国外亚洲成av人片在线观看,热99re久久精品这里都是精品,天堂网在线最新版www,国产成人av区一区二区三,51久久成人国产精品麻豆

AI產(chǎn)品不是“調(diào)模型”那么簡單，而是一套完整的產(chǎn)品工程體系。本文從需求識別、能力規(guī)劃、架構(gòu)設(shè)計到Agent調(diào)度，系統(tǒng)梳理AI產(chǎn)品的搭建路徑，幫助產(chǎn)品人構(gòu)建具備落地能力與擴展性的智能產(chǎn)品。

2025年，各種AI相關(guān)報告、新聞、應(yīng)用、投資席卷了各大平臺新聞，各種概念、專業(yè)名詞成了通用名詞。

面對日益復(fù)雜的用戶需求、數(shù)據(jù)驅(qū)動的競爭環(huán)境和技術(shù)紅利窗口期的縮緊，構(gòu)建能夠自主推理、交互和決策的AI產(chǎn)品已成為企業(yè)構(gòu)建差異化優(yōu)勢的必然選擇，本文將講解如何搭建一個AI產(chǎn)品。

搭建AI應(yīng)用

產(chǎn)品職能-從“功能設(shè)計”到“智能賦能”

在從傳統(tǒng)互聯(lián)網(wǎng)到AI，產(chǎn)品搭建的流程以及產(chǎn)品的職能發(fā)生了轉(zhuǎn)變，產(chǎn)品不僅要“滿足需求”，更要“理解意圖”、“生成價值”與“持續(xù)演化”。

傳統(tǒng)互聯(lián)網(wǎng)的產(chǎn)品經(jīng)理，通過調(diào)研完用戶需求，輸出產(chǎn)品方案，最終輸出PRD文檔交付給研發(fā)實現(xiàn)。產(chǎn)品需要關(guān)注項目進度以及上線后的業(yè)務(wù)數(shù)據(jù)反饋。

AI時代，產(chǎn)品不僅需要描述業(yè)務(wù)需求，還需要參與AI實現(xiàn)，包括大模型技術(shù)調(diào)研、提示詞工程設(shè)計、AI工作流搭建、相關(guān)工具梳理等。通過與算法工程師調(diào)整完模型后，再跟研發(fā)工程師對接，交付完整的AI產(chǎn)品能力。

搭建Agent

Agent核心組成：推理、Memory、Tools

推理

通常，推理也會被直接寫成LLM，其底層是基于大預(yù)言模型的規(guī)劃和反思。在推理中，我們依賴于模型、提示詞和記憶。

1）模型選取

模型的選取主要基于三點：使用場景、模型能力、性價比

可以參考各大大模型評測榜單，里面以周、月的維度，對國內(nèi)外通用大模型進行全方位的評測，例如數(shù)學(xué)推理、代碼生成、幻覺控制、生成耗時、模型價格等。

另外，大模型也有其廠商的縮影，例如：

2）提示詞（Prompt Engineering）

提示詞工程就是將一個“通才”，通過對大模型的約束，變成一個領(lǐng)域合格的“打工人”。

下面是一個通用的提示詞結(jié)構(gòu)：

但是這些基礎(chǔ)的提示詞，有時候很難完成更加高級和復(fù)雜的任務(wù)，因此現(xiàn)在有很多提示詞工程技術(shù)，CoT、 ToT、RAG等。這些熱門范式都是幫助用戶更加精準地完成任務(wù)所用到的。

做好了提示詞工程，Agent可以做簡單的對話和任務(wù)。

記憶（Memory）

由于AI在對話中，模型不會被訓(xùn)練，就出現(xiàn)了一個問題，AI記不住用戶的信息和偏好。比如用戶說，我叫小帥。再次詢問AI我叫什么，AI會回答不知道用戶叫什么。

因此智能體需要增加記憶（長期、短期、匯總），能夠存儲歷史的推理過程、結(jié)果、執(zhí)行步驟等。

• 短期記憶：用于跟蹤當前對話或正在進行的任務(wù)；
• 長期記憶：用于記住過去的對話以及歷史積累的經(jīng)驗。
• 匯總記憶：通過另一個模型，幫助歷史對話、記錄進行整理總結(jié)，做一個匯總的、壓縮的記憶。

但是在使用的過程中發(fā)現(xiàn)，在處理多輪對話、復(fù)雜知識理解、不同用戶的需求偏好、連續(xù)任務(wù)等場景中，記憶處理效果不夠好。

舉個例子：怎么煮咖啡？AI會根據(jù)記憶獲取用戶的偏好，比如用戶喜歡早上喝咖啡，喜歡美式，輸出用Markdown格式等。

但是你詢問他我一些比較復(fù)雜的問題，比如幫我下載**數(shù)據(jù)（參考我上一篇文章：如何利用Agent構(gòu)建自動化數(shù)據(jù)采集模型）。這個時候，數(shù)據(jù)按照什么格式輸出，如果有分頁數(shù)據(jù)，在執(zhí)行任務(wù)的過程中，任務(wù)中斷后，后續(xù)Agent怎么繼續(xù)執(zhí)行。

為了解決這個問題，衍生了一個新的學(xué)科：上下文工程（Context Engineering）

1）上下文工程（Context Engineering）

上下文工程的核心就是優(yōu)化提示詞結(jié)構(gòu)和框架，使得Agent執(zhí)行任務(wù)完成的更好。

還是以上一篇文章：《如何利用Agent構(gòu)建自動化數(shù)據(jù)采集模型》，通過約束數(shù)據(jù)結(jié)構(gòu)、任務(wù)步驟、使用什么工具做什么事情、todolist等，來約束后續(xù)的每個 Agent都會按照統(tǒng)一的要求輸出內(nèi)容。

如果完全是基于記憶，就可能會得到千奇百怪的數(shù)據(jù)，甚至都不能輸出想要的數(shù)據(jù)結(jié)果了。

工具（Tools）

由于大模型有知識截止的局限，LLM信息局限于大模型被設(shè)計出來的時間節(jié)點，并且他要怎么跟外部的世界去做交互？

這就用到了Tools，Tools就像Agent的手一樣，和現(xiàn)實世界產(chǎn)生交互，例如查詢本地數(shù)據(jù)庫、打開一個網(wǎng)頁、模擬RPA執(zhí)行一個具體的任務(wù)等。同時，在使用工具的過程中，會有一些問題，比如如何使用Tools，以及每個工具可能都定義不一樣，就跟手機廠商的充電器一樣，每個人都有自己定義工具的方式。怎么讓Tools能被多方使用，這就有了MCP。

1）MCP

可以理解為，MCP就是一個USB-C接口，使得任意大模型可以通過標準化的方式去對接任意工具。市面上也有了大批量成熟的MCP服務(wù)供應(yīng)商，可以實現(xiàn)海量場景的搭建。

例如：12306的MCP，可以實時查看火車票信息；

實時天氣MCP，可以獲取各地的天氣、溫度、溫度等。

工作流

Agent搭建好了，但是由于大模型的局限性，擁有幻覺，提示詞越長，幻覺越嚴重，并且大模型的Token限制。因此單Agent來完成復(fù)雜任務(wù)，幾乎難以實現(xiàn)或者很難達到預(yù)期。

這就需要更多的Agent來協(xié)同完成任務(wù)，每個Agent獨立負責單個或者垂直任務(wù)，減少幻覺。

搭建AI工作流，分為2種方式：

固化的工作流和代理工作流。

固化工作流(Static Workflows）

在固化的工作流里面，需要設(shè)置好每一個Agent的節(jié)點、輸入、輸出、邏輯。市面上通用的平臺如Dify/Coze等，用戶的流程為：

設(shè)置好每一個Agent（包括提示詞、工具、記憶等）——定義每個Agent輸入與輸出——將Agent通過邏輯串聯(lián)起來

這就形成了工作流，可以很好地完成一個或者一系列的任務(wù)。設(shè)置好的工作流會按照配置好的順序和邏輯，依次執(zhí)行，旨在實現(xiàn)特定的任務(wù)或目標。

這類工作流的流程是確定的，意味著遵循定義的邏輯和順序，無法根據(jù)新的規(guī)則進行自動調(diào)整，只能通過人工改變來調(diào)整。

代理工作流（Agentic Workflows）

在某些流程中，為了提升工作流的適應(yīng)能力，面對復(fù)雜的情況并不斷優(yōu)化策略，這就用到了代理工作流。

代理工作流主要分為3塊任務(wù)：制定計劃、執(zhí)行任務(wù)、反思并迭代。

• 制定計劃：在用戶輸入后，有一個中心Agent，模擬人的思路，確認解決問題的流程，將問題拆解成更小的任務(wù)，分配每個Agent需要執(zhí)行的任務(wù)，使用的工具。
• 執(zhí)行任務(wù)：與固化工作量一樣，Agent執(zhí)行任務(wù)時，使用預(yù)設(shè)的工具，來執(zhí)行任務(wù)。
• 反思并迭代：在每一個Agent執(zhí)行完成輸出內(nèi)容后，中心Agent會評估每一步的結(jié)果是否符合預(yù)期，并做出判斷，是否繼續(xù)執(zhí)行，還是重新執(zhí)行或者調(diào)整整個計劃。

在代理工作流中，通常需要預(yù)設(shè)一個中心Agent，來完成整個任務(wù)的規(guī)劃。

應(yīng)用場景

上面講了固化工作流和代理工作流分別是什么，對比兩種工作流的優(yōu)劣勢及適應(yīng)場景：

能力封裝

現(xiàn)在已經(jīng)成功搭建了一個AI工作流，現(xiàn)在要將這個工作流嵌入到產(chǎn)品中，產(chǎn)品需要將這個工作流（或者單Agent，甚至可以是微調(diào)后的大模型）交付給開發(fā)，由開發(fā)將工作流嵌入到現(xiàn)有的功能里，完成功能應(yīng)用的實現(xiàn)。

與傳統(tǒng)的產(chǎn)品開發(fā)對比，傳統(tǒng)開發(fā)是具有確定性的，比如點擊后的效果、輸入后的展示等。AI應(yīng)用，由于AI本身的不確定性，AI應(yīng)用最終給出的結(jié)果都是不可預(yù)期的。在工作流里，AI工作流最核心的2個動作：意圖識別和結(jié)果生成。

意圖識別

識別用戶的意圖，提高任務(wù)的理解和任務(wù)執(zhí)行的準確度。

如何提高意圖識別的成功率呢？產(chǎn)品最常用的有三個方法：

1）約束用戶輸入

通過選擇框、輸入框等前端的限制，約束用戶只能輸入允許的內(nèi)容。通過降低解決用戶輸入模糊或不明確的問題，使系統(tǒng)更精準獲取用戶意圖；

2）不回答超出范圍的內(nèi)容

在提示詞增加，若不屬于當前系統(tǒng)的知識領(lǐng)域時，不做回復(fù)。通過拒絕回復(fù)，保證答案的相關(guān)性，避免產(chǎn)生誤導(dǎo)；

3）反問

若客戶提問模糊不清或存在歧義，可以通過反問的形式，引導(dǎo)用戶表達出真實的意圖，即通過多輪對話引導(dǎo)用戶精準描述問題。

結(jié)果生成

生成主要是需要解決大模型的幻覺，以及面對AI的不確定性，產(chǎn)品如何去處理這些特殊場景，比如：

• 任務(wù)執(zhí)行失敗
• 結(jié)果非用戶想要最優(yōu)方案
• 輸出內(nèi)容一本正經(jīng)地胡說八道

首先，由于AI的底層邏輯，是概率生成，因此幻覺不能100%被消除，只能在各方面降低幻覺對客戶的影響，從產(chǎn)品維度出發(fā)，可以做以下動作：

評測-確保AI產(chǎn)品交付可信賴

在應(yīng)用搭建完成后，需要對整個AI應(yīng)用進行評估，是否滿足預(yù)期，與普通的軟件開發(fā)不一定的點在于，普通應(yīng)用的測試是簡單、確定性強，成功/失敗一目了然，但是AI應(yīng)用的測試，有更多的不確定性，以及高度的數(shù)據(jù)依賴。

數(shù)據(jù)集

數(shù)據(jù)集有助于評估系統(tǒng)性能，驗證運行結(jié)果。

可以用歷史數(shù)據(jù)作為數(shù)據(jù)集，以歷史結(jié)果作為運行結(jié)果參考。也可以在產(chǎn)品上線后做數(shù)據(jù)集。

1）歷史數(shù)據(jù)

將歷史業(yè)務(wù)數(shù)據(jù)，例如以商品搜索為場景，用戶搜索關(guān)鍵詞，與搜索結(jié)果，以及客戶點擊商品情況作為數(shù)據(jù)集。

2）線上數(shù)據(jù)

通過增加用戶反饋來記錄運行結(jié)果

有了數(shù)據(jù)集后，接下來就是設(shè)立評估指標對應(yīng)用進行真實的打分了。

指標

以下是一些常用的指標：

在系統(tǒng)性地獲取評測結(jié)果后，對錯誤的場景進行分類、匯總，并排列優(yōu)先級，針對性地對失敗原因做優(yōu)化。

優(yōu)化-持續(xù)校準

上述已經(jīng)說過，AI是不確定性的，因此在設(shè)計AI產(chǎn)品的時候，是在可控性和自動性之間不斷做權(quán)衡。在評測完成后，發(fā)現(xiàn)當前模型已經(jīng)不能滿足業(yè)務(wù)場景時，就需要對應(yīng)用進行調(diào)優(yōu)。

調(diào)優(yōu)方法很多，整體總結(jié)下來分為：模型微調(diào)、提示詞優(yōu)化、調(diào)參、優(yōu)化知識庫或數(shù)據(jù)集等。

模型微調(diào)（Fine-tuning）

模型微調(diào)的底層邏輯即為，使用已有的大模型，根據(jù)自己的業(yè)務(wù)場景，對模型進行訓(xùn)練和調(diào)整，然后將訓(xùn)練好的模型打包成新的模型，以便業(yè)務(wù)線使用。這樣就能得到一個，更懂業(yè)務(wù)、貼合公司實際的大模型。

提示詞優(yōu)化

上述也提到了提示詞優(yōu)化的一些工具，在評測后，可以針對性地對存在的問題進行優(yōu)化。

優(yōu)化知識庫

整理知識庫結(jié)構(gòu)，清晰數(shù)據(jù)，提升數(shù)據(jù)質(zhì)量，提升模型的學(xué)習(xí)效果。

寫到最后

Aishwarya Naresh Reganti and Kiriti Badam?在Aug 19, 2025發(fā)布了一篇文章，全文的核心概念就從CI/CD到CC/CD，這里的CC就是continuous calibration 持續(xù)校準和continuous development持續(xù)開發(fā)。未來AI產(chǎn)品的開發(fā)不再是純粹的軟件交付，而是一個“持續(xù)校準與持續(xù)開發(fā)”的閉環(huán)循環(huán)體系。

作為產(chǎn)品經(jīng)理，在AI浪潮中，不僅要掌握基礎(chǔ)的技術(shù)知識，更要學(xué)會將“數(shù)據(jù)驅(qū)動”嵌入每個業(yè)務(wù)閉環(huán)，推動組織向“智能化服務(wù)提供商”邁進。