核心内容：AI 产品必须做评估的原因（传统产品”点一下看对错”失效）；Eval 四档（人工抽检/标准答案集/LLM-as-Judge/用户行为数据）与组合用法；选型七维度（效果/速度/价格/上下文/稳定性/数据安全/生态）与模型抽象层；常见模型大致定位（国内/海外，人话版）；两个案例（大厂客服 Eval 体系、本地企业成本优化降 80%）。
事实边界：客服机器人 Eval 体系为行业通用做法描述（未点名具体大厂）；本地企业”月 API 账单几万、成本降 80%”为母稿案例，未点名公司；模型对比”90% vs 93%、价格 1/5”为母稿案例口径，未放大。
W6 课件：AI PRD + 商业化 + 作品集包装
这节课要解决的问题：怎么写一份 AI 产品的 PRD；怎么给产品定价和设计商业模式；怎么把你做的东西包装成能拿出去见人的作品集。
开场（5 分钟）
前面五节课，我们把一个 AI 产品从想法到验证的全流程走了一遍：怎么拆架构、怎么写提示词、怎么做需求分析、怎么设计 Skill、怎么建 Eval。
最后这节课，我们做三件事：
- 把前面的东西整理成一份正经的 PRD
- 想想这个东西怎么赚钱
- 把你这六周做的东西，包装成能拿出去找工作、找客户的作品集
这三件事看起来是收尾，其实才是真正见功夫的地方。你前面想了一堆、做了一堆，但写不清楚、卖不出去、包装不好，等于白做。
第一部分：AI PRD 怎么写（35 分钟）
AI PRD 和传统 PRD 的区别
传统 PRD 大家都见过：产品背景、功能列表、交互说明、原型图、上线计划。写的是”这个功能长什么样、点哪里出什么”。
AI 产品的 PRD 不一样。因为 AI 的输出是不确定的，你没法像画按钮一样把所有交互都画死。你得写清楚：AI 负责什么、人负责什么、边界在哪、出错了怎么办。
AI PRD 多了几个传统 PRD 没有的章节：
AI PRD 的核心章节
1. 产品概述
一句话说清楚：这是什么、给谁用、解决什么问题。跟传统 PRD 一样。
2. 用户场景
具体描述用户在什么情况下、用什么设备、遇到什么问题、怎么用你的产品。要写得有画面感，不是列功能点。
3. AI 能力范围
这是 AI PRD 特有的。写清楚：
- 这个产品里，AI 能干什么？
- AI 不能干什么？（边界）
- 什么情况下转人工？
- AI 生成的内容，哪些需要人确认？
这一部分是 AI PRD 的灵魂。你写清楚了，开发才知道哪里该放手、哪里该兜底。
4. 工作流设计
把你前面画的工作流放进来：用户输入 → 意图识别 → 调用哪些 Skill → 人工确认 → 输出。每个节点标注清楚。
5. 提示词设计
核心 System Prompt 是什么？关键 Skill 的 Prompt 是什么样的？不用全文贴，但要把设计思路和关键约束写清楚。
6. 数据需求
需要什么数据？知识库怎么建？数据从哪来？怎么清洗？隐私怎么处理？
7. Eval 方案
你怎么衡量这个产品好不好？指标是什么？测试集怎么建？上线后怎么监控？
8. 风险和兜底
可能出什么问题？幻觉了怎么办？回答错了怎么办？用户不满意怎么办？每个风险对应的兜底方案是什么。
9. 上线计划
分几期？每期做什么？先内测还是直接上线？灰度比例怎么定？
写 PRD 的几个坑
坑一：写成了功能清单
很多人写 PRD 就是列功能点：有 A 功能、有 B 功能、有 C 功能。但没说清楚这些功能怎么配合、用户怎么用。PRD 不是功能列表，是讲清楚一个完整的用户故事。
坑二：不写边界
AI 产品 PRD 最常犯的错：只写 AI 能干什么，不写 AI 不能干什么。结果开发按”全能 AI”做，上线之后到处翻车。边界一定要写清楚，而且要写得具体。
坑三：Eval 写得太笼统
“上线后持续优化”这种话等于没说。你得写清楚：测什么指标、怎么测、目标是多少、不达标怎么办。
第二部分：商业化怎么想（35 分钟）
产品想清楚了，下一个问题：怎么赚钱？
先想清楚一件事：谁付钱
很多人做产品，上来就想”我要做免费产品，先做用户量，以后再变现”。但你做的是小团队产品，不是大厂创业。你没有那么多时间等变现。
小团队做产品，从第一天就要想清楚：谁付钱？为什么付钱？
常见的几种商业模式
1. 一次性付费
用户付一次钱，用一辈子。
适合什么？工具类产品、内容类产品。比如一个简历优化工具，付一次 99 块，随便用。
优点：简单，决策门槛低。
缺点：没有持续收入，用户付完就走了。
2. 订阅制
按月/按年付费。
适合什么？持续更新的产品、需要持续服务的产品。比如 AI 写作助手，每月 39 块，一直用一直更新。
优点：有持续收入，用户 LTV 高。
缺点：需要持续交付价值，不然用户就不续了。
3. 按用量付费
用多少付多少。比如按调用次数、按生成字数、按 token 计费。
适合什么？API 类产品、重度使用的工具。
优点：对轻度用户友好，重度用户多付钱。
缺点：用户不好预估成本，容易有顾虑。
4. 免费 + 增值
基础功能免费，高级功能收费。
适合什么？有网络效应的产品、想先做用户量的产品。
优点：获客容易，用户先试后买。
缺点：免费用户的成本你得扛得住，而且免费功能和付费功能的边界要设计好。
5. To B 收费
卖给企业，按席位/按项目收费。
适合什么？有明确企业痛点的产品、能帮企业省钱或者赚钱的产品。
优点：客单价高、客户稳定、决策链清晰（一旦签了就不容易跑）。
缺点：销售周期长、需要做定制化。
定价怎么定
定价不是拍脑袋，有几个参考维度：
1. 你的成本
做这个产品，你每服务一个用户花多少钱？API 成本、服务器成本、人工成本。定价比这个高，不然越卖越亏。
2. 替代品的价格
用户现在用什么解决这个问题？那个东西多少钱？你的定价可以比它便宜（抢市场），也可以比它贵（你更好），但不能比它贵太多又说不出来为什么。
3. 用户的感知价值
用户觉得这个东西值多少钱？你帮他省了多少时间？帮他多赚了多少钱？他愿意为这个付多少？
比如你一个 AI 工具帮用户每周省 5 小时，按他每小时 100 块算，他觉得值 500 块。你定价 99 块，他觉得特别值；定价 500 块，他会犹豫；定价 1000 块，他就走了。
4. 锚定效应
如果你有三档定价，中间那档是最好卖的。你定一个很贵的档位当锚点，让中间档位显得划算。
比如：基础版 99/月、专业版 299/月、企业版 999/月。大部分人会选专业版，因为有个 999 做对比，显得 299 很合理。
小团队的商业化建议
如果你是小团队，我给你一个实在的建议：
别搞太复杂的商业模式。
最简单的方式：先找 10 个愿意付钱的种子用户，手动服务他们，把钱收回来。别上来就搞订阅、搞积分、搞会员体系。
你先证明：有人愿意为这个东西付钱。这比什么商业模式设计都重要。
第三部分：作品集怎么包装（30 分钟）
六周学完了，你做了一堆东西：需求文档、工作流设计、Skill 设计、Eval 方案。这些东西怎么变成能拿出去找工作、找客户的作品集？
作品集不是把所有东西堆上去
很多人做作品集，就是把自己做过的所有项目、所有文档、所有代码全放上去，几百页。招聘方或者客户翻了两页就不想看了。
作品集的核心不是”我做了多少”，是”我能解决什么问题”。
作品集应该包含什么
1. 项目总览（1 页）
你是谁、你做了什么、你擅长什么。一句话说清楚。
比如：”一个有 3 年互联网产品经验的 AI 产品经理，专注帮中小企业做落地的 AI 工作流。擅长从需求分析到上线交付的全流程。”
2. 3 个代表作项目
别放太多，3 个就够。每个项目讲清楚：
- 背景：这个项目是解决什么问题的
- 你的角色：你在里面干了什么
- 你怎么做的：从需求分析到上线的过程
- 结果：做出来之后效果怎么样、数据是多少
- 复盘：哪里做得好、哪里可以更好
3. 你的方法论
你做 AI 产品的一套方法是什么？不用写得像教科书，就讲你自己的经验：我做项目一般分几步、我最看重什么、我踩过什么坑。
这一部分最能体现你的思考深度。别人堆功能，你讲方法论，高下立判。
4. 你交付过的东西
你写的 PRD、你设计的 Skill、你建的 Eval 体系——挑一两个有代表性的，放个链接或者截图。让人家看到你真的做出来了，不只是说说。
作品集的几个误区
误区一：堆术语
“基于大语言模型的智能 Agent 系统，融合 RAG 与 Function Calling，实现多轮对话与工具调用。”
这种话谁都会说，看不出你真做过。用大白话讲清楚你做了什么、解决了什么问题，比堆一堆术语强。
误区二：只讲技术不讲业务
“我们用了最新的 GPT-4o，上下文窗口 128K，做了 Function Calling。”
然后呢？用了这些技术，业务上带来了什么结果？省了多少人力？提升了多少效率？客户满意度涨了多少？不讲业务结果，技术再好也没意义。
误区三：没有数据
“产品上线后用户反馈很好。”
“很好”是多好？满意度从多少涨到多少？日活多少？留存多少？没有数字的反馈，等于没说。
案例拆解（25 分钟）
大厂案例：一个 AI PM 的作品集长什么样
我们看一个真实的 AI PM 简历/作品集是什么样的。
他做了三个项目：
项目一：智能客服机器人
- 背景：公司客服团队 30 人，每天接 2000 个咨询，成本高
- 我的工作：负责产品设计，从需求分析到上线
- 怎么做的：拆了 5 类常见问题，做了 RAG + 意图识别，简单问题 AI 直接答，复杂问题转人工
- 结果：AI 解决了 60% 的咨询，客服团队从 30 人减到 15 人，用户满意度没降
- 复盘：早期测试集太小，上线后发现很多场景没覆盖到，后来补了 500 题的测试集
项目二：销售线索评分工具
- 背景：销售团队每天收到 200 条线索，但 80% 是无效的
- 我的工作：设计一个 AI 工具，自动给线索打分，分高的优先跟进
- 怎么做的：把历史成交数据喂给模型，让它学习”什么样的线索会成交”，新线索进来自动打分
- 结果：销售效率提升 40%，人均成单量涨了 25%
- 复盘：最开始模型效果不好，后来发现是训练数据里”没成交”的样本太少，补了数据之后效果就上来了
项目三：内部知识库问答
- 背景：公司有一堆文档散在各个地方，新员工找资料要问老员工
- 我的工作：搭了一个内部知识库问答，员工直接问问题就能找到答案
- 怎么做的：把所有文档切分、向量化，做 RAG，接企业微信
- 结果：新员工入职答疑时间减少 50%，老员工被打扰的次数明显下降
你看，每个项目都是：背景 → 我干了什么 → 怎么做的 → 数据结果 → 复盘。简洁、有数据、有反思。这才是好的作品集。
本地案例：本地小团队的商业化路径
我们本地有个小团队，两个人，做了一个给本地餐饮商家用的 AI 评论回复工具。
他们的商业化路径很实在：
- 先找了 5 家熟悉的餐厅，免费帮他们用
- 用了一个月，餐厅老板说：这东西确实省时间，以前每天要花半小时回点评，现在五分钟搞定
- 然后他们开始收费：每家餐厅每月 99 块
- 现在已经有 30 多家餐厅在用，每月稳定收入 3000 多
- 一个人管客服、一个人做产品，小日子过得挺好
这不是什么大生意，但它是一个能跑通的商业模式。小团队创业，不需要一开始就想做百万用户的产品。先找到 10 个愿意付钱的客户，活下来，再慢慢扩大。
现场动手（25 分钟）
这是最后一次现场动手了，我们做一个”作品集雏形”。
每个人拿出一张纸或者打开电脑，写出来：
1. 你这六周做了什么
列出你这六周产出的东西：需求文档、工作流、Skill 设计、Eval 方案……
2. 挑一个你最满意的项目
把它按”背景 → 你干了什么 → 怎么做的 → 结果 → 复盘”这个结构写出来。200 字以内。
3. 你觉得这个项目最能体现你什么能力
写一句话。比如：”最能体现我从模糊需求到落地的拆解能力。”
写完了跟旁边的人交换看。互相给对方提建议：
- 他的作品集结构清不清楚？
- 有没有数据？
- 能不能让你一眼看明白他做了什么？
课后作业
必做：你的完整 PRD（≤3 小时）
把你这六周做的东西，整理成一份完整的 AI PRD。按今天讲的章节：
- 产品概述
- 用户场景
- AI 能力范围（含边界）
- 工作流设计
- 提示词设计
- 数据需求
- Eval 方案
- 风险和兜底
- 上线计划
必做：作品集一页纸
把你这个项目写成一页纸的作品集版本。要求：
- 200 字以内
- 有背景、有你的角色、有方法、有数据、有复盘
- 看完别人能知道你做了什么、做得怎么样
选做：商业化方案
给你的产品设计一个简单的商业化方案：卖给谁、收多少钱、怎么收、为什么这个价格合理。
本节课顾问团动作
把你的 PRD 和作品集草稿，丢给顾问团做最终评审。
每个顾问给你一个综合评价：
- 这个产品值不值得做？
- 这份 PRD 写得清不清楚？
- 你的作品集能不能拿出去见人？
- 你接下来最该补的一块是什么？
这是顾问团最后一次帮你评审。把所有意见收集起来，整理成你自己的改进清单。
下节课预告
W6 是最后一次正式课。下一次我们做结营答辩。
结营答辩的时候，每个人用 10 分钟，讲你这个项目：你发现了什么问题、你怎么设计的、你做出来了什么、效果怎么样、接下来你打算怎么办。
讲完了大家互相提意见。不是考试，是一次同行之间的交流。你做的东西，有人看、有人问、有人给建议，这比你自己闷头做半年有用得多。
讲师手记
六周下来，我最大的感受是：做 AI 产品这件事，真的没有大家想的那么玄。
它不是什么需要天才才能干的事。它就是一套方法：想清楚问题、拆成步骤、一步步做出来、用数据验证、根据反馈调整。
技术会变，工具会换，但这套方法不变。今天用豆包，明天用 GPT，后天可能出来个新的模型，但你”怎么把一个模糊想法变成一个能用的产品”这个能力，是跟着你一辈子的。
最后送大家一句话：别想着做一个完美的产品再上线。先做个能用的东西，丢给用户用，让用户告诉你哪里不对。完美是改出来的，不是想出来的。
结营答辩见。