本文中提供的内容偏向战术执行层，适合产品的战略和价值论证已经确定的场景。关于AI产品的PRD可扩展内容还有很多，比如提示词的验证与优化、UX设计原则、持续自动的评估体系、产品的动态迭代等，将陆续作为单独的主题与大家分享。传统PRD的结构需求背景：帮助读者理解为什么会提出需求目标：明确完成需求要达成的效果，尽可能量化用户故事（or业务描述）：以用户视角描述要完成哪些事情，大致的步骤是什么用户旅程：以流程图的形式表达一个完整的业务场景在系统中的操作路径、逻辑条件，帮助读者站在全局角度理解业务之间的关系（点状需求除外）功能清单：按功能模块，结构化列出功能点、功能一句话描述、优先级功能详细说明（含原型设计）：包含界面内容、样式与交互、逻辑、前后置事件、异常处理，结合原型图说明非功能性需求描述：数据统计需求、埋点需求、性能需求、安全需求等AI产品PRD的不同之处以下内容为个人对AI产品的思考，仅供参考用户旅程转变为Agent工作流在Agent工作流中，人与Agent分别扮演“将军”和“士兵”角色，一个负责决策，一个负责执行。梳理清楚每一个“士兵”具体要做哪些事，可以辅助后面编写提示词。以企业内的招聘场景为例功能清单增加大模型或Agent功能点这类功能点不一定按照功能模块去梳理，有些是某个功能模块中直接利用大模型的功能点，例如：让大模型根据标题生成一段描述。而在AI产品中很多是在Agent工作流中Agent要做的事，要描述这些功能点的实现要点，帮助开发者做合适的技术选型，最终选择的关键技术应该是产品经理和开发者共同决定的。以企业内的招聘场景为例功能详细说明中增加提示词设计提示词可以让工作流中每个节点更正确的输出结果，非常像“老师指导学生”的过程。要讲清楚背景或角色、任务是什么、按什么步骤做（COT）、举几个例子（few shots）、异常情况怎么处理。以招聘场景中生成JD为例制定数据集要求准备数据集是AI产品与传统软件产品最大的不同，大规模高质量的数据是保证高质量输出的前提。产品经理要充分调研对于真实用户来讲，什么样的输出才是高质量的，作为数据集制定要求的依据，最终按照要求去准备数据集。准备数据集的过程需要产品经理与算法工程师一起配合完成。以企业内的招聘场景为例制定测试标准传统软件产品到AI产品最本质的变化是由“规则”定义转变为由“数据”定义，这导致最终向用户输出的结果由“确定性”变为“概率性”，这也是很多产品经理开始做AI类产品时，对产品有“失控感”原因。所以产品经理要和测试工程师一起制定测试标准，每一个功能点都要有测试方法和测试指标。以企业内的招聘场景为例本文由 @CC 原创发布于人人都是产品经理。未经作者许可，禁止转载题图来自Unsplash，基于CC0协议该文观点仅代表作者本人，人人都是产品经理平台仅提供信息存储空间服务