一层要学会提示词工程和智能体的设计
4、产品层：最快速，最方便，Don't make users think
我学到的：
- 刚刚意识到算力的花费很重要
- 需要学一下大模型微调
2024-10-29 09:02:23
2024-09-27 23:17:34
2024-09-19 00:37:33
2024-09-26 14:30:41
用的是飞书文档，https://kx56sqwnsj7.feishu.cn/docx/AbJjdXsGuoPGhCxI6XpcyHsUnWf
2024-09-21 15:57:58
一，算法算例数据方面：
算法：语音识别算法准确性，NLP算法识别包括口语内容提供准确的反馈语音合成算法，如比如流畅度语音语调语速
算力：根据用户数量级以及用户使用频率确定算力的冗余
数据：考虑数据来源，数据规模，数据更新频率，数据质量
二，模型层
语言模型，比如语法，词汇，语义
根据用户水平自适应调整模型
记忆模型
三，应用层
提示词工程：学习引导，学习反馈如表达拓展，口语水平反馈
agent：以语言导师的形式帮助用户进行NLP交互，个性化学习建议交互（不确定agent设计是不是指这个）
四，用户层
分析用户使用场景，需求
分析用户增长趋势
分析用户留存评估产品价值
研究用户行为数据，分析偏好，制定优化方案
无论是算力算法还是模型的调优，再到用户需求体验层面都很重要，但是更快出效果的是应用层，因为先吸引到用户，有更好的体验，用户才会考虑产品价值，是否继续使用。这是我的理解，如果有不合理的地方欢迎讨论
2024-09-20 17:18:23
2024-09-19 19:32:28
2024-09-19 18:07:34
我是产品经理，还是从应用层来入手这个产品更快。获得的正反馈也更高
2025-04-30 07:04:50
• 产品名称：飞创AI记账
• 产品介绍链接：https://feichuangtech.feishu.cn/docx/HLY1dIiCzoZPzOxjuQbckF1fnHe
一、数据、算力、算法层
1.1 数据 ：批量生成的不同类别的账单记录（文字）、各种纸质票据拍摄的照片（图片）、支付软件账单截图
1.2 算力：涉及到后期定价策略，不同记账的方式消耗的token量不同，其中文字轻量版（文字+语言，19.9元/年），文字买断版（文字+语言，59.9元终身），全能豪华版（文字+语言+图片，99.9元/年）
1.3 算法：不详
二、模型层
产品宣传语写的是“飞书+Deepseek=自动记账+多模态智能分析，高效管理财务规划!”，这个产品使用的模型应该是DeepSeek。
三、应用层
Agent 设计方面，包含的功能节点可能有：大模型节点、语音转文字节点、图片OCR文字识别、飞书多维表格、意图识别
四、用户层
前台：使用飞书聊天框进行交互
后台：飞书多维表格查看账单数据
2024-09-19 10:21:29
2024-09-19 08:11:01
2025-07-08 17:26:02
2025-06-12 11:06:08
2025-05-14 12:23:52
2025-03-16 20:29:06
2025-02-26 16:17:03