一、AI产品PRD的独特价值：功能与算法边界模糊
1.1 功能与算法边界模糊的常见痛点
在传统软件产品中，功能与实现的边界相对清晰：产品经理定义“用户点击按钮A，系统返回数据B”，技术团队据此编写确定性逻辑。但在AI产品中，核心逻辑由数据驱动、模型推理和概率输出构成，传统PRD的“确定性描述”方式频繁失效，导致以下典型痛点：
| 痛点 | 典型表现 | 影响范围 |
|---|---|---|
| 需求描述过于抽象 | “提升推荐准确率”“让对话更自然”等模糊表述，无量化指标 | 开发周期失控、验收标准缺失 |
| 评估标准冲突 | 产品侧关注用户点击率，算法侧关注模型AUC，双方对“好”的定义不一致 | 迭代方向反复、资源浪费 |
| 验收阶段频繁返工 | 模型上线后用户反馈“结果不智能”，但PRD未定义最低可接受阈值 | 交付延迟、团队信任度降低 |
| 算法黑盒导致决策盲区 | 产品经理无法判断“模型能力边界在哪”，PRD中遗漏了关键降级策略 | 线上故障、用户体验断崖式下跌 |
常见误区： 将AI产品的PRD等同于“功能列表+算法接口文档”。功能与算法边界模糊的根本原因在于：产品经理未在PRD中显式区分确定性功能（如数据输入格式、UI交互流程）与不确定性算法行为（如模型输出范围、置信度阈值、兜底策略），导致开发和测试环节缺乏统一的参照基线。
1.2 PRD在AI项目中的角色
在AI项目中，PRD不再仅是“需求说明书”，而是承担了以下三个关键角色：
- 共识锚点：在产品、算法、工程、测试、业务方之间建立对“什么算完成”的共同理解，尤其针对算法效果的“好”与“不够好”定义明确的分界线。
- 验收沙盘：通过植入可量化的指标（准确率≥85%、响应时间≤200ms、推荐多样性覆盖≥3个品类），将模糊的算法效果转化为可验证的交付标准。
- 风险边界书：明确标注算法可能失效的场景（如冷启动用户、低频数据、边缘case），并定义对应的降级预案和人工兜底策略。
关键认知： AI产品的PRD写作核心不在于“描述功能”，而在于划分边界——哪些是由规则和代码保证的确定性行为，哪些是由模型和统计保证的概率性输出。边界越清晰，项目团队的风险越低，交付质量越可控。
1.3 本课程目标与成果预览
通过本课程，你将系统掌握面向AI产品的PRD写作方法论，在以下四个维度实现能力提升：
- 建立实操模型：学会将“用户场景→业务问题→需求拆解→方案表达”的关键逻辑结构化，并映射到PRD正文中。
- 实战写PRD：覆盖从需求调研、指标定义、算法边界划分到验收标准撰写的完整闭环，提供可直接复用的模板和checklist。
- 掌握指标设计：不仅了解准确率、召回率、AUC等常见指标，更能在PRD中设计“业务可理解、技术可执行、测试可验证”的分层指标体系。
- 应对面试与晋升：通过30个章节的密集训练，沉淀出属于你自己的AI产品方法论，在面试和职场汇报中展现专业深度。
| 章节模块 | 核心产出 | 交付物模板 |
|---|---|---|
| 用户场景与业务问题 | 场景卡片、问题陈述 | 用户访谈记录模板、痛点优先级矩阵 |
| 需求拆解与方案表达 | 功能列表、算法边界声明 | 功能与算法边界映射表、数据流图 |
| 指标与验收标准 | 分层指标卡、验收checklist | 效果验收表、AB实验设计模板 |
| 交付与迭代管理 | PRD完整文档、版本记录 | PRD标准模板（含算法边界章节）、变更日志模板 |
| 综合案例实战 | 完整AI产品PRD案例 | 智能客服、推荐系统、内容审核三类案例 |
学习建议： 每章结束后，尝试将学到的边界划分方法直接应用到你正在负责或熟悉的AI产品中。不要停留在“看懂”，而是动笔写一份简短的边界文档（不超过一页A4），这比阅读十遍理论更有价值。