Better Writer MCP

我刚转做 AI 产品经理的时候，连“模型微调”和“特征工程”分得都不清楚。那时我还在做传统电商产品，每天想的是怎么优化下单流程、提升转化率，突然被扔进一个团队，听大家聊 Transformer、提示词工程、RAG，我坐在角落，假装听懂了，心里慌得不行。 但后来我慢慢明白，AI 产品经理不是要你变成工程师，而是要你学会在“人类需求”和“机器能力”之间搭一座桥。这座桥不漂亮，但得结实。 --- AI 产品经理到底是什么？ 它不是“会用 AI 的产品经理”，也不是“懂点代码的产品经理”。它是一个能听懂机器在说什么、也明白人在要什么的人。 举个真实例子。我们做了一款 AI 客服助手，目标是帮电商客服少打字、多回复。传统做法可能是：给客服一个快捷回复模板库，按关键词匹配。但 AI 的思路不一样——我们得训练模型，让它看懂客户说的“这个衣服洗完缩水了”到底是投诉、咨询、还是退货请求。然后根据上下文，生成一句得体、不机械、能让用户不反感的回复。 这背后没有“功能列表”，没有“按钮设计”，没有 AB 测试点击率。有的是：训练数据有没有覆盖“缩水”“变形”“掉色”这些词？模型是不是把“我想退货”误判成“我想咨询退货政策”？工程师说“准确率 87%”，你说“那 13% 的错判，都是真实用户的怒气”。 这就是 AI 产品经理的日常：在模糊里找确定，在不准里找可用，在技术限制中，做出让人愿意用的产品。 --- 我的工作，八成时间在“翻译”。 不是写 PRD，是写“人话版技术说明”。 比如，我跟算法团队说：“用户输入‘能不能便宜点’，模型老回复‘我们已提供最佳价格’，显得冷冰冰。”工程师说：“这是训练数据里少这类口语表达。”我说：“那你能不能加点‘亲，能不能给个优惠券呀’‘求求了’‘太贵了’这类真实聊天记录？”他们改了，模型真的开始说“可以帮您申请个 5 元券，明天发您～”。 这不是“提需求”，是“帮模型理解人性”。 另一个场景是评估 AI 生成结果。我以前觉得“准确率 90%”就是 OK。现在我知道，如果模型在 100 次回复中有 9 次是“您说的是什么意思？”——这 9 次不是错，是“不知道怎么答”。用户会怀疑：这机器人是不是根本没听懂我？ 所以，我们不再只盯着准确率，而是看“困惑率”：用户说了什么，模型没理解，还反过来问。我们统计这类对话的占比，如果超过 8%，就算准确率 95%，也得重来。 这不是技术指标，是体验指标。 --- AI 产品经理的核心能力，不是“会 Python”，而是“能判断AI在什么情况下会翻车”。 我们不用写代码，但得知道： - 为什么模型突然开始胡说八道？是训练数据偏了？ - 为什么用户用着用着就不用了？是因为回复太慢？太机械？还是太“聪明”，吓到人了？ - 什么时候该用大模型？什么时候用小模型+规则？ - 什么时候该让用户知道“这是 AI 回的”，什么时候不该？ 有一次，我们做一个法律咨询 AI，想让普通用户问“我被辞退了怎么办”。模型回复了一大段《劳动合同法》第 46 条，连“经济补偿金”都写对了。但用户反馈：“我根本看不懂，能不能说人话？” 我们立刻改了。模型不再引用法条，而是说：“你现在的情况，单位大概率要赔你 N+1 的工资。你可以先收集工资条、考勤记录，然后和公司谈。如果谈不拢，我可以帮你写一份申请材料。” 工程师觉得“不专业”，用户觉得“靠谱”。我们选了用户。 这种判断，不是靠读书得来的，是靠一个个用户访谈、一段段对话记录、一次次“模型答非所问”积累出来的。 --- 技术理解，不是要你会训练模型，而是要你知道： - 数据从哪来？谁来标？标得准不准？ - 模型的响应速度是多少？高峰期会不会卡？ - 生成内容有没有版权风险？会不会胡编乱造？ - 什么是“幻觉”？什么是“推理失败”？什么是“对齐失败”？ 这些词你不用会算，但要能问出来。你要是连“幻觉”是什么都不知道，工程师说“模型在创造内容”，你就真以为它在写诗。 我见过太多 AI 产品失败，不是技术不行，是产品经理压根不知道模型会有“瞎编”的毛病。结果上线后，用户问“我能不能把房子过户给我妈”，AI 说“当然可以，您先去公证处，再提交三份申请表，最后等两周”，其实这完全不现实——但用户信了，还去办了，最后投诉到客服。 这不是技术问题，是产品经理没搞清楚“AI 能信到什么程度”。 --- 数据敏感度，也不是说你要会跑 SQL。而是你能从几百条失败对话里，一眼看出问题在哪。 我们收集了 3000 条用户和 AI 客服的对话，有人写“我不满意”，AI 回“感谢您的反馈”。这是一次失败。 但有 47 条记录，用户写“我已经找过三次客服了”，AI 还是回“感谢您的反馈”。 这就是个模式。不是单个问题，是系统性忽略。 我把这些案例做成表格，标注“重复咨询”“情绪升级”“AI 无效回应”，给团队看。工程师说：“原来问题不在模型，是系统没记住用户历史。” 我们立刻加了“对话记忆”模块，把三次沟通串起来。一个月后，重复咨询率降了 52%。 不是靠分析，是靠“看得见血”。 --- AI 产品经理最大的挑战，其实是“没人知道你在忙什么”。 传统产品，你画个原型，大家都知道你要做什么。AI 产品，你跑了个模型，测试效果忽好忽坏，产品经理说“这个功能不稳定，先不上”，研发说“我们改了十轮了，你到底要什么？” 没人知道“好用”的 AI 是长什么样。 所以我们得学会“用案例说话”。 不讲“准确率提升”，讲“王女士今天又来问退货，AI 给她发了券还道歉了，她没骂人”。 不讲“推理能力增强”，讲“用户问‘这个产品能放冰箱吗？’，AI 说‘不能，会结霜’，用户说‘原来这样啊’，没再追问”。 这就是你的成果。你要学会把这些故事讲清楚。 --- 机遇呢？挺多的。 第一，AI 把产品从“功能实现”拉回“体验设计”。以前我们拼谁功能多，现在拼谁能让 AI 更像人。 第二，机会多到你都选不过来，医疗、教育、法律、政务、客服、内容生成，到处缺人。 第三，你不用“等公司给你机会”，你完全可以自己做个小项目练手。 我转行半年后，自己做了个“AI 助理帮老人写家书”的原型。不是多高大上，就是把老人口述的语音，转成文字，改得温温情情，像子女写的。用开源模型 + 简单提示词 + 语音识别，三天跑通了。发到朋友圈，有 7 个老年人朋友说“我爸妈要是能用就好了”。 这就是产品。 --- 怎么入行？别学 PyTorch，别报培训班。 做这四件事： 1. **每天看一条 AI 产品失败案例** 微信搜“AI 产品翻车”，随便找一篇，读完问：问题在哪？是数据？是提示词？是没告诉用户这是 AI？把原因写下来，写 20 条，你就懂了。 2. **自己动手搭一个最小 AI 产品** 用 ChatGPT + Canva + 飞书多维表格，做一个“AI 咖啡推荐助手”。用户输入“我今天想提神”，你让它推荐“美式”或“拿铁”，并说明原因。 别搞复杂，重点是：你怎么设计提示词？怎么判断回复好不好？用户不满意你怎么改？ 3. **找 AI 团队混，不为求职，为学习** 去创业公司、小团队，问“我能看看你们的标注数据吗？”“能不能让我旁听一下模型测试会？” 我见过不少工程师愿意带你，只要你真问、真听、真好奇。 4. **写点东西，别藏起来** 写一篇《我如何用 AI 给我爸写了一封生日信》，或者《我为什么不再相信 AI 客服能解决任何问题》。不要技术术语，就讲你看到的、感受到的。发出来，有人会找到你。 --- 我见过太多人，一上来就想“我要当 AI 产品经理”，然后刷题、背术语、考证书。但真正能做好的人，不是最懂技术的，是那些能把“用户的一句抱怨”，变成“模型的一个改进方向”的人。 AI 不是魔法，它只是更难猜透人心的工具。 你不需要是工程师。 但你得是个细心的人， 能觉察语气的微妙， 能分辨“它懂了”和“它假装懂了”的差别， 能把用户的困惑，翻译成工程师能听懂的语言。 如果你能，那你就已经是一个 AI 产品经理了。 至于技术，慢慢来。工具会变，但“理解人”这件事，永远不会过时。