AI 知识地图与学习路线

3.1 先纠正一个常见误区：AI 不是一个东西#

很多团队讨论 AI 时会混用一堆词：AI、大模型、ChatGPT、RAG、Agent、智能客服、机器学习、自动化。混在一起后，问题会变得很模糊：

• 老板说“我们要做 AI”，但不知道是降本、增收、提效，还是做品牌概念。

• 业务说“能不能让 AI 自动处理客户问题”，但没有区分普通 FAQ、复杂售后、赔付承诺和投诉升级。

• 研发说“可以接大模型 API”，但没有说明知识库、权限、评估、日志、人工兜底。

• 产品说“做一个 AI 助手”，但没有定义用户任务、输入输出、错误边界和业务指标。

所以第一天必须先建立分层地图。

3.2 AI、ML、DL、GenAI、LLM、Agent、AGI 的关系#

可以把这些概念按范围理解：

1
人工智能 AI
2
  └─ 机器学习 ML
3
      └─ 深度学习 DL
4
          ├─ 传统深度学习模型：图像识别、语音识别、推荐排序等
5
          └─ 生成式 AI GenAI
6
              ├─ 大语言模型 LLM
7
              ├─ 多模态模型
8
              ├─ 图像/视频/音频生成模型
9
              └─ Agent 系统

AI 是最大概念，指让机器完成需要智能的任务，比如识别、预测、生成、规划、决策和交互。

机器学习 是 AI 的一种实现方式，核心是让模型从数据中学习规律，而不是由人写死规则。比如根据历史订单预测用户是否会退款，根据用户行为预测流失风险。

深度学习 是机器学习中的一类方法，使用多层神经网络处理复杂数据，尤其适合图像、语音、自然语言等非结构化数据。

生成式 AI 是能生成新内容的 AI，包括文本、图片、音频、视频、代码、PPT、表格、3D 等。

大语言模型 是以语言为核心输入输出的基础模型，擅长问答、总结、写作、翻译、代码、推理、信息抽取。

Agent 不是单独一个模型，而是一套系统形态。它通常由大模型、目标、工具、记忆、计划、执行、反馈组成。Chatbot 是你问一句它答一句；Agent 是你给一个目标，它拆步骤、调工具、执行、检查并反馈。

AGI 是通用人工智能，是一个长期目标，不是当前大多数业务项目的直接需求。做项目时不要把“AGI 想象”带入需求评审，否则会导致范围失控。

3.3 产品经理真正要掌握的是“适配判断”#

AI 产品经理不需要一开始就能训练模型，但必须能判断技术路径。这里给一个实用分层：

这张表是今天最重要的内容。后续所有学习都要回到它。

3.4 为什么“加一个聊天框”通常不够#

很多 AI 产品第一版会做成聊天框，因为这是大模型最容易演示的交互。但真实业务里，用户不是为了聊天而聊天，用户是为了完成任务。

例如电商客服场景，用户说：

我昨天买的耳机还没发货，能不能催一下？如果今天不发我想退款。

一个浅层聊天机器人会回答：“我理解您的着急，请您耐心等待。” 一个可用 AI 系统需要做更多事：

1. 识别用户意图：催发货 + 可能退款。

2. 查询订单状态。

3. 查询仓库和物流。

4. 判断是否符合退款或赔付政策。

5. 给出可执行方案。

6. 必要时创建工单或转人工。

7. 保留处理日志。

这就不是“聊天框”了，而是 AI 工作流。它至少需要：

• 用户身份与订单权限。

• 订单、仓储、物流、售后系统接口。

• 售后政策知识库。

• 风险规则和人工接管。

• 工单系统和日志。

• 指标监控。

所以产品经理要避免把 AI 功能定义成“一个入口”，而要定义成“一个任务闭环”。

3.5 企业为什么常从知识库问答开始#

在国内企业里，AI 落地常见第一站是知识库问答、智能客服、文档总结、内容生成、数据分析，而不是一开始做复杂 Agent。原因很实际：

1. 数据可获得。 企业已有制度、产品手册、客服话术、合同、FAQ、SOP。

2. 价值容易衡量。 可以看人工节省时间、问题命中率、客服接管率、文档处理时长。

3. 风险可控。 多数回答可以加引用、拒答和人工复核。

4. 流程改造小。 不需要一开始就打通所有业务系统。

5. 能积累评估集。 用户真实问题会沉淀成后续优化样本。

但知识库问答也不是无脑做。它真正的难点不是“接一个模型”，而是：

• 文档质量差，PDF、表格、图片、扫描件混在一起。

• 知识版本混乱，新旧制度冲突。

• 权限复杂，不同部门能看的内容不同。

• 检索召回不稳定。

• 模型回答看似有引用，但引用不支持结论。

• 用户问的问题很口语化，和文档表述不一致。

这就是为什么 RAG 会成为企业 AI 的核心能力之一。后面我们会单独深入。

3.6 AI 项目的产品判断公式#

作为产品经理和项目负责人，你可以用一个公式初筛 AI 场景：

1
**AI 项目价值 = 高频任务 × 人工成本 × 数据可得性 × 错误可控性 × 指标可衡量性**

逐项解释：

高频任务：不是一年发生几次的需求，而是每天、每周大量重复出现的任务。比如客服咨询、商品上新、日报生成、合同摘要、销售跟进。

人工成本：当前是否耗费大量人力、时间、注意力。AI 更适合处理重复、信息密集、格式化、半结构化任务。

数据可得性：有没有足够材料支撑模型。没有知识库、历史样本、标准答案、业务规则，AI 很容易变成“凭感觉回答”。

错误可控性：AI 错了会怎样？如果只是文案风格不好，可以人工改；如果是自动付款、自动拒贷、自动诊断，就必须谨慎。

指标可衡量性：能不能定义上线前后的变化。比如响应时间下降、人工处理量下降、转化率提升、生成内容采用率提升。

如果一个场景这五项都弱，就不要为了“AI 化”强上。

3.7 AI 对产品经理能力模型的改变#

传统产品经理重点关注用户、流程、功能、交互、指标、项目协作。AI 产品经理仍然需要这些，但要额外补充 6 种能力：

1. 模型能力边界判断：知道模型擅长什么、不擅长什么。

2. 数据意识：知道知识、样本、权限、日志、评估集的重要性。

3. 概率性设计：接受 AI 输出不稳定，设计容错和人工兜底。

4. 评估能力：不能只靠主观体验，要设计测试集和指标。

5. 成本意识：Token、算力、调用量、人工审核都会影响商业可行性。

6. 治理意识：隐私、合规、版权、内容安全、提示注入都要进入 PRD。

这也是为什么你的学习计划必须更深。你不只是学一个工具，而是在扩展产品经理能力模型。

4.1 需求判断#

看到一个 AI 需求，先问 8 个问题：

1. 用户是谁？

2. 用户原本要完成什么任务？

3. 这个任务现在怎么做，痛点是什么？

4. AI 在其中承担哪一步？

5. 输入是什么，输出是什么？

6. 输出错了会怎样？

7. 是否能人工复核或撤回？

8. 成功指标是什么？

如果这些问题回答不清楚，不要进入研发。

4.2 流程设计#

AI 功能的流程不应该只有：

1
用户输入 -> AI 输出

至少应该是：

1
用户输入
2
-> 意图识别
3
-> 权限/风险判断
4
-> 检索或工具调用
5
-> 模型生成
6
-> 结果校验
7
-> 引用/解释/置信度
8
-> 用户确认或人工接管
9
-> 记录反馈
10
-> 进入评估和迭代

4.3 PRD 要点#

AI 功能 PRD 要比普通 PRD 多写这些内容：

5.1 项目推进建议#

一个 AI 项目可以按 5 个阶段推进：

1. 场景验证：确认用户任务、痛点和业务指标。

2. 样本验证：收集 30-100 条真实输入和标准答案。

3. 原型验证：用 Prompt、RAG 或简单工作流做最小可行 Demo。

4. 灰度验证：小范围上线，收集质量、体验、成本和风险数据。

5. 规模化：接入权限、监控、运营流程和持续评估。

不要一开始就承诺“全自动”。更稳的路径是：

1
辅助生成 -> 人工确认 -> 半自动处理 -> 小范围自动 -> 高风险保留人工

案例一：中国国内场景：企业知识库问答#

业务背景 很多国内企业内部资料分散在飞书、钉钉、企业微信、腾讯文档、网盘、OA、CRM 中。员工经常问：报销规则是什么？合同模板在哪里？某产品参数是什么？客户案例有没有？这些问题重复出现，占用运营、人事、财务、产品和销售支持时间。

用户流程 员工原流程：

1
问同事 -> 翻群记录 -> 搜文档 -> 找不到 -> 问负责人 -> 等回复

AI 改造后：

1
自然语言提问 -> 权限判断 -> 检索知识库 -> 生成回答 -> 引用来源 -> 反馈是否有用

系统/能力架构

1
文档源：飞书/网盘/OA/FAQ
2
-> 清洗与分块
3
-> Embedding
4
-> 向量库
5
-> 权限过滤
6
-> 检索与重排
7
-> 大模型生成
8
-> 引用与拒答
9
-> 反馈与评估

关键指标

• 问题命中率。

• 引用准确率。

• 人工咨询量下降。

• 平均响应时间。

• 用户满意度。

• 无依据回答率。

风险

• 旧制度和新制度冲突。

• 用户看到无权限资料。

• 模型编造不存在的条款。

• 回答引用了资料，但结论超出资料。

复盘结论 这类项目适合做 AI 第一站，因为价值明确、风险可控、数据相对可得。但它不是“接模型”项目，而是知识治理项目。产品经理要重点抓文档质量、权限、引用、拒答和评估集。

案例二：通用反例：用大模型直接做优惠券判断#

业务背景 某团队希望用户输入“我这个订单能不能用满减券”，AI 直接判断是否可用。

问题

优惠券规则通常非常确定：用户等级、商品类目、活动时间、订单金额、是否叠加、地区限制、库存、风控状态。这类判断应该由规则引擎或交易系统完成，而不是让大模型根据自然语言生成判断。

正确做法

1
用户提问
2
-> LLM 理解用户意图
3
-> 调用优惠券规则系统
4
-> 返回确定结果
5
-> LLM 用自然语言解释原因

复盘结论 大模型适合做理解和解释，不适合替代确定性规则。产品经理要把“模型判断”和“系统判断”分开。

任务：把 10 个业务需求分类#

请列出你熟悉业务中的 10 个需求，按下面表格判断它适合哪种技术路径。

验收标准#

合格标准：

1. 至少列出 10 个真实需求。

2. 每个需求必须说明为什么选规则、ML、LLM、RAG 或 Agent。

3. 每个需求必须写出一个主要风险。

4. 每个需求必须写出至少一个指标。

优秀标准：

1. 能识别出“不该用 AI”的需求。

2. 能把一个复杂需求拆成多个技术环节。

3. 能说明哪些环节必须人工确认。

理解题#

1. AI、机器学习、深度学习、生成式 AI 的关系是什么？ 参考答案：AI 是最大概念；机器学习是 AI 的一种方法；深度学习是机器学习的一类方法；生成式 AI 是能生成内容的 AI，通常基于深度学习和基础模型。

2. 为什么大模型不适合直接做库存扣减、优惠券判断？ 参考答案：这些任务是确定性业务规则，要求结果稳定、可审计、零随机性。大模型输出具有概率性，适合理解、生成和解释，不适合替代交易规则。

3. Agent 和 Chatbot 的核心区别是什么？ 参考答案：Chatbot 主要是被动问答；Agent 面向目标，能拆步骤、调用工具、执行任务、观察结果并继续决策。

4. 为什么企业常从知识库问答开始做 AI？ 参考答案：因为资料相对可得、任务高频、价值可衡量、风险可通过引用和拒答控制，而且能积累真实问题和评估集。

5. AI 项目初筛公式是什么？ 参考答案：AI 项目价值 = 高频任务 × 人工成本 × 数据可得性 × 错误可控性 × 指标可衡量性。

应用题#

6. 一个“自动生成商品标题”的需求应该用什么方案？ 参考答案：通常适合 LLM + Prompt 模板 + 商品结构化数据 + 平台规则校验。若要生成多平台标题，还需要平台规则库和违规词校验。指标包括标题采用率、点击率、违规率、人工修改率。

7. 一个“自动批准退款”的需求应该如何设计？ 参考答案：不能让大模型直接批准。应由规则系统判断是否符合退款条件，大模型负责理解用户诉求和解释规则。高金额、异常用户、投诉升级等场景必须人工审核。

10.1 AI 能力分层图#

1
业务问题
2
  ├─ 规则明确、结果必须确定 -> 规则系统
3
  ├─ 有历史数据、目标可量化 -> 传统机器学习
4
  ├─ 需要理解/生成语言 -> LLM
5
  ├─ 需要结合企业知识 -> RAG
6
  ├─ 需要多步骤执行 -> Agent
7
  └─ 高风险决策 -> 人机协作 + 审核

10.2 业务需求 AI 适配判断表#