AI 产品设计方法论
你将学到什么
- 5 个 AI 产品设计原则（从任务出发到失败路径设计）
- AI 产品用户研究的 3 种方法（为什么传统访谈不够用）
- Prompt 即产品：4 层 Prompt 质量模型 + 迭代流程
- AI 产品的两种迭代方式和上线决策框架
为什么重要：AI 产品最大的陷阱是"先想 AI 能做什么"，而不是"用户需要什么"。掌握正确的设计方法，能帮你在早期就避开最常见的产品失败模式。
AI 产品的 5 个设计原则
原则 1：从任务出发，不从能力出发
❌ 错误思路："我们有 LLM，能生成文字，做个写作助手吧。"
✅ 正确思路："用户在什么场景下写作最痛苦？AI 能在那个具体节点帮上什么？"
具体做法：做用户旅程地图，找出"痛苦最高 + AI 最擅长"的交叉点。
原则 2：管理期望，不过度承诺
AI 的输出是概率性的，不是确定性的。产品设计必须帮用户建立正确预期：
- 说"AI 建议"而非"AI 答案"
- 显示来源和置信度，而非只输出结论
- 错误发生时，解释原因而不是假装没有
原则 3：保留人的控制感
自主程度越高的 AI，用户越容易失去信任。
| 自主程度 | 设计形态 | 适用场景 |
|---|---|---|
| 低 | AI 提供选项，人选择 | 高风险决策、用户不熟悉的领域 |
| 中 | AI 执行，人可修改 | 内容生成、信息整理 |
| 高 | AI 自主执行，人事后审核 | 低风险重复任务、用户明确授权 |
常见误区
"全自动"不等于"更好的体验"。给用户更多控制感，往往能建立更强的产品信任度——即使 AI 的实际质量没有变化。
原则 4：让 AI 可解释
用户不需要理解 Transformer，但需要理解"为什么 AI 这样说"：
- 引用来源（RAG 类产品必做）
- 展示推理步骤（复杂决策场景）
- 允许追问（"为什么这样推荐？"）
原则 5：设计失败路径和降级体验
AI 失败不是 Bug，是预期内的正常状态。每个 AI 功能都要设计：
成功路径：AI 输出好 → 用户满意 → 正向反馈
失败路径：AI 输出差 → 清晰提示 → 替代方案（人工 / 重试 / 跳过）经验法则
如果你的 PRD 里只有成功路径，没有失败路径，产品上线后一定会出问题。先把失败路径写清楚，再考虑优化成功路径。
用户研究：AI 产品的特殊之处
为什么传统访谈不够用
传统访谈问"你需要什么"往往得不到真实答案。用户说的和用户做的往往不一样。
AI 产品需要额外的三种研究方法：
1. 情境观察（Contextual Inquiry）
观察用户在实际场景中如何工作，找出他们"将就着用"的低效节点：
不问"你需要 AI 帮你做什么"，而是观察"用户在哪一步打开了 ChatGPT 或百度"。
2. 任务完成测试
给用户一个真实任务，让他们用原型完成，记录：
- 在哪里停顿了？
- 哪些 AI 输出被接受 / 被删改 / 被忽略？
- 用户如何判断 AI 回答的好坏？
3. 反馈数据挖掘（上线后）
比访谈更可靠的信号：
| 行为 | 含义 |
|---|---|
| AI 输出被直接使用（无修改） | 完全满意 |
| AI 输出被大幅修改后才用 | 方向对但细节差 |
| 看了 AI 输出直接关掉 | 没有价值 |
互动练习：选择研究方法
场景：你要设计一个"AI 帮 HR 写招聘 JD"的功能，想了解用户的真实需求。
应该用哪种研究方法？为什么？
查看答案
推荐方案：情境观察 + 任务完成测试
原因：
- 情境观察：观察 HR 现在是如何写 JD 的（用哪些参考资料、在哪里卡住、如何反复改）
- 任务完成测试：给 HR 一个真实的岗位需求，让他们用原型生成 JD，看他们会修改哪些地方
为什么不只用访谈：HR 说"希望 AI 帮我写完整的 JD"，但实际测试可能发现他们最需要的是"帮我把要点扩展成流畅的句子"——两件事差别很大。
Prompt 即产品设计
对于 AI PM，Prompt 是产品的核心资产之一，和 UI 设计一样重要。
四层 Prompt 质量模型
层次 1：能跑通（最低要求）
→ 模型能理解任务，输出格式基本对
层次 2：质量稳定（中级）
→ 在不同用户输入下，输出质量一致
层次 3：符合品牌调性（高级）
→ 语气、风格、价值观和产品定位一致
层次 4：能处理边界情况（专业）
→ 对异常输入有合理降级，不会"发疯"System Prompt 设计模板
[角色定义]
你是 [产品名称] 的 AI 助手，专门帮助 [目标用户] 完成 [核心任务]。
[能力范围]
你擅长：[列出 3-5 个核心能力]
你不做：[列出明确边界]
[行为规范]
- 语气：[专业/友好/简洁/详细]
- 格式：[纯文本/Markdown/结构化]
- 长度：[约 X 字 / 不超过 X 段]
[输出示例]
用户问：[示例问题]
你回答：[示例回答]
[边界情况]
当用户问到 [不在范围的问题] 时，回复：[兜底文案]Prompt 迭代流程
1. PM 写初稿 Prompt
2. 用 20+ 真实用户问题测试
3. 记录表现差的输入（Bad Case）
4. 分析失败原因（指令不清/缺少示例/格式约束弱）
5. 修改 Prompt，重新测试
6. 对比修改前后的整体分数
7. 达到上线标准后发布关键工具
用 LangSmith、PromptLayer 或 Dify 的 Prompt 管理功能做版本控制，不要把 Prompt 写在代码里。Prompt 变更要像代码提交一样可追溯。
互动练习：评估 Prompt 质量层次
以下哪个 System Prompt 达到了第 4 层（能处理边界情况）？
Prompt A：
你是一个简历优化助手，帮用户改写简历，让简历更吸引人。
Prompt B：
你是一个简历优化助手，专门帮助求职者改写工作经历描述。
规则：
- 使用 STAR 结构（情景-任务-行动-结果）
- 量化成果（如"提升了效率"改为"将处理速度提升 40%"）
- 如果用户没有提供数字，询问具体数据后再优化
- 如果用户上传的不是简历内容，回复："我专门处理简历优化，请粘贴您的工作经历"
查看答案
Prompt B 达到了第 4 层。
分析：
- Prompt A 只达到第 1-2 层：能跑通，但没有处理边界情况（没有数字怎么办？用户发了不相关内容怎么办？）
- Prompt B 达到第 4 层：明确了格式规范（STAR 结构）、处理了"没有数字"的边界情况、定义了超出范围时的兜底文案
AI 产品的迭代节奏
AI 产品有两种迭代方式，速度和风险都不同：
两种迭代方式对比
| Prompt 迭代 | 模型/架构迭代 | |
|---|---|---|
| 速度 | 小时级 | 周级 |
| 风险 | 低，可随时回滚 | 高，需完整评估 |
| 需要发版 | 否 | 是 |
| 适用场景 | 调整输出格式、优化质量、修复 Bad Case | 换模型、优化 RAG 召回、增加新工具能力 |
上线决策框架
评估维度 权重
───────────────────────
核心指标提升 40%
边界 Case 处理 20%
成本变化 20%
延迟变化 20%常见误区
不要只因为"模型指标提升了"就立刻上线。AI 产品的每次迭代都需要同时评估质量、成本、延迟三个维度——三角形不能只看一个角。
检查点
在继续之前，确保你能回答：
- [ ] 能说出 AI 产品的 5 个设计原则
- [ ] 能解释为什么 AI 产品用户研究不能只做传统访谈
- [ ] 能写出一个符合第 4 层标准的 Prompt 草稿
- [ ] 能区分 Prompt 迭代和模型/架构迭代的适用场景
- [ ] 能说出上线决策的 4 个评估维度和权重
📝 PRD 智能生成器
输入产品需求，AI 帮你生成结构化 PRD 文档
🔑 API 配置
💡 配置仅保存在本地浏览器，不会上传到任何服务器
📝 PRD 智能生成器
输入产品需求，AI 帮你生成结构化 PRD 文档
💡 AI 生成的 PRD 是初稿，需要结合实际情况调整和补充细节