我做了很多年产品。直到面对Agent产品，我才发现：那些让我引以为傲的能力，几乎全部失灵了。

把需求拆解到最细、把每一条分支都考虑周全、把所有异常都提前定义清楚——这套让我安身立命的本事，在一个会自己“思考”的系统面前，第一次变得无处发力。我写下的每一条规则，它都可能绕过；我穷举的每一种情况，在自然语言的汪洋里都只是沧海一粟。

那段时间我很挫败，甚至怀疑自己是不是被时代淘汰了。

直到某一刻我突然意识到：不是我的能力没用了，是我用错了对象。我一直在用“管理一台机器”的方式，去对待一个本该被“引导”的智能体。

当我把这个底层假设换掉之后，一切都通了。

这篇文章，就是想把这次“思维重装”的全过程讲给你听——尤其如果你也是一个传统意义上的产品经理，正站在AI这道门槛前，既兴奋又不安。

旧世界：用“穷举”换取“掌控”

先说我们过去是怎么做产品的。

传统软件的世界是确定性的。我们做产品，本质上是在画一张足够细的流程图：用户点这里会怎样、那里会怎样，每一个分支、每一个边界、每一个异常，都要被提前想到、被明确定义、被写死在代码里。产品经理的功力，体现在“把所有情况都考虑全了”；工程师的功力，体现在“把每一条路径都实现得滴水不漏”。

这套方法的内核是用穷举换取掌控。我们之所以敢上线，是因为我们相信：所有可能发生的事，我们都已经写进去了。没写进去的，就是bug。

这套方法运转了几十年，它塑造了我们这一代产品人和工程师的全部本能。而正是这个本能，在面对Agent时，成了第一个要被打碎的东西。

第一次撞墙：你没法穷举一个会“思考”的东西

当我第一次面向Agent设计产品时，我下意识地还是想画那张流程图——把用户所有可能说的话、所有可能的意图，一条条列出来，然后为每一条写好处理逻辑。

我很快就撞墙了。

因为用户的自然语言表达是无限的。同一个意图，有一万种说法；同一句话，在不同上下文里有不同的含义。你永远列不完。当我试图用“穷举”去驯服一个本质上开放的输入空间时，我做的事情就像试图用渔网去接住空气——动作很卖力，但方向根本就错了。

更让我不适的是：大模型不是一个你“调用”的函数，它是一个你“托付”的对象。你给它同样的输入，它未必给你同样的输出。它会理解、会推理、会自己补全你没说的东西——也会犯错、会想当然、会一本正经地胡说八道。

这个东西，你没法穷举它，你也没法完全掌控它。

那一刻我意识到，如果我继续用旧世界的方法，我只有两个结局：要么把Agent阉割成一个伪装成对话的按钮机器人，把它所有的智能都用流程图捆死；要么在无穷无尽的case里反复打补丁，永远做不完。

重装：你不是在写逻辑，你是在带一个聪明但会犯错的新人

转变发生在我换了一个比喻之后。

我不再把Agent当成一段需要我写满逻辑的代码，而是把它当成一个能力很强、但需要带教的新人同事。

你怎么带一个聪明的新人？你不会给他一本写死了每一种情况该怎么应对的操作手册——那样既写不完，也会把他变成一个只会查表的机器。你会做三件完全不同的事：

第一，把边界划清楚。告诉他什么绝对不能做、什么是红线、遇到哪些情况必须停下来求助。边界是有限的、可穷举的，而边界之内的广阔空间，你信任他自己去判断。

第二，把意图讲明白。不是告诉他“第一步做A、第二步做B”，而是告诉他“我们要达成什么、为什么、什么样的结果算好”。当他理解了意图，他能应对你根本没预想到的情况——这恰恰是穷举式流程图永远做不到的。

第三，给他足够的信息和判断原则。一个新人做不好，往往不是因为笨，是因为他不知道的信息太多。

这三件事，构成了面向Agent做产品的全新方法论。它的内核，是用“边界+意图+判断力”换取掌控，而不再用“穷举”。这是一次彻底的反转。

重装之后，我重新理解的几件事

Mindset转过来之后，很多具体的认知跟着重排了。挑几个我感受最深的。

第一，“能力边界”等于“信息边界”。

我踩过最多的坑，是把模型的表现不好，归咎于“模型不够聪明”。后来我发现，绝大多数时候不是模型笨，是我给它的信息不够。它看不到它需要看到的东西，自然做不出正确的判断——就像你让一个新人做决定，却不给他必要的背景资料。

这个认知的转变是决定性的：我不再把精力花在反复修改措辞、祈祷模型变聪明上，而是花在“我到底该把什么信息、以什么方式喂给它”上。Agent能做到的事情的上限，等于你能交给它的信息的上限。这句话我现在会写在每个方案的最前面。

第二，能不写死，就别写死。

旧世界的本能是“把规则固化进代码，这样最可控”。但在AI-Native产品里，写死往往是一种偷懒，甚至是一种伤害。因为业务是活的、是需要持续运营的，而你一旦把运营意图焊死在代码里，每一次调整都得惊动研发，产品就失去了生长的能力。

更好的做法，是把这些“意图”和“知识”从代码里解放出来，变成一层可以被业务直接管理、随时更新的东西。让懂业务的人去喂养Agent的判断力，而不是让这件事永远卡在工程流程里。可运营性，优先于一时的可控性。

第三，幻觉不是bug，是特性；你靠规则约束它，不是靠祈祷。

大模型会“自作主张”、会编造、会在不该的时候过度发挥——这是它的固有特性，不是某个可以被“修复”的缺陷。接受这一点之后，应对方式就清晰了：你不是去消灭幻觉，而是用明确的规则去约束它的行为边界。每一次线上出现的意外，都应该沉淀成一条新的规则、一个新的测试用例，让这个系统在约束中越来越可靠。

它的可控性，不是天生的，是你一条一条“管”出来的。

第四，从“手动测试”到“用评测驱动”。

确定性系统你可以一条条手测。但一个开放的、概率性的系统，你改了一个地方，可能在你根本没注意到的另一个地方引发回退。靠人去手测，永远追不上。所以你必须建立一套评测体系，把它变成质量的闸门——每一次改动，都用它来验证有没有变好、有没有变坏。这是从“凭感觉”到“靠数据”的工程化跨越。

最难的，是承认自己“不掌控”

写到这里，你可能会发现，所有这些转变，指向的是同一件事：学会与不确定性共处。

这恰恰是最难的部分。我们做技术、做产品的人，安全感几乎全部来自“掌控”——来自“我把一切都想清楚了、写明白了”。而面向Agent做产品，要求你主动交出一部分掌控权，去信任一个会犯错的智能体，然后通过设定边界、表达意图、提供信息、建立约束，去引导它，而不是操纵它。

从“操纵一台机器”到“引导一个智能体”，这中间隔着的，不是技术，是心态。

我见过很多人，工具学得很快，但mindset没转过来——他们还在用画流程图的方式跟Agent较劲，把一个本可以很聪明的产品，做成了一个套着对话皮的传统软件。也见过mindset转过来的人，哪怕技术细节还在摸索，做出来的东西就是有“AI的灵魂”。

这就是为什么我说，这次重装，mindset的转变远比任何具体技术都重要。技术会一直变，框架会一直迭代，但“如何与一个聪明而不完美的智能体协作”——这个底层的思维方式，是AI-Native时代真正的入场券。

工具谁都能学会。但愿意亲手打碎自己赖以成功的旧本能、重新学习如何“掌控”的人，不多。

而这，可能正是接下来很长一段时间里，最稀缺、也最值钱的能力。