许多传统居品司理转AI居品时，第一反应也曾写需求、画经过、推建造。但AI居品上线后最容易翻车的场所，往往不是“有莫得功能”，而是“恶果到底有莫得变好”。我作念金融投研Agent表情后，一个很深的感受是：AI居品司理一定要会搭评测闭环，不然你根蒂不知谈问题出在模子、指示词、检索调回，也曾Agent链路。

我已往也容易把AI居品当成“传统居品+大模子智商”来交融。

传统居品里，居品司理把需求阐发晰，PRD写竣工，交互经过画显然，再协作建造上线，背面看用户反馈、数据埋点、A/B测试，基本就能跑起来。

但AI居品不太相通。

你写完PRD，仅仅把“要作念什么”阐发晰了；确切难的是上线后若何判断“作念得好不好”。

团结个需求，大模子可能今天答得好，未来因为prompt改了一句就变差；团结个学问库，检索调回可能在等闲问题上很好，但一遭受范围问题就漏；团结个Agent链路，单步器具皆没问题，串起来却可能卡介怀图识别、器具调用、最终总结任何一个要道。

是以AI居品司理不可只会写PRD，还要会设想评测体系。

说直白点：PRD决假寓品能不可被建造出来，评测体系决假寓品能不可持续变好。

第一个误区：把“用户反馈”当成独一考证阵势

许多东谈主作念传统居品时，风气上线后看用户反馈。

用户认为好不好用？有莫得投诉？回荡率有莫得涨？留存有莫得变好？这些虽然重要。

但AI居品要是只等用户反馈，问题会来得太晚。

因为AI智商的失误常常是“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，但一遭受复合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，但临了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画。

用户只会说：“嗅觉不准”“答得怪怪的”“不太敢信”。

但居品司理不可停在这里。

你要能不竭往下拆：到底是不准、不全、不相关、折柳规，也曾反应太慢？

我作念金融投研多智能体矩阵时，就遭受过雷同问题。早期十多个意图看起来皆合理，但放到真实query里会彼此打架。其后咱们把无数query摊开看，才发现问题不在用户抒发，而介怀图体系自己拆得太细、范围不清。

要是只看用户反馈，很可能临了只获取一句“这个Agent不好用”。

但要是有评测集和贪图体系，你就能知谈：是哪类query误触发，哪条链路起义定，哪个Agent输出质地下跌。

这即是评测的价值：让问题可量化。

第二个误区：只看业务贪图，不看AI智商贪图

传统居品常见贪图人人皆熟：PV、UV、DAU、MAU、留存率、回荡率、付费率、NPS、怡悦度。

这些贪图仍然有效，但不够。

AI居品还要看一层“智商贪图”。

比如：

意图识别准确率；

修起相关性；

任务完成率；

多轮对话完成率；

幻觉率；

转东谈主工率；

AIGC选拔率；

反当令辰；

检索调回率；

器具调用得手率。

这些贪图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客服居品留存下跌了，传统居品司理可能会去看进口、交互、案牍、用户旅途。但AI居品司理还要不竭问：

是用户问题莫得被识别出来？

是识别出来了但学问库没调回？

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？

要是你莫得智商贪图，临了所有这个词问题皆会被归因成“模子不行”。

这其实是很不祥的。

我在金融投研Agent表情里最较着的感受即是：AI居品的着力擢升，不一定只来自模子智商，也来自居品结构的减法。咱们把十多个意图管理成2类需求范式，把链路固定成4条圭臬实践旅途，系统就无须在一堆分支里往返游移。背面反当令辰从10几秒压到7秒内，要害问答准确率作念到约95%，这内部既未必代优化，也有居品结构管理带来的收益。

是以AI居品贪图体系不可只盯业务归天，还要能拆到智商层。

第三个误区：评测集敷衍凑一批问题就完事

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。

评测集本体上是给AI居品出卷子。卷子出得不对，分数再高也没酷爱酷爱酷爱酷爱。

我相比推选的评测集起原是四类：

真实用户日记一定要占大头，因为它最接近真实使用场景。用户若何问，系统就应该若何被测试，而不是只用居品司理脑补出来的“圭臬问法”。

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。是以历史错例应该干涉追想测试，每次版块更新皆要再行跑。

范围样本是专门测系统底线的，比如依稀意图、复合问题、超长输入、无器具复旧的问题、敏锐抒发、合规风险场景。

AI生成样本可以用，但只可作念冷启动补充，不可全皆信任。因为AI生成的问题往往太规整，和真实用户的交集抒发不是一趟事。

说到底，评测集不是为了诠释系统很强，而是为了尽早显现系统那边弱。

第四个误区：只打分，不归因

许多评测弘扬最常见的问题是：有分数，M6体育app官网最新版没论断；有论断，没归因。

比如准确率85%，相关性90%，平均反当令辰7秒。

看起来很竣工，但居品司理拿到后也曾不知谈下一步该改什么。

因为评测确切有价值的场所，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，大约率会落到这几类原因里：

模子智商问题：模子自己推理、交融、生成起义定；

prompt问题：管理不清、脚色不解、输出时势不稳；

检索调回问题：RAG莫得调回正确学问块，或者调回内容噪声太多；

数据问题：学问库过旧、清洗不干净、分块折柳理；

Agent链路问题：意图识别错、器具选错、本领法规错；

居品范围问题：需求原来就莫得器具复旧，却硬让系统修起。

要是不作念归因，所有这个词问题临了皆会变成一句话：“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明晰：哪些是模子要调，哪些是prompt要改，哪些是学问库要补，哪些是居品范围要管理。

在金融投研场景里，这小数尤其要害。比如系统不可为了显得机灵，径直生成无起原的投资不雅点；要是检索不到原文依据，就应该指示信息不及，而不是强行编一个看起来很专科的谜底。

克制未必候不是保守，而是上线智商的一部分。

我刻下会用的AI居批评测闭环

要是把这套标准压缩成一个可实践经过，我会用五步：

第一步，定贪图。

先阐发晰什么叫好。不同AI居品的好不相通：对话助手看准确率、相关性、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、器具调用得手率、链路沉着性；AIGC居品看选拔率、生成质地、剪辑资本。

第二步，选标准。

不是所有这个词问题皆适合东谈主工评测，也不是所有这个词问题皆适合LLM评分。时势校验、字段竣工性、反当令辰可以用自动剧本；专科度、抒发质地、用户怡悦度适合东谈主工评测或LLM评分；要害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。真实日记、历史错例、范围样本、AI生成样本皆要有，何况要按业务场景分层。

第四步，跑评测。

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

第五步，作念归因。

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

这一步才是AI居品司理确切该参与的场所。

这件事若何落到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看成，而是需求设想的一部分。

写AI居品PRD时，除了传统的需求配景、用户场景、功能经过、交互阐发，我会稀奇补四块：

第一，智商范围。

明确这个版块能修起什么，不可修起什么；哪些问题必须兜底，哪些问题不可强答。

第二，恶果贪图。

不单写业务贪图，也要写AI智商贪图。比如准确率、调回率、反当令辰、器具调用得手率、幻觉率。

第三，评测集设想。

阐发评测集起原、消释场景、样分内层、历史错例是否干涉追想测试。

第四，badcase归因机制。

阐发线上问题若何集合，若何分类，若何流转给算法、工程、运营，若何作念追想考证。

这么写PRD，建造和算法才知谈你要的不仅仅“作念一个功能”，而是“作念一个能被持续考证的系统”。

这亦然AI居品和传统居品很不相通的场所。

教养千里淀

1.AI居品不是上线即竣事，而是上线后才运转显现真实问题

传统居品上线后看用户活动，AI居品上线后还要看智商沉着性。因为模子、检索、prompt、Agent链路皆可能成为质地波动源。

2.业务贪图告诉你归天，智商贪图告诉你原因

留存下跌、怡悦度下跌仅仅归天。意图识别、调回率、幻觉率、器具调用得手率，才是帮你定位问题的捏手。

3.评测集不要只集合圭臬问题，要特地集合认真

真实用户不会按圭臬句式发问。历史错例、范围样本、依稀意图、非常链路，才最能测出系统上线后的抗压智商。

4.居品司理不要把所有这个词问题皆甩给算法

有些问题是模子问题，有些是prompt问题，有些是学问库问题，还有些是居品范围设想问题。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，才有持续迭代的可能

要是一个智商无法被界说、无法被评测、无法被归因，它就很难被沉着优化。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。

终结

要是说传统居品司理的基本功是“把需求评释晰”，那AI居品司理的新基本功，即是“把恶果评明晰”。

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边坏了。

AI居品确切能持续变好，靠的是一套评测闭环：定贪图、选标准、造评测集、跑评测、作念归因。

临了浓缩成一句话：

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、被鼎新。

接待批驳区疏浚M6体育app官网最新版，要是你也在作念AI居批评测、RAG问答或Agent系统，十分念念听听你们是若何搭评测集和归因机制的。

皇冠app(中国)官网入口