AI Product Manager Engine

---

name: ai-product-manager-engine description: AI产品经理决策引擎。提供AI产品类型路由、大模型应用设计决策树、AI产品指标体系、AI伦理合规框架、2026年趋势洞察、质量门控清单。当用户需要AI产品规划、大模型应用设计、AI产品指标设计、AI伦理合规审查、AI产品策略、Prompt工程决策、RAG设计、Agent产品设计时使用此技能。

AI产品经理决策引擎

专家级AI产品经理能力框架，覆盖AI产品全生命周期决策。

---

一、AI产品类型路由

根据商业模式、技术架构、交付形态三个维度判断产品类型：

1.1 按商业模式分类

产品类型	核心特征	典型场景	商业模式	毛利率区间	典型公司
AI SaaS	云端部署、多租户、按订阅收费	智能客服SaaS、AI写作助手、AI数据分析平台	MRR/ARR订阅制	70-85%	Jasper、Copy.ai
嵌入式AI	集成到现有产品、增强核心功能	ERP智能推荐、手机相册AI修图、IDE代码补全	功能增值/溢价	40-60%	GitHub Copilot
AI平台	提供基础能力供开发者调用	百度文心、阿里通义、字节豆包	API调用量计费	60-75%	OpenAI、Anthropic
AI硬件	端侧推理、专用芯片	AI手机、AI PC、智能摄像头、机器人	硬件销售+服务	20-40%	Rabbit、Humane
大模型应用	基于LLM构建的垂直应用	AI搜索、AI Agent、AI Copilot	订阅/按量	65-80%	Perplexity、Character.AI
Agent产品	自主规划执行、多工具协作	AI自动化办公、AI研究助手、具身智能	订阅/成果付费	50-70%	AutoGPT、Mika

1.2 按技术架构分类

架构类型	延迟特性	成本特性	数据隐私	适用场景
纯云端	P50<1s, P99<5s	按调用量计费	数据需脱敏	通用场景、实时交互
云端+端侧混合	端<100ms, 云<2s	边缘+云组合	部分本地处理	移动端、隐私敏感
纯端侧	<50ms	一次性模型成本	完全本地	离线场景、高隐私
边缘节点	<500ms	部署成本高	数据不出域	企业场景、特定区域

1.3 按交付形态分类

交付形态	用户触达	集成复杂度	典型产品	更新频率
Web应用	直接访问	低	AI聊天助手	实时
移动App	应用商店	中	AI相机、AI写作App	1-4周
桌面客户端	下载安装	中	AI IDE、AI设计工具	2-4周
浏览器插件	插件市场	低	AI阅读助手、写作插件	1-2周
API/SDK	开发者集成	高	AI平台服务	按版本
硬件设备	实物交付	高	AI音箱、AI眼镜	3-6月

1.4 路由决策树

---

二、AI产品发现框架

2.1 三维评估模型

技术可行性 × 市场需求 × 数据可获性

2.2 技术可行性评估

维度	评估要点	判断标准	评估方法	权重
模型能力	现有模型能否达到产品最低要求	参考MMLU、HumanEval等基准测试	对比基准测试	25%
延迟要求	用户能接受的最大响应时间	交互式<2s、分析型<30s、异步无限制	用户调研+竞品分析	20%
成本结构	单次调用成本 vs 用户付费意愿	CAC < LTV的30%	Unit Economics建模	25%
基础设施	算力、存储、网络能否支撑	P99延迟、可用性>99.9%	架构评审	15%
迭代速度	技术演进是否会影响产品定位	18个月内技术是否会有代际突破	技术雷达追踪	15%

2.3 市场需求评估

维度	评估要点	判断标准	数据来源	优先级
痛点强度	用户当前如何解决这个问题	现有方案是否有明显缺陷	用户访谈	P0
使用频率	用户多久遇到一次这个场景	高频>3次/周、低频<1次/月	行为数据分析	P0
付费意愿	用户愿意为这个功能付多少钱	参考同类产品定价	定价调研	P0
市场空间	TAM/SAM/SOM分别是多少	SOM > $10M/年	市场规模估算	P1
竞争格局	现有解决方案的优劣势	能否找到差异化切入点	竞品分析	P1

2.4 数据可获性评估

维度	评估要点	判断标准	合规要求	风险等级
训练数据	能否获取足够的高质量训练数据	公开数据/自有数据/合成数据	版权合规	高
实时数据	产品是否需要实时/近实时数据	数据源稳定性、更新频率	API稳定性	中
用户数据	能否通过产品积累数据壁垒	数据飞轮效应	隐私合规	高
合规风险	数据获取和使用是否合规	GDPR/CCPA/个保法	法律评估	极高

2.5 三维评分矩阵

2.6 产品机会评估代码模板

---

三、大模型应用设计

3.1 决策树总览

3.2 Prompt工程决策矩阵

场景	策略	关键技巧	示例模板	复杂度
通用对话	结构化Prompt	System Role + Context + Format约束	见3.2.1	低
角色扮演	人格设定	性格特征 + 行为准则 + 边界	见3.2.2	中
任务执行	思维链(CoT)	Zero-shot CoT / Few-shot CoT	见3.2.3	中
精确输出	输出格式控制	JSON Schema / 正则约束	见3.2.4	中
多轮对话	上下文管理	摘要压缩 / 滑动窗口	见3.2.5	高

3.2.1 结构化Prompt模板

3.2.2 角色扮演Prompt模板

3.2.3 思维链(CoT)Prompt模板

3.2.4 JSON输出控制Prompt

json {schema_str} json\n{json.dumps(ex, ensure_ascii=False, indent=2)}\n

3.3 RAG设计决策

3.3.1 RAG系统实现代码

3.4 Agent设计决策

组件	选项	适用场景	复杂度	性能
规划能力	ReAct	简单到中等复杂任务	低	中
规划能力	CoT	需要详细推理	低	高
规划能力	AutoGPT	复杂长程任务	高	不稳定
工具调用	Function Calling	结构化输出需求	中	高
工具调用	Tool Use	通用工具接入	中	中
记忆系统	短期记忆(上下文)	单轮交互	低	-
记忆系统	长期记忆(向量库)	多轮跨会话	中	中
记忆系统	混合记忆	复杂场景	高	高
知识管理	向量库	通用知识检索	低	中
知识管理	知识图谱	结构化关系知识	高	高
多Agent协作	层级式	明确分工场景	中	高
多Agent协作	平等协作	开放性问题	高	不稳定

3.4.1 Agent系统实现代码

3.5 微调决策矩阵

场景	推荐方案	成本	效果	训练时间	适用数据量
风格调整	LoRA	低	中	1-2小时	1K-10K
领域适应	QLoRA	中	高	4-8小时	10K-50K
任务专精	全量微调	高	最高	1-3天	50K+
实时更新	PEFT+持续预训练	中高	高	持续	增量数据

3.5.1 LoRA微调配置模板

---

四、AI产品指标体系

4.1 核心指标分类

4.2 分场景指标重点

产品类型	核心北极星指标	测量方法	目标值	辅助指标
AI SaaS	MRR, NRR, 用户留存	订阅收入统计	MRR增长>10%/月, NRR>110%	功能使用率, 付费转化率
AI Copilot	任务完成率, 用户效率提升	A/B测试对比	任务完成率>85%	拦截率, 使用频率
AI搜索	答案准确率, 用户满意度	人工评估+用户反馈	准确率>90%	点击率, 返回空率
AI Agent	任务成功率, 步数效率	日志分析	成功率>80%	工具调用准确率
AI硬件	NPS, 复购率	用户调研	NPS>50	推理延迟, 功耗

4.3 指标定义与计算代码

4.4 指标定义模板

---

五、AI伦理与合规

5.1 合规框架总览

5.2 公平性检查清单

检查项	具体内容	检测方法	自动化程度	通过标准
训练数据平衡	各群体样本量是否均衡	分布统计	高	各群体样本差异<20%
敏感属性关联	模型输出是否与敏感属性相关	相关性分析	中	相关系数<0.1
群体性能差异	不同群体准确率差异是否可接受	分组评估	高	准确率差异<5%
历史偏见继承	是否继承数据中的历史偏见	偏见溯源	中	无显著历史偏见
偏见缓解措施	是否采用去偏技术	对比测试	低	缓解后偏见显著降低

5.3 透明度要求

场景	必须披露	推荐披露	披露方式	更新频率
面向消费者	AI生成内容标识、模型基本信息	置信度、局限性	界面提示	实时
决策辅助	决策依据、人工复核渠道	替代方案说明	文档+界面	版本更新
高风险场景	完整的影响评估报告	第三方审计报告	官网发布	年度
特殊群体	无障碍设计考虑	辅助功能说明	专门页面	季度

5.4 隐私合规检查代码

5.5 隐私合规检查清单

---

六、2026年AI产品趋势

6.1 AI Agent爆发

6.2 MCP协议生态

组件	功能	现状	主要玩家	成熟度
MCP Server	提供工具/资源/提示	快速扩展中	Cursor, Claude Desktop	中
MCP Client	LLM连接外部工具	主流框架支持	Anthropic, 所有兼容LLM	高
MCP Protocol	标准化通信协议	1.0已发布	Anthropic主导	高
MCP Registry	工具市场/发现	早期阶段	建设中	低

6.3 多模态融合

6.4 端侧AI加速

场景	端侧优势	关键技术	代表产品	成熟度
AI手机	低延迟、离线可用、隐私保护	NPU优化、模型量化	iPhone 16, Galaxy S24	高
AI PC	本地Copilot、长续航	异构计算、专用AI芯片	各大厂商AI PC	中
智能汽车	实时感知、安全决策	车端大模型、OTA升级	特斯拉FSD, 华为ADS	高
IoT设备	边缘推理、低功耗	模型压缩、TinyML	智能家居、工业IoT	中

6.5 AI原生产品形态

---

七、质量门控清单

P0级 - 阻断性问题(上线前必须解决)

检查项	标准	验证方法	负责角色
功能正确性	核心功能可正常使用	功能测试	QA
功能正确性	输出结果符合预期	验收测试	PM
功能正确性	边界case有合理处理	边界测试	开发
安全性	内容安全过滤正常	安全测试	安全团队
安全性	无敏感信息泄露	渗透测试	安全团队
安全性	防护机制有效(防越狱)	红队测试	安全团队
安全性	权限控制正确	权限测试	开发
合规性	满足监管要求	法务评审	法务
合规性	用户协议完备	法律审查	法务
合规性	隐私政策合规	隐私评估	DPO
稳定性	SLA >= 99.5%	压测验证	SRE
稳定性	P99延迟可接受	性能测试	开发
稳定性	无级联故障风险	故障演练	SRE

P1级 - 重要问题(上线前应解决)

检查项	标准	验证方法	负责角色
产品体验	核心路径转化率达标	数据分析	产品
产品体验	用户满意度 >= 4.0/5.0	用户调研	产品
产品体验	帮助文档完备	文档评审	文档
产品体验	错误提示友好	UX评审	UX
性能优化	TTFT < 3s	性能测试	开发
性能优化	推理成本可控	成本分析	产品
性能优化	资源利用率合理	监控分析	SRE
性能优化	有降级预案	预案评审	SRE
可观测性	核心指标可监控	监控验证	SRE
可观测性	告警规则完备	告警测试	SRE
可观测性	日志链路完整	日志审查	开发
可观测性	异常可追溯	链路追踪	开发
运维能力	配置可热更新	变更测试	运维
运维能力	模型可灰度切换	灰度验证	运维
运维能力	故障可快速回滚	回滚演练	运维

P2级 - 改进项(上线后持续优化)

检查项	优化方向	负责角色	优先级
效率提升	模型推理优化	开发	P2
效率提升	成本结构优化	产品	P1
效率提升	工程效能提升	开发	P2
效率提升	技术债务清理	开发	P3
体验优化	交互细节打磨	UX	P2
体验优化	性能体验优化	开发	P1
体验优化	个性化能力	产品	P2
体验优化	多端一致性	开发	P2
能力扩展	新功能开发	产品	P1
能力扩展	场景覆盖扩展	产品	P2
能力扩展	集成能力增强	开发	P2
能力扩展	生态对接	产品	P2
数据驱动	指标体系完善	产品	P1
数据驱动	A/B测试能力	开发	P2
数据驱动	数据分析深度	分析	P2
数据驱动	实验迭代效率	分析	P2

---

八、常见错误模式

错误1: 技术可行≠产品可行

表现: 团队攻克了技术难题，却发现没有用户愿意为此付费。

原因: 跳过市场验证，直接进入产品开发。

正确做法:

• 先做用户访谈(MVVP阶段)
• 验证付费意愿而非技术能力
• 小样本验证后再投入资源

错误2: 把LLM当数据库用

表现: 要求LLM精确回忆事实，导致幻觉率居高不下。

原因: 混淆了LLM的"知识"和"推理"能力。

正确做法:

• RAG做知识检索
• LLM做推理生成
• 知识与推理解耦

错误3: 忽视推理成本

表现: 产品上线后才发现Token成本远高于用户付费意愿。

原因: 早期未建立成本模型。

正确做法:

• 产品设计阶段建立Unit Economics模型
• 设计成本可控的交互模式
• 预留成本优化技术路径

错误4: 过度工程化

表现: 使用RAG+Agent+微调解决一个简单问答场景。

原因: 技术选型未回归产品需求。

正确做法:

• 先用最简单的方案验证需求
• 根据效果决定是否升级复杂度
• 保持技术选型与产品价值的匹配

错误5: 忽视数据飞轮

表现: 产品上线后没有机制积累数据壁垒。

原因: 只关注PMF，忽视MLF(Product Model Fit)。

正确做法:

• 产品设计中嵌入数据收集机制
• 设计数据驱动的迭代闭环
• 规划数据资产变现路径

错误6: 伦理合规事后补救

表现: 产品上线后因合规问题被迫重构。

原因: 将伦理合规视为成本而非竞争力。

正确做法:

• 从产品设计阶段嵌入伦理考量
• 建立合规检查清单
• 将合规能力作为产品差异化

错误7: 指标与业务脱节

表现: 追求模型准确率，忽视用户实际任务完成率。

原因: 技术指标≠产品指标。

正确做法:

• 建立"模型指标→产品指标→业务指标"的映射
• 关注最终业务outcome
• 技术指标服务于产品指标

错误8: 忽视用户心智

表现: 产品功能强大，但用户不会用、不愿用。

原因: 只关注功能实现，忽视用户认知。

正确做法:

• 保持产品心智清晰
• 渐进式引导用户
• 提供足够的"AI素养"教育

错误9: 过度依赖供应商

表现: 产品因上游API涨价或服务中断而陷入危机。

原因: 未建立多供应商策略。

正确做法:

• 核心能力保持多供应商
• 评估供应商锁定风险
• 规划自主可控路径

错误10: 迭代节奏失控

表现: 产品发布后一周年，发现核心指标没有改善。

原因: 缺乏数据驱动的迭代机制。

正确做法:

• 建立weekly metrics review
• 设定明确的迭代OKR
• 保持2-4周的快速验证周期

---

九、使用指南

触发场景

当用户提到以下意图时使用此技能：

• AI产品规划/设计/策略
• 大模型应用设计
• AI产品指标体系
• AI伦理合规
• Prompt工程/RAG/Agent设计
• AI产品趋势分析

使用方式

1. 根据用户问题，识别对应的决策框架
2. 提供结构化的决策建议
3. 结合具体场景给出可落地的方案
4. 标注关键风险点和注意事项

输出原则

• 简洁专业，直击要点
• 提供决策树/矩阵等结构化工具
• 结合最新行业实践
• 平衡理想与现实