AI产品经理学习汇总

对AI学习做个总结。

一. 大模型：近年AI爆火的根源

AI早就有了，近几年突然爆火，得益于大模型的诞生。近年的AI成果，也几乎都依赖于大模型。

大模型是顶级数学家和计算机科学家的产物，普通人很难理解它的构造。对于大多数人，不用深究它的原理，懂和会用即可。

我对大模型的理解是，数学家和计算机科学家对人脑和现实世界做了数学建模，之前因为算力有限，即使有数学模型，也无法计算出结果。但现在有了强大算力，可以把这个“虚拟世界”算出来了，这便是大模型。

大模型的能力，大家归纳了很多，如果从第一性原理出发，我认为有两点。其他能力，都建立在这两点之上。

1. “人话”能力。

之前人类和计算机对话，必须采用计算机指定的方式。

例如在淘宝买东西，必须先找到某个商品，再点“购物车”或“支付”，还要在固定位置填写收货信息等。这个固定流程，就是计算机指定的方式。不通过这个方式，淘宝就不知道我们想干吗。

它有固定格式、固定要求、固定作用，这也是传统IT部门需要庞大工程师团队的原因——他们要编写这些制式化的内容。

大模型打破了这一点，不采用这些固定方式，直接用“人话”对淘宝说“我想买东西”，淘宝也能理解了。

我们经常用“人话”和豆包/deepseek对话，对此应该也深有体会。

这一点意义重大，它大大降低了人的操作成本，人不用转换为机器思维，而是可以直接用人的方式和机器交流。它也使机器“有感情”了，小时候看动画片，变形金刚像朋友一样和你说话，有了大模型，这一点就有了可能。

2. 信息处理。

如果说上一点是“听/说”能力，这一点就是“思考”能力。

我们把信息（自然语言/数据等）给大模型，它可以自己推导/分析/加工出结果。这个结果是数字化的，记住这一点非常重要，因为大模型驱动的各种应用，就是对这些数字化结果的再处理。

我们把两难问题告诉AI，它会从多角度分析利弊，给我们建议。我们把杂乱无章的会议纪要发给AI，它能提取重点。还有更复杂的业务场景，归根到底都是大模型对信息的处理。得益于强大算力和信息量，大模型几乎容纳了人类最科学合理的思维方式，所以它得出的结果极具价值。

大模型怎么做到以上两点的？如前所述，不用深究，总之数学家把它模拟出来了，拿起用就行。

另外，第一点是地球特有的，它是专为适配地球人语言创建的，它关乎“语文”，到了火星可能就要变了。第二点是放之四海而皆准的，到了火星也仍然成立，它关乎“数学”。也难怪我们从小到大的主课是语文和数学。

二. 大模型的边界

大模型的边界，也代表着AI的边界。边界问题是AI领域的关键问题，也是热点话题。

大模型的边界，我认为有理论边界和现实边界。理论边界是基于大模型的实现原理，可以做到哪些，难以做到哪些。现实边界则是应用大模型的过程中，受到的人类现实条件的约束。

大模型的理论边界，来源于它的数学原理。大模型是基于概率学创建的，既然是概率，就难以100%。

大模型依靠强大算力，把对人类世界的仿真程度，提高到了99.999...%。但它终究不是100%，就像人自身对问题的思考/处理也可能出现偏差。

借用AI学家的说法，如果问题有100%的准确性要求，并且有明确的计算逻辑，那它不适合应用AI，例如财务计算。而如果对结果的要求只是近似准确，且很难找到严丝合缝的逻辑公式，则可以考虑AI，例如天气预报/景区人流量预测。

大模型的现实边界更多，涉及隐私/法律/伦理/技术等等，不再赘述。

当我们遇到一个AI问题想不通时，不妨回头想一下，大模型的边界是什么，这不仅有利于理解问题，更可能是解决问题的关键。

三. Agent/大模型/Skill/传统IT系统

让大模型发挥作用，经常用到Agent这个载体。我们可以把大模型理解为AI的大脑，而作用于世界则要通过身体，Agent就是AI的身体。

Agent通常涉及大模型/Skill/传统IT系统，梳理它们的关系和定位，对理解Agent这种模式至关重要。

这四者之间，是数据关系（经常使用JSON格式数据）。

负责对外暴露的是Agent，它从外界获得原始数据。
Agent把数据转给其内置的大模型。
大模型对数据做理解/分析/决策。这个过程它可能用到Skill。
Skill包含各种专业问题的处理办法，大模型查看Skill内容，以便全面/准确决策。
大模型做出决策，并把决策数据发给Agent。
决策数据包含动作指令，Agent做出指令动作。如果最终动作要依靠传统IT系统实现，Agent还要和传统IT系统通信，把数据发给传统IT系统。
传统IT系统把执行结果返回给Agent，Agent把这些信息发给其内置大模型，判断是否准确/符合要求等，以此开启新一轮循环。
在这个过程中，它们各自的作用是：
大模型：理解要求，分析数据，做出决策，交付物是给Agent的指令数据。
Agent：外界和大模型的媒介，负责所有外部信息交换，负责执行性程序。
Skill：它里面写着特定问题的处理办法说明。大模型可以通过查询Skill，获得处理专业问题的准确方法。
传统IT系统：绝大部分企业还在使用传统IT系统，传统IT系统担负着具体工作事务的处理。为了适配AI，往往要做用于Agent的接口改造。

四. AI产品经理要做什么

产品经理做AI系统和产品设计时，要理清这些角色的分工和作用，然后再细化每一部分的功能定位和数据要求。

Agent：明确它要解决什么问题。这一点非常重要，这涉及到它的边界定义和实现。边界很重要，它关系着Agent层级和布局，就像是传统IT系统的模块划分。Agent下面可以套子Agent，每一层/每一个Agent作用也都不应该一样，它们加在一起组成一个MECE矩阵。
大模型：它需要训练，用结构化大数据给它做示例，它自己会举一反三，掌握相关问题的标准处理方法。训练大模型时，要看它服务于哪个Agent，根据Agent的职能定位，选择训练数据。而且训练大模型时，流程训练很重要，告诉它先处理什么、再处理什么，什么场景下应该怎么做。
Skill：同样要先明确它解决什么问题。Skill的问题维度小于Agent，Agent定义的是战略级/策略级问题，Skill解决的是战术级/具体的问题。这里有一个关键点，产品经理应该想清楚大模型和Skill的边界，有些技能可以让大模型训练习得；有些技能不便于增加大模型重量，应当由Skill习得，大模型再调用Skill。同样的，Skill之间也要想好边界，例如有两个问题，用一个Skill解决它们，还是用两个Skill分别解决它们，就涉及Skill间的分工和边界。一般来说，灵活多变或随机使用的技能适合放在Skill，相对稳定或全局需要的技能适合让大模型习得。

产品经理接下来要做的事情：

先定义系统整体要解决什么问题。
像传统IT系统架构一样，设计AI系统架构，尤其是：Agent分工/边界，Skill分工/边界，系统流程。
准备每个Agent内置大模型所需的训练数据，帮助Agent形成其专属功能。
准备Skill对某个专业问题的解决方案。
定义Agent对外界用户或外界系统的交互格式。
根据实际运行情况，不断调优。

这里面还有一个边界，产品经理和AI工程师的职责边界，尤其是双方都涉及的事项，由谁实现更合理。因为AI是个新事物，应该需要时间逐渐找到合理方式。