传统互联网时代，产品经理的工作之一是「画路径」——用户从 A 走到 B，每一步可预期、可设计。流程是固定的，策略是可控的，输入和输出之间有一条清晰的因果链。但 AI 时代不一样。最近我越来越清楚地感觉到：面向 AI 的产品设计，不是在设计规则，而是在设计约束。PM 不再需要严格制定每一步的策略，而是把意图转化为 prompt 或 skill，让大模型在其中发挥——有时候发挥出你预期之外的效果。那么问题来了：模型的输出每次不一致，参数调整可能导致行为变化，甚至连换个模型版本，同一个 prompt 都可能跑出完全不同的东西。传统产品的基座是确定性的，AI 产品的基座是概率的。在这个不稳定、不确定的基座上，产品该怎么设计？用户流程该怎么把控？
传统互联网真的是「确定」的吗？
一个容易被忽略的事实：传统互联网从来也不是完全确定的。搜索结果排序每天在变，推荐算法的单次输出没人能精确预测，UGC 产品的用户行为更是混沌。AB 测试这个行当存在的全部理由，就是承认「我们不知道哪个方案更好」。传统产品之所以「感觉确定」，不是因为底层确定，是因为产品层加了一层壳——Loading、骨架屏、兜底文案——把不确定性藏起来了，用户看不见。但 AI 时代，这层壳被掀开了。不确定性直接浮到用户面前：同一个问题问两次，答案可能不同。这不再是产品层的遮羞布能盖住的。
质变：不可追溯的黑盒
有人可能会说：「那 AI 时代和传统时代没什么本质区别，都是不确定性，只是量大了点。」我不完全同意。传统互联网的不确定性是可追溯的。推荐算法错了——查特征权重、回放日志、定位到哪个因子崩了。UGC 出了坏内容——删帖、封号、改审核规则。这些东西出问题，你能找到原因，能定位，能修。AI 模型的不确定性是黑盒的。同样的 prompt，模型给了错误答案——你不知道它内部哪一层、哪个注意力头走了岔路。换个版本之后行为变了——你无法审计到底是哪条逻辑链断了。这是质变，不是量变。传统产品不确定，但可控、可追溯。AI 模型不确定，且不可审计。在这个前提下，旧的那套 if-else 规则引擎不够用了。
分层：哪些要压，哪些要放
面对 AI 的不确定性，最容易犯的错误有两种：一种是「既然不可控，那就全放」，另一种是「既然不可控，那得加更多规则」。不要陷入二元对立，关键在于分层。该压的：
夜雨聆风