先做个实验。打开你手机里最常用的那个 AI 产品，让它干件你平时常让它干的事，然后把屏幕扣过来，回答我一个问题：从你输入那句话到它吐出答案，中间到底发生了什么？
哪一步是模型干的，哪一步是产品干的，哪一步其实只是查了个数据库？它为什么有时候靠谱，有时候一本正经地胡说八道？我问过不少人，能答上来的没几个。不是大家笨，是这事从来没人拆开讲过。
这节课就干一件事：把 AI 产品拆开。入口、交互、编排、能力、数据，五层，一层一层说清楚。拆完你再去看任何一个 AI 产品，脑子里会自动浮现这张图，它强在哪、弱在哪、边界在哪，一眼就能看出来。这张图也是后面五节课的地基，后面讲需求分析、讲工作流、讲 Skill，都是在这张图上盖楼。
这节课要解决的问题：拿到任何一个 AI 产品，你能不能在 5 分钟内说清楚它由哪几部分组成、每部分在干什么、哪里是它的能力边界？
开场（5 分钟）
先问大家一个问题：你每天都在用 AI，ChatGPT、豆包、Kimi、各种 AI 助手，但如果我让你画一下”一个 AI 产品的内部结构”，你画得出来吗？
大部分人画不出来。不是因为难，是因为没人教过你这事儿。大家都是直接上手用，用完了觉得”挺厉害的”，但不知道它为什么厉害、哪里不厉害、换个场景它还灵不灵。
这节课就是把这个黑盒子打开给你看。看完之后，你再用任何 AI 产品，脑子里会自动浮现出一张图。这张图就是后面 5 节课的基础——你不会这个，后面讲需求分析、讲工作流、讲 Skill，你都接不住。
第一部分：五层结构（40 分钟）
先从一个你天天见的东西说起
你去一家餐厅吃饭，整个流程是这样的：
- 你走进门，服务员迎上来，问几位、有没有预约
- 你坐下，递上菜单，你点菜
- 后厨接到单子，开始炒菜
- 菜做好了，服务员端上来
- 你吃完结账走人
一个 AI 产品也是这五层。我一层一层说。
第一层：入口
就是用户从哪进来、怎么开始对话。
你打开豆包 App，看到的就是一个对话框——这是入口。你在企业微信里@一个机器人，这也是入口。你跟手机说”小爱同学，帮我设个提醒”，语音是入口。
入口这一层要解决的问题很简单：用户知不知道该跟谁说、说什么、说完了会发生什么。
很多 AI 产品死就死在这一层。做了一堆功能，但用户打开之后一脸懵：这玩意怎么用？我该输入什么？输入了它会干嘛？
我的建议是：入口越简单越好。一个对话框，一行 placeholder（提示文字），最多再加几个推荐问题。别搞花里胡哨的。
第二层：交互
用户说了一句话，系统怎么回应。
这一层干的事情包括：理解你这句话什么意思、决定怎么回、把回的内容排好版给你看。看起来简单，但这里面坑很多。
比如你问”帮我写一封请假邮件”，它是直接给你一封邮件，还是先问你”请假几天、什么原因、发给谁”？这就是交互设计的选择。
再比如，它回了一大段，你满不满意？满意的话它有没有问你”需要调整吗”？不满意的话它有没有引导你”你可以这样跟我说”？
这一层的本质是：AI 不是搜索引擎，它是一个会接话的东西。怎么接话、接到什么程度、什么时候该问、什么时候该直接干，全是这一层的决策。
第三层：编排
这一层是最容易被忽略的，但也是区分”玩具”和”产品”的关键。
什么叫编排？就是用户一个请求过来，背后可能要走好几个步骤：先查知识库、再调大模型、再调用一个外部接口、最后把结果拼起来。这些步骤的先后顺序、条件判断、出错了怎么办——这就是编排。
举个例子。你在一个客服机器人里问”我的快递到哪了”，背后是：
- 先识别你问的是物流问题
- 提取你的订单号（如果没给，先要）
- 调用快递公司的 API 查物流
- 把物流信息翻译成用户能看懂的话
- 顺便问一句”还有别的可以帮您吗”
这一套流程，就是编排。很多人做 AI 产品就是直接调个大模型 API，把用户输入丢进去就完了——那不叫产品，叫 demo。
第四层：能力
就是大模型本身。它能理解语言、能生成文字、能做推理。
但”能力”这层不只是大模型。还包括你给大模型接的各种”手和脚”：能不能查数据库、能不能调搜索引擎、能不能读 PDF、能不能执行代码。这些都算能力。
这层最容易犯的错是：高估大模型的能力。
大模型不是什么都会。它会一本正经地胡说八道（幻觉），它算不准复杂数学，它不知道你公司的内部数据。这些你心里得有数。后面讲 Eval 的时候会细说。
第五层：数据
所有的 AI 产品都离不开数据。训练数据、对话历史、用户画像、知识库文档——这些都是数据层。
数据层要解决的问题：
- 大模型不知道的东西，你从哪给它？（知识库）
- 用户每次对话的上下文，你存不存？存多久？（记忆）
- 用户的偏好，你记不记？记了下次怎么用？（个性化）
很多 AI 产品效果不好，不是大模型不行，是数据层没做好。该喂的文档没喂、该清洗的数据没清洗、该截的对话历史截晚了——效果当然差。
五层总览图
你脑子里现在应该有这张图了：
1 | |
从外到内：入口最外面，用户直接接触；数据最里面，支撑一切。
这五层不是固定的。简单的 AI 产品可能就三层：入口+大模型+一点数据。复杂的产品五层都有，每一层里还套着子层。但不管怎么变，你拿这个框架去套，八九不离十。
第二部分：五种边界（30 分钟）
知道了产品由哪几层组成，下一个问题：这个产品能做到什么程度？哪里是它的边界？
我见过太多人用 AI 产品，用着用着就期待过高了——“它怎么连这个都做不好？”其实不是它做不好，是你没搞清楚它的边界在哪。
边界分五种。
边界一：能力边界
大模型到底能干嘛、不能干嘛。
能干嘛：理解自然语言、生成文字、总结文档、写代码、翻译、回答通用知识问题。
不能干嘛：精确计算、访问你公司内部系统、记住你说过的所有话、100% 不犯错。
做产品的时候，能力边界是硬约束。你不能指望大模型干它干不了的事，然后抱怨它”不行”。干不了的，就用别的方式补——比如加个计算器、加个数据库查询、加个人工审核。
边界二：责任边界
AI 做错了，谁负责？
这个问题在做产品的时候就得想清楚。AI 客服给了错误信息，导致用户损失了，是公司负责还是用户自己负责？AI 生成的医疗建议出了问题，是平台负责还是医生负责？
你在招生页、用户协议、产品交互里，都得把这个边界划清楚。不是要吓唬用户，是要保护自己，也是要对用户诚实。
边界三：场景边界
同一个 AI 能力，在 A 场景好用，在 B 场景可能就翻车。
比如大模型写营销文案，写得挺好。但你让它写法律合同，它就不靠谱。不是它不会写字，是法律合同这种场景，一个字都不能错，错了要出人命的。
做产品的时候，你得明确：我这个 AI 产品是在什么场景下用的？出了这个场景，效果会怎么变？我要不要提示用户”这个场景我们不建议使用”？
边界四：数据边界
你的数据从哪来？合不合法？能不能用？
这个问题越往后越重要。现在数据合规越来越严，你用了别人的数据训练模型，人家找上门来，你怎么办？
做产品的时候至少要问自己：训练数据从哪来的？用户上传的内容我们怎么处理？会不会泄露用户隐私？这些问题没想清楚，产品做出来也是定时炸弹。
边界五：交互边界
什么时候该让 AI 说、什么时候该让人工来？
这是个产品设计的选择题。完全靠 AI，风险大；完全靠人工，成本高。最好的做法是分级：
- 简单问题，AI 直接答
- 复杂问题，AI 先答，答完了让人确认一下
- 敏感问题，直接转人工
很多人做 AI 产品，要么全自动要么全人工，其实中间有一大片灰色地带，才是最值钱的设计空间。
案例拆解（40 分钟）
大厂案例：电商 AI 客服
我们拿大家都熟悉的电商 AI 客服来拆。
入口：App 里点”联系客服”，进入对话界面。或者订单详情页点”退款”，自动唤起客服。
交互：先问”您遇到什么问题？”给几个选项：退款、退货、物流、商品质量。选完了根据问题走不同流程。
编排：
- 退款问题 → 查订单状态 → 判断是否符合退款条件 → 自动审批 or 转人工
- 物流问题 → 调物流 API → 翻译成人话 → 给解决方案
- 商品问题 → 查商品信息 → 给退换货方案
能力：大模型负责理解用户的话和生成回复；规则引擎负责判断流程走向。
数据：订单数据、物流数据、商品数据、历史对话记录。
边界：
- 能力边界：能处理标准问题，处理不了的（比如要赔偿、要投诉）转人工
- 责任边界：客服给出的方案，如果错了，平台承担
- 场景边界：7×24 小时在线，但复杂售后还是要人工介入
- 交互边界：简单问题自动处理，复杂问题一键转人工
你看，一个你天天见的东西，拆完了就是这么回事。没有什么神秘的。
本地案例：制造企业的单据 OCR + 审批流
这是我们本地一家制造企业的真实场景。
这家工厂每天要处理大量采购单据、入库单、报销单。以前全靠人工录入，一个小姑娘坐在办公室，对着一张张单子敲键盘。又慢又容易错，月底加班加死人。
后来上了一套 AI 系统，干的事情很简单：
- 拍照上传单据 → OCR 识别 → 提取关键字段（金额、日期、供应商、物料）
- 自动填进审批系统 → 按金额大小走审批流（5000 以下主管批，以上经理批）
- 审批完了自动记账
拆一下：
- 入口：企业微信里上传照片，或者用专门的扫码枪
- 交互：上传完了问一句”确认无误？”然后给审批进度
- 编排：OCR → 字段提取 → 数据校验 → 写系统 → 触发审批流
- 能力：OCR 模型识别文字，大模型负责把识别结果整理成结构化数据
- 数据：企业的 ERP 系统数据、历史单据
边界在哪？
- OCR 识别手写单据不一定准 → 系统会标红不确定的字段，让人看一眼确认
- 金额特别大的 → 不自动过，必须人工复核
- 单据模糊的 → 直接提示重拍，不硬猜
你看，这个案例里 AI 不是主角，它就是个帮人打字快一点的工具。但就是这一点效率提升，一个工厂省了一个人力，一年省十几万。
这就是 AI 产品的真相：不是什么颠覆世界的黑科技，就是把原来人干的活，用机器干得快一点、便宜一点、不出错一点。
现场动手（30 分钟）
现在轮到你了。
拿出一张纸或者打开电脑，想一个你自己正在用的、或者你公司正在做的 AI 产品。不管是什么——你用的 AI 写作工具、你公司的智能客服、你自己想做的一个 AI 小功能。
按五层结构画出来：
- 入口是什么？
- 交互怎么设计的？
- 背后的编排流程是什么？
- 用到了什么能力？
- 数据从哪来？
再标出它的五种边界：
- 能力上它干不了什么？
- 出了事谁负责？
- 在什么场景用最好？出了场景会怎样？
- 数据来源合法吗？隐私怎么处理？
- 什么情况该转人工？
画完了跟旁边的人交换看，互相挑毛病。挑得越狠越好。
课后作业（≤2 小时）
作业：五层架构拆解图
选一个你自己业务里的 AI 产品（你现在正在做的、或者你公司正在用的），画一张五层架构拆解图。要求：
- 五层都要有：入口、交互、编排、能力、数据
- 标注至少 3 类边界（能力/责任/场景/数据/交互，选三个就行）
- 不用画得好看，能说清楚就行——手绘扫描、Figma、PPT、甚至一张文字列表都可以
- 附一段 200 字的说明：这个产品最关键的设计决策是什么？
合格标准：五层齐全 + 至少 3 个边界标注 + 能看出来你真的理解了每一层在干什么，不是把我讲的话抄一遍。
本节课顾问团动作
这节课结束后，你需要提交一份”行业资料包”给我，内容包括：
- 你所在的行业（越具体越好：不是”互联网”，是”做 SaaS 的、服务中小电商卖家的”）
- 3 位你认可的这个领域的专家/从业者（可以写书的、做产品的、做投资的都行，写出他们的名字和为什么选他们）
- 3 本你觉得这个领域必读的书（写出书名和作者）
我会拿你的行业资料包，用工具帮你蒸馏出一套”专属顾问团”——后面几节课，你会用这套顾问团来评审你的作业。这个东西是你结营的时候带走的核心交付物之一。
下节课预告
W2 我们讲提示词工程和 Vibe Coding。
你可能会说：提示词谁不会写？不就是跟 AI 说句话吗？
还真不是。普通人写提示词，就是”帮我写个XX”；会写的人写提示词，是在写一份产品规格说明书。这中间差了好几个段位。下节课我带你从”问答技巧”升级到”产品级 Prompt”，顺便用 Cursor 或者 Trae 出你的第一个 Demo。
讲师手记
这节课看起来是讲结构，其实是在建立一种思维方式。
很多人做 AI 产品，上来就想”我要做一个 XX 功能”，从来不想这个功能在整个架构里处于什么位置、跟其他部分怎么配合。结果就是东一榔头西一棒子，做出来的东西拼不起来。
五层结构不是教条，是检查清单。你做任何决定之前，先问自己：这个改动影响哪一层？牵一发动全身的时候，你心里得有数。
五种边界也是一样。做产品的人，最怕的不是 AI 做不好，而是自己不知道 AI 哪里做不好。你知道边界在哪，才能在边界之内把体验做到极致；不知道边界的人，要么过度承诺、要么过度保守。
下节课见。