实战简介
AI 产品实战简介
本栏目按产品形态组织 AI 产品实战:每种形态一个分类,每类下多篇详解。分类维度是产品决策:读者先按自己的产品场景锁定形态,再沿「选形态 → 做设计 → 跑评测 → 上线运营」这条决策链逐篇深入,每一篇对应这条链上的一步:
- 选形态:这个功能该做成对话助手、知识库问答、Agent 还是嵌入现有工具?(见产品形态地图)
- 做设计:该形态的核心设计问题是什么?失败时怎么兜底?(见各形态正文)
- 跑评测:怎么量化"做得好不好"?评测集怎么建?(见 评估与评测 与各页评测章节)
- 上线运营:灰度、监控、护栏与合规怎么落地?(见 AI 产品开发生命周期 与 出海与合规)
本页可当「形态选型 5 分钟地图」:读完能说出五类形态各自解决什么决策问题、从 0 到 1 走哪条路径、同一任务在不同形态下设计答案怎么变。结构上分四块:产品形态地图负责选型,形态 × 阶段矩阵负责从 0 到 1 的路径,分场景阅读路径负责按场景导航,最后的通用框架负责拆解与复盘。
与相邻栏目的分工:AI 基础 回答"模型能做什么"(技术能力与边界),产品方法论 回答"通用方法怎么做"(需求、PRD、迭代、商业),商业与财会 回答"金融与财务领域是怎么运转的",本栏目回答"具体形态怎么设计、怎么落地"。技术不懂查 AI 基础,流程不懂查产品方法论,形态不懂查本页。
栏目内多数页面按「场景定位 → 设计要点 → 常见坑 → 评测与上线」组织,可当设计清单直接抄用;同一类下的页面按从基础到进阶排列,建议按序阅读。
一个任务从形态判断到落地的主线可以这样看：
flowchart LR
task[用户任务] --> decision{核心决策是什么}
decision -->|开放问答与创作| chat[对话助手]
decision -->|自然语言语音输入与输出| voice[智能语音]
decision -->|私有知识与依据| kb[知识库问答]
decision -->|自主完成多步任务| agent[Agent 产品]
decision -->|嵌入既有工作流| copilot[Copilot / 工作流]
safe[安全与合规] -.横切约束.-> chat
safe -.-> voice
safe -.-> kb
safe -.-> agent
safe -.-> copilot
chat --> eval[评测与灰度]
voice --> eval
kb --> eval
agent --> eval
copilot --> eval
eval --> operate[运营迭代]这张图把产品形态选择与安全约束、评测运营串成一条链：先按任务选形态，再用评测和合规决定能否放量。
产品形态地图
五类形态覆盖目前主流的 AI 产品打法,每类下列出页面与其核心决策问题:
| 分类 | 页面 | 核心决策问题 |
|---|---|---|
| 对话助手类 | 对话助手、智能语音产品、客服自动化 | 冷启动、上下文与记忆、低延迟与可打断、信任 |
| 知识库问答类 | 知识库问答、RAG 产品化实战 | 知识治理、引用可信、检索质量 |
| Agent 产品类 | Agent 产品设计、Agent 工具与 MCP 产品化、多 Agent 与人机协作 | 代理权、失败恢复、成本护栏 |
| 嵌入与自动化类 | Copilot、工作流自动化 | 上下文感知、低打断、确定性 |
| 安全合规类 | 出海与合规、内容安全与护栏、数据隐私与用户控制 | 红线、护栏、信任基础设施 |
五类形态各自解决的决策问题:
- 对话助手类:以聊天或语音为核心交互,先解决"用户为什么开口"——冷启动、上下文与记忆决定留存；语音场景还要处理低延迟、打断、唤醒和听感信任
- 知识库问答类:用自然语言查私有知识,先解决"答案凭什么信"——知识治理与引用是产品核心
- Agent 产品类:让 AI 独立完成任务,先解决"代理权给多少"——设计重心是放权与护栏
- 嵌入与自动化类:嵌进既有工作流,先解决"怎么不打断"——上下文感知与确定性优先
- 安全合规类:横切所有形态的红线,回答"哪些事不能做"——合规是前置约束,不是上线前补的检查
类与类怎么组合:五类是可叠加的积木。对话助手加检索变知识库问答,再加工具变 Agent,再嵌进企业系统变 Copilot;安全合规则始终横切。组合的原则是:先证明单形态的单元价值,再叠加复杂度,演进节奏见下节阶段矩阵。
安全合规类三页的分工:出海与合规 是红线总览(法规与备案),内容安全与护栏 管输出侧(模型说什么),数据隐私与用户控制 管输入侧(模型知道什么)。
读图方式
先按场景锁定一个分类,再在该类内选页面深入;类与类经常组合(客服助手 = 对话助手 + 知识库问答 + 轻度 Agent,企业 Copilot = 嵌入与自动化 + 知识库问答)。
五类不是严格阶梯:安全合规是横切约束,任何形态都要过。
其余四类可对照 AI 产品开发生命周期 的形态分层定位自主程度——对话助手与知识库问答属「辅助生成」层,嵌入与自动化属「工作流嵌入」层,Agent 属「工具调用 / 多步 Agent」层。
越往上失败半径与产品责任越大。
应用层 AI 与原生 AI
产品形态之外，按集成方式分第二维度：AI 叠加在老产品上，还是从第一天就作为产品核心。同一形态既可能应用层也可能原生，两个维度正交。
应用层 AI（老产品加 AI）：在已有产品上叠加 AI 能力，如给现有客服系统加对话助手。特点：
- 复用已有用户、数据、账号体系与基础设施，AI 是增量
- 迭代节奏受既有版本节奏约束，新功能跟现有产品一起发
- 评测挂在已有业务指标上（转化、工单解决率），AI 效果要能对账
- 架构改动小：接模型 API / 中间层，做能力与数据接入（见 AI 系统架构 的四层地图与 系统架构基础 的请求链路）
- 失败兜底明确：可降级回到无 AI 状态（开关/灰度）
原生 AI（AI-first）：产品从第一天就围绕 AI 能力构建，如独立对话产品、Agent 平台。特点：
- AI 是产品核心价值，不是附加功能
- 评测就是核心链路，评测集质量决定产品迭代质量（见 评估与评测）
- 架构围绕模型能力设计：上下文管理、工具调用、护栏与成本护栏（见 AI 系统架构、系统架构基础、Agent 产品设计）
- 没有「退回无 AI」的降级路径，失败靠护栏与人工兜底设计（见 内容安全与护栏）
- 迭代节奏跟随模型能力演进，升级模型即产品迭代（见 AI 产品开发生命周期）
| 维度 | 应用层 AI | 原生 AI |
|---|---|---|
| AI 定位 | 附加功能，增量价值 | 核心价值，产品本体 |
| 迭代节奏 | 跟既有版本节奏发 | 跟随模型能力演进 |
| 评测重点 | 挂业务指标；效果可对账 | 评测集即核心链路；质量决定迭代 |
| 架构改动 | 小；接模型 API / 中间层 | 大；围绕模型能力重设计 |
| 失败兜底 | 可降级回无 AI 状态 | 靠护栏与人工兜底；无降级路径 |
| 成本结构 | 增量 token 成本 | 核心资源；预算护栏 |
两类边界不绝对：应用层产品可以逐步演进成原生，原生产品也会下沉到老产品（回到 产品形态地图 或 形态 × 阶段矩阵 看演进路径）。
形态 × 阶段矩阵
任何形态都走「机会判断 → 原型验证 → 评测体系 → 灰度上线 → 运营迭代」五个阶段,但每类的关键动作与产出不同:
| 阶段 | 对话助手类 | 知识库问答类 | Agent 产品类 | 嵌入与自动化类 | 安全合规类 |
|---|---|---|---|---|---|
| 机会判断 | 高频问答/倾诉场景,痛点多深、能否替代人工；语音场景还要看是否需要解放双手与即时反馈 | 知识是否可整理、问答频次与权限需求 | 步骤能否枚举、结果能否验证、出错能否恢复 | 既有流程里哪个环节重复且打断人 | 目标市场、数据类型、适用监管与红线 |
| 原型验证 | 提示词 + 上下文记忆的最小对话,配开场引导；语音场景先用短时录音与文字回显 | 少量文档切片 + 检索,回答必须带引用 | 单工具调用 + 人工确认点的最小闭环 | 上下文感知 + 低打断交互的壳原型 | 合规前置:备案、内容安全、数据授权方案 |
| 评测体系 | 回答质量抽评、拒答率、幻觉率；语音增加 WER/CER、首帧延迟、打断成功率和误唤醒率 | 检索命中率、引用准确率、无资料拒答率 | 任务成功率、失败恢复率、步骤与成本预算 | 建议采纳率、补全准确率、误打扰率 | 红线用例集、注入/越狱对抗测试 |
| 灰度上线 | 限流 + 内容安全过滤 + 人工接管；语音先开放显式录音，再逐步验证唤醒和全双工 | 最小知识集上线,引用可点开核对 | 代理权阶梯逐级放权,不可逆节点设确认 | 只读建议先行,写入动作一律确认 | 审核链路 + 人工兜底 + 审计留痕 |
| 运营迭代 | 会话日志回填评测集,开场引导 A/B；语音错误按声学、端点、播放和理解分类 | 知识更新节奏,未覆盖问题回流 | 错误模式分析,护栏与预算调优 | 采纳反馈回流,提示时机调优 | 法规更新跟踪,红队常态化 |
怎么读这张表:横着读是某类形态的 0 到 1 清单,照着走就能从想法到上线;竖着读是同阶段各类的差异。机会判断看"值不值得做"的标准不同,评测体系看"什么叫好"的指标不同,灰度上线看"失败半径"如何约束放权节奏。
与 产品方法论 的七环节决策链对照:本矩阵的「机会判断 → 原型验证」大致对应其「需求分析 → 产品设计」,「评测体系 → 灰度上线 → 运营迭代」对应其「AI 校准 → 交付迭代」。方法论给通用判断框架,本矩阵给按形态裁剪的动作清单,两端衔接处(评测、灰度)都要回到方法论的对应章节取细节。
一个完整走查(客服工单助手):机会判断——访谈发现痛点不在"回复写得慢",而在"工单路由靠人工按标题判断";原型验证——从对话助手形态起步,只做回复建议;评测体系——以路由准确率与解决率建评测集;灰度上线——按代理权阶梯先给 10% 工单做"建议 + 一键改路由",不做自动处理;运营迭代——低置信度工单回填评测集,效果达标后再升级到知识库问答与轻度 Agent。形态是一次次演进出来的,不是立项时拍死的。
两个常见误区:一是跳过评测直接灰度,没有评测集就分不清"模型变好了"还是"运气好";二是把灰度当终点,灰度是收集失败模式的窗口,后续运营迭代才是形态演进的主战场。
形态可以演进
对话助手验证需求后可以加检索变知识库问答,再挂工具变 Agent。
复杂度超标的 Agent 应回退到更确定的工作流——Anthropic 官方建议"先找最简单的方案,只在确有收益时增加复杂度"(Building Effective Agents)。
每次演进都重新过一遍阶段矩阵,不要直接跳级。
分场景阅读路径
按场景选一条进入,路径内页面按顺序读;每条路径的终点都通向 产品方法论 的对应环节(CC/CD、商业化等),方法论与实战在终点衔接:
- 做一个通用对话助手:对话助手 → 知识库问答(如果要连知识库)→ 出海与合规 先定冷启动与记忆方案,再决定是否加检索,最后过合规红线;直接连知识库可以省一次重写。
- 做智能语音产品:智能语音产品 → 对话助手 → 出海与合规 先选一个窄任务并用级联管线跑通，再围绕低延迟、打断、唤醒和音色授权扩展；涉及客服时接着阅读 客服自动化。
- 做客服自动化:客服自动化 → Agent 产品设计(代理权阶梯)→ RAG 产品化实战 客服是官方验证过的最容易从对话升级到 Agent 的场景,先想清代理权给到哪一级,再做知识底座。
- 做 Agent 产品:Agent 产品设计 → Agent 工具与 MCP 产品化 → 多 Agent 与人机协作 → 产品方法论的 AI 产品开发生命周期(CC/CD) 按代理权阶梯从低做起,再考虑工具与多 Agent 复杂度,全程用 CC/CD 校准。
- 做企业级落地:出海与合规 → 数据隐私与用户控制 → 内容安全与护栏 → 再按场景选形态 企业场景里合规与安全是前置约束,先过红线再谈形态,避免选型返工。
- 面试答题:先读本页产品形态地图建立分类框架,再挑任一形态页深入,加上 出海与合规,最后结合 AI 基础 的技术页,组成"形态 + 设计 + 技术 + 合规"的完整答案。
路径是建议不是规定:某个环节已经熟悉可以跳过,但每条路径的第一个环节(形态判断或合规红线)建议每次都过一遍——形态选错,后面的设计、评测、运营全白做。同一场景可能同时满足多条路径(如客服自动化 = 通用对话助手 + 知识库问答 + 轻度 Agent),此时以「先满足最近需求」为原则选最短路径,再按阶段矩阵逐步演进。
分析产品的通用框架
拆解任何 AI 产品,都问六个问题:
- 任务:帮用户完成什么任务?任务有多痛?
- 能力:底层模型/技术是什么?能力边界在哪?
- 交互:用户怎么用?AI 何时介入?
- 信任:如何让用户相信结果?出错怎么办?
- 合规:数据、内容与算法合规的红线在哪?
- 商业:怎么收费?成本结构如何?
原五问之外新增的「合规」不能后置:数据来源、内容输出、算法备案都是产品设计阶段就要确定的约束(见出海与合规),上线前才发现违规意味着推倒重来。具体的红线清单与分市场差异,见 数据隐私与用户控制 与 内容安全与护栏。
同一任务换形态,六问的答案会整体变化——以「帮客服回工单」为例(原五问 + 合规):
| 形态 | 任务 | 能力 | 交互 | 信任 | 合规 | 商业 |
|---|---|---|---|---|---|---|
| 对话助手 | 生成回复话术 | 对话 + 上下文记忆 | 聊天窗一问一答 | 话术经人工审核后发送 | 内容安全过滤 | 按调用量计费,prompt 优化降本 |
| 知识库问答 | 基于产品文档准确作答 | RAG 检索 + 引用 | 问答 + 引用可点开核对 | 必须带引用,无资料拒答 | 知识权限与数据授权 | 检索 + 生成双成本,知识治理决定质量 |
| Agent | 端到端处理工单 | 工具调用 + 多步规划 | 执行过程可见,关键节点确认 | 代理权阶梯,不可逆操作人工确认 | 数据出境与审计留痕 | 按任务计费,步骤预算是成本护栏 |
对照三个要点:任务从"生成内容"变"完成动作",能力从"会说话"变"会做事",信任从"内容可审"变"动作可控"——形态每升一级,产品和工程要补的责任就多一层,这正是代理权阶梯(见 Agent 产品设计)存在的理由。
六问的使用提示:任务问"为什么做",能力问"做不做得到",交互问"怎么用",信任问"错了怎么办",合规问"能不能做",商业问"值不值得"。前两问决定做不做,后四问决定怎么做;面试与拆解产品时按这个顺序讲,信息密度最高。
框架的边界:六问是拆解与选型的检查清单,不是完整设计流程;立项、PRD 与迭代的具体步骤,回到 产品方法论 的七环节决策链取用。
来源说明
- 本页为实战栏目的入口与导航,形态分类、阶段矩阵与阅读路径综合自栏目各正文页面与 信息源索引,原创整理;除白名单来源外未新增站外链接。
- "任务是否值得 Agent 化"的三问(步骤能否枚举、结果能否验证、出错能否恢复)与"先找最简单的方案"出自 Anthropic Building Effective Agents;代理权阶梯与形态分层见 AI 产品开发生命周期;评测体系见 评估与评测 与 RAG 产品化实战。
- 各形态页的详细事实与来源见对应正文的「来源说明」。
- 本页内容截至 2026-08-24,价格、法规等易变事实以对应正文与官方页面为准。
发现错误？想一起完善？ 在 GitHub 上编辑此页！
本页面贡献者：AI-PM Wiki Team
本页面的全部内容在 CC BY-SA 4.0 和 SATA 协议之条款下提供，附加条款亦可能应用