第35章 AI产品数据指标体系：从DAU到模型准确率，全面监控
AI产品经理实战训练营 · 章节 35/44 · 60 学时
35.1 为什么AI产品需要专门的数据指标体系？
传统互联网产品的数据指标体系已经很成熟——DAU、留存、转化率、GMV。但AI产品有其特殊性：除了传统的用户和业务指标，还需要监控模型效果、推理成本、延迟、幻觉率等AI特有的指标。一个完整的AI产品数据指标体系，是产品健康运行和持续优化的基础。
35.1.1 AI产品和传统产品的指标差异
| 维度 | 传统互联网产品 | AI产品 |
|---|---|---|
| 核心价值 | 信息匹配、社交、娱乐 | 智能决策、内容生成、自动化 |
| 用户行为 | 点击、浏览、购买 | 提问、对话、生成、反馈 |
| 效果衡量 | 转化率、留存率 | 准确率、满意度、任务完成率 |
| 成本结构 | 服务器成本（相对固定） | 推理成本（随用量增长，token计费） |
| 质量风险 | 内容审核、推荐质量 | 幻觉、偏见、安全、伦理 |
| 优化方式 | A/B测试、算法调优 | Prompt优化、模型迭代、RAG优化、微调 |
35.1.2 没有指标体系的后果
很多AI产品团队忽视数据指标体系建设，导致以下问题：
- 盲目优化：不知道产品哪里好哪里差，凭感觉优化，改了半天不知道效果
- 成本失控：推理成本随用户量增长，但没有监控，月底发现API账单超预算几倍
- 质量下滑：模型升级或Prompt修改后效果变差，但没有及时发现，用户投诉了才知道
- 无法决策：要不要换模型？要不要加功能？要不要涨价？没有数据支撑，全靠拍脑袋
- 团队扯皮：产品说模型效果差，算法说Prompt写得烂，运营说用户不会用，没有统一的数据口径
35.2 指标体系的四层架构
一个完整的AI产品数据指标体系分为四层，从顶层战略到底层执行，层层递进：
35.2.1 第一层：北极星指标（North Star Metric）
北极星指标是产品最核心、最重要的一个指标，它代表了产品为用户创造的核心价值，是整个团队的方向标。
选择北极星指标的原则：
- 反映用户获得的核心价值，而不是公司的收入（收入是结果，不是价值）
- 可衡量、可追踪，有明确的计算口径
- 能反映产品的长期健康度，而不是短期虚荣指标
- 整个团队都能理解和认同，能指导日常决策
不同类型AI产品的北极星指标示例：
| 产品类型 | 北极星指标 | 为什么选这个 |
|---|---|---|
| AI对话助手（ChatGPT类） | 周活跃提问用户数（WAU） | 反映有多少用户在持续用AI解决问题 |
| AI写作工具 | 每周生成并采纳的内容字数 | 反映用户实际用AI产出了多少有价值的内容 |
| 智能客服 | AI独立解决问题率 | 反映AI能多大程度替代人工，是核心价值 |
| AI代码助手 | 每周AI生成代码被采纳的行数 | 反映AI实际帮助程序员写了多少代码 |
| 企业知识库（RAG） | 每周AI回答被采纳的次数 | 反映AI回答的质量和实用性 |
| AI推荐系统 | 推荐点击率×转化率 | 反映推荐的精准度和商业价值 |
注意：北极星指标不是一成不变的，产品不同阶段可以调整。比如早期关注"用户增长"（WAU），成熟期关注"用户价值"（任务完成率），商业化阶段关注"付费转化"。
35.2.2 第二层：用户指标
用户��标衡量产品的用户规模、活跃度、留存情况，反映产品的用户基础和吸引力。
核心用户指标：
| 指标 | 定义 | 计算方式 | 健康标准 |
|---|---|---|---|
| DAU/MAU | 日活跃用户/月活跃用户 | 当日/月有至少一次有效行为的用户数 | 因产品而异，工具类DAU/MAU>20%算健康 |
| DAU/MAU比值 | 用户粘性 | DAU ÷ MAU | >20%良好，>40%优秀 |
| 新增用户数 | 每日/每周新增注册用户 | 当日首次注册/使用的用户数 | 根据增长目标设定 |
| 次日留存率 | 新用户次日仍活跃的比例 | 次日活跃新用户数 ÷ 当日新增用户数 | >30%良好，>50%优秀 |
| 7日留存率 | 新用户7日后仍活跃的比例 | 第7日活跃新用户数 ÷ 当日新增用户数 | >15%良好，>25%优秀 |
| 30日留存率 | 新用户30日后仍活跃的比例 | 第30日活跃新用户数 ÷ 当日新增用户数 | >10%良好，>20%优秀 |
| 人均使用时长 | 平均每个用户每天使用产品的时间 | 总使用时长 ÷ DAU | 因产品而异，对话类5-15分钟正常 |
| 人均对话轮次 | 平均每个活跃用户每天的对话轮次 | 总对话轮次 ÷ DAU | >3轮说明用户在深度使用 |
| 用户流失率 | 一段时间内不再活跃的用户比例 | 流失用户数 ÷ 期初活跃用户数 | 月流失率<10%良好 |
AI产品特有的用户行为指标：
- 提问深度：用户平均每次对话的提问次数，反映用户是否在深入使用
- 功能渗透率：使用某个AI功能的用户占比（如使用代码生成的用户占比）
- 反馈率：给出点赞/点踩/评论的用户占比，反映用户参与度
- 重复使用率：使用过一次后再次使用的用户比例，反映功能粘性
35.2.3 第三层：业务指标
业务指标衡量产品的商业价值和运营效率，反映产品的盈利能力和健康度。
核心业务指标：
| 指标 | 定义 | 计算方式 | 说明 |
|---|---|---|---|
| 付费转化率 | 免费用户转化为付费用户的比例 | 付费用户数 ÷ 总用户数 | SaaS产品2-5%正常，>10%优秀 |
| MRR/ARR | 月/年经常性收入 | 所有订阅用户月/年费总和 | SaaS产品核心收入指标 |
| ARPU | 每用户平均收入 | 总收入 ÷ 总用户数 | 反映用户价值 |
| ARPPU | 每付费用户平均收入 | 总收入 ÷ 付费用户数 | 反映付费用户的付费能力 |
| LTV | 用户生命周期价值 | ARPU × 用户生命周期（月） | 用户在整个生命周期为产品贡献的收入 |
| CAC | 用户获取成本 | 总获客投入 ÷ 新增用户数 | 获取一个新用户的成本 |
| LTV/CAC | 用户价值与获客成本比 | LTV ÷ CAC | >3健康，>5优秀，<1亏损 |
| churn率（流失率） | 付费用户取消订阅的比例 | 当月流失付费用户 ÷ 月初付费用户 | 月churn<5%良好，<2%优秀 |
| 客单价 | 平均每笔订单金额 | 总收入 ÷ 订单数 | 反映单次消费价值 |
| 复购率 | 购买后再次购买的用户比例 | 复购用户数 ÷ 总购买用户数 | 反映用户忠诚度 |
AI产品特有的业务指标：
- 免费额度消耗率：免费用户消耗免费token额度的比例，反映转化潜力
- 付费功能渗透率：使用付费专属功能的用户占比，反映付费价值
- 升级率：从低价位套餐升级到高价位套餐的用户比例
- 降级率：从高价位套餐降级到低价位套餐的用户比例
- 推理成本占收入比：API推理成本 ÷ 总收入，反映毛利率健康度，应<30%
35.2.4 第四层：AI模型与体验指标
这是AI产品特有的指标层，衡量AI模型的效果、效率和用户体验。
模型效果指标：
| 指标 | 定义 | 适用场景 | 说明 |
|---|---|---|---|
| 准确率（Accuracy） | 预测正确的样本占总样本的比例 | 分类任务 | 类别不平衡时会误导，需结合精确率和召回率 |
| 精确率（Precision） | 预测为正的样本中实际为正的比例 | 分类任务 | 反映"预测为正的有多准" |
| 召回率（Recall） | 实际为正的样本中被预测为正的比例 | 分类任务 | 反映"正样本有多少被找出来" |
| F1 Score | 精确率和召回率的调和平均 | 分类任务 | 综合衡量精确率和召回率 |
| BLEU/ROUGE | 生成文本与参考文本的相似度 | 文本生成 | 机器翻译、摘要生成的自动评估指标 |
| 任务完成率 | AI成功完成用户任务的比例 | Agent、智能客服 | 最核心的效果指标，需人工或规则判定 |
| 幻觉率 | AI回答中包含事实性错误的比例 | 所有生成类产品 | AI产品特有，需人工抽样审核 |
| 相关性 | AI回答与用户问题的相关程度 | 对话、搜索、RAG | 可人工评分或用模型自动评估 |
| 有用性 | AI回答对用户有帮助的程度 | 所有AI产品 | 用户点赞率是间接指标 |
模型效率指标：
| 指标 | 定义 | 说明 | 健康标准 |
|---|---|---|---|
| 平均延迟 | 从用户发送请求到收到第一个token的时间（TTFT） | 影响用户体验，太长用户会不耐烦 | <2秒良好，<1秒优秀 |
| 总响应时间 | 从请求到完整回复的时间 | 长回答会更久，需结合输出长度看 | 短回答<5秒，长回答<30秒 |
| Token生成速度 | 每秒生成的token数 | 反映模型推理速度 | >30 tokens/s良好 |
| 单次请求成本 | 平均每次API调用的费用 | 输入token+输出token的费用 | 因模型和场景而异 |
| 日/月推理总成本 | 所有API调用的总费用 | AI产品主要成本项 | 占收入<30%健康 |
| 缓存命中率 | 使用缓存（如Prompt缓存）的请求比例 | 降低成本和延迟的重要手段 | >30%良好 |
| 错误率 | API调用失败的比例 | 包括超时、限流、服务错误 | <1%良好 |
用户体验指标：
| 指标 | 定义 | 说明 |
|---|---|---|
| 用户满意度（CSAT） | 用户对AI回答的满意度评分（1-5分） | 每次对话后弹出评分，或抽样回访 |
| 点赞率 | 用户点赞AI回答的比例 | 间接反映回答质量 |
| 点踩率 | 用户点踩AI回答的比例 | bad case的重要来源 |
| NPS（净推荐值） | 用户向他人推荐产品的意愿 | 反映产品整体口碑 |
| bad case率 | AI回答质量差的对话占比 | 需定义"差"的标准（点踩、用户投诉、人工审核） |
| 用户纠错率 | 用户纠正AI回答的比例（重新提问、修改输出） | 反映AI回答的准确性 |
| 放弃率 | 对话中途用户离开的比例 | 反映对话是否有用 |
| 首次解决率 | 用户第一次提问就得到满意回答的比例 | 反映AI回答的精准度 |
35.3 数据采集和埋点
35.3.1 需要采集哪些数据
AI产品的数据采集比传统产品更复杂，需要同时采集用户行为数据和AI交互数据：
1. 用户行为数据
- 用户基本信息：用户ID、注册时间、设备、地区、来源渠道
- 页面浏览：页面URL、停留时间、滚动深度
- 功能使用：点击了哪些按钮、使用了哪些功能、使用时长
- 付费行为：付费时间、套餐类型、金额、支付方式
2. AI交互数据（核心）
- 对话记录：对话ID、用户ID、时间、用户输入、AI输出、对话轮次
- 模型信息：使用的模型、模型版本、Temperature、Top-p等参数
- Prompt信息：System Prompt版本、用户Prompt、Few-shot示例
- RAG信息：检索到的文档ID、检索得分、重排序结果
- 工具调用：调用了哪些工具、工具参数、工具返回结果、调用耗时
- 性能数据：TTFT（首token时间）、总响应时间、输入token数、输出token数、费用
- 用户反馈：点赞/点踩、评分、评论、纠错行为
- 错误信息：API错误、超时、限流、内容安全拦截
35.3.2 埋点设计原则
1. 全链路追踪
每一次AI交互都要有唯一的trace_id，串联起用户输入→Prompt组装→RAG检索→模型调用→工具调用→AI输出→用户反馈的全链路。出问题时能快速定位是哪个环节的问题。
2. 版本化管理
所有可能影响AI输出的因素都要记录版本号：模型版本、System Prompt版本、知识库版本、RAG参数版本、工具版本。这样效果变化时能追溯是哪个版本变更导致的。
3. 成本可归因
每次API调用的费用都要记录，并能归因到具体用户、功能、对话。这样能分析哪个功能成本高、哪个用户成本高，指导优化。
4. 隐私合规
用户输入和AI输出可能包含敏感信息（个人隐私、商业机密），采集和存储时要脱敏，遵守数据保护法规（如GDPR、个人信息保护法）。
5. 采样策略
全量存储所有对话数据成本很高，可以采用分级存储策略：
- 实时数据（最近7天）：全量存储，用于实时监控和debug
- 近期数据（7-90天）：全量存储，用于分析和优化
- 历史数据（90天以上）：采样存储（如10%），用于长期趋势分析
- bad case和用户反馈数据：永久全量存储，用于持续优化
35.4 数据看板和监控
35.4.1 看板分层设计
数据看板不是一个大而全的报表，而是按角色和场景分层设计：
| 看板类型 | 使用者 | 核心内容 | 更新频率 |
|---|---|---|---|
| 战略看板 | CEO、高管 | 北极星指标、MRR/ARR、用户增长、LTV/CAC、毛利率 | 每日/每周 |
| 运营看板 | 产品经理、运营 | DAU/MAU、留存、转化、功能使用、用户反馈、bad case | 实时/每日 |
| 模型看板 | 算法工程师、AI产品经理 | 准确率、幻觉率、延迟、成本、错误率、各模型版本对比 | 实时/每日 |
| 财务看板 | CFO、财务 | 收入、成本、毛利率、推理成本趋势、各功能成本占比 | 每日/每月 |
| 告警看板 | 值班工程师 | 错误率、延迟、限流、服务可用性、异常波动 | 实时 |
35.4.2 核心告警规则
建立自动化告警机制，关键指标异常时及时通知相关人员：
| 告警类型 | 触发条件 | 通知对象 | 处理方式 |
|---|---|---|---|
| 服务不可用 | 错误率>5%持续5分钟 | 值班工程师、技术负责人 | 立即排查，必要时回滚 |
| 延迟异常 | P95延迟>10秒持续10分钟 | 算法工程师 | 检查模型服务、限流策略 |
| 成本异常 | 日成本超过预算150% | 产品经理、财务 | 检查是否有异常调用、优化策略 |
| 效果下滑 | 周准确率/满意度下降>10% | AI产品经理、算法 | 分析bad case，定位原因 |
| 用户流失 | 日流失率突增>50% | 产品经理、运营 | 分析流失原因，是否有产品变更 |
| 内容安全 | 检测到违规内容输出 | 内容安全、产品 | 立即拦截，排查Prompt和模型 |
35.5 A/B测试在AI产品中的应用
35.5.1 AI产品A/B测试的特殊性
A/B测试是数据驱动决策的核心方法，但AI产品的A/B测试有其特殊性：
- 变量更多：模型版本、Prompt、RAG参数、Temperature等都可以作为实验变量
- 效果评估更难：传统产品看转化率，AI产品还要看回答质量、幻觉率等主观指标
- 成本差异大：不同模型的推理成本可能差10倍，实验要考虑成本因素
- 延迟差异大：不同模型和参数的延迟差异大，影响用户体验
- 用户感知强：AI回答质量的变化用户能直接感知，实验期间用户体验可能不一致
35.5.2 AI产品常见的A/B测试场景
| 实验类型 | 实验变量 | 核心评估指标 | 实验周期 |
|---|---|---|---|
| 模型对比 | GPT-4o vs Claude 3.5 vs DeepSeek | 任务完成率、满意度、延迟、成本 | 1-2周 |
| Prompt优化 | 新版System Prompt vs 旧版 | 准确率、幻觉率、用户点赞率 | 3-7天 |
| RAG优化 | 新检索策略 vs 旧策略 | 回答相关性、引用准确率、任务完成率 | 3-7天 |
| 参数调优 | Temperature 0.3 vs 0.7 | 创造力、准确性、用户满意度 | 3-5天 |
| 功能实验 | 新功能（如语音输入）vs 无 | 功能渗透率、留存、满意度 | 2-4周 |
| 定价实验 | 新定价 vs 旧定价 | 转化率、ARPU、MRR、churn率 | 2-4周 |
35.5.3 A/B测试的最佳实践
1. 实验前明确假设
每个实验都要有明确的假设："我认为改变X会提升Y，因为Z"。没有假设的实验是浪费时间。
2. 样本量足够
AI产品的效果指标（如满意度、准确率）波动较大，需要足够的样本量才能达到统计显著性。一般每个分组至少需要几百到几千次对话。
3. 单一变量原则
一次实验只改变一个变量。如果同时改模型和Prompt，效果变化了不知道是哪个导致的。
4. 综合评估
不能只看一个指标。比如新模型准确率提升了，但成本涨了3倍、延迟翻了一番，综合来看可能不划算。要建立综合评分卡，平衡效果、成本、体验。
5. 人工审核辅助
对于回答质量、幻觉率等主观指标，自动评估不够准确，需要人工抽样审核辅助。可以建立"人机结合"的评估体系：自动指标做初筛，人工审核做终判。
6. 灰度发布
实验通过后不要立即全量发布，先灰度（5%→20%→50%→100%），观察��定性，逐步放量。
35.6 数据驱动的产品优化闭环
35.6.1 优化闭环的5个步骤
第一步：数据监控（发现问题） - 每日看核心指标看板 - 关注异常波动和告警 - 定期分析bad case ↓ 第二步：问题分析（定位原因） - 下钻分析：是哪个用户群、哪个功能、哪个场景出了问题？ - 根因分析：是模型问题、Prompt问题、RAG问题、还是产品设计问题？ - bad case分类：按错误类型分类统计，找出高频问题 ↓ 第三步：假设提出（制定方案） - 基于分析提出优化假设 - 设计优化方案（改Prompt？换模型？优化RAG？改产品？） - 评估方案的预期效果、成本、风险 ↓ 第四步：实验验证（A/B测试） - 设计A/B实验，确定实验组和对照组 - 确定核心评估指标和实验周期 - 运行实验，收集数据 - 统计分析，判断效果是否显著 ↓ 第五步：全量发布（持续监控） - 实验通过后灰度发布 - 全量后持续监控核心指标 - 总结经验，更新知识库和最佳实践 - 回到第一步，持续循环
35.6.2 常见的优化方向
| 问题现象 | 可能原因 | 优化方向 |
|---|---|---|
| 回答不准确、幻觉多 | 模型能力不足、Prompt不好、RAG检索不准 | 换更强的模型、优化Prompt、优化RAG检索和重排序 |
| 回答不相关、答非所问 | 意图识别不准、Prompt引导不够 | 优化意图识别、改进System Prompt、增加Few-shot示例 |
| 用户满意度低 | 回答质量差、交互体验不好、功能不全 | 分析bad case、优化回答质量、改进交互设计、补充功能 |
| 推理成本高 | 模型太贵、Prompt太长、无效调用多 | 换便宜模型、精简Prompt、加缓存、路由策略（简单问题用小模型） |
| 响应慢、延迟高 | 模型推理慢、RAG检索慢、网络延迟 | 换更快模型、优化检索性能、流式输出、加缓存 |
| 用户留存低 | 产品价值不够、使用门槛高、没有持续使用场景 | 提升核心价值、降低使用门槛、增加粘性功能、运营触达 |
| 付费转化率低 | 免费额度够用、付费价值不明显、定价不合理 | 调整免费额度、强化付费功能价值、优化定价策略、优化转化漏斗 |
35.7 实战案例：某AI写作工具的数据指标体系
35.7.1 背景
某AI写作工具（类似Jasper、Copy.ai），帮助营销人员生成广告文案、社媒内容、邮件等。产品上线6个月，用户增长不错但付费转化率低、推理成本高、用户反馈质量不稳定。团队决定建立完整的数据指标体系，用数据驱动优化。
35.7.2 指标体系设计
北极星指标：每周AI生成并被用户采纳的内容字数（反映AI实际创造的价值）
用户指标：
- DAU/MAU、DAU/MAU比值（目标>25%）
- 新增用户数、渠道来源分布
- 次日/7日/30日留存率（目标次日>40%，7日>20%）
- 人均生成次数、人均采纳字数
- 模板使用率（使用预设模板的用户占比）
业务指标：
- 付费转化率（目标>5%）
- MRR、ARPU、ARPPU
- LTV/CAC（目标>3）
- 月churn率（目标<5%）
- 免费额度消耗率（目标>60%的付费用户消耗完免费额度）
AI模型与体验指标：
- 内容采纳率（用户采纳AI生成内容的比例，目标>50%）
- 内容修改率（用户修改AI生成内容的比例，越低越好）
- 生成满意度（用户评分，目标>4.0/5）
- 幻觉率（人工审核发现的事实性错误比例，目标<2%）
- 平均延迟（目标<5秒）
- 单次生成成本（目标<$0.02）
- 推理成本占收入比（目标<25%）
35.7.3 数据驱动的优化成果
建立指标体系后，团队通过数据发现了几个关键问题并优化：
问题1：推理成本占收入比高达45%
数据发现：80%的生成请求用的是最贵的GPT-4，但其中60%是简单的短文案生成，用便宜的模型也能达到同样质量。
优化：实施模型路由策略——简单任务（短文案、标题、邮件）用GPT-3.5-turbo，复杂任务（长文章、品牌故事、多语言翻译）用GPT-4。
效果：推理成本下降40%，成本占收入比从45%降到27%，内容质量几乎没有下降。
问题2：内容采纳率只有35%
数据发现：用户经常生成多次才采纳一次，主要原因是AI生成的内容太通用、不符合品牌调性。
优化：①增加品牌风格设置功能，让用户设定品牌语气、关键词、禁用词；②优化Prompt，增加用户历史生成内容作为上下文；③增加"优化"按钮，用户可以基于AI生成的内容继续优化。
效果：内容采纳率从35%提升到58%，人均生成次数下降，满意度提升。
问题3：付费转化率只有2%
数据发现：免费用户的免费额度（每月10000字）只有30%的用户能用完，大部分用户用几百字就不用了，没有转化动力。
优化：①调整免费额度为每月3000字（够用但不够爽）；②增加付费专属功能（品牌风格、批量生成、API访问）；③优化转化漏斗，在用户用完免费额度时展示付费价值。
效果：付费转化率从2%提升到4.5%，MRR增长120%，churn率没有明显上升。
整体效果（6个月）：
- MRR增长230%
- 推理成本占收入比从45%降到22%
- 内容采纳率从35%提升到58%
- 用户满意度从3.6分提升到4.3分
- 月churn率从8%降到4%
35.8 本章小结
数据指标体系是AI产品的"仪表盘"，没有仪表盘就是闭着眼睛开车。AI产品需要传统指标+AI特有指标的完整体系。
核心内容回顾：
四层指标架构：
- 北极星指标：一个最核心的指标，代表产品为用户创造的核心价值，是团队的方向标
- 用户指标：DAU/MAU、留存、人均使用时长、人均对话轮次，反映用户基础和吸引力
- 业务指标：付费转化率、MRR/ARR、LTV/CAC、churn率，反映商业价值和盈利能力
- AI模型与体验指标：准确率/幻觉率/任务完成率（效果）、延迟/成本/错误率（效率）、满意度/点赞率/bad case率（体验）
数据采集和埋点：全链路追踪（trace_id串联每个环节）、版本化管理（模型/Prompt/知识库版本）、成本可归因、隐私合规、分级存储策略。
数据看板和监控：按角色分层（战略/运营/模型/财务/告警），建立自动化告警规则（服务不可用、延迟异常、成本异常、效果下滑、用户流失、内容安全）。
A/B测试：AI产品A/B测试的特殊性（变量多、评估难、成本差异大）；常见实验场景（模型对比、Prompt优化、RAG优化、参数调优、功能实验、定价实验）；最佳实践（明确假设、样本量足够、单一变量、综合评估、人工审核辅助、灰度发布）。
优化闭环：数据监控→问题分析→假设提出→实验验证→全量发布，持续循环。
实战案例：AI写作工具通过建立指标体系，发现并解决了成本高（模型路由降本40%）、采纳率低（品牌风格+Prompt优化，采纳率35%→58%）、转化率低（调整免费额度+付费功能，2%→4.5%）三大问题，6个月MRR增长230%。
记住：你无法优化你无法衡量的东西。从产品上线第一天起就建立完整的数据指标体系，让每一个决策都有数据支撑，而不是凭感觉。
📝 本章练习（5题）
答案与解析请在 互动学习看板 中作答查看。
📚 AI产品经理实战训练营 课程目录（44 章）
- 第1章 AI产品经理是做什么的？和传统PM有什么区别？
- 第2章 2026年AI产品经理就业市场：哪些行业在招？薪资多少？
- 第3章 零经验转行AI产品经理的3条路径
- 第4章 AI产品全景图：从聊天机器人到Agent，一文搞懂
- 第5章 AI产品经理能力模型：你需要掌握哪些技能？
- 第6章 实战：拆解3个你每天在用的AI产品
- 第7章 大模型是什么？用大白话讲清楚
- 第8章 主流大模型对比：GPT-4o、Claude、DeepSeek、豆包、Kimi怎么选？
- 第9章 Prompt入门：写好提示词的5个原则
- 第10章 Prompt进阶：System Prompt、COT思维链、Few-shot示例
- 第11章 结构化输出：让大模型返回JSON、表格、代码
- 第12章 Prompt优化实战：从垃圾Prompt到高质量Prompt
- 第13章 大模型的"幻觉"问题：产品经理怎么应对？
- 第14章 实战：为一个智能客服设计完整Prompt体系
- 第15章 RAG是什么？为什么企业都在做知识库？
- 第16章 RAG工作原理：文档→分块→向量→检索→生成
- 第17章 向量数据库选型：Milvus、Pinecone、Chroma、pgvector怎么选？
- 第18章 Embedding模型选型：OpenAI、BGE、M3E、GTE对比
- 第19章 Reranker重排序：让检索结果更精准
- 第20章 查询改写与混合检索：提升召回率的实战技巧
- 第21章 知识库运营：文档治理、更新机制、效果监控
- 第22章 实战：从零搭建一个企业知识库（完整流程）
- 第23章 Agent是什么？和聊天机器人有什么区别？
- 第24章 Agent核心能力：感知、规划、工具调用、记忆
- 第25章 主流Agent框架与协议：Agent Harness、MCP、A2A全解析
- 第26章 工具调用（Function Calling）原理与实战
- 第27章 Agent记忆系统：短期记忆、长期记忆、向量记忆
- 第28章 多Agent协作：多个智能体怎么分工配合？
- 第29章 Agent评估体系：成功率、成本、延迟怎么监控？
- 第30章 实战：设计一个制造业生产异常处理Agent
- 第31章 AI产品需求分析：怎么识别真需求还是伪需求？
- 第32章 AI产品竞品分析：怎么调研和拆解竞品？
- 第33章 AI产品PRD撰写：技术可行性、数据需求、评估指标
- 第34章 AI产品原型设计：对话流、状态机、异常处理
- 第35章 AI产品数据指标体系：从DAU到模型准确率，全面监控
- 第36章 AI项目管理：从需求到上线的全流程管控
- 第37章 实战项目1：从零搭建制造业AI智能质检系统
- 第38章 实战项目2：从零搭建企业级AI知识库（RAG系统）
- 第39章 AI产品经理简历优化：让HR一眼看中你
- 第40章 项目经验包装：把普通项目讲成亮眼案例
- 第41章 AI产品经理面试常见问题：提前准备，从容应对
- 第42章 案例分析面试：用结构化思维征服面试官
- 第43章 薪资谈判：拿到你应得的报酬
- 第44章 入职前3个月：快速站稳脚跟，建立信任