许多传统居品司理转AI居品时，第一反应也曾写需求、画经过、推建造。但AI居品上线后最容易翻车的处所，时常不是“有莫得功能”，而是“成果到底有莫得变好”。我作念金融投研Agent面目后，一个很深的感受是：AI居品司理一定要会搭评测闭环，不然你压根不知谈问题出在模子、辅导词、检索调回，也曾Agent链路。

我昔时也容易把AI居品当成“传统居品+大模子才气”来交融。

传统居品里，居品司理把需求证明晰，PRD写圆善，交互经过画表现，再合营建造上线，后头看用户反馈、数据埋点、A/B测试，基本就能跑起来。

但AI居品不太雷同。

你写完PRD，仅仅把“要作念什么”证明晰了；信得过难的是上线后怎样判断“作念得好不好”。

吞并个需求，大模子可能今天答得好，翌日因为prompt改了一句就变差；吞并个学问库，检索调回可能在普通问题上很好，但一遭逢限制问题就漏；吞并个Agent链路，单步器用皆没问题，串起来却可能卡介怀图识别、器用调用、最终总结任何一个要道。

是以AI居品司理不可只会写PRD，还要会缠绵评测体系。

说直白点：PRD决假寓品能不可被建造出来，评测体系决假寓品能不可接续变好。

第一个误区：把“用户反馈”当成独一考据面目

许多东谈主作念传统居品时，风俗上线后看用户反馈。

用户以为好不好用？有莫得投诉？升沉率有莫得涨？留存有莫得变好？这些虽然迫切。

但AI居品若是只等用户反馈，问题会来得太晚。

因为AI才气的造作普通是“局部坏掉”的。

比如一个RAG问答居品，80%的通例问题皆答得可以，但偏巧在某类专科问题上调回不到原文；比如一个Agent系统，大多数单轮问题能贬责，但一遭逢复合query就把意图拆错；再比如一个金融投研助手，事件解读看起来很顺，但临了总结节点援用的不是原文级数据，而是模子加工过的中间内容。

这些问题，用户不一定能准确描绘。

用户只会说：“嗅觉不准”“答得怪怪的”“不太敢信”。

但居品司理不可停在这里。

你要能陆续往下拆：到底是不准、不全、不谈论、不对规，也曾反馈太慢？

我作念金融投研多智能体矩阵时，就遭逢过访佛问题。早期十多个意图看起来皆合理，但放到的确query里会相互打架。其后咱们把大皆query摊开看，才发现问题不在用户抒发，而介怀图体系自身拆得太细、限制不清。

若是只看用户反馈，很可能临了只赢得一句“这个Agent不好用”。

但若是有评测集和标的体系，你就能知谈：是哪类query误触发，哪条链路不安谧，哪个Agent输出质料下落。

这即是评测的价值：让问题可量化。

第二个误区：只看业务标的，不看AI才气标的

传统居品常见标的环球皆熟：PV、UV、DAU、MAU、留存率、升沉率、付费率、NPS、欢快度。

这些标的仍然有效，但不够。

AI居品还要看一层“才气标的”。

比如：

意图识别准确率；

恢复谈论性；

任务完成率；

多轮对话完成率；

幻觉率；

转东谈主工率；

AIGC遴选率；

反馈时辰；

检索调回率；

器用调用见效用。

这些标的不是为了让报表更复杂，而是为了定位问题。

举个例子，一个AI客服居品留存下落了，传统居品司理可能会去看进口、交互、案牍、用户旅途。但AI居品司理还要陆续问：

是用户问题莫得被识别出来？

是识别出来了但学问库没调回？

是调回了但大模子总结错了？

是谜底对了但反馈太慢？

是单轮能答，多轮就断？

若是你莫得才气标的，临了统统问题皆会被归因成“模子不行”。

这其实是很粗俗的。

我在金融投研Agent面目里最彰着的感受即是：AI居品的效用擢升，不一定只来自模子才气，也来自居品结构的减法。咱们把十多个意图敛迹成2类需求范式，把链路固定成4条尺度履行旅途，系统就不必在一堆分支里往返踯躅。后头反馈时辰从10几秒压到7秒内，环节问答准确率作念到约95%，这内部既有技艺优化，也有居品结构敛迹带来的收益。

是以AI居品标的体系不可只盯业务约束，还要能拆到才气层。

第三个误区：评测集毅力凑一批问题就完事

许多团队说我方有评测集，其实仅仅凑了一批常见问题。

这不够。

评测集现实上是给AI居品出卷子。卷子出得不对，分数再高也没真谛。

我比拟保举的评测集开始是四类：

的确用户日记一定要占大头，因为它最接近的确使用场景。用户怎样问，系统就应该怎样被测试，而不是只用居品司理脑补出来的“尺度问法”。

历史错例也很迫切。AI居品迭代最怕什么？最怕上一个版块刚修好的问题，下一个版块又冒出来。是以历史错例应该插足回来测试，每次版块更新皆要从头跑。

限制样本是专门测系统底线的，比如暧昧意图、复合问题、超长输入、无器用复旧的问题、敏锐抒发、合规风险场景。

AI生成样本可以用，但只可作念冷启动补充，不可满盈信任。因为AI生成的问题时常太规整，和的确用户的交集抒发不是一趟事。

说到底，评测集不是为了诠释系统很强，而是为了尽早夸耀系统那里弱。

第四个误区：只打分，不归因

许多评测叙述最常见的问题是：有分数，(中国)真钱投注平台app官方下载没论断；有论断，没归因。

比如准确率85%，谈论性90%，平均反馈时辰7秒。

看起来很圆善，但居品司理拿到后也曾不知谈下一步该改什么。

因为评测信得过有价值的处所，不是告诉你“分数是几许”，而是告诉你“为什么扣分”。

一个AI居品的badcase，大略率会落到这几类原因里：

模子才气问题：模子自身推理、交融、生成不安谧；

prompt问题：管理不清、变装不解、输出格局不稳；

检索调回问题：RAG莫得调回正确学问块，或者调回内容噪声太多；

数据问题：学问库过旧、清洗不干净、分块不对理；

Agent链路问题：意图识别错、器用选错、要领轨则错；

居品限制问题：需求原本就莫得器用复旧，却硬让系统恢复。

若是不作念归因，统统问题临了皆会变成一句话：“让算法再优化一下。”

这对算法和工程皆不自制，也不利于居品迭代。

居品司理要作念的是把问题拆明晰：哪些是模子要调，哪些是prompt要改，哪些是学问库要补，哪些是居品限制要敛迹。

在金融投研场景里，这极少尤其环节。比如系统不可为了显得贤人，班师生成无开始的投资不雅点；若是检索不到原文依据，就应该辅导信息不及，而不是强行编一个看起来很专科的谜底。

克制巧合候不是保守，而是上线才气的一部分。

我现时会用的AI居月旦测闭环

若是把这套措施压缩成一个可履行经过，我会用五步：

第一步，定标的。

先证明晰什么叫好。不同AI居品的好不雷同：对话助手看准确率、谈论性、多轮完成率；RAG居品看调回率、援用准确性、幻觉率；Agent居品看任务完成率、器用调用见效用、链路安谧性；AIGC居品看遴选率、生成质料、剪辑资本。

第二步，选措施。

不是统统问题皆合乎东谈主工评测，也不是统统问题皆合乎LLM评分。格局校验、字段圆善性、反馈时辰可以用自动剧本；专科度、抒发质料、用户欢快度合乎东谈主工评测或LLM评分；环节合规场景最佳东谈主工复核。

第三步，造评测集。

不要只凑常见问题。的确日记、历史错例、限制样本、AI生成样本皆要有，并且要按业务场景分层。

第四步，跑评测。

每次版块迭代皆要跑吞并批中枢评测集，保留版块对比。不然你只知谈新版块“嗅觉更好”，不知谈到底好在那里。

第五步，作念归因。

评测不是为了给模子打个分，而是为了变成闭环：评测→发现问题→badcase归因→反馈算法和工程→回来测试。

这一步才是AI居品司理信得过该参与的处所。

这件事怎样落到PRD里

许多东谈主会问：评测体系是不是单独写一份文档就行？

我的提倡是：可以单独写评测文档，但PRD里也必须提前埋进去。

因为评测不是上线后的补充任作，而是需求缠绵的一部分。

写AI居品PRD时，除了传统的需求布景、用户场景、功能经过、交互证明，我会特别补四块：

第一，才气限制。

明确这个版块能恢复什么，不可恢复什么；哪些问题必须兜底，哪些问题不可强答。

第二，成果标的。

不单写业务标的，也要写AI才气标的。比如准确率、调回率、反馈时辰、器用调用见效用、幻觉率。

第三，评测集缠绵。

证明评测集开始、隐敝场景、样分内层、历史错例是否插足回来测试。

第四，badcase归因机制。

证明线上问题怎样蚁集，怎样分类，怎样流转给算法、工程、运营，怎样作念回来考据。

这么写PRD，建造和算法才知谈你要的不仅仅“作念一个功能”，而是“作念一个能被接续考据的系统”。

这亦然AI居品和传统居品很不雷同的处所。

教会千里淀

1.AI居品不是上线即实现，而是上线后才初始夸耀的确问题

传统居品上线后看用户行径，AI居品上线后还要看才气安谧性。因为模子、检索、prompt、Agent链路皆可能成为质料波动源。

2.业务标的告诉你约束，才气标的告诉你原因

留存下落、欢快度下落仅仅约束。意图识别、调回率、幻觉率、器用调用见效用，才是帮你定位问题的捏手。

3.评测集不要只蚁集尺度问题，要挑升蚁集结巴

的确用户不会按尺度句式发问。历史错例、限制样本、暧昧意图、特地链路，才最能测出系统上线后的抗压才气。

4.居品司理不要把统统问题皆甩给算法

有些问题是模子问题，有些是prompt问题，有些是学问库问题，还有些是居品限制缠绵问题。居品司理必须参与归因，不然迭代会越来越乱。

5.能被评测的AI才气，才有接续迭代的可能

若是一个才气无法被界说、无法被评测、无法被归因，它就很难被安谧优化。AI居品司理要作念的不是迷信模子，而是把模子才气放进可考据的居品闭环里。

收尾

若是说传统居品司理的基本功是“把需求证明晰”，那AI居品司理的新基本功，即是“把成果评明晰”。

不要只会写PRD，不要只会说模子很强，也不要只等用户反馈来告诉你那里坏了。

AI居品信得过能接续变好，靠的是一套评测闭环：定标的、选措施、造评测集、跑评测、作念归因。

临了浓缩成一句话：

AI居品司理的价值，不是把大模子接进居品里，而是让每一次模子输出皆能被界说、被评测、被变调。

接待批驳区相通，若是你也在作念AI居月旦测、RAG问答或Agent系统投注平台app中国官网下载，相等思听听你们是怎样搭评测集和归因机制的。