AI产品知识点总结（一）

1、系列说明

这个系列是为了把自己学到的关于AI产品工作的知识点反思梳理而写的，AI产品岗位是比较有时代需求的，但体会下来，它和传统的产品岗位是有很多不同之处，所以特别写这个系列来记录。

2、AI产品经理与传统产品经理的不同之处

这些不同之处主要从能力维度的角度说起，首先共同点是它们都是需要把握产品与需求之间的关系，典型的说法就是不能为了技术而创造，或者头脑一热来创造产品，而是贴合企业战略和真实需求来创造产品，这点是共同的，但是ai产品经理的岗位要求更加贴近技术架构的层面，以往的产品只是需要把需求转化成界面和功能，而功能的实现完全交给工程师去做，而AI产品经理还需要协助工程师完成AI相关的技术架构和方案设计，所以AI产品经理有自己专属的知识领域，而且这个领域和对工程师的要求是很大重合的。

3、AI 产品的分类

从领域区分，实际上ai已经渗透到几乎所有领域，目前比较热门的有：

• 教育服务（知乎教育、Answer.AI）
• 医疗服务 (蚂蚁阿福、还有很多医生app)
• 金融服务（支小助）
• 法律服务（toB的热门，现在还不了解有什么产品，但是招聘软件上有很多，包括科技公司、律所都在招，有对消费者服务的，也有对律师等专业人员服务的，主要功能在法律问题回答，法律文书生成这块）
• 客服销售业务（toB的热门，阿里的店小二，很多网店需要的服务）
• 情感陪伴（toC，有针对老年人陪伴的，也有虚拟数字人比如星野app）
• 内容生成（AI生成ppt，Midjourney，还有很多正在研究的ai电影生成，小说剧本生成，实际上是很接近大模型基座能力的）

也可以分成toB、toC、toG。

• toC：用户的使用不强调规范性，有一定的工具能力，有对不同内容输入的适应性，关注营销、增长、适应性。比如虚拟数字人，用户的输入是很宽泛的，而像toC的健康app中的数字医生，则有一定的工具能力。
• toB或toG：用户的输入具有规范性，要求ai的工具属性很强，用于简化工作流程， 提升大规模使用的效率，关注和具体领域、场景的结合。比如支小助，作为专门服务金融从业人员的ai agent，它具备每日分析100+篇幅财报等金融文章和50+金融事件推理归因分析的能力，使用它的人不可能问出“今天我应该喝什么咖啡”这样的问题来辅助自己的工作，但它的专业性和严谨性要求更高。

4、AI产品技术的分析维度

大模型、提示词、function calling、记忆管理、RAG、Agent、Fine Tuning(微调)、智能体设计模式，这些都是AI产品的热词，当涉及AI技术的问题时，一般从模型选择、提示词设计、技术组合三个维度开始分析和说明，大模型实际上是一个自然语言处理器，它对自然语言有很强的适应性，但是它的输出确定性就不如一个python函数或者工具，所有技术组合都是为了适应一个小样本的输入（任务、问题）而给出一条优化提示词的道路，这些提示词引导大模型最终得到满意的结果或者成功执行任务。

基座模型需要有一定的推理探索能力和结合技术的能力（tool calling），大模型与RAG 、Tool等技术的结合会提升大模型的确定性，让它更靠谱。

问：某个具体的function tool设计之后模型没有成功应用，应当考虑什么因素？
答：首先是大模型的选型，大模型应当具备tool calling能力，对复杂、深层语义有理解能力，且有一定推理能力辅助工具的选择。
其次是提示词的设计，在提示词中应当明确无歧义地说明工具的用途。
再其次是工具集合的设计，工具应当具备一定的能力，如果有综合的能力更好，且工具的定义应当避免模糊或者重合。

5、什么是MCP？

MCP是用于在更大范围内共享工具集合的一个协议，用于大模型LLM与工具集合的通讯，在Langchain中，我们通常会编写自用的工具集合并用langchain_tool修饰，然后在langchain的agent中写入tool，但是ai框架并不只有langchain，python编写的工具js的langchain也不能直接使用，在跨团队甚至更大范围内，使用mcp协议编写的工具集合以服务端的形式暴露，而所有框架，所有语言的AI Agent统一按照MCP客户端的形式连接服务端，不管是Spring AI还是javascript版本的langchain，都能使用一次编写的工具集合