许多传统居品司理转AI居品时，第一反应已经写需求、画经由、推斥地。但AI居品上线后最容易翻车的处所，通常不是“有莫得功能”，而是“遵循到底有莫得变好”。我作念金融投研Agent技俩后，一个很深的感受是：AI居品司理一定要会搭评测闭环，不然你根柢不知谈问题出在模子、辅导词、检索调回，已经Agent链路。

我曩昔也容易把AI居品当成“传统居品+大模子智商”来意会。

传统居品里，居品司理把需求说澄澈，PRD写齐备，交互经由画瓦解，再协作斥地上线，背面看用户反馈、数据埋点、A/B测试，基本就能跑起来。

但AI居品不太一样。

你写完PRD，仅仅把“要作念什么”说澄澈了；真确难的是上线后怎样判断“作念得好不好”。

褪色个需求，大模子可能今天答得好，翌日因为prompt改了一句就变差；褪色个常识库，检索调回可能在浩繁问题上很好，但一际遇畛域问题就漏；褪色个Agent链路，单步器用皆没问题，串起来却可能卡介意图识别、器用调用、最终总结任何一个要津。

是以AI居品司理不成只会写PRD，还要会规划评测体系。

说直白点：PRD决假寓品能不成被斥地出来，评测体系决假寓品能不成继续变好。

第一个误区：把“用户反馈”当成惟一考证表情

许多东谈主作念传统居品时，俗例上线后看用户反馈。

用户认为好不好用？有莫得投诉？升沉率有莫得涨？留存有莫得变好？这些固然重要。

但AI居品如若只等用户反馈，问题会来得太晚。

因为AI智商的诞妄平庸是“局部坏掉”的。

比如一个RAG问答居品，80%的老例问题皆答得可以，但偏巧在某类专科问题上调回不到原文；比如一个Agent系统，大多数单轮问题能惩办，但一际遇复合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，但终末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摹。

用户只会说：“嗅觉不准”“答得怪怪的”“不太敢信”。

但居品司理不成停在这里。

你要能陆续往下拆：到底是不准、不全、不联系、辞别规，已经反应太慢？

我作念金融投研多智能体矩阵时，就际遇过访佛问题。早期十多个意图看起来皆合理，但放到果真query里会相互打架。自后咱们把多数query摊开看，才发现问题不在用户抒发，而介意图体系自己拆得太细、畛域不清。

如若只看用户反馈，很可能终末只获取一句“这个Agent不好用”。

但如若有评测集和想法体系，你就能知谈：是哪类query误触发，哪条链路不知道，哪个Agent输出质地下落。

这便是评测的价值：让问题可量化。

第二个误区：只看业务想法，不看AI智商想法

传统居品常见想法人人皆熟：PV、UV、DAU、MAU、留存率、升沉率、付费率、NPS、陶然度。

这些想法仍然有效，但不够。

AI居品还要看一层“智商想法”。

比如：

意图识别准确率；

回话联系性；

任务完成率；

多轮对话完成率；

幻觉率；

转东谈主工率；

AIGC礼聘率；

反适时候；

检索调回率；

器用调用得手率。

这些想法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？

是识别出来了但常识库没调回？

是调回了但大模子总结错了？

是谜底对了但反应太慢？

是单轮能答，多轮就断？

如若你莫得智商想法，终末总共问题皆会被归因成“模子不行”。

这其实是很简易的。

我在金融投研Agent技俩里最显明的感受便是：AI居品的遵循进步，不一定只来自模子智商，也来自居品结构的减法。咱们把十多个意图经管成2类需求范式，把链路固定成4条尺度实行旅途，系统就无须在一堆分支里往来夷犹。背面反适时候从10几秒压到7秒内，谬误问答准确率作念到约95%，这内部既偶然代优化，也有居品结构经管带来的收益。

是以AI居品想法体系不成只盯业务适度，还要能拆到智商层。

第三个误区：评测集甘休凑一批问题就完事

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。

评测集践诺上是给AI居品出卷子。卷子出得不对，分数再高也没意旨。

我相比推选的评测集起原是四类：

果真用户日记一定要占大头，因为它最接近果真使用场景。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”。

历史错例也很重要。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。是以历史错例应该参加回想测试，每次版块更新皆要重新跑。

畛域样本是专门测系统底线的，比如详细意图、复合问题、超长输入、无器用撑持的问题、明锐抒发、合规风险场景。

AI生成样本可以用，但只可作念冷启动补充，不成齐全信任。因为AI生成的问题通常太规整，和果真用户的杂沓抒发不是一趟事。

说到底，评测集不是为了施展注解系统很强，而是为了尽早显现系统那处弱。

第四个误区：只打分，不归因

许多评测讲演最常见的问题是：有分数，米兰(中国)2026世界杯指定官网没论断；有论断，没归因。

比如准确率85%，联系性90%，平均反适时候7秒。

看起来很齐备，但居品司理拿到后已经不知谈下一步该改什么。

因为评测真确有价值的处所，不是告诉你“分数是若干”，而是告诉你“为什么扣分”。

一个AI居品的badcase，大致率会落到这几类原因里：

模子智商问题：模子自己推理、意会、生成不知道；

prompt问题：经管不清、脚色不解、输出体式不稳；

检索调回问题：RAG莫得调回正确常识块，或者调回内容噪声太多；

数据问题：常识库过旧、清洗不干净、分块辞别理；

Agent链路问题：意图识别错、器用选错、要领法则错；

居品畛域问题：需求蓝本就莫得器用撑持，却硬让系统回话。

如若不作念归因，总共问题终末皆会变成一句话：“让算法再优化一下。”

这对算法和工程皆不公谈，也不利于居品迭代。

居品司理要作念的是把问题拆澄澈：哪些是模子要调，哪些是prompt要改，哪些是常识库要补，哪些是居品畛域要经管。

在金融投研场景里，这少量尤其谬误。比如系统不成为了显得贤慧，径直生成无起原的投资不雅点；如若检索不到原文依据，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。

克制偶然候不是保守，而是上线智商的一部分。

我现时会用的AI居月旦测闭环

如若把这套圭表压缩成一个可实行经由，我会用五步：

第一步，定想法。

先说澄澈什么叫好。不同AI居品的好不一样：对话助手看准确率、联系性、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、器用调用得手率、链路知道性；AIGC居品看礼聘率、生成质地、剪辑本钱。

第二步，选圭表。

不是总共问题皆符合东谈主工评测，也不是总共问题皆符合LLM评分。体式校验、字段齐备性、反适时候可以用自动剧本；专科度、抒发质地、用户陶然度符合东谈主工评测或LLM评分；谬误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。果真日记、历史错例、畛域样本、AI生成样本皆要有，况兼要按业务场景分层。

第四步，跑评测。

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

第五步，作念归因。

评测不是为了给模子打个分，而是为了造成闭环：评测→发现问题→badcase归因→反馈算法和工程→回想测试。

这一步才是AI居品司理真确该参与的处所。

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？

我的提议是：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算作，而是需求规划的一部分。

写AI居品PRD时，除了传统的需求布景、用户场景、功能经由、交互施展，我会特地补四块：

第一，智商畛域。

明确这个版块能回话什么，不成回话什么；哪些问题必须兜底，哪些问题不成强答。

第二，遵循想法。

不单写业务想法，也要写AI智商想法。比如准确率、调回率、反适时候、器用调用得手率、幻觉率。

第三，评测集规划。

施展评测集起原、隐敝场景、样分内层、历史错例是否参加回想测试。

第四，badcase归因机制。

施展线上问题怎样网罗，怎样分类，怎样流转给算法、工程、运营，怎样作念回想考证。

这么写PRD，斥地和算法才知谈你要的不仅仅“作念一个功能”，而是“作念一个能被继续考证的系统”。

这亦然AI居品和传统居品很不一样的处所。

警戒千里淀

1.AI居品不是上线即终了，而是上线后才运行显现果真问题

传统居品上线后看用户行径，AI居品上线后还要看智商知道性。因为模子、检索、prompt、Agent链路皆可能成为质地波动源。

2.业务想法告诉你适度，智商想法告诉你原因

留存下落、陶然度下落仅仅适度。意图识别、调回率、幻觉率、器用调用得手率，才是帮你定位问题的捏手。

3.评测集不要只网罗尺度问题，要特意网罗繁重

果真用户不会按尺度句式发问。历史错例、畛域样本、详细意图、颠倒链路，才最能测出系统上线后的抗压智商。

4.居品司理不要把总共问题皆甩给算法

有些问题是模子问题，有些是prompt问题，有些是常识库问题，还有些是居品畛域规划问题。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智商，才有继续迭代的可能

如若一个智商无法被界说、无法被评测、无法被归因，它就很难被知道优化。AI居品司理要作念的不是迷信模子，而是把模子智商放进可考证的居品闭环里。

收尾

如若说传统居品司理的基本功是“把需求讲澄澈”，那AI居品司理的新基本功，便是“把遵循评澄澈”。

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处坏了。

AI居品真确能继续变好，靠的是一套评测闭环：定想法、选圭表、造评测集、跑评测、作念归因。

终末浓缩成一句话：

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、被矫正。

宽待驳倒区雷同，如若你也在作念AI居月旦测、RAG问答或Agent系统米兰体育2026世界杯指定中国官网，至极念念听听你们是怎样搭评测集和归因机制的。