当AI浪潮席卷而来，产品经理们站在十字路口：一边是战略驱动的产品布局，一边是体验为王的用户需求。在这场技术与人性的博弈中，如何找到平衡点，既不迷失在“左脑”的理性推演中，也不沉溺于“右脑”的感性想象？本篇文章将从产品策略与用户体验的双重视角，拆解AI产品背后的思维逻辑，带你看清AI时代产品人的新坐标。

产品经理重用户体验的要求早已稀松平常，今天来聊聊策略设计。

为什么要单独开一篇文章介绍？

一方面是现今产品同质化严重，同个领域的产品无论是产品核心流程、设计结构还是视觉风格，都殊途同归；另一方面，AI硬科技的浪潮下，仅从产品的外观表现你很难真正了解一款产品，产品的差异不再是多么花哨的视觉和别出心裁的交互体验，更多的是底层策略的高下之分。

回到今天的话题，我的论断是：大模型产品百花齐放的时代，产品策略的建设变得比过去更稀缺、更核心。究其原因，主要有以下几点：

首先是大模型产品的泛化能力，不再是即插即用，而要看你如何将特定的能力封装成产品功能。这近似是一个条件优化的问题：基于当前的大模型能力，找到一个最能产出价值的业务场景，选一个刚需、可控又能衡量ROI的点，先把这个点打穿。这个转化过程强依赖产品经理定义适用场景和约束边界；

其次是成本敏感的特征，不像传统软件服务的边际成本趋近于0，模型的每次推理都有显著成本，产品经理得在调用频率、外围工程、用户路径之间做资源的权衡。比如，你可以定义一些工程手段，把大模型变得尽量稳定，例如加入一些规则引擎、知识图谱、RAG、提示词模板、审核和兜底机制等，确保大模型的输出是成本可控且体验稳定的。

最后是反馈的不确定。即便你应用场景找对了，工程手段也上了，但产品的输出效果非线性，缺乏闭环的反馈机制，也纯粹只是静态试验品。真实用户的使用数据、问题记录和满意度反馈，得作为迭代优化的依据。你需要设计闭环反馈和能力评估机制，这些都属于策略性的工作。

当需求场景已经明确，用户体验和产品策略的设计都应该齐头并进。如果说，用户体验设计就像是在搭房子，比如设计房间布局、功能、装修风格；那么产品策略设计就是在建设水电气暖，让整个房子合理运转且节能高效。二者缺一不可。

1.策略产品：从业务出发，用数据驱动

先来介绍下策略产品。

策略产品的本质是：基于数据和业务洞察，制定科学的产品策略，并通过数据体系、算法策略和能力封装，将这些策略落地为具体可执行的产品功能。

划重点：一个是从业务出发，一个是用数据驱动。

举个例子，你在负责电商平台“猜你喜欢”的推荐策略优化，该模块的推荐点击率低，用户转化不佳，影响整体GMV。

你的工作重心绕不开以下几点：

1）从业务出发，识别策略机会：

转化率低→用户推荐不精准→用户兴趣未被满足，将该问题转化为策略问题：如何让推荐结果更贴合用户兴趣？

为此你可能需要调整推荐优先级逻辑与召回策略。你可以定义目标场景与优先级：提升首页推荐点击率+后续转化率→优先攻关“高活跃用户+高客单价商品”场景。

2）以数据为驱动，设计底层数据体系：

输入数据：用户画像（性别、年龄、消费偏好）、浏览行为（近期点击、停留时长）、商品特征（品类、价格、促销力度）；

输出指标：推荐点击率（CTR）、推荐转化率（CVR）、单位推荐位GMV贡献；

在此基础上，你可以跟数据团队协作，补充用户兴趣标签字段，建立“推荐行为-转化”的映射关系，完善数据埋点。

3）策略模型与算法联动：

接着上一步，你将用户兴趣标签作为算法的输入，用以召回商品，再对模型打分排序。同时你需要与算法团队共建：优先召回近期互动频繁品类，去做个性化的加权，比如用户的历史消费金额*点击偏好。

4）制定产品方案，包括策略逻辑、交互设计和后台配置能力：

策略逻辑说明：比如，“猜你喜欢”优先展示用户最近3次浏览品类下的高转化商品；

交互设计：推荐位样式不变，后台策略调整，确保用户在交互时无感知；

后台配置能力：将数据指标经由数仓计算后落库，再通过策略运营平台下发，形成圈选用户的下发策略。

5）策略协同与冲突解决：

多条策略难免会遇到冲突场景。比如，首页也有“限时促销”推荐，两个模块都想抢流量位。

这种情况并不罕见，此时你需要定义策略之间的协同机制，设计优先级配置系统，根据用户画像动态分配推荐位。比如，高消费用户优先“猜你喜欢”，低消费用户优先“促销”，让所有推荐策略进入统一的策略运营平台，方便后续持续优化。

这是产品经理在策略建设中的“数据-策略-算法-产品-业务”的工作闭环。

同理，产品经理在AI产品的策略设计中，也需要将业务场景转化为可落地的模型策略体系，包括策略设计、数据支撑、验证反馈与产品化，实现“业务目标→模型能力→产品形态”的完整链路。

2.AI产品策略：模型能力的调优和外围工程的建设

除共性之外，说说AI产品策略相较传统产品策略设计的核心区别。

仔细回想，原先所谓的产品策略更多是规则与数据驱动的产品设计范式，即：人制定策略规则+系统执行逻辑，比如：推荐策略、定价逻辑、排序规则、匹配机制、任务达标逻辑等。背后依赖的是：

结构化数据（标签、指标、用户行为等）

可解释的逻辑设计（if-then、权重模型、ABTest等）

可控可调的系统架构（策略平台、规则引擎、定时调度等）

而AI产品改变了这套范式。

一方面，大模型引入了“能力即服务”。基座模型（如GPT、Gemini、Claude）提供的是通用语言的理解+生成能力，系统不再依赖具体规则，而是：

从数据中学习模式（训练）

通过自然语言prompt驱动行为（提示）

通过外挂知识或模型微调提升上下文适应能力

底层范式转为：构建能力→套用能力→收集反馈→再强化能力。因此，算法团队需主导对基座模型进行预训练，产品经理则需要花更多精力在模型能力的调优上，比如模型微调，就是最常被考虑但最需要谨慎的行动点。

另一方面，策略设计由“显式逻辑”变成“能力配置”。传统策略的输入主要靠写规则、配权重，现在会更倾向于从设计提示词结构、配置知识库、判断模型是否微调逐层分析；而在策略的迭代调整上，传统产品以ABtest为主调整策略，AI产品依赖数据-反馈-能力多轮迭代去提升能力。

是的，当模型被训练完成后就拥有了通用和特定领域的知识和推理能力，但不一定能适配到特定的业务场景。大模型虽强，可天然是不稳定、不确定、不懂边界的，因此要围绕它建大量的工程体系来约束和监控它。

外围工程是什么？外围工程是指在不改变大模型本身参数和训练语料的前提下，通过外围能力增强模型的实用性和可靠性，从而更好地服务于垂直业务的需求。

换言之，真正把大模型从“能力”转化为“生产力”，就必须围绕它构建一套完整的工程化体系，也就是所谓的外围工程。

一般来说，外围工程主要覆盖几个方面：

提示工程（PromptEngineering）：通过设计和编写提示文本，引导模型生成符合特定要求的内容；

知识库系统（RAG）：结合外部知识库（如企业文档、FAQ、数据库）进行检索和生成。比如，企业知识问答、IT技术支持、财务/法律垂类助手等；

模型联网：顾名思义，让模型通过索引网站或搜索引擎上的内容，总结和引用后再输出内容。比如，股市信息摘要、跨境电商价格检索等；

插件系统/工具调用：为模型配置具备特定功能的插件，如搜索、计算、调用API等，使其具备“观察-决策-行动”的能力。背后通常集成多模态输入、外部系统接口、状态管理等能力，是当前智能体（Agent）应用的底座能力之一。

不止这些，还有上下文管理、多模型路由和策略控制、多模态输入和理解支持等，严格来说也都是工程化的一部分。

这套工程放到现在，已然成了AI产品落地的基本盘，也是策略性工作的重点。尤其是当下的AI产品岗，无论你是服务于B端还是C端场景，几乎都会涉及到这部分职责。

那么，在模型能力调优和外围工程方面，产品经理在其中的职责是什么，和算法、研发之间的分工如何，似乎都不太显性。

简言之，在大模型产品的策略设计中，产品经理不负责“怎么写代码或训练模型”，但必须负责“为什么要做、做哪些、怎么判断做得好”。

基于AI产品最核心的三种策略手段，我们一个个来说。

2.1提示词工程(PromptEngineering)

提示工程是一个成本低、无需编程能力就能做策略调优的工作，产品经理更应该深入到提示工程优化里面去钻研。

很多人都解释过提示工程，这里再稍微澄清下。

提示词本质上是一种AI交互设计语言，可以直接影响输出质量，目标是通过优化输入，让大模型更好地“听懂”和“回答”。

因此，产品经理需要负责提示词的应用场景设计，规划提示词的体系，再由研发团队编写提示词的细节，从而让模型输出更符合业务预期和用户需求的结果。

听起来有点绕，简单来说：产品经理负责设计“怎么问”，算法负责“怎么算”。

相比传统的交互设计，提示词工程更像是意图层的UX设计，即：产品经理需要设计「用户意图如何被理解」+「模型如何被引导输出」的整个闭环。

如何提升提示词工程的设计能力？与其套用各种花式模板，我认为对产品经理而言，更可行的训练方式是：

把提示词设计流程，用Figma+流程图+表格做出来，像以前做多轮Bot对话那样设计，即：每一轮都要考虑意图触发→指令拆解→内容生成→格式输出；

建立Prompt组件库，就像你以前建立组件式UI库一样，以便快速复用到不同的Agent或场景中，降低跨部门的协作成本；

建议输出结构时，强约束格式，如JSON、Markdown、表格等，就像你曾经设计标准返回格式一样。输出结构的格式化，非常便利后续的系统性ab实验，以及对失败case的分类和归因，形成可分析的Prompt-to-OutputMapping。

本质上，这是将提示词设计上升到“产品工程化”的高度，让提示词不再只是对话玩具，或是一个唬人的心法，而是真正具备工程调用能力的接口设计。

2.2外挂知识库

外围工程里另一个核心部分是知识库建设，本质是为了补充模型记不住、不知道、不能更新的内容。这种情况下，研发和算法团队会主导知识库的基建开发工作，产品经理负责知识库场景定义、内容策略、结构和召回规则的设计，确保系统满足落地需求。

具体职责包括：

明确哪些问题靠知识库，哪些靠大模型生成，可通过问题类型分类表和意图识别路由策略来实现；

制定知识来源标准（来源渠道、内容标准如准确性、更新时效性、安全性等）；

设计知识库的组织结构（FAQ型、实体型、文档型），比如实体型就是基于知识图谱或结构化数据组织的可查询实体，如酒店信息、商品数据等；

制定知识更新机制（静态or动态？由谁维护，是否需要人工审核，更新频率等）；

设定知识召回策略，即：模型调用知识库的时机和优先级。

举个例子，你正在做一个支持AI智能客服的产品，模型回答一些标准问题经常答不准或产生幻觉，你判断：

大模型通识能力不够；

提示词的增强效果有限；

需要外挂知识库，采用RAG（Retrieval-AugmentedGeneration）架构。

那么，在策略考虑上，你需要主导知识库结构设计与RAG调用逻辑方案。

首先是知识库结构的整体规划，你要思考的核心问题是：

要注入什么知识？

知识以什么形式存储？

怎么让模型好用？

1）知识导入：

明确知识来源，输出《知识内容源清单&类型归类表》。为此你要拉通业务团队、客服团队、知识库团队，确认知识结构包括：

2）知识抽取：

产品要负责设计知识颗粒度与分段策略：

分段太粗，可能会导致召回的信息干扰多；

分段太细，容易导致上下文丢失或无法覆盖完整答案。

常见的分段方式有：按文档结构分段，比如每个FAQ一段，每个操作步骤一段；按主题分段，比如按退货、丢件、配送等主题切分；按意图标签组织，比如「物流查询意图」的标准回答集合就是一段。

3）知识召回：

该过程涉及到的环节较多，其中产品经理要注意定义嵌入策略（Embedding），输出知识入库规则，再交给算法或工程团队接入到向量存储平台。

简单来说，Embedding就是把一句话变成一串能让计算机理解的数字（向量）。当你把知识仓库搭建好，里面有大量的句子和文章，你希望将来别人来提问时，AI能准确找到相关的内容并回答。而AI不懂人类的语言，它只能理解数字。因此你需要把文字变成向量，以便后续的向量召回。

注意，你不需要写embedding算法，但你要确定：

分段内容中，哪些字段需要embedding（如正文+标题）

向量库结构：是否需要多模态向量？多个通道？

是否加索引字段用于召回过滤？

其次是RAG调用逻辑的设计，核心目标是：当用户问一句话时，该应用能召回正确的知识段，并组织成有效的prompt，让大模型生成可靠答案。

1）设计检索逻辑，明确检索规则、召回数量和过滤机制，以确保知识的召回率。

2）设计Prompt拼接策略，你要定义：召回的知识段，如何拼到prompt中？拼什么？拼几段？拼的位置是哪？

比如，知识在拼接时要讲究结构的标准化，可以定义一些格式模板。这些结构化的知识可以拼在系统提示（systemprompt）中，或是用户输入后作为背景补充。

此外，拼接的内容一般都会控制长度，结合数据相关度或分类做权重排序，避免超出token限制。

3）设计回答可信机制与兜底应对策略。大模型仍可能输出幻觉，因此你要定义：

当召回失败时：输出「抱歉我没找到相关信息」or其他兜底和引导话术；

当召回信息过多时：提示用户细化或进一步明确问题；

输出结果是否附带“参考信息”字段提升信任感（如“本回答来源于XXX知识文档”）

4）上线后的数据闭环。该过程在所有类型的产品落地时都会多次强调，对知识库而言，你需要重点关注知识的召回率与准确率，同时建立知识内容的版本管理与动态更新机制，确保知识库在实际应用中的持续有效性与业务匹配度。

这不仅是效果评估手段，更是推动知识库持续演进与模型能力迭代的关键机制。

2.3模型微调

如果说，模型的预训练环节是通过海量的语料让模型学习通用规律，让模型在巨大的图书馆中自学成才，那么微调则是做模型的老师，定义标准答案，负责打磨优质的学生样本出来，对其针对性辅导，以便让模型去学习和模仿。

在预训练环节，参数量和语料的丰富多样几乎直接决定了预训练后模型的智商上限；而在微调环节，样本的质量和多样性决定了模型的专业度和可控性。

举个例子，你做了一个物流客服机器人，泛化模型回答太泛，于是你提出针对「快递物流问题」微调一个专用模型。在微调模型的过程，涉及到具体微调的方法、训练调参的工作，由算法团队支持；但关于微调场景的定义、数据策略和资源的优先级，由产品经理负责。

第一步：明确调优目标，输出能力调优的需求说明书，包含问题类型分析、失败示例、当前能力的评估结果。

你要正面明确以下几个问题：

哪类问题表现差？回答是否稳定？

提示词优化是否有效？

是否值得微调？

第二步：定义微调的数据范围与质量标准，输出《标注任务说明》，包括标签体系、数据格式、案例等，可交给数据团队执行。

第三步：定义微调的策略和能力边界，包括目标、调用逻辑、能力边界和风险点等。

第四步：设计评估机制与上线验收的标准，从业务视角定义「什么是好结果」，帮助算法明确优化方向。

衡量指标可以是：准确率的提升，同类问题回答的一致性，用户的满意度，推理成本的控制等，视具体的应用场景去调整。

第五步：上线后数据闭环与策略优化，输出《上线效果评估报告》，看是否达成目标，是否需要进一步迭代。

和前文的外挂知识库一样，上线后你需要监控模型微调后的核心指标变化，比如模型的调用次数、回答的准确率、用户的满意度等，并及时分析失败case，看是否存在一些意图识别错误、回答内容偏移的问题。

不同之处在于，模型微调的成本更高（研发投入+算力），以至于你必须把评估ROI纳入到每次微调的复盘工作中，去甄别微调带来的满意度提升是否匹配训练+推理的成本投入。

3.小结

现阶段市面上所谓“AI产品经理”，很多其实只是用过API的“伪AI产品经理”，而真正能从“业务需求→模型能力→场景设计→效果评估与优化”的AI产品经理凤毛麟角。

传统产品经理大多分外关注用户体验路径和产品功能形态的落地，这无可厚非。但除此之外，AI产品经理更要重视技术上下游（算法、数据、工程团队）的协作，需重点考虑将能力调优和外围工程融入产品设计，并通过策略制定实现产品价值的最大化。

产品策略是方向盘，决定我们做对的事；用户体验是油门和刹车，决定我们把事做对。二者互为配合和牵制：向左走，你需要理解模型的能力边界、业务目标和反馈机制；向右走，你需要深入用户行为背后的动机，构建良好的交互体验和输出信任。

左右互搏的过程中，用户体验必须服务于产品的策略目标，产品策略也要为用户体验让路。

专栏作家

出资1亿元！恒瑞医药与中国科技发展基金会合作共促科技创新和产业创新深度融合9月4日，恒瑞医药与中国科技发展基金会在北京正式签署战略合作谅解备忘录。中国科协党组副书记、副主席、书记处书记冯身洪，中国科技发展基金会理事长宋军，中国科技发展基金会秘书长张伟以及恒瑞医药总裁、首席运营官冯佶，首席市场官、战略规划部负责人赵鹏，科学发展部负责人陈号等出席了签约仪式